Professional Documents
Culture Documents
e1tJ 722.6/ogspot.com.br
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 fami liar. 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 i nfluencia
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
probabilidade 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 component es.
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 exemplo, quilometragem rodada, nmero de
m isses 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
Pereirallma
t7t3722.bJgspot.com.br
70
140
210
280
350
420
70
3
140
14
210
13
280
8
350
5
420
4
490
3
Histograma
16
}~
14
12
-i
10
8
6
4
2
~-.
,'
100
t-
1-
~,
trrN
200
400
300
500
Probabilidade lntervalar
De posse do grfico do histograma pode-se obter o grfico da probabilidade de
ocorr ncia de cada classe, simplesmente dividindo a frequncia pelo nmero total de
elementos da amostra. Assim obtm-se os valores 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 lntervalar de 50 componentes em sete classes de 70 horas cada.
Classes (h)
Probabilidade %
Pereira/ima
35
6
105
28
175
26
245
16
315
10
385
8
455
6
enJ722.hJgspot.cotn.br
Probabilidade lntervalar
30,00%
~~
25,00%
I'
-~
~I
15,00%
'
II1
10,00%
II
II
1', I I
[I
20,00%
~
-~
5,00%
0,00%
- ,1
~~ ..!"~'
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:
,,
(1.1)
..
=f J(t ).dt = 1
o
o
(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:
f(t +t
2
1)
""
P(t1 ~t~t2 )
t 2 -11
(1.3)
Pereira/Imo
35
0,857
105
4,00
175
3 ,71
245
2,29
315
1,43
385
1,14
455
0,857
enJ722.hJgspot.com.br
Densidade de Probabilidade
4,50E-03
4,00E-03
3,50E-03
...
,._
-~ I I
I A- .
3,00E-03
' ...
I'
2,50E-03
2,00E-03
.'
,i
1,50E-03
1,00E-03
~~
"1
5,00E-04
~-1- ~
O,OOE+OO
100
200
300
400
500
Probabilidade Acumulada
A probabilidade de falha obtida pela simples integrao da densidade de
probabilidade e a probabilidade de ocorrer a falha desde o tempo inicial (O) at o tempo de
anlise (t), assim:
I
=fJ(t'}dt'
o
ou ainda
dF(t) = J(t)
dt
(1.4)
Seguem as propriedades:
(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 funo monotnica crescente.
Probabilidade de Falha
100,00%
90,00%
80,00%
70,00%
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
~ 4
I
~
J.
_L
.4
~~
~,
j
100
'
'
_j_
200
_l
300
400
- -
Ptrelrallma
~~
500
e11J 722.blqgspot.com.br
35
105
175
34
60
245
76
315
86
385
455
94
100
Probabilidade Complementar
R(t) = 1- F(t)
ou ainda
(1.6)
Assim, para o nosso exemplo, obtm-se os valores aprese ntados na tabela 1.6 e seu
grfico na figu ra 1.5. Observa-se que a funo monotnica decrescente.
Tabela 1.6- Confiabilidade de 50 componentes em sete classes de 70 horas.
Classes [h)
Confiabilidade%
35
105
175
94
66
40
245
24
315
14
385
6
455
Confiabilidade
100,00%
90,00%
80,00%
70,00%
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
,....-
'
..
'
' ~~...
1-
100
200
i ..
~" i~~
300
400
500
Pereira/ima
enJ722.bJgspot.colll.bT
Densidade d e Risco
Para continuarmos na busca de um modelo matemtico precisamos da funo
densidade de risco, que definida como o oposto da taxa de confiabilidade:
(2.1)
I
- Jh(()dr'
R(t) = R(O).e
R(t) =e
-Jlt(t')til
(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.
105
6,06
35
0,912
Cla.sses [h]
Densidade (10.h.1 )
175
9,29
245
9,52
315
1,02
Densidade de Risco
2,00E-02
'
I
1,50E-02
1,OOE-02
_."'
5,00E-03
O,OOE+OO
~ ~
o
...
..
I~ j~ j~
l~"'
100
455
385
1,90
200
400
300
1-
500
].
Risco Acumulado
Para facilitar a modelagem, define-se a funo de risco acumulado como:
H(t) =f h(t')dt'
I
R(t) = e - H(r)
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.
Cla.sses [h)
Risco[#]
Perelrallma
35
0,0269
105
o,181
175
0,398
245
0,620
315
0,854
385
1,22
455
enJ722.hJgspot.cotn.br
~-
1,20E+00
1,OOE+OO
I
I
S,OOE-01
6,00E-01
l_ ._.,
,.I..
_L
I~
' I
:,ilft-
4,00E-01
2,00E-01
0,00E+00 1- 4i'!
~~
100
200
300
400
500
A modelagem agora pode ser encerrada com uma proposta para a funo H(t}. Vamos
estudar a funo proposta por Weibull:
(2.4)
H(t) =
cn(t!- r
Jl.
e H(t) =O
para t > eP
para
~ '2:: t '2:: O
(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 y: assim, quando y=l a
funo ser a Exponencial, e quando y=2 a funo ser a Normal.
Funo de Weibull
8,00 , . . - - - - - - - - - - - - - - - - - -
gama=2
gama=l
2,00 ~-----~=~~~~~
::
gama=O,S
mu=l
a=lSO
100
200
300
400
500
parmetro Y d curvatura
funo.
600
Para visualizar a funo Log-Weibull basta substituir o eixo das abscissas por ln(t) ao
invs de t.
P~reim/lmn
ettJ 722.bJgspot.com.br
h(t) = ~ (
r-
-:
r= 1 ;
r> 2.
..Jt.f(t ).dt
t.R(t~ 0
dt
MTTF =
t.R(t ~; = O ento:
-f
R(t }dt
(2.6)
o
Dois casos so de particular interesse, pois os respectivos MTTF's podem ser
calculados analiticamente, so eles: a confiabilidade Exponencial, e a confiabilidade Normal.
= JL +
j e-z.o-.dz = JL +O"
o
(2.7)
(2.8)
Dema is casos so ca lculados por int egrao numrica. Alternativamente integrao,
para o intervalo I ~r~2, pode-se uti lizar a seguinte i nterpolao:
No caso
particular da confiabilidade ser exponencial, e ainda para J..l=O, o MTTF ser o inverso da taxa
de falha.
Consideraes
Todo desenvolvimento realizado para se modelar estatisticamente os tempos de
quebra pode ser rigorosamente aplicado a qualquer outra varivel aleatria.
Pereira/ima
mJ 722.bJgspot.com.br
Teorema de Bayes
Este nos diz que a probabilidade de um evento A acontecer, sabendo-se que um
evento B ocorreu igual
P(A/B)= P(A.e.B)
P(B)
(2 .10}
(2.11}
Pelo
(2.12}
Pereira/ima
(2.13}
--
e11J 722.bJgspot.com.br
MTBF* , assim:
..
2intervalot <t
MTBF =
" R(!)
.. R(t)
J ..
o R\IJ
,. RvJ
RVJ,
..
{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 falhar no intervalo(t",t' + B)
Evento B: o item no falhou no intervalo (0, r ) ou equivalentemente falhar no intervalo (t*, oo)
, +e
Assi m:
J
,.
e, portanto:
P(AeB)
P(A/ B) = ( ) =
P B
J (t}e
t)
R t"
Pereira//ma
lO
enJ722.hJgspot.com.br
Exerccios
2.1- Determine o tmvr para confiabilidade exponencial (Y.-1, Ji=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:
da amostra e
Perelrallm4
---
11
enJ722.bJgspot.com.br
[0 + e;6 -
e],
[x-e;x+e]
para x
E em
rr ~
n
p=
i =l
(2.e)".I1 J(t;)
i=l
Pereira/ima
12
tlt1722.bJgspot.com.br
P=
(2.et0 J(tJK(t1 )
i =I
(3.1}
Verossimilhana
Esta probabilidade pode ser mais bem condicionada se tomarmos o logaritmo
neperiano, e assim, definimos a funo Verossimilhana como:
n
1r
i=l
l=i
()L
i=l
h(t1)
-ae =I
dh(t;)_ dH(t1 )
ae
H(tJ _ O
_r
ae
ae -
(3.3)
r-1
para t ~f.L
para f.L> t ~O
H =-LH(t)=? h
a(j
(j
a(j
-L11(t)
(j
"(t_ )r +r
Pereira/Imo
; (jf.L
= n
IJ
eJtJ722.blogspot.com.br
J.i )r = n.O'r
1=1
{3.4)
Para o parmetro y tem-se:
()H =
ar
1
'{'
(j
~ = i r-+ [H(t
or
+In(':).h(t)
P)- +rH
1
-1].1n(ti (j
1=1
t - p
- 1
=0
0'
Est a equao t ra nscendental, sua soluo ser numrica e it erativa e, pelo mtodo do
gradiente ascendente, dada por:
1
r k+1 = r k +1J.a
sendo o< 1J < 1 por ex.1J =r r,,p,
n
()L
{3.5)
aH
ap
()
(t - P )
H t ~
-ah =-((r-t))h(t )
ap
,- p
-I
-I
+ r.H (tf
Esta equao t ambm
=0
1
J.ik+l = J.ik +1J.
sendo O<1J < lporex.17 =()p r,,p,
n
()L
(3 .6)
J.i < t
ento:
{3.6.a)
14.
enJ722.hJgspot.cotn.br
vez
que
duas
das
equaes
de
determinao
dos
parmetros
so
li
l tl
111 1 1 111
1 -
6.5 -
I 1 11111
I
f
I I
li
6 -r7TI1tTir - rr
11111
IIIJ
I 1111111
I I 111
- f ' 1 'tl"' rtU"'- t" "t T"H
11 111111
1 11 1 1 111
I 1111111
I
I
I 1 111111
11 111111
7.65
I 11111
I 1111111
I I 111111
I I 111111
111111111
I 111111
1 11 11111
I I 11 1111
"f ThttH-- ~ t" rl"ff
111111111
11111111
-L J !UI.IIL -L J LUiliL _ L
I I I I 11111
I I I 111111
LIJIJJI__ L 1 LtJI
H 11111
f I I 11111
1111111
I 1111111
11111111
2.5
-i"
I 1111111
11111111
I
I
"'
::1
7.5
I
7.45
74
I 111111
I 1 1 1 1111
t 1111111
I 11
11111
I 111111
111
I 11 1111
t~
~
~
Figura 3.t lera;Oes paa IN ....,;oriz.mo a Verossinihan;a
7.35
ti
100
2r~"~rr-~~mrr-.~~m-~~~
I li
I 11111 11
I I 1 1 111 1
I 1111 111
1.9
1
to
1
1
1.8 - r
111111 11
1
.... l of l fol ... - foo
11 11 1111
1
11 1 111 11
1
1111 1111
1 11 1 11 111
! IJ ll i L _ L .!. !..111! 11__ L .!.. .!.1.!.1!!1 __
111 1111
I I 1111 111
I I 1 1 11111
1111 1111
1 11 111 111
1 11 111111
~ l ~ l.f.l~ -I- -L ~ 1 1 ~ 1-- ~..a.. 4+1UI-11 1 11111
111111 111
1 11 11 1111
I 1 1 11111
I I 1111111
I I 1 11 1111
T ~ t "'T t nr- r T rt'ttnr- r.,.. r t"flnt-11 1 11111
I 11111111
I I 1 111111
1.6 1
I
,_
I
I 1 11 111
11 11 111
;. ~ ~ ~ ~
11 111 11
I 1 11 111
r rrr t
11 111 11
1.2 -
I 11 1 11111
I 11111111
I 11 111111
I
I f 1 1 11111
I lllllllf
I 11111111
I
L. .L J.I .ULU.. -L. J. L.IJ.IJJ~ -L.. J.. U .LIUI- - L
1 I 1111111
I I 1111111
I I 1111111
I
I I 1111111
I I 1111111
I I 1111111
I
r 1 ,.I"'T mr-
- r
"t r r'tnH-
- r .,.. r 1"ttnt-
11 111 11
1111111
L LIJ.I
1.1
r r rn1
I 1111111
I 1111111
I
I
I 1111111
I 1111111
I
I
I 1111111
I 1111111
I
I
I 111111
I 111111
11111111
11111111
11111111
1111111
I 11 11111
11 111111
1 11 1111
lllltlll
I I I li I
11111111
t-ni'Tit-- r-.,. ... ,, 1- -t- t" Hf1t1tI 1111111
I I I I 1111
I 11111111
11111111
I I I 11111
I 11111111
11111111
I I
111111
I 11111111
I
I
I
I
I
- tI
I
I
I
I
I
I
I
I
I
I
I
I
I
I
I
I
11111111
11111111
I
I
I I I I
11 1 11111
I 11111
ti"Tinl- - r r nnnr - r r
11111111
11111111
11111111
11111111
11111111
11111111
I
I
I
I
I
I
11111111
11111111
11111111
11111111
11111111
no
I 1111
I 1111
I 1111
I I
I I
I I 111
"'
---------------------- '"
I 1111111
11111111
11111111
.J L.UUil-- L J. LI.J.I.Ul-- L
11111111
I 11111111
I
11111111
I 11111111
I
11111111
I llttllfl
I
._.t ..I4U-- ~
~ ~ ~ .... ~.._- ~
I
I
I
11111111
11111111
11111111
11111111
11111111
1 1111111
I
I
I
I
I
I
11111111
L. UJJUL _ L LU
11111111
I I I 11
"'
"
3
to'
t0
Fi~oa3.2 toaQOes p!'ll Mu mr~mizardoo Eno (s!ritioo Mo
tO'
10'
I I 1 111 111
I I 1 11 1111
I I 1111111
f
-~~~H~~-~+~1 1 ~ 1 --~~~1 +1 ~ ~-~
I I 11 11111
I 111 11111
I I 1111111
I
I I I 111 111
I I 11 11111
I I 1 11111 1
I
I 11 111 1
~ HH
11 11 111
I 1 1 1111
I I 111111
1 I 1111 11
I 1 111111
I 1 1111 11
11 111111
1 1 111111
"' 1.5
"'
C>
Ei
1.3
I
I
I 1 111111
I 1 111111
I
I
-r..,. rnmr- r
1
11 111111
1
1
_1. ..!.1. ..!.1.!JL _L
I 1 1111111
I
I 11111111
I
- ~ .J. ~WWL-- lI I I I 11111
I
111111111
12 -r,. rnmr- r
I
1.1
11111111
11111111
I 1 111111
T t-l"fl tl
11 1 111
1.1..!. "11 1 111
f l i 1111
.&.
.lU.U ...
I
I 11111
1111111
I
-'-
L-0-nTn-oo'Tmm
LI !ILII__ I_ L 1_1 ! 111
I 1111111
111 11111
11 11111
I 1 111111
I 1 111111
I
I
1111 111
111 111111
11 11111
I
I
I 11 1111
- r r nTtrH- -r- r n n
11111111
I fllllll
-'-.L U..UUlI I I 1 11111
111111111
I
I
1111111
1111111
-~ 1.. U U
I I I 11111
IIIIIJII
flllllll
111111111
I 11111111
IIIIIIIH
I 1111111
11111111
111111111
11111111
-i i
11111111
t~~WU~L-~LU~L-~LU~L-~WU~
10
--
Ptrelrallma
I I 11 I I
.&.. 1-I+*IU- - I- ~l-I +4
11111111
I f I I II I
11111111
I I 11111
-r~rnmr-rTrl~tn- -~ rriTinr - r r nn
I 111111
I 111111
I
I
I
I
I
L !. L ' .!..l ll
I
1
11
I
r
I
-L
i LUIUL
1 1 11 1111
t.3
1.9
- r T r n1m- - r r ri TI
I
I
I
I 1 11111
t..
I
I
I
2 ,-"~~-.
. .~~r-.-riTrrrn~rrnm~
11 1
11 1
1 1 1 1 1111
1111 111
1 1 1111 111
1 1 11 1111
""I+ I+H-- ._ + ...HIHI - - 1- ~ ... l -ti
1111 111
1 11 1 11111
1 11 1 11 11
1111 111
111 1
T l"t"Tin- r
1 11
1.7
1
1
I 11 11111
I I I 11 111
11 111111
7.55 -rTrnmr-r
3 -tTTtlTr-rtltl.nr-r. -~n,--rrr.itl
I
I I I 11 til
-r..,.
r 1 it11Tit-- r r.-,, ..
I
I
I
I 111111
I 11 11111
L. .J. J.. W
I
I
I
11
I I 1111111
I I 111111
t - - J- "t 1"1,11'11- - J- 1" rt"tl
- i 1 ilitTtr- r 1 T1TnI
76
I I 111 111
I 1111111
I I 1111111
I I 1111111
I I 1111111
111111111111111111111111111
3.5
I
-
r -rtrnmt-- rrrn
I 1 1 1111
I I 1 1 11111
I 11111111
5.
VJ'
10'
to'
f'Oira 3.3 lera;OO$ paa <Me ma:llrRzar) a 'oi!JlSSlnlata
t0
15
en3722.hlogspot.com.br
Exerccios
3.1- Mostre que para a confiabilidade 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. Compore
seus resultados com os grficos das figuras 3.1 e 3.3.
3.3 -Faa o desenvolvimento analtico para determinao dos parmetros utilizando a
funo Log-Weibu/1 e o critrio da mxima verossimilhana.
--
l!trelrallma
--
16
enJ722.bJgspot.cotn.br
Justificativa
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
operacionais 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
correlacionados. So duas as hipteses:
1. Hiptese de equiprobabilidade:
2. Hiptese de proporcionalidade: t =
A(s,s'}t'
(4.1)
t=A.t'
R'(t')
Pereira//ma
17
eJt3722.blogspot.com.br
(4.2)
dt'
dt
= ~h'(t' B')
A
(4.3)
'
(4.4)
Funo deWeibull:
H(t)=
t-
.a
r=r
I
a = A.a
,
J.l = A.j.t
ou
(4.5)
r = 1 e r = 2' respectivamente.
Funo Log-Weibull:
H(t) =
( ln{t~- J.l )
Pere/r(/ma
18
eltJ722.bJgspot.cotn.br
ou
(4.6)
pelo fator de acelerao, sendo, portanto feito constante para todos os demais nveis de
estresse ensaiados quando da determinao dos demais parmetros """' ak.
No entanto estes parmetros no esto livres para variar, pois devem respeitar a:
f.L
= Ak1-lt
e <J
=Ak.ai:
Ht (t;t )
=(~ J~-J.Lr;
=0
Esta equao tambm transcendental, sua soluo ser numrica e iterativa e, pelo
mtodo do gradiente ascendente, dada por:
(4.7)
Pereira/ima
19
enJ722.bJgspot.com.br
Agora podemos pensar numa funo verossimilhana que englobe todos os ensaios
acelerados e impor sua maximizao para determinao dos parmetros Jl,
a, Y.
n*
L LH.t(t;k )+rk.Hk(tfk )
1=1
k=O
u=
"t
(4.8)
1=1
Esta equao transcendental, sua soluo ser numrica e iterativa e, pelo mtodo do
gradiente ascendente, dada por:
r p+l
rp
aL
+TJ.ar r
11
p r p
"'
I nk
k =()
ai
- I
111
-I
-a,u =LL
1=1
"
=0
(4.10)
k=O
Esta equao tambm transcendental, sua soluo ser numrica e iterativa e, pelo mtodo
do gradiente ascendente, dada por:
ai
Ptrelm/lmn
--
20
enJ722.hJgspot.cotn.br
qE R..,.
ajustado
(s1) = s1
So
Para mais facilmente aplicarmos o critrio dos mnimos quadrados e obtermos o valor
do expoente {, vamos definir as variveis auxiliares:
x1
EQM
=ln
1
S;
so
e y 1 ln( A; ) ,
=-L (y
m
1-
ficando a
y 1 )- e minimizando o
nl 1=1
m
L Y; .X;
q = -=~==-!-,- -
(4.8)
2:x/
1=1
Obs.: Caso a varivel de estresse seja a carga de trabalho, ento o parmetro {pode, a priori,
ser igua lado
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
~
e, finalmente,
--
Ptrelrallma
O'N =0'0.(sN)
21
eJt1722.hJgspot.cotll.br
O o ndice do ensaio de referncia onde todos os fat ores de estresse esto mais perto
das condies normais.
Para mais facilmente aplicarmos o critrio dos mnimos quadrados e obtermos o valor
dos expoentes { k, vamos definir as variveis auxiliares: xk (i)= In
y(i))- e minimizando
111
1/1
L x2 (i).xi (i)
=L
i=l
= lan
1=1
e finalmente:
m
l
2
- I
L x, (i).x1(i)
L y(i).x1(i)
i=l
=l
=l
no
I=I
/ =I
no
L
i=l
Ptrt.lra/lmn
x l
..
1=1
111
L Y(i~x2 (i)
i=l
(4.9)
111
i=I
=l
L Y(i ~x,(i)
1=1
22
enJ722.bJgspot.com.br
Em alguns casos possvel estabelecer uma lei fsico-qumica entre o valor do fator de
acelerao e a varivel ambiental, facilitando o clculo da extrapolao. O modelo de
Arrhenius relaciona o fator de acelerao A 1 com a Temperatura T1 atravs de;
x., =
~ _ _.!_
I;,
Perelralhnr~
--
23
eJtJ722. 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 relaes fundamentais, ou seja, determinar a confiabilidade do sistema
a partir das confiabilidades conhecidas de seus componentes.
Associao Sr ie
A primeira 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 fa lha de qualquer um deles leva
pelo Diagra m a de Confiabilidade, figu ra 5.1.a, ou pela rvore de Falhas, figura 5.l. b.
F alha do S i stema
~ ou
R2
R1
F1
'2
'N
nR;(t)
N
Rs(t)=
(5.1)
=l
A ssociao Paralelo
F a lha d o S1stema
R2
E
I I
~I
Rn
Pereir(ima
F1
'2
'\
I
l
~
enJ722.hJgspot.com.br
(5.2)
i:I
,--
R1
1-
R2
L-
R1
1-
R2
RsP(t)= f1 1-fi F
i=l
{5.3)
j =l
Associa o Paralelo(de)-Srie(s)
Out ra combinao elementar das duas bsicas um paralelo de associaes em srie.
Graficamente representada conforme figuras 5.4 a e b.
F alha do Sisttema
R1
R2
R1
R2
rr 1-rrR
2
falharem:
FPS (t)=
i =l
Ptrelrallmn
(5.4)
j=l
25
e1tJ 722.bJgspot.com.br
limitado de componentes, no caso k (k<n) podem falhar sem que o sistema falhe. Caso o k+l
zimo componente falhe, o sistema apresentar a falha.
Nesta caso, a confiabilidade deve ser calculada levando-se em conta todas as
configuraes favorveis. Por convenincia, cada configurao que analisaremos ser
mutuamente exclusiva com as demais, nos possibilitando somar as probabilidades.
~0-+&&G
0-+~ && G
0-+0-+&~G
0-+0-+0+&~
(K+l)2. M odo: k falhas
~~~~G
0-+~~~G
0-+0-+0+~~
Tem-se
Rk = c; .Rn-k.{1- RY
0-+0-+0+&~
Figura 5.5 - Representao de uma associao Paralelo K (fora) de N.
Finalmente a confiabilidade do sistema ser a soma:
k
(5.5)
j=O
Perelrallma
26
e11J 722.bJgspot.com.br
VI - Associaes Complexas
Modelos mais complexos no admitem a aplicao imediata das tcnicas apresentadas
no capitulo anterior, exigem mtodos de soluo diferenciados. Neste capitulo 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 confiabilidade 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:
U = (A.ou.A )
-)
=> S = (S.e.A ).ou. (S.e.A
S = S.e.U
confiabilidade do sistema
(6.1)
Sendo que 11e
infalvel (11) ou por outro que j falhou (O;). Convm mencionar uma propriedade importante: a
confiabilidade do sistema linearmente dependente da confiabilidade de cada componente
tomado isoladamente:
(6.2)
Esta propriedade ser explorada no ca ptulo sobre ndices de desempenho.
Como exemplo do mtodo da decomposio, vamos calcular a confiabilidade do
sistema complexo visto na figura 6.1.
Ra
Re
Rb
Rd
Rc
Figura 6.1- Sistema complexo de cinco componentes, sendo o E o componente chave.
Perelrallma
27
enJ722.hJgspot.com.br
Ra
Rb
~-Re
Re
Rb
Rd
Rd
Rc
Figura 6.2 .a- Diagram a de Confiabilidade aps a decomposio.
Falha do Sistema
Fe
1- F
F
d
- -
Perelrallmfl
- ----
28
enJ722.hJgspot.cotn.br
M todo do Tie-Set
Este mtodo consiste em se determinar todos os sub-sistemas mnimos de
componentes que mantm o sistema operacional quando todos os demais 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
confiabilidade do sistema ser a confiabilidade de todos os subsistemas.
Vamos, para exemplificar o mtodo do Tie-Set, trabalhar com o mesmo sistema
complexo apresentado na figura 6.1.
Os sub-sistemas mnimos so:~
={A,B} T2 = {E,B}
1'_1 = {E,D} T4
={C,D}
+ R(T; .e.T2 .e.J;)+ R(T; .e:I'2 .e:I'4 )+ R(T;.e.J;.e.T4 )+ R(T2 .e:I'3 .e:I'4 )+
- R(T; .e:J'2 .e.T3 .e.T4 )
Calculando as confiabilidades temos:
Para
R(T2 )= RE.R8
R(T3 )= RE.R0
R(TJ= Rc.Ro
R(T; .e.T2 )= R11 .R8 .RE R(T;.e.T3 )= R11 .R8 .R0 .RE R(~.e.T4 ) = R11 .R8 .Rc.R 0
R(T2 .e.T3 )= R8 .R 0 .RE R(T2 .e:T4 ) = R8 .Rc.R0 .RE R(T3 .e:J'4 )= Rc.R0 .RE
R(T; .e.T2 .e.T3 ) = R11 .R8 .R0 .RE R(I;.e.T2 .e.TJ= R11 .R8 .Rc.R0 .RE
R(r. .e.T3 .e.T4 ) = R11 .R 8 .Rc .R0 .RE R(T2 .e.T3 .e.T4 )= R8 .Rc.R 0 .RE
Ptrelrallmn
29
enJ722.hJgspot.com.br
M todo do Cut-Set
Este mtodo consiste em se determinar todos os sub-sistemas mnimos de
componentes que mantm o sistema inoperante quando todos os demais componentes no
pertencentes a este sub-sistema esto operantes. Para que o sub-sistema escolhido seja
mnimo, necessrio que a operao de qualquer um de seus componentes leve operao
do sistema. A no confiabilidade do sistema ser a no confiabilidade de todos os subsistemas.
Vamos, para exemplificar o mtodo do Cut-Set, trabalhar com o mesmo sistema
complexo apresentado na figura 6.1.
Os sub-sistemas mnimos so:
Ptrelrallma
30
Co~tflahilidade
eltJ722.blogspot.com.br
de Compottettles e Sistemas
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
o
o
1
1
1
1
o
o
o
1
1
1
o
o
1
1
o
o
1
1
o
o
1
1
o
o
o
o
o
o
o
1
1
1
o
o
1
1
o
o
o
o
1
1
1
1
o
o
o
o
1
1
1
1
o
o
o
o
1
1
1
1
o
o
o
o
o
o
o
o
o
o
o
o
1
1
1
1
1
1
1
1
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
ABCDE
ABC DE
ABC DE
A.BCDE
AB.CDE
B,CDE
ABCDE
AB_cDE
ABC.OE
ABC.OE
BCDE
.BCDE
COE
DE
B~DE
-,oE
.BJ: DE
BC,QE
B.OE
B.QE
BCDE
.BC DE
COE
COE
ABCD.E;
ABDf
ABOE
AB.Qf.
AB.Qf.
AB.Df
AB.CQE
ABalE
B.C.OE
o
o
1
1
1
1
1
ABCDf
ABCDE
ABCDE
A.BCOf
AB.CD.E:
o
o
o
1
ABCD.E
o
o
o
1
AB.CDE
R5 = R0 .RE+ R8 .(1 - R0 ).RE+ Rc.(l- RE~R0 + RA.(1- Rc ).R8 .(1- RE).R0 + RJl - R0 ).R8 .(1- RE)
Por ltimo deve-se mencionar que uma forma alternativa pode ser montada a partir
dos est ados 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 confiabili dades dos
componentes pelos respectivos nmeros, as quatro determinam o mesmo valor.
Pereirfimn
---
31
enJ722.bJgspot.com.br
CJEQM
EQM=- :L{H(t1 )-Hexp(t;)} =-I: e; com ()
n r-t
n l=t
B
1
1 "
CJH(t1)
=- :Le;. () =0
n 1..1
B
2
11
r
<7=
11
LHxt> k ).(t;-p)Y
i =I
(6.3)
Esta equao transcendental, sua soluo ser numrica e iterativa e, pelo mtodo do
gradiente descendente, dada por:
CJEQM
= rk -TJ. ar
r~:
Pereira/i ma
32
e11J 722.bJgspot.com.br
aEQM
_-2Lne..H(t {t;-J.l)-1-0
-
--=~- -
aIJ.i
j,.j
Esta equao tambm transcendental, sua soluo ser numrica e iterativa e, pelo mtodo
do gradiente descendente, dada por:
(6.5.a)
Parmetros da funo Log-Weibu/1 para Mnimo EQM
O desenvolvimento anlogo ao realizado para a funo de Weibull, e o resultado
semelhante, substituindo-se apenas os tempos t 1 por ln(t1) nas equaes (6.3) a (6.5).
M todo de soluo iterativo
Analogament e
soluo ser por iterao numrica, porm, aqui o nmero de termos das somatrias no
envolve custos de ensaio, uma vez que seus valores so obtidos por simples clculo numrico,
sendo o nico inconveniente o tempo de processament o.
Usando-se os dados obtidos no exe rccio 2.3 para a funo de r isco acumulado, e
ajustando-se a funo de Weibull obtivemos os valores apresentados nos grficos das figuras
3.2 e 3.4.
Exerccios
5.1 -Faa o desenvolvimento analtico para determinao dos parmetros utilizando a
funo Log-Weibu/1 e o critrio do mnimo erro quadrtico mdio.
5.2 - Escreva uma rotina computacional e determine numericamente os parmetros
para os dados de quebra da tabela 1.1 usando o critrio do mnimo e"o quadrtico mdio.
Compare seus resultados com os grficos das figuras 3.2 e 3 .4.
Pereirallma
33
enJ 722.bJgspot.cotn.br
fndice de Birmbaun
O ndice de Birmbaun igual probabilidade de um componente estar em estado
crtico. Um componente se encontra em estado crtico quando o seu estado, operante ou
inoperante, determina o estado do sistema de forma idntica. Seu clculo obtido pela
derivada da confiabilidade do sistema em funo da confiabilidade do componente:
I~ = :iRs
'
:iRt
(7.1)
Por esta frmula percebe-se facilmente porque este ndice o indicado para priorizar
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 calcula r o ndice de Birm baun pela derivada, pe lo
mtodo da decomposio
e pela definio da
crtico.
A
Pereira/ima
e1tJ 722.bJgspot.cotn.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:
I A = R0 .R c + R 8 .R0
operante,assrm:
18 = RA.Rv
o perante, assrm:
I c8 = R 0 .R
A
= RA.R8 + Rc ~.
Perelrallma
--
35
enJ 722.bJgspot.cotn.br
P(A/ B) =
P(A.e.B)
P(B)
Fi na Imente tem-se:
(7 .3)
lndice de Potencial de Melhora
Este ndice mede o valor mximo que se pode agregar
fosse possvel levar a confiabilidade do componente i a 100%. , portanto, um valor limite para
o ganho da confiabilidade do sistema melhorando-se indefinidamente a confiabilidade do
componente i.
Seu clculo decorre imediatamente da definio como:
(7.4)
Alternativamente, usando-se a relao da decomposio:
(7.5)
Comparando-se este ltimo resultado com o ndice de Importncia Crtica v-se que:
I,''M=I/c.F5 ,
Exerccios
Para os componentes do diagrama de confiabldade da figura 6.1, adote Ra=0,95; Rb=0,75;
Rc=0,7; Rd=0,9; Re=~B.
7.1- Calcule numericamente os ndices de Birmbaun dos componentes.
Pereira/ima
36
enJ 722.bJgspot.com.br
Cadeia de Markov
Caso o estado atual do sistema x(t) seja dependente somente do estado
imediatamente anterior x(t-1} diz-se que est e 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 dem ais estados em cada instante t .
Devem ser conhecidas todas as probabilidades condicionais p ... (t)
que a
jk
probabilidade de no instante t+1 o estado ser j sabendo-se que no instante t o estado era k. ~
admit ido que o estado do sistema possa permanecer o mesmo na transio entre t e t+1.
Como todos os estados so mutuamente exclusivos e como o sistema sempre estar
n
L p ,.. (t) = 1
j=l
para todo k .
jk.
p ... (t)
P(t) =
p ... (t)
... p .. (t)
In
p ... (t) P- (t) ... p ... (t)
11
12
2~
22
..
p .. (t)
p ... (t)
111
11 2
.. .
2n
.
11/f
P(A/Bk).P(Bk)= P(A.e.Bt ),
mas:
UBk =U
e ainda:
k=l
11
A= A.e.U = A.eU Bk =
L= l
Perelrallma
UA.e.Bt
e como os estados so
mutuamente exclusivos:
k=l
37
enJ722.bJgspot.cotn.br
Matricialmente:
p,(t + 1)
p 2 (t+ 1)
P~ (t)
P~ (t)
p,(r)
p.. (t) P 2 (t)
21
12
In
P- (t) P- (t)
...
22
21
..
Pn(t+ 1)
P~ (t)
11
tempo t :
estados atravs de
(I - P ). p(oo) = O .
Como a soma dos elementos das col unas da matriz P sempre 1, a matriz {1-P} ser
no inversvel, o que permite uma so luo no trivial.
Em confiabilidade com um haver uma hierarquia nos possveis estados do sistema,
sendo que este sempre passa de um est ado mais operante para um estado menos operante e
nunca o contrrio. Isto faz com que a matriz de transio de estados seja triangular i nferior.
Como exemplo vamos calcular a d istribuio final de probabilidades de um sistema
= totalmente
operante, E2
= parcialmente
p .. = 0,990 ; De El para E2
11
De E2 para E2
P~
= 0,009;
De El para E3
21
p.. = 0,880;
De E2 para E3
22
31
p.. = 0,120 ;
32
p .. = 0,001
De E3 para E3
p. = 1,000
33
0,990
o o
P = 0,009 0,880 o
0,001 0,120 1
O que leva a
PtrelrailltW
0,001
o
(l - P) = - 0,009 0,120
- 0,001 - 0,120
o
o
o
38
enJ722.bJgspot.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 apresent aram 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
espalhados geograficamente,
no sendo
controladas as condies
Ql = QIO
Para o segundo ms de quebra, tem-se a seguinte re lao entre quebra e produo:
e-,U =
21
Ptrt.lrallmn
39
enJ722.hJgspot.com.br
e-1.3 = Po -(Q3o +Q2o +QIO ) ~ Q30 = Po.(1-e-3 )- Po.(e-.I -e-.2 )- Po.(1 -e-.t)
Po
P.
Por induo tem-se a seguinte relao entre quebra e produo para o ms genrico n :
11
Qlt = "'
L..J p,_,.f\1e- .(i- 1) - e-.v )
i=l
11
i=l
EQM = -L ~; - Q}
{;::;.
e-.t , assim:
11
B = .....:.:i=t;:___ __ _ _ __
n
(8.1)
MITF = 1
PtrelrallrtUI
- 1
= ln(B)
(8.2)
40
enJ 722.bJgspot.com.br
Histograma
Probabilidade lntervalar
Densidade de Probabilidade
Probabilidade Acumulada
Probabilidade Complementar
5
5
Exerclcios
6
6
7
8
8
8
8
9
9
9
10
10
Exercicios
11
12
12
Verossimilhana
13
13
13
14
14
Perelrallma
15
16
41
ettJ722.bJgspot.com.br
17
Hipteses
17
18
19
21
22
23
24
Associao Paralelo
24
Associao Srie-Paralelo
Associao Paralelo K de N
25
25
26
Mtodo da Decomposio
27
Mtodo do Tie-Set
29
Mtodo do Cut-Set
30
31
32
32
32
33
33
33
Exercicios
33
Associao Paralelo-Srie
VI - Associaes Complexas
34
35
36
36
MTTF do Usurio
37
39
Objetivo
Pereira/ima
42