Beruflich Dokumente
Kultur Dokumente
enJ722.hlogspot.com.hr
1- Fundamentos de Confiabilidade
Introduo
A melhor maneira de aprender um novo conceito partir de algo que muito familiar,
CUJa ideia por demais conhecida, e acrescentar elemento a elemento at que um novo
conceito passe a ser tambm familiar. Assim, uma vez que o curso de confiabilidade e isso
lida com tempos de quebra de itens de uma forma estatstica, vamos iniciar quebrando,
hipoteticamente, um conjunto de N equipamentos idnticos que pertenam a um mesmo lote
de fabricao.
Desta forma todos sero submetidos s mesmas condies operacionais previamente
especificadas. Entende-se por condies operacionais tanto a carga de trabalho a que o
equipamento est submetido, por exemplo: frequncia de utilizao, perodo de operao;
quanto as variveis ambientais, por exemplo: vibrao, temperatura, tenso, radiao. Essas
condies operacionais tm que ser identificadas e especificadas, pois sua alterao influencia
na confiabilidade do equipamento. Essa dependncia ser inclusive utilizada de forma
proveitosa quando quisermos acelerar os ensaios, por hora as manteremos fixas.
Neste ponto estamos aptos a fazer uma definio: A Confiabilidade de um item a
probabi lidade dele no apresentar qualquer falha desde sua entrada em operao at um
tempo determinado, sob condies operacionais especficas.
Feitas essas consideraes, pressupe-se que os nossos N equipamentos apresentaro
tempos de falha de forma aleatria, cuja distribuio pretende-se modelar matematicamente.
Por exemplo: suponhamos a seguinte tabela com a quebra de 50 itens cujos tempos esto em
horas:
Tabela 1.1- Dados de quebra em horas de 50 componentes.
14
22
61
77
80
84
96
104
111
112
119
121
125
128
132
137
140
145
149
153
158
162
167
171
175
183
189
190
197
210
218
225
230
237
243
255
264
273
282
301
312
330
345
360
383
415
420
447
472
490
Vale, ainda, lembrar que o estudo de confiabilidade tambm lida com variveis
aleatrias distintas do tempo de quebra, por ex em pio, quilo metragem rodada, nmero de
misses realizadas, nmero de ciclos executados, etc..
Histograma
A primeira anlise grfica que pode ser feita a construo do Histograma das
quebras. Para tanto devemos definir a quantidade de classes bem como seus intervalos. A
regra que o nmero de classes seja um nmero inteiro o mais prximo da raiz quadrada do
Pereiralima
enJ 722.blogspot.com.br
70
140
210
280
350
420
70
3
140
14
210
13
280
8
A
350
420
4
490
3
Histograma
1
14
16
12
-1t'1,
'
10
;1
'
,..
4
2 .
'
'
'
......... ...
~
. 1-
1
'
100
'
400
300
200
..
l
r- -
500
Probabilidade Intervalar
De posse do grfico do histograma pode-se obter o grfico da probabilidade de
ocorrncia de cada classe, simplesmente dividindo a frequncia pelo nmero total de
elementos da amostra. Assim obtm-se os va lores apresentados na tabela 1.3 e seu grfico na
figura 1.2. usual tomar o ponto mdio da classe para o seu posicionamento.
Tabela 1.3 - Probabilidade Intervalar de 50 componentes em sete classes de 70 horas cada.
Classes [h]
Probabilidade%
Pereiralima
35
6
105
28
175
26
245
16
315
10
385
8
455
6
enJ722.blogspot.com.br
Probabilidade Intervalar
30,00o/o
25,00%
15,00/o
,
1
20,00/o
}I ~
~r~'
~...
5,00/o
j - .......
,_
--
1r1
10,00%
0,00%
100
200
300
400
500
Densidade de Probabilidade
De posse do grfico da probabilidade intervalar pode-se obter o grfico da funo
densidade de probabilidade. A funo tem este nome porque ao se integr-la no intervalo da
classe obtm-se a probabilidade de ocorrncia da classe, assim:
,,
f,,
=l
o
(1
P(a<t<a)= J (t).dt=O
a
( 1.2)
Pode-se assumir, aproximadamente, que f(t) seja constante dentro da classe e obter a
funo densidade a partir dos dados de quebra como:
t( +
t2
t,
J, , P(t ~ t ~
t2 )
t2 - t,
(1.3)
PereiraDma
35
0,857
105
4,00
175
3,71
245
2,29
315
1,43
385
1, 14
455
0,857
enJ722.blogspot.com.br
Densidade de Probabilidade
4,50E-03
4,00E-03
3,50E-03
3,00E-03
2,50E-03
2,00E-03
1,50E-03 1,00E-03
5,00E-04
O,OOE+OO
tf
r
"lJ_
li
1
1
- -
''
~J
'
r1
,~~- ...
'
--
1~
1
1
100
200
400
300
500
].
Probabilidade Acumulado
A probabilidade de falha obtida pela simples integrao da densidade de
probabi lidade e a probabilidade de ocorrer a falha desde o tempo inicial (O) at o tempo de
anlise (t), assim:
f
ou ainda
dF(t) = J(t)
dt
(1.4)
Seguem as propriedades:
Jo
Jo
(1.5)
Assim, para o nosso exemplo, obtm-se os valores apresentados na tabela 1.5 e seu
grfico na figu ra 1.4. Observa-se que a f uno monotnica crescente.
Probabilidade de Falha
100,00/o
- 1
90,00/o 80,00/o
1
1
70,00/o
60,00/o
4
-50,00/o
.
40,00/o 30,00/o .... ~
20,00/o
'
10,00/o
~
O,OOo/o
o
100
;Jj'f
f-
.. . ~~
~
_. w
--
'
.
'
'
200
--
'
300
400
500
'
enJ 722.hlogspot.com.hr
Oasses [h)
Probabilidade %
105
175
60
34
245
76
315
385
86
94
455
100
Probabilidade Complementar
A confiabllidade justamente a probabilidade de no ocorrer fa lha desde o tempo
inicial (O) at o tempo de anlise (t) e, portanto ser o compl ementar da probabilidade de
fa lha e obtida subtraindo-se de 1 o valor desta ltima.
~
R(t)
ou ainda
dR(t) =-f(t)
dt
( 1.6)
Assim, para o nosso exemplo, obtm-se os valores apresentados na tabela 1.6 e seu
grfico na figura L5. Observa-se que a funo monotnica decrescente .
Tabel a 1.6 - Confiabilidade de 50 componentes em sete classes de 70 horas.
Classes [h]
Confiabilidade %
35
105
94
66
175
40
245
24
315
14
385
455
Confiabilidade
100,00/o
90,00/o
80,00o/o
70,00/o
60,00/o
50,00/o
40,00/o
30,00/o
20,00/o
10,00/o
0,00/o
..
'A 1
'
'
~,,_
1
1
1
1
' .
-~
100
200
300
r ~-.J
400
500
Pereiralima
enJ 722.blogspot.com.br
dR(t) _ f (t)
R(t). dt - R(t)
h( ) =
-1
t -
(2.1)
-J' h(1")tir'
R(t)= R(O).e
-f' h(1'}dl
(2.2)
Assim, para o nosso exemplo, obtm-se os valores apresentados na tabela 2.1 e seu
grfico na figura 2.1. Observa-se que a funo no negativa.
Tabela 2.1- Densidade de Risco de 50 componentes em sete classes de 70 horas.
35
0,912
Cla.sses [h]
Densidade [lO'' h")
105
175
245
315
6,06
9,29
9,52
1,02
455
385
1,90
Densidade de Risco
2,00E-02
1,50E-02
'
1,00E-02
l/
1.
,t#i li . . -'
,~' I
5,00E-03
O,OOE+OO
,t
4'
o
'
1-
11
100
200
300
400
500
1
).
Risco Acumulado
Para faci litar a modelagem, define-se a funo de risco acumulado como:
=foh(t')dt'
I
H (t)
R(t) = e-H(I)
H(t) =-ln[R(t)]
(2.3)
Assim, para o nosso exemplo, obtm-se os valores apresentados na tabela 2.2 e seu
grfico na figura 2.2. Observa-se que a funo monotnica crescente.
Tabela 2.2 - Risco Acumulado de 50 componentes em sete classes de 70 horas.
Pereiralima
Classes [h)
35
Risco (#)
0,0269
105
O, 181
175
245
315
0,398
0,620
0 ,854
385
1,22
455
.
enJ722.blogspot.com.br
Risco Acumulado
1,40E+OO
1,20E+OO
1 ,-~
'
1,00E+OO
8,00E-01
'
~~
6,00E-01
J,'-W "
4,00E-01
2,00E-01
O,OOE+OO
1.-r4t
1
1
--
100
200
400
300
500
H(t) = ( t-:)r
para t >
eH(t)=O
para?..t?..0
=(ln(t~- )r
H(t)
e H(t)= O
para t >e
(2.5)
Trs exemplos da funo de Weibull podem ser vistos na figura 2.3. Do-se nomes
particulares para a funo Confiabilidade de acordo com o valor de
v:
Funo de Weibull
garna=2
6,00 -+-------------~ F-- - -
2,00
-r---------:;;~~~
rnu=lO
100
,.,.A
garna=l
4 A garna=0,5
abscissa; o
parmetro Y d curvatura
funo.
si rna=lSO
200
300
400
soo
600
y = 2; y = l; y =
Para visualizar a funo Log-Weibull basta substituir o eixo das abscissas por ln(t) ao
invs de t.
Pereiralima
enJ722.blogspot.coni.br
h(t) = ~ ( t -: )
y-1
r < 1; a segunda,
r= 1;
r> 2 .
-J
..
t.R(t ~o =
.. dR(t)
fo t .
dt
M1TF =
..
fo
JR(t ).dt
(2.6}
o
Dois casos so de particular i nteresse, pois os respectivos MTIF's podem ser
calculados analiticamente, so e les: a confiabildade Exponencial, e a confiabi ldade Normal.
(2 .7}
J J
1-
J
-
.JJi
o
2
(
(2.8)
= 0-- 1
No caso
particular da confiabilidade ser exponencial, e ainda para =O, o MTIF ser o inverso da taxa
de falha .
Consideraes
Todo desenvolvim ento realizado para se modelar est atisticamente os tempos de
quebra pode ser rigorosamente aplicado a qualquer outra varivel aleatri a.
Pereiralima
enJ 722.blogspot.com.br
Teorema de Bayes
Este nos diz que a probabilidade de um evento A acontecer, sabendo-se que um
evento B ocorreu igual probabilidade de ocorrncia dos dois eventos A e B, dividida pela
probabi lidade do evento B ocorrer. Em linguagem matemtica tem-se:
P(A/ B) = P(A.e.B)
P(B)
(2.10)
(2.1 1)
Pelo
(2.12)
Pelo Teorema de
PereiraHma
(2 .13)
enJ722.blogspot.com.br
MTBF*, assim:
Jo
J,
lintervaJo i > t
AeB = (r,oo)
zintervalo r < r
MTBF =
,. R(1
JR t
dt +
R( )
J,. ~dt
= i + ~f R(t)dt
RV J
R\f J,.
tmvr
(2.14)
Pode-se atribuir outro significado para esta funo que complementa a de sua
definio. Se quisermos saber qual a probabilidade de um equipamento apresentar uma fa lha
num pequeno intervalo de tempo a partir do presente, levando em conta que at o presente
no apresentou falha, ento pode-se aplicar o Teorema de Bayes aos seguintes eventos:
Evento A: o item fa lhar no intervalo(( ,t' + e)
Evento B: o item no falhou no i ntervalo(O, t ' )ou equivalentemente fa lhar no intervalo (r', oo)
f . +.l!"
Assi m :
AeB = (r, i
e, portanto:
P (A/B ) =
P(AeB)
f (r).e
( ) =
( )
P B
R r'
definio da densidade de
risco.
Pereiralhna
10
enJ722.hlogspot.com.hr
Exerccios
2.1- Determine o tmvr para conflabilidade exponencial (Y 1, =O).
2.2 - Faa o desenvolvimento da integral da expresso (2.8).
2.3 -Para os tempos da tabela 1.1, calcule a confiabilidade experimental como:
R(tJ= N; , sendo
No tamanho da amostra e
PereiraHma
li
enJ 722.blogspot.com.br
[x-e; x+ e]
para
rr P;
n
p=
i =I
.rr J(t;)
n
= (2.E )"
i =I
Pereiralima
12
enJ722.blogspot.com.br
P = (2.E Y'
TI J(t;).R' (t
1)
(3.1)
l=I
Verossimilhana
Esta probabilidade pode ser mais bem condicionada se tomarmos o logaritmo
neperiano, e assim, definimos a funo Verossimilhana como:
1r
i=I
i=I
(3.2)
h(t;) ae
ae
ae
(3.3)
Para o
H(t)=(t;)r
=>h(t)=~(t; Jr~
e H(t)=O
=>h(t)=O
parat>
para>
t>O
li
i= I
i (t;- Jr + r{tf- r= n
i=I
Pereiralima
(j
(j
13
enJ722.blogspot.conr.hr
L (t
)r + r.(t.r - )r = n.ar
i= I
1
(3.4)
Para o parmetro y tem-se:
11
Jy
- 1
f )
+r.H\t1 .ln
i=1
t1 -
- 1
=0
Esta equao transcendental, sua soluo ser numrica e it erativa e, pelo mtodo do
gradiente ascendente, dada por:
Yk+I
rk
JL
1
+'TJ.d
SerzdO < 'TJ < 1 pOreX.'TJ =r ~A
n
(3.5)
JH
a
(t-)
t;-
(t-)
- 1
- 1
Esta equao tambm transcendental, sua soluo ser numrica e iterativa e, pelo mtodo
do gradiente ascendente, dada por:
k+i
= k +'TJ.
JL
"()
1
sendo O< 'TJ < 1 porex.Tf =-
r..k
(3.6)
< t ento:
(3.6.a)
14
enJ722.blogspot.com.br
ve z
que
duas
das
equaes
de
dos
parmetros
sao
note
que na sua equao seu valor no depende dele prprio. De posse dos trs valores, utilizam-se
as relaes de y e para a deter minao de seus novos valores, e iterativamente repete-se o
processo at a sua convergncia.
Para os nossos dados, ajustando-se a funo de Risco Acumulado por W eibull,
obtivemos os valores apresentados nos grficos das figuras 3.1e3.3.
Um bom ponto de partida para o ajuste da funo de Weibull /1'()
11 1
'-L.I
111 1 111
:N''
l l ll ll t
11 1 111
r
t
1 1 1 1 11 11
1' 1111
' 1 1 1 1 li
~ T r~
1
..i. IJ IJ.I L _ l .1
lJ ll lL _ L .l .LIJ UJI __ L l. .L l.1
1 1 t l f ll ll
1 11~11 11
1 1 1 1 1111!
1 1 I li
1 1 1 1 1 11 11
1 11
1111
1 1 1 1 11111
1 1 I li
"
"' 4.5
4
J.5
3
2.5
-t
""t
1 11 l i
1-1 tt l l- - t- '"t 1- 11
1 1 l l i ll ll
1
_ l. J. .i l.l .IL _ L
1 1 1 1 1 1111
1
1 1 1 1 1 1111
1
- 1 11 11 11 11
, 1 1 1 1 11 11
- ~ T l "t ITl t1 1 1 1 1 11 11
_ l J ..1 IJ U I L
1 1 1 1 . 1111
1 l 1 1 1 11 11
- 1 1 1 1i 1r 1r
1 1 1 1 1 1111
- + _. +1.,. 1+1~
1 1 1 1 1 1111
1
10
1
_ L
1
1
-r
1
- ~
1
li
1 1 1 1 11111
1 1 I li
~ - 1- ""t -t-1"'1 lt U- - 1- f- t" l'"f
1 11 1 111
1 11 1 111 11
_ L J. l.IJl.1.11__
J. l. IJ Ili
'11 1 1111
1 1 1 1 1! Ili
1 11 11111
1 1 1 1 1 1111
r 1111 1ru - 1 111 11 1111 1111
1 1 1 11UI
T r 1 1 11'1 ~ "T T I , 1n1- 111 1 1111
1 1 1 1 11111
..1 L IJ l! IL _ L
l.l.J llJI__
1 11 1 1111
1
1 1 11 111
1 11 1 1111
1
1 11 1111
Ti1i1Tu- - r1-11 1n 1- 1 11 1 1111
1 1 1 11111
~ -t l~ l+I ~ - ~ + t
lffl- 111 1 1111
1 1 1 1 UI
't
1 11 1 1
L l L l ..1
1 1 1 11
1 1 1 11
i- t r 1-r
1 1 I l i
L l L 1.1
1 1 I li
1 1 I li
r 1 1 11
1 1 I li
~ + f-1 ~
1 1 1 1 1 I
1.8
1. 7
..
1.6
; 1.5
"' 1.
1.3
1.2
1. 1
Pereiralima
11 1 11 111
l l l l l lll
1 11 1 1 11
19
1 11 1
r r 1T 1
11 1 1111
1 l l l l fl
1 1 11 1ti
11 1 1111
1 l l l lU
r r iTI
1 1 1 1111
-------------------------.~
~
~
~
fVua 3.3 teraes ~Gama maxinmrm a Veros.mtara
L U
1 1 1 11 1
1 1 1 11 1
l l l lt l
~ 1--1 H
1 1 1 1111
1 1 1 111
l ll l ) I
r nn
2 ~~~~~~~~~.~~~~-~~~~~
1 1 1 1 1111
1 1 11 1111f
i i iii 1
1 l l l lJl l
1 11 1 11 111
1 1 11 11111
1 1 11111
1 l l t l ll l
-~ + ~Hl-+l~- 1- + ~l ~ l ~ l --~ ~l+IH ~-~ ~ MH
1 1 1 1111
L L IJ.I
Htt
1 t 1111
1 1 1 111 1
1 1 1111
r
TI
1 1 1111
1 1 1111
L 1_ 1111
1 1 1 1111
1 1 11 11
l l l l ll l
10~
10'
Rg:ua 3.2 t""ii<5 l"ra Mu milnzan:loo Eao Otia;!lico IAdo
~ ~l +I
1 l l l l fl
1 1 1 1111
r r iTI
1 1 1 111
!.. !_ I ! 111
1 1 1 11ri
1 1 1 11t1
1() 1
l l l l l tl
1 1 1 1111
~ ~ I J. I
11 1 11111
u__ ,_
10'
1L-...1-L.1J.lll.1L-...L.L.1..il.LUL-1....Ll.LLWL--'L.L.i.J..JWU
11
' '
1 11 111
1 11 1 11111
l
7.6 - r ~ ~ 1~ 1""11~ - r 1" rio 1- - ~ r r1T1 H ~ - r1 1 1 t 11111
1 1 1 1 1111
1 1 1 1 11111
1
1 11111
1 1 1 1 11111
1
1 1 1 t l l l ll
1
1
1 11111
1 11 1 11111
1
1 1 1 1 11111
7.55 - r T r 1, rnr - r rr11n 1- - r r r1T1n 1- - r
1 1 1 1 1l 1U
11 11111
l fl l l l l ll
1
l l J l l l lll
1
1 1 1 1 111
11 11111
~
1.--.A-~_c:_
!:"._!ll.!.11____ ti 1 1111__ ,_ .L ~1 11
1 1 1 1 11111
1 1 11 $1111
1 11 1 11111
1
1 1 11 11111
1 11 1 11111
1
1 1 1 1 11111
1 1 11 11111
1 1 1 11 11 11
f
1 1 1 1 11111
_ L ..1 L Ul.JJL _ L J. Ll.!llJI__ L L L ll.llJ L - L
7.5
1 11 1 11111
1 1 11 11111
1 1 1 1 11111
1
1 1 1 1 11111
1 1 11 11111
1 11 11 11 11
1
1 l ll t l l ll
1 I J l l l lll
f
1 l l t l l l ll
7.4 - ~ + ~ H l-+11- - ~ + ~ 1 4 1 +1 1- - ~ ~ ~l+IH f- - i1 11 1 11111
1 1 11 11111
1 11 1 11 111
1
1 1 1 1 11111
1 t 1 1 11111
1
1 1 1 1 11111
1 1 11 11111
1 11 1 11 111
t
1 11 1 11111
7.35 - r T r n1T1r- - r T r1"T1n1- - r r r 1T1n r - r-
2 ,--.,.-,...,.,..,.,,.,.,...-.,-,...,..,.,.,,.,,,--.,_,_,..,..,.,,,,,--.,-,...,..,..,.,,,,
1.9
'
7.65
1 11 1 1 11 1
1 111 1111
1 11 1 1111
l
1 1 1 1 1 1111
1 1 11 1 1111
1 1 1 11 1111
1
- f- ~ t i ~ 1+11- - ~ + ~l + l +l f- - ~ + t-l~ I H I - - 11 1 1 1 1 1111
1 11 l l l l lf
1 1 1 1 11111
1
1 111 1 1111_.l! l ! l l lt ll
- r T T r r 1n r - r ~ - r T r 111n 1- - r
1 1 1)~111 1 1 1 11
1 11 111111
1
t 111 1 11 11
1 1 1 1 11111
1
1 1/ l f l1 11
- 1 ~ 1 1r 11 11- - 1 1 1 11 1111- - 1- 1 1 111111- - 11 1 1 1 1 11 11
1 1 11 1 1111
1 1 1 11 1111
1
+ 4- 1 4- 1 4-1 ~ - ~ 4- ~1 + 1 -M ~ -~ + ~l I H I- -11 1 1 1 1 1111
1 111 1 1111
1 1 1 1 11111
1
1 1 1 1 1 11 11
1 111 1 1111
1 1 1 1 11111
1
- r T r 11 1n r - r T r1 r 1n r - r r r 1"T1n1- - r
1 1 1 1 1 11 11
1 '11 1 1111
1 1 1 1 11111
1
!.. .! ! IJ 11 1L _ L !. !..I! 1111__ 1_ l !.I ! l !JI__ l
1 1 l l Cll ll
1 111 1 1111
1 1 l ll llU
1
1 1 1 l l llU
1 1 1 1 11111
1
1 1 1 1 1 1111
L J. .Ll.i l UL - L .l Ll.J.l.i.JL - L .L L I J.IUI- - L
1 1 1 1 1 1111
1 1 11 1 1111
1 1 1 11 1111
1
1 1 1 1 1 11 11
1 1 11 1 1111
1 1 1 1 11111
- r i T I,. ITl r - r ,. r 11' 1T1 r - r- T r1~1n1- - r
1 1 l l l ll ll
1 111 1 1111
' 1 1 1 11111
1
1 1 l l f lt l l
1 1 11 1 1111
1 1 1 1 11111
1 1 l l f ll ll
' 1'1 1 11 11
1 1 1 1 11111
1 1 1 1 1 11 11
' 1 11 1 1111
1 1 1 1 11111
' li
75
1 1 1 11
T r 11
10'
'
' 1 1 1 11111
1 ' 1 1 t 1111
)' t 1 1 1111
- L .J. i.Ul.U L - L ..1. i.1.J l.1.11- L L l L IJ. I U I_
1 1 11
6.5 _ .i. J
5.5 -
li
1.8 17 _
....
l
l
1.4 _
11 11111
1 1 11111
l l l l l l ll
1
l l i l l lll
1
r ,- r t l,,r - r
1 11 1 11111
1
L l i lJ l.!.H__ L
1 1 1 f 11111
I
1 1 1 1 11111
1
1 11 1 11111
1
1 11 1 11 111
- r ~ r HITlr - r
1 1 1 1 1r 111
1 1 1 1 11111
' l l t ll l
1 li
Ili
1
1.2
------
11
ro'
1 11 111 111
1 f 1 1 111 11
r r,.1n 1- - r
r r 1T1n r
1
1
- r
1 1 1 1111
1 1 l 1J 11
r nn
1 1 11111
1 1
! !.I ..! 11 11__ 1_ LI llLll__ 1_ L 1_ 11111
1 1 1 11111
1 1 1 1 11 111
1 1 1 1 1111
l 1 1 11111
1 1 1 11111
1 1 1 1 1111
~ ~~1+1~ 1-- i- ~ MH
1 11 11111
1
1 11 11111
1
T r 1"?111
- r
1 11 111
1
! L I.! _11__ 1_
1 x
I : 111
1
1 11 11111
,
-L ~ L l~WL- L J.
1.3
1
1
T
1
-~ ~ Ml~~- 1-+~l ~ l ~ I -
1.6
e 1.s
(!)
1 11 1 11111
1
1
1 1 1 1 1l 111
r T r nrnr - r
1 1 1 1 l f 111
1
L .! l ' ..!.l.!.11__ L
1
1 1 1 t 11 i li
1 1 1 1 11111
1
11 1 11111
1
11 1 11 111
1
r r 1T1n r - r
11 1 11111
1
!. L i li!...!_ _ 1_
1 1 1 11111
1
, , 1 11111
1
1 1 1 1111
1 1 1 1111
r nn
1 1 1 1111
L 1_1! I 1
1 1 1 1111
1 1 1 1111
1 11111
1 11 11 1111
11 11111
1 11 1 11111
r1, 1T11- - r r r 1T1H r
11 11111
1 J1 1 11111
11 11111
1 11 1 11111
11 , 1111
1 11 11 1111
1 11 11111
l IJ l lllll
l
- r
1
1
1
1
1 1 1 1111
1 1 1 1111
:- Hf1
1 1 1 1111
l l J ll l J
1 1 1 1111
1 1 1 1111
------------------~
' '
it
15
enJ722.blogspot.com.br
Exerccios
3.1 - Mostre que para a confiabllidade exponencial (Y 1), um bom estimador do MTBF,
usando o critrio da mxima verossimilhana, a mdia dos tempos de falha da amostra,
desde que todos os componentes tenham falhado.
3.2 - Escreva uma rotina computacional e determine numericamente os parmetros
para os dados de quebra da tabela 1.1 usando o critrio da mxima verossimilhana. Compare
seus resultados com os grficos das figuras 3.1e3.3.
3.3 - Faa o desenvolvimento analtico para determinao dos parmetros utilizando a
funo Log-Welbull e o critrio da mxima verossimilhana.
PereiraHma
16
enJ722.blogspot.com.br
IV - Ensaios Acelerados
Justfcativa
Muitas vezes, o tempo necessrio para que um dado item apresente falha pode ser
muito elevado, o que no s encarece o ensaio como tambm pode inviabiliz-lo, pois a
informao j no ter utilidade quando estiver disponvel. Sendo assim muito interessante
utilizar o fato de que os fatores de estresse, tanto as condies ambientais quanto a carga de
trabalho, diminuem o MTIF na medida em que so aumentados. Desta forma o ensaio poder
ser realizado em um tempo menor e os dados obtidos serem correlacionados s condies
o pera cio na is desejadas.
Hipteses
Para que possamos tirar proveito da influncia que os fatores de estresse exercem
sobre a distribuio de falhas, necessrio estabelecer hipteses de trabalho para que os
valores dos parmetros das distribuies em diferentes nveis de estresse possam ser
corre lacionados. So duas as hipteses:
1. Hiptese de equiprobabilidade:
2. Hiptese de proporcionalidade: t =
(4.1)
mu
<J R(t)
mu
t'
1
1
1
.
1
R'(t ')
Pereiralima
17
enJ 722.blogspot.com.br
(4.2)
dt '
dt
(4.3)
M1TF(e) =
r R(t,B).dt
(4.4)
Funo de W ei bull :
H (t) =
( t ~ ) r para t >
O para O<t <
r=r'
I
CY = A .CY
ou
= A.
(4.5)
Funo Log-Weibull:
H(t) =
( Ln(t~ ) r parat 2:
Pereiralima
18
enJ722.blogspot.com.br
ou
{4.6)
parmetro Yk no modificado
pelo fator de acelerao, sendo, portanto feito constante para todos os demais nveis de
estresse ensaiados quando da determinao dos demais parmetros ,,,
No entanto estes parmetros no esto livres para variar, pois devem respeitar a:
= Ak.k e O' = Ak.O'k . Nesse caso, a funo de risco acumulado para os demais nveis pode
ser reescrita em funo
,
para aquele n1vel de estresse: H
*(t,.k ) = (
''lcJ
.li ,
-Jl
=
Esta equao tambm transcendental, sua soluo ser numrica e iterativa e, pelo
mtodo do gradiente ascendente, dada por:
(4.7)
Pereiralima
19
enJ722.blogspot.com.br
Agora podemos pensar numa funo verossimilhana que englobe todos os ensaios
acelerados e impor sua maximizao para determinao dos parmetros, o, Y.
nr
111:
=L
k=O
i=I
IH
IH
lf,t
k=-0
i=J
k=O
(4.8)
(4.9)
Esta equao transcendental, sua soluo ser numrica e iterativa e, pelo mtodo do
gradiente ascendente, dada por:
<JL
r p +I = r p +TJ.ar
r,,,"
=L:nk
k=-O
-1
(4.10)
Esta equao tambm transcendental, sua soluo ser numrica e iterativa e, pelo mtodo
do gradiente ascendente, dada por:
ar
,>+1 = ,, +17.d
r,.,
=
i
Pereiralima
20
enJ722.blogspot.com.br
experimentalmente, assim:
R+"' ajustado
s.
A- (s; ) = -L
So
=ln
S;
So
e Y; = ln(A;), ficando a
.
Definindo o erro quadrtico mdio como: EQM
= -1 ~(
~ Y;
m
e obtermos o valor
- Y; )'- e minimizando o
i =I
L Y;.X;
seu valor em relao ao expoente {obtm-se:
= -'i=-~---
(4.8)
:C; 2
i=I
Obs.: Caso a varivel de estresse seja a carga de trabalho, ento o parmetro {pode, a priori,
ser igua lado unidade, prescindindo-se de um segundo ensaio.
Agora podemos extrapolar o fator de acelerao para as condies normais,
e uma vez
que, o fator de acelerao definido como maior que a unidade, procede-se ao seu clculo
YN =ro
Pereiralima
21
e11J722.blogspot.com.br
[s(O),s(i)]=
Il
k=I
sk(i)
Sk (0)
O o ndice do ensaio de referncia onde todos os fatores de estresse esto mais perto
das condies normais.
Para mais facilmente aplicarmos o critrio dos mnimos quadrados e obtermos o valor
ficando a estimativa
sk ()
( 1) ,
e y ()t=lnA
i=I
dEQM
111
/11
"
x 2 (i ).xj (i) .. .
i =I
;,
2 = L Y(i).x (i); para j = lan
x,, (i ).xj(i )]
1
Ili
l=I
;,,
e finalmente:
Ili
Ili
Ix,(i).x1(i)
I
I
i=I
X1 (i).xl
(i)
;:_I
;,,
i=I
Pereiralima
x, (i ).x" (i)
- 1
Ili
X2 (i ).x, (i)
Ili
i=I
i=I
i:l
Ili
Ili
Ili
I x,, (i ).x2(i)
i=I
i=I
l=l
Ili
x2 (i ).x2(i) ...
i=I
.. .
i=I
I y(i).x,,(i)
i=l
22
enJ722.blogspot.com.br
r, atravs de;
x., =
Define-se o erro quadrtico mdio e minimiza-se o seu valor em relao ao expoente
{r e obtm-se a frmula (4.8).
Por ltimo pode-se misturar mais de um modelo, para vrios fatores de estresse,
multiplicando-se as funes. O nmero total de ensaios ser o do nmero de variveis de
estresse acrescido de um, para a referncia.
Exerccios
4.1- Desenvolva a frmula para determinao do fator de acelerao caso a funo de
Risco Acumulado que se quer ajustar seja a Log-Weibuff.
PereiraHma
2.1
enJ722.blogspot.com.br
V - Associaes Fundamentais
Componentes so montados de formas bastante particulares dando origem a modelos
complexos. Para que possamos analisar estes modelos vamos iniciar estudando associaes
bsicas e deduzir suas re laes fundamentais, ou seja, determinar a confiabilidade do sistema
a partir das confiabilldades conhecidas de seus componentes.
Associao Srie
A pri meira e mais simples das associaes a Srie, nela est representada a situao
onde o funcionamento do sistema depende do funcionamento de todos os seus componentes.
A falha de qualquer um deles leva fa lha do sistema. Graficamente pode ser representada ou
pelo Diagrama de Confiabilldade, figura 5 .1.a, ou pela rvore de Falhas, figura 5.1.b.
F.alha d o S ist,ema
R2
R1
Rn
ou
nR;(t)
N
Rs(t) =
(5.1)
l=I
Associao Paralelo
A segunda e no menos simples das associaes a Paralelo, nela est representada a
situao onde a falha do sistema depende da falha de todos os seus componentes. A operao
de qualquer um deles garante a operao do sistema. Graficamente representada conforme
figuras 5.2 a e b.
R1
F a ina do Sistema
R2
1
1
Rn
Pereiralima
Fi
1.
1 1
1
12
24
enJ722.hlogspot.com.hr
Associao Srie(de)-Paralelo(s)
Uma combinao e lementar das duas anteriores uma srie de associaes em
paralelo. Graficamente representada conforme figuras 5.3 a e b.
Falha cto Sistem a
R~
R2
E
o-.. _'\
1
R1
R2
(5.3)
Associao Paralelo(de)-Srie(s)
Outra combinao elementar das duas bsicas um paralelo de associaes em srie.
Graficamente representada conforme figuras 5.4 a e b.
Falha do Sistema
ou
-
R1
R2
R1
R2
ou ~
rr i-rr
2
falharem:
FPS (t )=
i=I
Pereiralima
(5.4)
j =I
25
en3722.hlogspot.com.hr
=1- n.F"(t)
R0 = C~' .R"-o.(l - R )0
~0-+G+&G
[21-+~0-+&G
Tem-se
[}-+@+ 0-+ ~ G
[}-+@+ @+ & ~
(K+l) . Modo: k falhas
~~~~G
[21-+~~~G
[}-+@+ @+ ~ ~
[}-+@+ @+ & ~
Figura 5.5 - Representao de uma associao Parale lo K (fora) de N.
Finalmente a confiabi lidade do sistema ser a soma:
k
R=
L: c;'.R"-1 .(1- R) 1
(5.5)
j=O
Pereiralhna
26
enJ 722.blogspot.com.br
VI - Associaes Complexas
Modelos mais complexos no admitem a aplicao imediata das tcnicas apresentadas
no captulo anterior, exigem mtodos de soluo diferenciados. Neste captulo sero
abordados quatro mtodos de soluo: Decomposio, Tie-Set, Cut-Set e Tabela Booleana.
M todo da Decomposio
O mtodo consiste em decompor o evento em dois conjuntos mutuamente exclusivos
e recuperar a confiabildade do todo pela soma das partes. Assim, supondo que S designe o
sistema complexo que desejamos calcular a sua confiabilidade e A um de seus componentes:
V = (A.ou.A )
(
) ( -)
=>S= S.eA.ou.S.e.A
S = S.e.U
Ra
Re
Rb
Rd
Rc
Figura 6.1- Sistema complexo de cinco componentes, sendo o E o componente chave.
Pereiralima
27
enJ722.blogspot.com.br
Ra
Rb
-4 Re
11 - Re
Rb
Rd
Rd
Rc
Figura 6.2.a - Diagram a de Confiabilidade aps a decomposio.
Fa lha do Sistema
'\
1-F
Pereiralima
28
en3722.blogspot.com.br
Mtodo do Tie-Set
Este mtodo consiste em se determinar todos os sub-sistemas mnimos de
componentes que mantm o sistema operacional quando todos os dem ais componentes no
pertencentes a este sub-sistema falharam. Para que o sub-sistema escolhido seja mnimo,
necessrio que a falha de qualquer um de seus componentes leve
falha do sistema. A
T2
={E,B}
T3
={E,D}
T4
={C,D}
+ R(I; .eT2 .e.I;) + R(I; .e.T2 .e.T4 )+ R(I; .e.T3 .e.T4 )+ R(T2 .e.T3 .e.~) +
- R(T,.e.T2 .e.T1 .e.T4 )
Calculando as confiabilidades temos:
Pereiralima
29
enJ722.blogspot.com.br
Mtodo do Cut-Set
F(C2 .e.C4 )= F8 .Fc .F0 .FE F(C3 .e.C4 )= FA.F8 .Fc .FD.FE
Pereiralima
30
enJ 722.blJJgspot.com.br
1
1
1
1
1
1
o
o
o
o
1
1
l
1
1
1
o
o
o
o
1
1
l
l
1
1
1
o
o
o
o
o
o
o
o
o
o
l
1
1
1
1
1
B
1
1
o
1
o
o
o
1
1
1
o
o
1
1
o
o
o
1
1
1
o
o
o
o
o
o
o
o
o
o
1
1
1
1
o
o
o
o
1
1
1
1
o
o
o
o
1
1
1
1
1
1
1
o
o
o
o
o
o
o
o
1
1
1
l
1
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
ABC OE
ABC OE
ABCOE
8,BCOE
ABDE
ABCDE
BCOE
BCDE
DE
AOCDE
BDE
fil:OE
ABCOE
ABC.OE
ABC.OE
BC.OE
o
o
1
AB,QE
ABJJ2E
COE
COE
B.QE
B.QE
BCOE
BCDE
COE
COE
ABCDf.
ABOE
ABOE
AO.o.E
AO.o.E
AO.o.E
B,QE
o
o
1
1
1
1
1
ASCO.E
ABC OE
ABCOE
8,BCOf
ABDE
o
o
o
1
ABC.Qf
o
o
o
1
ABCOE
o
o
o
Rs = Rv.RE + R8 .(1- R0 ).RI!: + Rc.(1- R1:. ).Rv + RA .(1- Rc ).R8 .(1- R,,. ).R0 + RA.(1 - Rv ).R8 .(l - Rt:)
Por ltimo deve-se mencionar que uma forma alternativa pode se r montada a partir
dos estados inoperantes do sistema, obtendo-se a no confiabilidade do sistema.
Verifique que, apesar de aparentemente as frmulas para a confiabilidade do sistema
determinadas pelos quatro mtodos serem diferentes, ao substituirmos as confiabilidades dos
componentes pelos respectiv os nmeros, as quatro determinam o mesmo valor.
Pereiralinu1
.1J
enJ722.blogspot.com.br
Para o parmetro
a tem -se:
r
(j
-~
i=~
I ----11
(6.3)
Esta equao transcendental, sua soluo ser numrica e iterativa e, pelo mtodo do
gradiente descendente, dada por:
sendo O<17<1
(6.4)
Pereiralima
32
enJ722.hlogspot.conr.hr
JEQM _
:-.
-2 ~
- - L,., e;
H(
t;
)(';-)_,-O
icl
Esta equao tambm transcendental, sua soluo ser numrica e iterativa e, pelo mtodo
do gradiente descendente, dada por:
1
=-
L
~i
n
li
CY.[-/exp(!; )]
i=I
(6.5.a)
Pereiralima
33
enJ722.blogspot.com.br
fndice de Birmbaun
O ndice de Birmbaun igual
18 = CJRs
'
CJR.
(7.1)
Por esta frmula percebe-se facilmente porque este ndice o indicado para priorizar
1
qual dos componentes deve ter sua confiabilidade aumentada para se obter uma melhora da
confiabilidade do sistema.
H uma forma alternativa muito prtica para se calcular este ndice, usando o mtodo
da decomposio para exprimir a confiabilidade do sistema em funo da confiabilidade do
componente, equao (6.3), e em seguida derivando obtm-se:
(7.2)
Para fixao dos conceitos vamos calcular o ndice de Birmbaun pela derivada, pe lo
mtodo da decomposio e pela definio da probabilidade de o componente estar em estado
crtico.
Pereiralima
311
enJ722.blogspot.com.br
O clculo da confiabilidade do sistema complexo da figura 7.1 foi executado aplicandose o mtodo da decomposio para o componente A. Alm disso usou-se a notao:
R 1 = l-R 1
Calculando o ndice de Birmbaun a partir das derivadas para os componentes da figura
7.1 obtm-se:
+ R8 .R
0
operante, assim:
I eB = R 0 .RA
Ii
= R .R
A
+ Rc .RA.
1:
= R5 (1 8 ) -
PereiraHma
35
enJ722.blogspot.com.hr
probabi lidade de "o componente i estar em estado crtico e falhar", evento A, condicionada
probabilidade de "o sistema falhar", evento B.
Aplicaremos o teorema de Bayes:
P (AI B )=
P(A.e.B)
P(B)
A.e.E = A. J o evento A
estar em estado crtico", evento C, no depende de "sua prpria falha", evento D, assim:
(7 .3)
(7.5)
Comparando-se este ltimo resultado com o ndice de Importncia Crtica v-se que:
1/'M =1/c.F5 ,
mesmo sistema.
Exerccios
Para os componentes do diagrama de confiabilidade da figura 6.1, adote Ra=0,95; Rb=0,75;
Rc=0, 7; Rd=0,9; Re=0,8.
7.1- Calcule numericamente os ndices de Birmbaun dos componentes.
7.2- Calcule numericamente os ndices de Importncia Critica dos componentes.
7.3 - Calcule numericamente os ndices de Potencial de Melhora dos componentes.
7.4 - Determine qual a melhor ordem dos componentes para detectar o possvel responsvel
por uma pane sistmica.
7.4- Determine qual a melhor ordem dos componentes para melhorar a confiabilidade
sistmica.
Pereiralima
36
enJ722.blogspot.conr.br
Cadeia de Markov
Caso o estado
imediatamente anterior x(t-1) diz-se que este processo estocstico sem memria e constituise numa cadeia de Markov de tempo e estados discretos. Especifica-se um processo
Markoviano por todos os seus estados acessveis e as probabilidades de transio de cada um
desses estados para todos os demais estados em cada instante t .
Devem ser conhecidas todas as probabilidades condicionais p _ (t), que a
jk
probabi lidade de no instante t+l o estado ser j sabendo-se que no instante t o estado era k.
admitido que o estado do sistema possa permanecer o mesmo na transio entre t e t+l.
Como todos os estados so mutuamente exclusivos e como o sistema sempre estar
li
jk
p ... (t)
11
P(t) =
p ... (t)
12
...
p ... (t)
ln
..
.
P ~ (t )
2n.
.
p ... (t)
p ... (t)
p ... (t )
p ... (t)
21
11 l
p ... (t)
22
"1
1111
mas:
LJ Bk = U e
ainda:
k=I
li
A= A.e.V = A.eU Bk =
k=l
Pereiralima
li
LJ A.e.Bk ,
e como
os estados so
mutuamente
exclusivos:
k=I
37
enJ722.blogspot.com.br
Matricialmente:
p <- (t)
p ,_ (t)
Pi (t+l)
.
.
JJ ,_ (t)
JJ ,_ (t)
p,, (t+l)
p ... (t)
P1(t+l)
11
12
.
.
...
22
21
p ... (t)
.. .
.. .
p ... (t)
11 I
11 2
l 11
JJ ... (t)
Pi(t)
2n
P1(t)
.
.
fJ ,_
..
.
/UI
11
tempo t : JJ(t) =
P' .JJ(O),
O.
Como a soma dos elementos das colunas da matriz P sempre l, a matriz (1-P} ser
no inversvel, o que permite uma soluo no trivial.
Em confiabilidade comum haver uma hierarquia nos possveis estados do sistema,
sendo que este sempre passa de um estado mais operante para um estado menos operante e
nunca o contrrio. Isto faz com que a matriz de transio de estados seja triangular inferior.
Como exemplo vamos calcular a distribuio fina l de probabilidades de um sistema
que pode assumir trs possveis estados: El = totalmente operante, E2 = parcialmente
operante e E3 =Inoperant e; com as seguintes probabilidades de transio:
De El para El p <- =
0,990 ; De El para E2 p ._
11
De E2 para E2 p ,_
21
=0,880;
De E2 para E3 p ...
22
=0,009;
=0,120;
De E3 para E3 p ~
31
32
=1,000
33
0,990
P= 0,009 0,880 o
0,001
O que leva a
Pereiralima
p 1 (oo) =O
0,120
0,001
(1 - P) = - 0,009
o
0,120
-0,001 - 0,120
o
o
o
38
enJ 722.blogspot.com.br
MTTF do usurio
Uma forma pouco ortodoxa da teoria da confiabilidade a obteno do MTTF
utilizando-se dados da produo e da assistncia tcnica mensais de um determinado produto
de uma indstria. Os valores de produo fornecero a quantidade de produtos que so
colocados em operao ms a ms enquanto os dados da assistncia tcnica fornecero a
quantidade de produtos que apresentaram falha naquele ms. Neste caso, uma hiptese que
foi utilizada, a de que as condies operacionais so controladas no vlida, pois os produtos
vendidos estaro
controladas as
condies
QI = QlO
Para o segundo ms de quebra, tem-se a seguinte relao entre quebra e produo:
e- 1..2
21
Pereiralima
39
enJ722.blogspot.com.br
Pi
e-..i.1 = Pz ;Q32 =:>Q32 = P2.(1 -e-.1)
}.
p ..(e-4.(;-1) _ e-x; )
Q = 'V
~
r1
11-t
i=I
dEQM
d0
e= e-A , assim :
/1
- -=- I
P;_.] =o
i=I
= _,_i="-1 _ _ _ _ _ _ _ __
li
(8.1)
M1TF
Pereiralima
- 1
=-x= In(e)
(8.2)
40
en3 722.hlogspot.com.hr
Histograma
Probabilidade Intervalar
Densidade de Probabilidade
Probabilidade Acumulada
Probabilidade Complementar
5
5
Exerccios
6
6
7
8
8
8
8
9
9
9
10
10
Exerccios
11
12
12
13
13
13
14
14
15
16
Pereiralima
4I
enJ722.blogspot.com.br
IV - Ensaios Acelerados
Justificativa
Hipteses
Correlao entre parmetros para diferentes nveis de estresse
Determinao do fator de acelerao
Lei da potncia inversa
Estresse sob mltiplos fatores
Modelos fsicos para determinao do fator de acelerao
17
17
18
19
21
22
23
24
Associao Paralelo
24
Associao Srie-Paralelo
Associao Paralelo-Srie
25
25
Associao Paralelo K de N
26
Mtodo da Decomposio
27
Mtodo do Tie-Set
29
Mtodo do Cut-Set
30
31
32
32
32
33
33
33
Exerccios
33
VI - Associaes Complexas
34
35
36
36
Exerccios
MTTF do Usurio
37
39
Objetivo
O objetivo deste blog
Pereiralima
42