Upload
khangminh22
View
0
Download
0
Embed Size (px)
Citation preview
Universidade do Estado do Rio de Janeiro Instituto Politécnico
José Alberto Avelino da Silva
Modelagem e avaliação da extensão da vida útil de plantas industriais
Nova Friburgo 2008
José Alberto Avelino da Silva
Modelagem e avaliação da extensão da vida útil de plantas industriais
Tese apresentada como requisito parcial para obtenção do título de Doutor, ao Programa de Pós-Graduação em Modelagem Computacional do Instituto Politécnico, da Universidade do Estado do Rio de Janeiro.
Orientador: Prof. Roberto Aizik Tenenbaum, D.Sc. Co-orientador: Prof. Raad Yahya Qassim, Ph.D.
Nova Friburgo 2008
CATALOGAÇÃO NA FONTE UERJ/REDE SIRIUS/BIBLIOTECA CTC/E
S586 Silva, José Alberto Avelino da. Modelagem e avaliação da extensão da vida útil de plantas industriais / José Alberto Avelino da Silva.– 2008. 167 f.: il.
Orientador: Roberto Aizik Tenenbaum. Co-Orientador: Raad Yahya Qassim.
Tese (Doutorado) - Universidade do Estado do Rio de Janeiro, Instituto Politécnico.
1. Indústria – Localização de falhas (Engenharia) – Probabilidades – Teses. 2. Indústria - Projetos e plantas – Confiabilidade - Teses. 3. Indústria – Manutenção e reparos – Teses. 4. Markov, Processos de – Teses. 5. Processo estocástico – Teses. I. Tenenbaum, Roberto Aizik. II. Qassim, Raad Yahya. III. Universidade do Estado do Rio de Janeiro. Instituto Politécnico. IV. Título.
CDU 65.011.7:519.217
Autorizo, apenas para fins acadêmicos e científicos, a reprodução total ou parcial desta tese. _________________________________________ _______________________
Assinatura Data
José Alberto Avelino da Silva
Modelagem e avaliação da extensão da vida útil de plantas industriais
Tese apresentada como requisito parcial para obtenção do título de Doutor, ao Programa de Pós-Graduação em Modelagem Computacional do Instituto Politécnico, da Universidade do Estado do Rio de Janeiro.
Aprovada em 30 de maio de 2008 Banca examinadora:
______________________________________ Roberto Aizik Tenenbaum,D.Sc. (Orientador)
Universidade do Estado do Rio de Janeiro. Instituto Politécnico
______________________________________ Raad Yahia Qassim, Ph.D.
Universidade Federal do Rio de Janeiro
______________________________________ Luiz Nelio Henderson Guedes de Oliveira, D.Sc.
Universidade do Estado do Rio de Janeiro. Instituto Politécnico
______________________________________ Marco van Hombeeck, D.Sc.
Universidade do Estado do Rio de Janeiro. Instituto Politécnico
______________________________________ Kátia Lucchesi Cavalca Dedini, Ph.D. Universidade Estadual de Campinas
______________________________________
Antônio Carlos Marques Alvim Universidade Federal do Rio de Janeiro
Nova Friburgo 2008
Agradecimentos
Ao prof. Luiz Nelio Henderson Oliveira que confiou em mim e me propiciou a opor-
tunidade de cursar o doutorado. Ao prof. Nelio agradeco, tambem, a orientacao segura e
objetiva que recebi. Nao esquecendo a preciosa analise que fez no Exame de Qualificacao.
Ao prof. Luis Felipe Feres Pereira agradeco a orientacao e os ensinamentos que foram
essenciais para a elaboracao desta tese.
Ao prof. Helio Pedro Amaral Souto pela atencao que sempre me dispensou e encami-
nhamentos na vida academica que decisivamente me ajudaram.
Ao prof. Joao Miguel Tien a quem, em momento de abandono da pesquisa, me
convenceu a continuar. Muito obrigado.
Ao prof. Paulo Fernando Frutuoso de Melo que sugeriu o apaixonante tema central
desta tese: quanto tempo uma fabrica pode funcionar depois de esgotada a sua vida util?
Ao prof. Jose Antonio Silva Neto que primeiro compreendeu, e resolveu, o conflito
dicotomico em que eu vivia entre a Matematica e a Engenharia. Agradeco, tambem, a
orientacao que recebi.
Ao prof. Francisco J. C. P. Soeiro pelas oportunidades no magisterio, que sao o
principal objetivo deste curso de doutorado.
A profa. Katia Luchesi Dedini pelo apoio que me dispensou na garantia da orientacao
academica.
Ao prof. Gustavo Mendes Platt pelas valiosas observacoes por ocasiao do Exame de
Qualificacao.
Ao prof. Raad Qassim pelos meses de orientacao, comentarios, analises e interesse
demonstrado por mim e pela tese. Agradeco, tambem, as crıticas e sugestoes oferecidas
no Exame de Qualificacao.
Ao prof. Roberto Aizik Tenenbaum, orientador da tese, pelo grande esforco que fez
para aproveitar o maximo de uma trabalho que ja estava iniciado. Sou eternamente grato
pelo impulso que deu a tese e por possibilitar a sua conclusao.
A profa. Mila Rosendal Avelino, minha filha, que intuiu, com muita antecedencia, a
importancia da modelagem computacional na minha vida.
Ao eng. Jose Augusto Rosendal Avelino, meu filho, pelo estımulo que me transmitiu
em todas as ocasioes em que eu pensava em desistir.
A profa. Zeny Rosendahl, minha mulher, pelo amor que me dedicou durante o douto-
rado.
RESUMO SILVA, José Alberto Avelino da. Modelagem e avaliação da extensão da vida útil de plantas industriais. 2008. 167 f. Tese (Doutorado em Modelagem Computacional) – Instituto Politécnico, Universidade do Estado do Rio de Janeiro, Nova Friburgo, 2008. O envelhecimento de uma instalação industrial provoca o aumento do número de falhas.
A probabilidade de falhar é um indicador do momento em que deve ser feita uma parada
para manutenção. É desenvolvido um método estatístico, baseado na teoria não-
markoviana, para a determinação da variação da probabilidade de falhar em função do
tempo de operação, que resulta num sistema de equações diferenciais parciais de
natureza hiperbólica. São apresentadas as soluções por passo-fracionário e Lax-Wendroff
com termo fonte. Devido à natureza suave da solução, os dois métodos chegam ao
mesmo resultado com erro menor que 10−3. No caso estudado, conclui-se que o colapso
do sistema depende principalmente do estado inicial da cadeia de Markov, sendo que os
demais estados apresentam pouca influência na probabilidade de falha geral do sistema.
Palavras-Chave: Confiabilidade; Processos estocásticos; Probabilidade de falha; Teoria
markoviana; Teoria não-markoviana.
ABSTRACT
During the useful life of an industrial plant, the failure occurrence follows an exponential
distribution. However, the aging process in an industrial plant generates an increase
of the failure number. The failure probability is a rating for the maintenance stopping
process. In this paper, an statistical method for the assessment of the failure probability
as a function of the operational time, based on the non-Markovian theory, is presented.
Two maintenance conditions are addressed: In the first one, the old parts are utilized,
after the repair this condition being called as good as old; in the second one the old
parts are substituted by brand new ones this condition being called as good as new. A
non-Markovian system with variable source term is modeled by using hyperbolic partial
differential equations. The system of equations is solved using the Lax-Wendroff and
fractional-step numerical schemes. The two methods achieve to approximately the same
results, due to the smooth behavior of the solution. The main conclusion is that the
system collapse depends essentially on the initial state of the Markov chain.
Keywords: Reliability; Stochastic processes; Failure probability; Markovian theory; Non-
Markovian theory.
Lista de Figuras
1.1 Curva da banheira. Relaciona o numero de falhas por hora com a idade de um equipa-
mento. O aumento da idade acarreta aumento do numero de falhas por hora. . . . . . 18
1.2 Representacao esquematica para o estabelecimento de um modelo empırico validado por
inferencia estatıstica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1 Tempos na confiabilidade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Sistema de turbo-geracao escolhido para aplicacao da metodologia. . . . . . . . . . . 37
3.3 Diagrama esquematico de uma turbina a gas. O grafico a direita e o ciclo ideal de
Brayton que descreve, de modo simplificado, a operacao de uma turbina a gas. . . . . 37
3.4 Arranjo do gerador e dos perifericos que compoem a geracao de eletricidade. . . . . . . 38
3.5 Configuracao inicial. Cada turbina esta em serie com o seu gerador. . . . . . . . . . . 39
3.6 Reducao dos componentes em serie. Cada par turbina e gerador foi substituıdo por um
turbogerador equivalente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.7 Reducao dos componentes em paralelo. Os tres turbogeradores estavam em paralelo e
foram substituıdos por por um unico turbogerador equivalente. . . . . . . . . . . . . 39
3.8 Reducao do tipo k de n. Existem 3 turbogeradores equivalentes, mas 2 sao sufucientes
para atender a demanda. Trata-se de uma estrutura onde k = 2 e n = 3 . . . . . . . . 39
3.9 Probabilidades de falha dos estados sob reparo perfeito . . . . . . . . . . . . . . . . 41
3.10 Probabilidades de falha dos estados sob reparo mınimo . . . . . . . . . . . . . . . . 41
3.11 Probabilidades dos estados pelo metodo de Monte Carlo. . . . . . . . . . . . . . . . 41
3.12 Diagrama de estados da cadeia de Markov . . . . . . . . . . . . . . . . . . . . . . 46
4.1 Um unico componente sujeito a dois estados: operacional e falho. . . . . . . . . . . . 47
4.2 Interpretacao grafica da variavel complementar. . . . . . . . . . . . . . . . . . . . 48
10
4.3 Esquema da hipotese simplificadora. . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.4 Regiao de influencia das condicoes inicial e de contorno. . . . . . . . . . . . . . . . 58
4.5 Funcao densidade de probabilidades. . . . . . . . . . . . . . . . . . . . . . . . . 62
4.6 Funcao de distribuicao cumulativa de probabilidades. . . . . . . . . . . . . . . . . . 62
4.7 Regioes da curva da banheira. . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.8 Escolha do sistema de equacoes conforme a idade da planta. . . . . . . . . . . . . . 70
4.9 Curva da banheira sob reparo mınimo e de renovacao. . . . . . . . . . . . . . . . . 74
4.10 Probabilidades de falha calculadas por tecnica de Monte Carlo. . . . . . . . . . . . . 75
4.11 Diagrama de estados da cadeia de Markov, simplificado para representar apenas os
estados inicial e final. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.12 Comparacao entre a funcao ROCOF, ν(s), e a taxa de falha, λ(t), onde t e a idade do
equipamento e s e a duracao da missao. . . . . . . . . . . . . . . . . . . . . . . . 77
4.13 Matriz de probabilidades de transicao, T. . . . . . . . . . . . . . . . . . . . . . . 86
4.14 Diagrama de transicao de estados da cadeia de Markov. . . . . . . . . . . . . . . . 86
5.1 Distribuicao de Rayleigh. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.2 Turbina, duracoes da missao e do reparo. . . . . . . . . . . . . . . . . . . . . . . 95
5.3 Gerador, duracoes da missao e do reparo. . . . . . . . . . . . . . . . . . . . . . . 95
5.4 Os dados do problema de conversao de µ e σ para β e η da distribuicao de Weibull da
duracao da missao da turbina estao mal condicionados. . . . . . . . . . . . . . . . . 96
5.5 Os dados do problema de conversao de µ e σ para β e η da distribuicao de Weibull da
duracao da missao do gerador estao mal condicionados. . . . . . . . . . . . . . . . 96
5.6 Correspondencia entre a regiao da curva da banheira e o parametro β de Weibull. . . . 97
5.7 Aspectos da distribuicao de Weibull para β < 1, β = 1 e β > 1, respectivamente. . . . . 97
5.8 Etapas da reconstituicao de valores. . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.9 Taxa de falha na regiao I - mortalidade infantil, para os casos 1 e 3. . . . . . . . . . . 100
5.10 Taxa de falha na regiao III - envelhecimento, para os casos 1 e 3. . . . . . . . . . . . 100
5.11 Taxa de falha da turbina nos modelos Weibull e Rayleigh. A linha curva e de Weibull
e a reta, de Rayleigh. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.12 Taxa de falha do gerador nos modelos Weibull e Rayleigh. A linha curva e de Weibull
e a reta, de Rayleigh. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.13 Reducao da missao quando a inclinacao da taxa de falha aumenta. . . . . . . . . . . 104
5.14 Os fatores que aparecem na legenda multiplicam o coeficiente angular da taxa de falha
de Rayleigh. O fator 1 e a taxa correspondente a taxa de Weibull. . . . . . . . . . . 105
5.15 Os fatores que aparecem na legenda multiplicam o coeficiente angular da taxa de falha
de Rayleigh. O fator 1 e a taxa correspondente a taxa de Weibull. . . . . . . . . . . 105
5.16 Taxa de falha do sistema nas regioes I e III. . . . . . . . . . . . . . . . . . . . . . 107
5.17 Funcao densidade de probabilidades acumulada que da a probabilidade de colapso ope-
racional do sistema em funcao do tempo de operacao. . . . . . . . . . . . . . . . . 108
5.18 A densidade das classes das probabilidades de falha do conjunto turbogerador ficou com
aspecto de distribuicao exponencial. . . . . . . . . . . . . . . . . . . . . . . . . . 109
5.19 Particionamento da matriz de transicao. . . . . . . . . . . . . . . . . . . . . . . . 111
5.20 Matriz de probabilidades de transicao,T. . . . . . . . . . . . . . . . . . . . . . . 112
5.21 Autovalores em funcao do tempo de operacao da planta, em horas. . . . . . . . . . . 113
5.22 Autovalores em funcao do tempo de operacao da planta, em horas. . . . . . . . . . . 114
5.23 Vetor R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.24 Matriz Q . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.25 Matriz inversa da matriz fundamental da cadeia de Markov, N−1 . . . . . . . . . . . 115
5.26 Numero de passos ate o colapso operacional, partindo do estado 1. . . . . . . . . . . 116
5.27 Matriz dos coeficientes dos termos fonte, C. . . . . . . . . . . . . . . . . . . . . . 117
6.1 Probabilidades de falha dos estados, sob reparo mınimo, avaliadas por solucao do sistema
de equacoes de Markov. A legenda das curvas e a mesma da Fig. 3.10. . . . . . . . . 122
6.2 Solucao do diagrama simplificado de Markov. . . . . . . . . . . . . . . . . . . . . 123
6.3 Tendencia da sensibilidade da duracao da missao em relacao ao ROCOF. . . . . . . . 124
6.4 Comparacao entre os metodos de sistema equivalente (aproximado) e markoviano (exato).125
6.5 Numero de intervencoes de manutencao, desde o estado 1, ate o colapso operacional,
estado 8, em funcao do tempo de operacao. . . . . . . . . . . . . . . . . . . . . . 126
A.1 Extrato do banco de dados referente ao OREDA-2002. . . . . . . . . . . . . . . . . 135
B.1 Determinacao grafica dos parametros da distribuicao Weibull. . . . . . . . . . . . . 137
B.2 Determinacao grafica dos parametros da distribuicao lognormal. . . . . . . . . . . . 138
B.3 Determinacao grafica dos parametros da distribuicao Weibull. . . . . . . . . . . . . 139
B.4 Determinacao grafica dos parametros da distribuicao lognormal. . . . . . . . . . . . 140
C.1 Otimizacao da confiabilidade do sistema turbogerador pela minimizacao do custo total. 142
Lista de Tabelas
3.1 Estados possıveis para o sistema de geracao, no sistema de multi-estados. . . . . . . . 32
3.2 Estados possıveis para a turbina ou gerador, no sistema de multi-estados. . . . . . . . 32
3.3 Estados possıveis para o sistema turbo-gerador, no sistema de multi-estados. . . . . . 32
3.4 Estados possıveis para o sistema de geracao, no sistema de multi-estados. . . . . . . . 32
3.5 Estados em que o sistema esta em operacao, sem reserva. . . . . . . . . . . . . . . . 44
3.6 Conjunto das possibilidades das variaveis de estado dos equipamentos. . . . . . . . . 45
4.1 Resumo quanto a linearidade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2 Posto mediano de 7 classes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.3 Companhias que formam o grupo OREDA Participants. . . . . . . . . . . . . . . . 87
4.4 Taxa de falha e taxa de reparo. . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.5 Duracao da missao e do reparo. . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.1 O parametro β, da distribuicao de Weibull, possibilita adequacao a cada problema. . . 92
5.2 Parametros obtidos graficamente. . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.3 Distribuicao Weibull para duracao da missao da turbina. . . . . . . . . . . . . . . . 94
5.4 Distribuicao lognormal para duracao do reparo da turbina. . . . . . . . . . . . . . . 94
5.5 Distribuicao Weibull para duracao da missao do gerador. . . . . . . . . . . . . . . . 94
5.6 Distribuicao lognormal para duracao do reparo do gerador. . . . . . . . . . . . . . . 94
5.7 Reconstituicao dos valores originais do OREDA. . . . . . . . . . . . . . . . . . . . 99
5.8 Parametros do modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
6.1 Probabilidades de ocorrencia dos estados do sistema. . . . . . . . . . . . . . . . . . 122
D.1 Determinacao do custo de paralizacao de um turbogerador, em HH. . . . . . . . . . . 144
14
SUMARIO
1 Introducao 17
2 Revisao bibliografica 25
3 Descricao do problema 28
3.1 Metodologia 28
3.2 Confiabilidade de sistemas coerentes 30
3.3 Descricao do sistema fısico 36
3.3.1 Variaveis de estado do sistema 43
3.3.2 Diagrama de estados da cadeia de Markov 44
4 Formulacao matematica do problema 47
4.1 Curvas caracterısticas 52
4.1.1 Metodo das caracterısticas 53
4.1.2 Equacao de adveccao com coeficientes constantes 54
4.1.3 Equacao de Markov em condicoes nao-markovianas 56
4.1.4 Analise Qualitativa da Caracterıstica 57
4.1.5 Analise Dimensional das Curvas Caracterısticas 58
4.2 Sistema de EDP de Markov 59
4.3 Analise do sistema de equacoes 64
4.3.1 Analise do sistema de equacoes quanto a linearidade 64
4.3.2 Analise do sistema de equacoes quanto a natureza 65
4.4 Parametros do modelo 66
4.4.1 Taxa de falha 66
4.4.2 Sistema de equacoes durante a vida util 69
4.4.3 Itens reparaveis e nao reparaveis 72
4.4.4 Simplificacao da cadeia de Markov 74
4.4.5 Taxa de ocorrencia de falhas - ROCOF 76
4.4.6 Taxa de reparo - ROCOF 78
4.4.7 Parada administrativa 79
4.5 Procedimentos para as estimativas 80
4.5.1 Intervalo de confianca para a taxa de falha 80
4.5.2 Estatıstica multi-amostral 81
4.5.3 Posto mediano 82
4.5.4 A distribuicao Binomial 83
4.5.5 Utilizacao do papel Weibull 83
4.6 Matriz de probabilidades de transicao 85
4.7 Dados experimentais 87
5 Solucao numerica 90
5.1 Analise do condicionamento dos parametros das distribuicoes 95
5.2 Analise das curvas de Weibull 96
5.3 Reconstituicao dos valores 98
5.4 Sensibilidade da taxa de falha em relacao ao ROCOF 103
5.5 Reducao de um sistema complexo a outro equivalente 106
5.6 Matriz fundamental da cadeia de Markov 110
5.7 Solucao numerica da matriz fundamental da cadeia de Markov 115
5.8 Solucao do sistema de equacoes diferenciais parciais de Markov 116
6 Resultados 121
7 Conclusoes 127
Referencias Bibliograficas 129
8 Apendices 133
A Extrato dos Dados originais do OREDA 134
B Determinacao grafica dos parametros das distribuicoes 136
B.1 Caso 1 - Turbina - Duracao da missao 137
B.2 Caso 2 - Turbina - Duracao do reparo 138
B.3 Caso 3 - Gerador - Duracao da missao 139
B.4 Caso 4 - Gerador - Duracao do reparo 140
C Custo de manutencao 141
D Custo de parada de turbogerador 143
E Inspecao baseada em risco 145
E.1 Analise da confiabilidade humana 146
F Metodo dos mınimos quadrados 149
G Codigos de computador 151
G.1 Programa para solucao do sistema de EDO 152
G.2 Simulacoes de Monte Carlo 155
G.2.1 Simulacao de Monte Carlo para o reparo mınimo 155
G.2.2 Simulacao de Monte Carlo para o reparo perfeito 158
G.3 Programa para regressao linear pelos mınimos quadrados 162
G.4 Solucao de distribuicao multivariaveis por uma equivalente 166
Capıtulo 1
Introducao
A extincao da vida util das instalacoes e equipamentos que iniciaram sua operacao na
decada de 1970 impoe uma necessidade de renovacao do parque industrial brasileiro.
Algumas instalacoes, entretanto, vao permanecer em operacao por mais tempo do
que o previsto e somente serao substituıdas alem do perıodo de vida util estimada ori-
ginalmente. Isto e, essas plantas vao operar em um regime de vida residual. Torna-se
imperioso, portanto, que se avalie a confiabilidade dessas plantas.
A simples observacao historica de plantas semelhantes indica que raramente os equipa-
mentos falham de maneira excessiva apos esgotado o limite de tempo de projeto (Lafraia,
2001 [25]). Essa observacao nao e suficiente para autorizar o uso continuado de uma
instalacao alem do tempo previsto. E necessario medir e avaliar o risco de colapso ope-
racional da planta. O risco deve ser avaliado subordinadamente aos seguintes objetivos,
tais como (Lafraia, 2001 [25]):
• atendimento a legislacao;
• nao aumentar os custos devido a paradas de producao;
• manter a qualidade do produto; e
• assegurar uma confiabilidade mınima previamente estabelecida.
A avaliacao da vida residual, utilizada como ferramenta, possibilita uma analise ge-
rencial para tomada de decisao se, e quando, uma instalacao deve ser descomissionada.
Permite, tambem, estabelecer a periodicidade tecnicamente recomendavel para a inspecao
e manutencao preventiva.
17
18
O estudo da sobrevivencia de plantas industriais se apoia em um conceito estatıstico,
a confiabilidade, definida como a probabilidade de que um processo opere com sucesso
por um perıodo e sob condicoes operacionais especificadas. Como consequencia desse
conceito, sao aspectos importantes da sobrevivencia a natureza probabilıstica e temporal,
caracterizada por processos estocasticos e pelas funcoes que definem o sucesso operacional
e a intensidade da participacao da interface homem-maquina no processo operacional e
de manutencao (Rausand e Hoyland, 2004 [37]).
Figura 1.1: Curva da banheira. Relacionao numero de falhas por hora com a idade deum equipamento. O aumento da idade acarretaaumento do numero de falhas por hora.
A Fig. 1.1, conhecida como curva da ba-
nheira, indica de forma grafica a dependencia
entre o numero de falhas e a idade de um equi-
pamento. Logo apos a instalacao, o equipa-
mento tende a apresentar um numero elevado de
falhas por hora. Depois da fase de instalacao,
essa quantidade de falhas por hora atinge um
valor mınimo e permanece nesse valor durante
a vida util. Na fase de envelhecimento, que e o objeto deste estudo, o numero de falhas
por hora aumenta indefinidamente, colocando a operacao sob risco de ser interrompida.
A teoria da probabilidade e a analise de distribuicoes estatısticas, aliadas ao estudo das
cadeias de Markov (Norris, 2005 [31]), constituem as bases para o estudo da sobrevivencia
e da confiabilidade dos processos de producao e manutencao dos equipamentos apos a
extincao da vida sua util.
A teoria das cadeias de Markov e devida a Andrei Markov (1856–1922) que publicou,
em 1906, uma teoria sobre processos estocasticos que ficou conhecida como cadeias de
Markov.
Sao tres os processos markovianos:
• markoviano propriamente dito;
• semi-markoviano; e
• nao-markoviano.
O modelo markoviano e caracterizado por duas restricoes. A primeira restricao esta-
belece que a variavel aleatoria t deve apresentar uma distribuicao exponencial e a segunda
19
que a matriz de probabilidades de transicao entre os estados funcionado e falho T deve
ser constante. Desta forma, para que o modelo que representa o estado de um equipa-
mento seja markoviano, a funcao densidade de probabilidades deve ser da forma descrita
na Eq. (1.1),
f(t) = λe−λt, (1.1)
onde a variavel aleatoria t representa o tempo de vida do equipamento e a constante λ,
denominada taxa de falha, representa o numero de vezes em que o equipamento apresentou
falha durante o tempo t.
A segunda restricao, a da matriz T ser constante, implica que a probabilidade do
equipamento transitar pela primeira vez, do estado funcionando para o de falha, deve ser
igual a probabilidade do equipamento falhar pelas segunda, terceira e, sucessivamente,
por todas as outras vezes.
Por exemplo, seja um liquidificador novo, de dez velocidades, onde cada velocidade
e selecionada por uma tecla independente. A probabilidade de cada uma das dez teclas
falhar e a mesma para qualquer tecla. Supondo que as teclas sejam solicitadas igualmente,
devido ao uso, e uma das teclas falhe. Apos o reparo, todas as teclas estao funcinando
novamente. Se as probabilidades de falha de todas as teclas permanecerem iguais, inclusive
aquela que ja falhou uma vez, entao, o problema pode ser considerado markoviano. A
experıencia das pessoas, entretanto, indica que aquela tecla que falhou anteriormente,
provavelmente vai tornar a falhar. O problema real, portanto, nao deve ser tratado como
markoviano.
O modelo semi-markoviano se caracteriza por possuir somente uma das duas restricoes
do modelo markoviano, onde a variavel aleatoria t permanece sujeita a uma distribuicao
exponencial, mas a matriz de probabilidades de transicao, T , passa a ser funcao do numero
de vezes que cada transicao ja ocorreu. O modelo semi-markoviano representa melhor o
problema descrito acima (Limnios and Oprisan, 2001 [27]).
O modelo nao-markoviano, tal como o semi-markoviano, e caracterizado por pos-
suir somente uma das restricoes do modelo markoviano. A matriz de probabilidades de
transicao, T , e constante, mas taxa de falha passa a ser funcao do tempo, λ(t), assim
sendo, a funcao densidade de probabilidades da variavel aleatoria t nao apresenta com-
20
portamento exponencial e a Eq. (1.1) nao se aplica no modelo nao-markoviano (Billinton
and Allan, 1992 [8]).
No exemplo do liquidificador, de acordo com a experiencia do cotidiano das pessoas, a
probabilidade de uma tecla falhar reiteradamente e muito pequena, alem disso, e possıvel
supor que o reparo seja muito bem feito, de modo que a consideracao de que a matriz
de probabilidades de transicao, T , seja constante e, aproximadamente, verdadeira. O
liquidificador ira funcionar, entao, durante toda a sua vida util sem apresentar falhas.
Ainda segundo a experiencia cotidiana, quando o liquidificador estiver no final de sua vida
util, o numero de falhas devera aumentar com o tempo de uso. Vale dizer que a funcao
taxa de falha λ(t) e crescente com o tempo. Dessa forma, o modelo nao-markoviano e
adequado para representar o equipamento na fase de envelhecimento, quando a taxa de
falha e funcao do tempo.
Figura 1.2: Representacao esquema-tica para o estabelecimento de um mo-delo empırico validado por inferenciaestatıstica.
Os modelos matematicos construıdos para repre-
sentar fenomenos reais tem origens em dois tipos de
abordagem: modelagem baseada na teoria analıtica e
modelagem empırica obtida atraves da observacao fe-
nomenologica. Alguns desses fenomenos podem apre-
sentar alto grau de variabilidade, por exemplo, o tempo
de duracao do reparo de um equipamento. A modela-
gem mais adequada para os casos de alta variabilidade
e a modelagem empırica que pode ser obtida pela utilizacao de inferencia estatıstica.
Algumas distribuicoes de probabilidade teoricas tem sido utilizadas na modelagem des-
ses fenomenos e a inferencia estatıstica pode ser utilizada, entao, para validar o modelo
empırico, conforme Fig. 1.2 (Murthy et al., 2004 [12]).
Com base na observacao experimental, a funcao densidade de probabilidades mais
adequada para levar em consideracao os efeitos aleatorios dos tempos de operacao do
equipamento e a distribuicao de Weibull. Os tempos de reparo, onde a participacao
humana e significativa, sao melhor modelados pela distribuicao lognormal (Crowder et
al., 2000 [16]).
A sobrevivencia apos o termino da vida util da unidade industrial depende de consi-
21
deracoes que nao foram feitas por ocasiao da primeira estimativa da vida util. Na fase
de projeto, geralmente e estabelecido que a taxa de falha seja constante e que o reparo
seja perfeito. A condicao de reparo perfeito ou reparo de renovacao e aquela onde, em
um sistema complexo, se algum componente falhar, o componente falho e todos demais
associados a ele sao substituıdos por componentes novos.
O estudo do aumento da vida util requer a adocao de premissas que considerem a taxa
de falha como funcao do tempo e o reparo na condicao de reparo mınimo, significando
que o equipamento retorna para um novo perıodo de operacao menor a cada reparo e que
os reparos tornam-se cada vez mais demorados a cada nova falha. Na condicao de reparo
mınimo, o componente falho e reparado e recolocado em operacao.
Uma instalacao com a vida util esgotada, mesmo sendo adequadamente mantida e
operada, tem partes obsoletas tanto nos equipamentos quanto na filosofia de projeto e
nao deve ser operada nas condicoes originais. Embora nao existam estatısticas sobre o
fator de carga aplicavel a cada caso, e concebıvel que, durante a avaliacao da vida residual,
sejam feitas consideracoes sobre a reducao do fator de carga da instalacao, no sentido de
reduzir algumas taxas de falha.
A manutencao de plantas de processo tem demonstrado ser um fator importante do
desempenho industrial. Nao apenas pelos impactos que pode causar ao meio ambiente,
nem pelos aspectos economicos enfatizados por prejuizos e lucros cessantes, mas, principal-
mente, pelas perdas das vidas das pessoas que podem ser atingidas por alguma fatalidade.
A avaliacao da extensao da vida util e o consequente aumento da confiabilidade da
planta em decorrencia dessa avaliacao pode minimizar os riscos de colapso operacional e
suas consequencias, tais como prejuizos, acidentes e perdas de vidas.
Alem dos aspectos de confiabilidade, no caso de uma plataforma marıtima de producao
de petroleo — que sera abordada especificamente neste trabalho —, o custo de construcao
de uma unidade para operar em local com mais de 1000 metros de profundidade fica, em
2006, entre 2,0 e 2,5 x 109 USD. Se este custo de construcao for amortizado de forma
exponencial, considerando a taxa de juros de 12 % ao ano, durante 30 anos estimados
para a vida util da plataforma, vai resultar num valor anual de cerca de 3 x 108 USD.
Cada ano, portanto, que o presente estudo de extensao da vida util conseguir incorporar
22
no tempo de vida da plataforma, vai representar uma postergacao daquele gasto por um
ano.
Este trabalho pretende estabelecer uma metodologia para avaliar a possibilidade de se
estender a vida util de uma planta industrial ate um prazo maximo que ofereca seguranca,
confiabilidade e rentabilidade. A probabilidade de ocorrencia de um colapso operacional
deve ser mınima. Colapso operacional fica definido como a condicao de impossibilidade de
operar uma planta de modo seguro, confiavel e rentavel. Quando uma planta industrial
e construıda, se estabelece um prazo de vida util para aquela unidade. Transcorrido este
prazo de vida util, a planta deveria ser desativada. Entretanto, a experiencia com unida-
des fabris que ja ultrapassaram a vida util mostra que estas unidades podem continuar
operando ainda por algum tempo a mais. Seria esta uma operacao na fase de envelheci-
mento da planta, isto e, apos a vida util. A operacao durante essa fase esta sujeita a uma
ocorrencia maior de falhas. A ocorrencia de falhas aumenta com o aumento do tempo
de operacao. Em algum momento, essa operacao na fase de envelhecimento se tornara
insuportavel. Este estudo visa quantificar, em termos probabilısticos, o grau de perda de
operacionalidade da unidade.
No Capıtulo 2, a revisao bibliografica ressalta a principal contribuicao deste estudo
como sendo a generalizacao do estudo da confiabilidade na fase de envelhecimento. Os
trabalhos anteriores focalizaram o envelhecimento de um unico equipamento em face dos
demais, que foram considerados ainda na fase de vida util.
No Capıtulo 3, esta apresentada uma descricao do problema em estudo e da metodo-
logia empregada. Introduz, tambem, o conceito de confiabilidade coerente. Esse conceito
e imprescindıvel para a generalizacao das conclusoes. O estudo compreende apenas duas
maquinas: uma turbina a gas e um gerador de eletricidade acoplados num sistema turbo-
gerador. Sendo a confiabilidade coerente, os resultados podem ser estendidos a toda a
planta.
No Capıtulo 4, e apresentada a formulacao matematica do problema. Apos a analise
para o caso de um componente e dois estados: funcionando e falho, e feita a generalizacao
para qualquer numero de componentes. Em seguida, faz-se a aplicacao da hipotese sim-
plificadora do ponto de vista matematico, mas que torna o problema mais realıstico.
23
Nesse capıtulo, e feita a apresentacao do sistema de equacoes de Markov e a analise desse
sistema.
A solucao numerica dos sistemas de equacoes diferenciais parciais na fase de envelhe-
cimento, nas condicoes de reparo mınimo e de renovacao, e a solucao aproximada pela
algebra linear estao descritas no Capıtulo 5. A solucao linear utiliza a matriz fundamental
da cadeia de Markov para determinar o numero de intervencoes de manutencao (passos)
ate o colapso. E uma solucao linear, que e exata na regiao de vida util, entretanto, na
regiao de envelhecimento deve ser tratada como solucao aproximada porque o problema e
de natureza nao-linear. A solucao do sistema de equacoes diferenciais parciais de Markov
e a solucao exata porque preserva a nao linearidade do problema. Essa nao linearidade
esta caracterizada pelas equacoes exponenciais das taxas de falha dos equipamentos em
funcao do tempo. A solucao numerica do sistema de equacoes reavalia as taxas de falha
a cada iteracao, assegurando, deste modo, a evolucao a taxa de falha com o envelheci-
mento da planta. Esse tipo de solucao e possıvel porque, desde o inıcio, o problema de
determinar a probabilidade de colapso da planta, como um todo, em funcao do tempo
foi focalizado segundo a teoria dos sistemas coerentes. O Teorema de Fechamento esta-
belece que se os componentes seguem a curva da banheira no envelhecimento, entao o
sistema tambem seguira a mesma curva. Assim, ao integrar o sistema com as taxas de
falha dos componentes e fica garantido que a planta estara no mesmo regime de enve-
lhecimento que os componentes. O banco de dados que forneceu as informacoes para a
determinacao das taxas de falha e de reparo somente possibilita o calculo para o caso
de equipamento totalmente operacional ou falho. A teoria de sistemas coerentes, por ser
binaria, reconhece esses estados operacional e falho e possibilita o calculo com os valores
obtidos experimentalmente.
No Capıtulo 6 sao apresentados os resultados, a probabilidade de ocorrencia de cada
estado de falha e a comparacao entre os metodos exato e aproximado. Esse Capıtulo
mostra, tambem, uma outra visao da solucao do problema, a proximidade do colapso
vista pelo numero de falhas que ainda deveriam ocorrer ate o colapso.
As conclusoes, apresentadas no Capıtulo 7, fazem uma comparacao entre o metodo
aproximado por algebra linear e a solucao exata obtida resolvendo-se as equacoes marko-
Capıtulo 2
Revisao bibliografica
D. R. Cox ja escrevia (Renewal Theory, 1962 [11]): “Em algumas aplicacoes pode ser util
considerar a falha dependente de uma propriedade fısica do componente, que nos vamos
chamar de desgaste.” Cox estabeleceu a taxa de falha como funcao da idade e do desgaste,
λ(s, t), onde λ e a taxa de falha, t e a idade e s e o desgaste, mas nao utilizou a teoria
markoviana. Neste trabalho, o desgaste e denominado como envelhecimento.
Roy Billinton (Power System Reliability Evaluation, 1970 [7]) estudou uma aplicacao
de confiabilidade em um sistema markoviano constituıdo por tres transformadores eletricos
agrupados em um banco. Este mesmo problema foi reestudado em 1977 num modelo nao-
markoviano. Chanan Singh e Roy Billinton (System Reliability Modelling and Evaluation,
1977 [43]) apresentaram uma aplicacao de confiabilidade em sistemas nao-markovianos.
O exemplo era especıfico: tres transformadores eletricos, agrupados em um banco de
transformadores, onde somente dois eram necessarios e o terceiro ficava de reserva. Eles
estudaram as diversas configuracoes de falha e substituicao concluindo que o problema
era do tipo nao-markoviano.
Harold Ascher e Harry Feingold (Repairable Systems Reliability, 1984 [4]) estabelece-
ram a diferenca teorica, do ponto de vista da confiabilidade, entre sistemas reparaveis e
nao-reparaveis.
R. Ramakumar (Engineering Reliability, 1993 [36]) discutiu a utilizacao de modelos
de Markov na confiabilidade.
E. E. Lewis (Reliability Engineering, 1994 [26]) apresentou e analisou as diversas
25
26
funcoes densidade de probabilidades. A regiao de envelhecimento recebe um tratamento
diferente do adotado neste trabalho. A variavel aleatoria, no envelhecimento, segue
uma distribuicao normal, independentemente da distribuicao escolhida para representar
a regiao de vida util.
M. O. Pinho (Sobre a Aplicacao de Sistemas de Equacoes Diferenciais Parciais e Or-
dinarias de Primeira Ordem a Confiabilidade de Sistemas de Seguranca Sob Envelheci-
mento, 2000 [34]) estudou o uso de variaveis complementares para o calculo da dispo-
nibilidade de um equipamento em regime de envelhecimento. O modelo escolhido foi
nao-markoviano na condicao de reparo de renovacao. O restante da planta permaneceu
na fase de vida util.
E. A. Oliveira (Uso de Variaveis Suplementares e Inversao de Transformadas de La-
place no Calculo de Confiabilidade de Sistemas Sujeitos a Envelhecimento e Sob Re-
paro Mınimo, 2001 [33]) desenvolveu um metodo onde a modelagem foi feita agregando
variaveis suplementares as equacoes nao-markovianas e a solucao foi obtida inicialmente
por transformadas de Laplace e, em seguida, por metodos numericos. O modelo conside-
rou somente a condicao de reparo mınimo e a restricao de que somente um equipamento
estaria envelhecendo. O restante da planta permaneceu na fase de vida util.
P. A. Cheriff (Avaliacao Estatıstica da Gestao da Manutencao e Acompanhamento
do Grau de Obsolescencia de Maquinas Marıtimas Militares, 2003 [10]) desenvolveu uma
sistematica estatıstica para avaliacao da manutencao. Aplicou num estudo de caso de
manutencao de submarinos.
A. L. Oliveira (Avaliacao do Uso do Metodo das Variaveis Suplementares para o
Calculo da Confiabilidade de Sistema Sob Envelhecimento, 2005 [32]) fez uma aplicacao
do metodo das variaveis complementares na confiabilidade do sistema auxilar de agua de
alimentacao da usina termo-nuclear Angra-I e comparou com os resultados obtidos no
caso de taxa de falha constante (metodo aproximado, que nao utiliza variaveis comple-
mentares).
O presente trabalho tem a espectativa de contribuir com a generalizacao do estudo
de confiabilidade na fase de envelhecimento, estendendo a abrangencia a todos os equipa-
mentos da planta industrial. O aumento do escopo e possıvel devido a utilizacao da teoria
27
dos sistemas coerentes. A analise e feita para as condicoes de reparo mınimo e reparo
de renovacao, definindo um envelope de solucoes onde as duas condicoes sao extremas.
No de reparo mınimo, e assumido que nenhum componente seja substituıdo, enquanto
que, na condicao de reparo de renovacao, todos os componentes sao substituıdos. Esses
dois extremos delimitam o envelope de solucoes. Na fase de envelhecimento, o sistema
de equacoes que modelam a confiabilidade e diferencial parcial. O modelo resulta nao-
markoviano. O metodo de solucao utiliza a inclusao de variaveis complementares para
tornar o problema markoviano. A solucao no reparo mınimo utiliza inicialmente o metodo
das curvas caracterısticas para reduzir o sistema de equacoes diferenciais de parcial para
ordinario e, em seguida, resolve o sistema por metodos numericos.
Capıtulo 3
Descricao do problema
Em uma plataforma marıtima de producao de petroleo existem inumeros sistemas. To-
mando apenas alguns exemplos, podem ser citados os sistemas:
• de elevacao do fluido produzido;
• de exportacao de petroleo;
• de compressao do gas;
• de separacao entre as fases oleosa e gasosa do petroleo;
• de desidratacao do gas;
• de combate a incendio etc.
O sistema de turbo-geracao de eletricidade foi escolhido como exemplo. Esse sistema e
importante tanto para a sustentacao da vida a bordo como tambem para o funcionamento
industrial da plataforma. Alem disso, diversos sistemas de seguranca dependem do correto
suprimento de eletricidade.
3.1 Metodologia
A partir da configuracao fısica do sistema constituıdo pelos equipamentos em estudo,
e estabelecida a cadeia de Markov que representa aquele sistema fısico. A solucao do
sistema de equacoes de Markov fornece os vetores de probabilidade dos estados de falha
em funcao do tempo. Dependendo do que se pretenda estudar, o sistema de equacoes
de Markov se modifica. As alternativas de estudo sao: durante a vida util, na fase de
envelhecimento sob reparo mınimo e na fase de envelhecimento sob reparo perfeito.
28
29
A partir do banco de dados Offshore Reliability Data (OREDA), determinam-se os
parametros da distribuicao Weibull, para a taxa de falha, e distribuicao lognormal, para
taxa de reparo (OREDA, 2002 [46], OREDA, 1997 [45]). O banco da dados OREDA e
administrado por uma empresa norueguesa e e patrocinado por um grupo de empresas,
do ramo de petroleo, que atuam em todas as partes do mundo. Esta caracterıstica confere
generalidade e representatividade ao banco de dados. O OREDA contem as taxas de falha
de todos os principais equipamentos utilizados em plataformas marıtimas de producao de
petroleo. No caso de turbo-geradores, as taxas de falha e reparo sao as medias de 84
turbinas, observadas em 23 plataformas, e 105 geradores, observados em 59 plataformas.
Essas distribuicoes fornecem os dados para determinacao da curva de taxas de falha
e de reparo em funcao da idade do equipamento na regiao de vida util e em funcao da
idade e da duracao da missao na regiao de envelhecimento. Por idade do equipamento
entende-se o tempo decorrido desde o inıcio da operacao ate o presente, incluindo o tempo
fora de operacao. Duracao da missao e o tempo desde o ultimo reinıcio de operacao ate o
presente, isto e, sem contar o tempo fora de operacao e sem contar, tambem, os tempos
de operacao anteriores a atual missao. Na Fig. 3.1 pode-se observar graficamente a idade
e a duracao da missao. A idade comeca no inıcio da operacao e segue sem interrupcoes.
A duracao da missao comeca no inıcio ou reinıcio da operacao e segue, no maximo, ate a
proxima falha.
Figura 3.1: Tempos na confiabilidade.
30
Com as taxas de falha e de reparo, obtidas em observacoes de campo, e com a cadeia
de Markov, e montada a matriz de probabilidades de transicao para a solucao aproximada
do problema markoviano.
Utilizando reiteradamente a equacao de Chapman-Kolmogorov (Kijima, 1997 [24]),
Pm+n = Pm · P n m,n ≥ 0 (3.1)
onde P e a matriz de probabilidades de transicao e m e n sao expoentes da matriz,
determina-se o numero de transicoes necessarias ate aparecerem os primeiros estados
absorventes. A utilizacao do aparecimento de estados absorventes como criterio de pa-
rada justifica-se pela propriedade dos estados absorventes apresentarem probabilidade de
ocorrencia igual a 1. Na matriz de probabilidades de transicao a soma dos elementos
de uma linha qualquer e igual a 1. Se um unico elemento dessa linha tem valor 1, os
demais elementos tem probabilidade 0. Significa que esses elementos nunca irao ocor-
rer e o elemento de probabilidade igual a 1 vai ocorrer sempre (Hsu, 1997 [21]). Neste
ponto, a matriz de probabilidades de transicao deve ser rearrumada para fornecer a matriz
fundamental da cadeia de Markov.
A matriz fundamental da cadeia de Markov permite calcular, por particionamento, o
tempo total de absorcao expresso em passos. Cada passo corresponde a uma intervencao
de manutencao. Assim, o tempo total de absorcao resulta ser uma medida do numero de
falhas que deverao ocorrer ate atingir o colapso operacional.
Para o calculo exato, as taxas de falha e de reparo sao utilizadas para montar o sistema
de equacoes diferenciais parcias de Markov.
A solucao desse sistema ao longo do tempo fornece a evolucao das probabilidades de
ocorrencia dos estados do sistema. A solucao assintotica devera ser comparada com a
solucao aproximada.
3.2 Confiabilidade de sistemas coerentes
A confiabilidade tem sido objeto de interesse da engenharia desde a decada de 1950-60.
Entretanto, somente apos 1960, a teoria da confiabilidade passou a ser tratada como um
assunto especıfico. Ao mesmo tempo, se desenvolveu a teoria dos sistemas coerentes, que
31
e utilizada nesse trabalho.
O desenvolvimento da confiabilidade esta ligado a compreensao das relacoes entre o
sistema e os seus componentes. De forma simplificada, pode-se agrupar essas relacoes em
tres tipos de sistemas de confiabilidade:
• coerentes;
• multi-estados;
• carga compartilhada; e
• nao-coerentes.
Num sistema de multi-estados, os componentes do sistema podem estar em diversos
estados e nao em apenas um de dois estados, funcionando ou falho. Suponha um com-
ponente que tenha M funcoes de igual importancia, tal como um conector que transmita
o comando para abrir ou fechar diversas valvulas e transmita, tambem, os sinais de co-
nhecimento de cada valvula aberta ou fechada. O conector e o sistema e cada conexao
um componente. O estado desse sistema e, usando a teoria de multi-estados, o conjunto
S = {A,B,C, . . . ,M}, onde S resume o estado do conector, S = A significa que todas
as conexoes falharam e S = M e o estado de conector perfeito. Os valores intermediarios
de S indicam que algumas das funcoes do conector estao em operacionais e outras em
falha. No multi-estados, o sistema passa gradativamente da condicao operacional para a
de falha. A teoria de multi-estados e uma generalizacao da teoria de sistemas coerentes.
No atual desenvolvimento dos algoritmos multi-estados para calculo da confiabilidade, o
esforco computacional e muito grande e tem limitado o uso desse tipo de sistema (Natvig
et al. [14]).
Apenas como exercıcio, vamos aplicar, simplificadamente, a teoria de multi-estados no
sistema de turbo-geracao mostrado na Fig. 3.2. Os cinco estados possıveis para o sistema
de geracao constam da Tab. 3.1.
A turbina ou o gerador podem estar em um de tres estados, conforme Tab. 3.2. Os
estados da turbina ou gerador estao numerados de modo a corresponder aos cinco estados
do sistema.
Na Tab. 3.2, foi feita a reducao dos equipamentos para o sistema equivalente. Cada
turbina e gerador acoplados entre si formam um conjunto turbo-gerador. Como os com-
ponentes estao em serie, prevalece o estado de menor operacionalidade para o conjunto.
32
Tabela 3.1: Estados possıveis para osistema de geracao, no sistema de multi-estados.
estado condicao0 em falha1 operando com 1/4 da carga2 operando com 1/2 carga3 operando com 3/4 da carga4 operando a plena carga
Tabela 3.2: Estados possıveis para aturbina ou gerador, no sistema de multi-estados.
estado condicao0 em falha2 operando em meia carga4 operando em plena carga
Tabela 3.3: Estados possıveis para o sistema turbo-gerador, no sistema de multi-estados.
turbina gerador TG condicao0 0 0 em falha0 2 0 em falha0 4 0 em falha2 0 0 em falha2 2 2 operando em meia carga2 4 2 operando em meia carga4 0 0 em falha4 2 2 operando em meia carga4 4 4 operando a plena carga
A partir dos estados dos turbo-geradores e feita a reducao para o sistema de geracao,
conforme a Tab. 3.4.
Tabela 3.4: Estados possıveis para o sistema de geracao, no sistema de multi-estados.
1 2 3 S carga0 0 0 0 0.000 0 2 1 0.250 0 4 2 0.500 2 0 1 0.250 2 2 2 0.500 2 4 3 0.750 4 0 2 0.500 4 2 3 0.750 4 4 4 1.00
1 2 3 S carga2 0 0 1 0.252 0 2 2 0.502 0 4 3 0.752 2 0 2 0.502 2 2 3 0.752 2 4 4 1.002 4 0 3 0.752 4 2 4 1.002 4 4 4 1.00
1 2 3 S carga4 0 0 2 0.504 0 2 3 0.754 0 4 4 1.004 2 0 3 0.754 2 2 4 1.004 2 4 4 1.004 4 0 4 1.004 4 2 4 1.004 4 4 4 1.00
O problema iniciou com tres estados, conforme Tab. 3.2 mas o sistema precisa de
cinco estados para ficar completamente definido. Esse aumento da complexidade e uma
caracterıstica do sistema de confiabilidade de multi-estados. Devido a isso, o esforco
computacional torna impeditivo para grandes sistemas.
O tipo sistema de carga compartilhada se caracteriza por distribuir a carga pelos com-
33
ponentes em condicoes de operacao, na medida em que alguns componentes apresentarem
falha. Esse sistema requer a utilizacao previa do sistema coerente ou do multi-estados.
Quando a escolha e pelo uso previo do coerente, o compartilhamento da carga tambem
e binario e a carga e distribuıda igualmente pelos componentes em condicoes de assumir
a parcela que lhes for destinada. No caso do uso de sistema de multi-estados, o com-
partilhamento e feito distribuindo-se a carga proporcionalmente as condicoes graduais de
operacao ou falha (Crowder et. al., 2000 [16]).
Supondo que o sistema de geracao da Fig. 3.2 seja coerente, vamos aplicar a teoria de
cargas compartilhadas como exemplo.
Seja T a probabilidade da turbina falhar e G a probabilidade do gerador falhar. A
probabilidade do conjunto turbo-gerador falhar, TG, e a soma das probabilidades:
a) da turbina falhar e o gerador nao falhar: P{T ∩ G};
b) do gerador falhar e a turbina nao falhar: P{T ∩ G};
c) de ambos falharem: P{T ∩ G}.
P{TG} = P{T ∩ G} + P{T ∩ G} + P{T ∩ G} (3.2)
Considerando que as falhas na turbina e no gerador sao independentes
P{TG} = P{T} · P{G} + P{T} · P{G} + P{T} · P{G} (3.3)
A probabilidade do sistema falhar, S, e a soma das probabilidades:
a) TG1 e TG2 falharem e TG3 nao falhar: P{TG1 ∩ TG2 ∩ ¯TG3};
b) TG1 e TG3 falharem e TG2 nao falhar: P{TG1 ∩ ¯TG2 ∩ TG3};
c) TG2 e TG3 falharem e TG1 nao falhar: P{ ¯TG1 ∩ TG2 ∩ TG3}.
Supondo que as falhas nos turbo-geradores sejam independentes e de mesmo valor
P{S} = 3(P{TG})2 · P{ ¯TG} (3.4)
Os valores da probabilidade de falha do conjunto turbo-gerador sao calculados pela
Eq. (3.2). Neste exemplo, foi suposto que as turbinas e geradores sejam iguais, o que sim-
plifica o calculo. Entretanto, se o numero de componentes for elevado, as formulas exatas
tornam-se impraticaveis, sendo necessario recorrer a calculos aproximados (Crowder et.
al., 2000 [16]).
Sistemas nao-coerentes tambem apresentam interesse, embora este trabalho somente
34
utilize os conceitos de sistemas coerentes. Sistemas nao-coerentes existem quando a falha
de um sub-sistema e concomitante com a operacao de outro sub-sistema. Essa situacao
ocorre quando ambos os sub-sistemas possuem algum componente em comum. Nesta
tese, todos os sistemas sao mutuamente exclusivos, portanto, nenhum componente e com-
partilhado. Na Fig. 3.2, os sub-sistemas de lubrificacao, resfriamento e instrumentacao
poderiam ser compartilhados pelos sistemas turbina e gerador, entretanto, para assegurar
a coerencia do sistema, consideramos que os sub-sistemas da turbina e do gerador sao
independentes.
O conceito fundamental de um sistema coerente e que os componentes individuais estao
em um de dois estados, funcionando ou falho, e que o estado do sistema e representado em
termos dos estados dos componentes individuais atraves do que e chamado de funcao de
estrutura. Os termos estrutura e sistema sao sinonimos, apenas para mencionar a funcao
utiliza-se estrutura e nos demais casos utiliza-se sistema (Barlow and Proschan, 1975 [6]).
As duas propriedades que caracterizam os sistemas coerentes sao:
• relevancia de todos os componentes;
• monotonicidade.
A ideia de que todos os componentes tenham igual relevancia para a confiabilidade
geral da planta significa que nao existe nenhum componente cuja confiabilidade nao afete
a confiabilidade do sistema. Todos os componentes sao importantes para a confiabilidade
do sistema. Um componente e irrelevante se nao importa para o sistema se ele esta ou
nao em condicoes operacionais.
φ(. . . , 0, . . .) = φ(. . . , 1, . . .) (3.5)
Monotonicidade e o conceito de que a confiabilidade do sistema nunca pode ser me-
lhorada se um de seus componentes se tornar menos confiavel.
Um sistema tem uma estrutura monotona se (Kovalenko et al., 1997 [15])
φ (0, . . . , 0) = 0;
φ (1, . . . , 1) = 1; e
φ(. . . , 0, . . .) ≤ φ (. . . , 1, . . .) .
(3.6)
Este trabalho focaliza a regiao de envelhecimento de plantas industriais. Nessa regiao,
35
a taxa de falha e crescente com o tempo, dando forma a curva da banheira. A teoria de
sistemas coerentes inclui um teorema, chamado Teorema de Fechamento, que relaciona o
envelhecimento dos componentes com o do sistema, e o teorema da taxa de falha media
crescente. E, tambem, conhecido por teorema IFRA, que e uma sigla que significa Increa-
sing Failure Rate Average. O teorema se refere a componentes independentes do ponto de
vista da falha, isto e, a falha de um e, estatisticamente, independente da falha dos outros
(Aven and Jensen, 1999 [5]).
Teorema 1 Se cada componente de um sistema tem uma taxa de falha media crescente,
entao o sistema tambem tera uma taxa de falha media crescente.
Existem exemplos de sistemas coerentes em serie e em paralelo e sistemas tipo k de n
(Barlow and Proschan, 1975 [6]) e (Gao et al., 2007 [17]).
Considere um sistema com n componentes. Seja xi o estado do componente i: xi
vale 1 se o componente estiver funcionando, e vale 0 se estiver falho. Seja φ o estado do
sistema, valendo 1 ou 0. O estado do sistema e determinado pelo estado dos componentes
individuais. Isto e,
φ = φ(x), (3.7)
onde x = (x1, . . . , xn) e o vetor dos estados dos componentes.
Um sistema em serie e aquele onde todos os componentes devem estar funcionando
para que o sistema funcione. A funcao φ vale 1 se e so se todos os estados xi valerem 1,
portanto,
φ(x) =n
∏
i=1
xi, (3.8)
onde n e o numero de componentes.
Um sistema em paralelo e aquele onde somente um componente precisa estar funcio-
nando para que o sistema funcione.
φ(x) = 1 −n
∏
i=1
(1 − xi). (3.9)
Os conceitos de serie e paralelo se referem as funcoes exercidas pelos componentes e
nao aos componentes propriamente ditos.
36
Num sistema turbo-gerador, a turbina e o gerador estao em serie; se um desses com-
ponentes deixar de funcionar, o sistema nao cumpre a sua funcao. Num sistema formado
por dois turbo-geradores, cada turbo-gerador esta em paralelo com o outro; se um desses
componentes (turbo-gerador agora e componente) deixar de funcionar, o outro continua
cumprindo a funcao.
De maneira geral, uma estrutura que compreenda componentes em serie e paralelo
e um sistema k de n no qual o sistema esta em funcionamento se pelo menos k dos n
componentes estiverem em funcionamento. Nesse caso,
φ(x) = 1, sen
∑
i=1
xi ≥ k (3.10)
e
φ(x) = 0, sen
∑
i=1
xi < k. (3.11)
Em um sistema em serie, k = n e em um sistema em paralelo, k = 1.
O conceito de confiabilidade coerente e necessario para que as conclusoes obtidas com
apenas dois equipamentos, turbina e gerador, possam ser estendidas a toda uma planta
de processo. A generalizacao das conclusoes somente ocorre para equipamentos cuja
confiabilidade seja coerente com os equipamentos estudados.
Por exemplo, em um sistema formado por um amplificador de som mono-aural que
tenha duas caixas de som, direita e esquerda, as duas caixas de som estao em paralelo por-
que ambas as caixas reproduzem o mesmo som. Entretanto, se o amplificador for estereo,
com dois canais, e cada caixa de som estiver ligada no respectivo canal, o amplificador
estara em serie com cada uma das caixas, formando duas series, mas elas nao estao em
paralelo porque cada caixa estara reproduzindo um sinal diferente.
3.3 Descricao do sistema fısico
O sistema de turbo-geracao de eletricidade, que foi escolhido como exemplo, e composto
de tres turbinas a gas acopladas em serie a geradores de corrente alternada, conforme
mostrado na Fig. 3.2. Os tres conjuntos turbo-geradores estao conectados em paralelo.
Para atender a potencia requerida pela carga da plataforma, sao necessarios apenas dois
turbo-geradores. O terceiro turbo-gerador fica, portanto, como reserva.
37
Figura 3.2: Sistema de turbo-geracao escolhido para aplicacao da metodologia.
As turbinas a gas sao maquinas de combustao interna onde os gases, apos a combustao,
passam atraves dos pequenos aerofolios do rotor da turbina, transformando a potencia da
queima da mistura de ar e combustıvel em movimento do rotor. A turbina consiste de
tres secoes, conforme indicado na Fig. 3.3: o compressor de ar; a camara de combustao;
e o expansor. A expansao dos gases, devido a queima, ao passar pelos rotores, fornece a
potencia necessaria tanto para acionar o compressor de ar, na entrada da turbina, como
para acionar o gerador. Os dois rotores sao independentes de modo que o primeiro rotor
e dimensionado para atender as necessidades do compressor e o segundo rotor fornece
a potencia de saıda. A turbina funciona no ciclo ideal Brayton, mostrado a direita na
Fig. 3.3. As turbinas utilizadas nas plataformas marıtimas de producao de petroleo tem
potencia de 15 MW a 25 MW e rotacao entre 12 e 20 mil rpm. Conforme se observa na
Fig. 3.3, as taxas de falha e de reparo relativas a turbina incluem as falhas no estagio
de compressao, de combustao e de expansao. As falhas na lubrificacao, no sistema de
resfriamento, na instrumentacao, na alimentacao de gas e de ar e no sistema de exaustao
nao estao incluıdas neste estudo.
Figura 3.3: Diagrama esquematico de uma turbina a gas. O grafico a direita e o ciclo ideal de Braytonque descreve, de modo simplificado, a operacao de uma turbina a gas.
38
A potencia eletrica utilizada nas plataformas geralmente e produzida no proprio local,
embora, as vezes, seja utilizada a energia excedente de outra plataforma, transmitida por
cabos submarinos.
O gerador e acoplado a turbina por meio de uma caixa de reducao de velocidades
porque a rotacao da turbina e 5 a 10 vezes maior que a do gerador. Como a geracao e
trifasica em 13,8 kV, a saıda da potencia eletrica passa por um transformador abaixador
para a tensao de consumo, que e de 440 Volts. Ver Fig. 3.4. As taxas de falha e reparo
do gerador incluem a caixa de reducao, o disjuntor e o transformador, alem do proprio
gerador. As falhas na lubrificacao, no sistema de resfriamento, na instrumentacao e na
protecao nao estao incluıdas neste estudo.
Figura 3.4: Arranjo do gerador e dos perifericos que compoem a geracao de eletricidade.
Cada equipamento fica completamente representado por variaveis de estado. O estado
da turbina T1 e representada pela variavel x1, o estado do gerador G1 pela variavel x2 e,
assim por diante, o estado do gerador G3 e representado pela variavel x6. O equipamento
que estiver em condicoes operacionais sera representado por xi = 1 e o equipamento falho
por xi = 0, para i = 1, 2, . . . , 6.
As Figs. 3.5-3.8 apresentam as reducoes da funcao de estrutura do sistema de turbo-
geracao de eletricidade ate a sua forma resultante final φ(x).
A Fig. 3.5 apresenta a configuracao inicial do sistema, antes de qualquer reducao. As
turbinas ainda estao em serie com os geradores.
Na Fig. 3.6, as turbinas a gas que estavam em serie com os respectivos geradores foram
substituıdos por seus equivalentes. As novas variaveis de estado sao o produto (*) das
variaveis de estado das turbinas e dos geradores, conforme Eq. (3.8).
39
Figura 3.5: Configuracao inicial. Cada turbinaesta em serie com o seu gerador.
Figura 3.6: Reducao dos componentes em serie.Cada par turbina e gerador foi substituıdo por umturbogerador equivalente.
Na Fig. 3.7, foi feita a substituicao dos tres componentes que estavam em paralelo por
um componente equivalente, de acordo com a Eq. (3.9).
A Fig. 3.8 apresenta a reducao de uma estrutura que tem tres componentes, mas
somente dois sao necessarios. Essa reducao e feita pelas Eqs. (3.10) e (3.11).
Figura 3.7: Reducao dos componentes em para-lelo. Os tres turbogeradores estavam em paraleloe foram substituıdos por por um unico turboge-rador equivalente.
Figura 3.8: Reducao do tipo k de n. Existem3 turbogeradores equivalentes, mas 2 sao sufuci-entes para atender a demanda. Trata-se de umaestrutura onde k = 2 e n = 3
Por meio das equacoes de reducao do sistema, que correlacionam as funcoes e sub-
funcoes de estrutura, e possivel fazer uma simulacao pela tecnica de Monte Carlo para
obter uma estimativa das probabilidades de ocorrencia de cada estado (Crowder, et al,
2000 [16]).
Foi desenvolvido um programa de computador atribuindo a cada variavel de estado,
x1, . . . , x6, um valor aleatorio distinto no intervalo contınuo [0, 1]. As variaveis com ındice
impar sao de turbinas e as de ındice par sao dos geradores. A confiabilidade de cada
equipamento e calculada em funcao do tempo, por
R(t) = e−λt (3.12)
40
onde R e a confiabilidade da turbina ou gerador no tempo t, λ e a funcao taxa de falha
na fase de envelhecimento, calculada a partir dos dados obtidos no Anexo A e t e o tempo
de vida do equipamento. As funcoes taxa de falha e de reparo estao apresentadas em
detalhes nas Eqs. (5.26) a (5.29).
O valor aleatorio contınuo das variaveis x1, . . . , x6 e, entao, comparado com o valor da
confiabilidade R. Se xi < R(t), i = 1, . . . , 6 significa que o equipamento esta em operacao
e a variavel xi passa a ter o valor 1. Em caso contrario, xi valera 0. Utilizando as equacoes
de reducao do sistema, encontra-se o valor de φ(x), que e a funcao que representa o estado
do sistema, conforme Fig. 3.8.
O tempo de vida na fase de envelhecimento foi dividido em classes e o procedimento
descrito acima foi repetido para cada classe de tempo. Isso equivale a determinar as pro-
babilidades p1, . . . , p8 dos estados do sistema ao longo da vida dos equipamentos (Robert
and Casella, 2004 [39]).
Para modelar a condicao de reparo perfeito, onde todos os componentes em falha sao
substituıdos e nenhum e reparado, o tempo de reparo foi igualado a zero, significando que,
imediatamente apos a ocorrencia da falha, os componentes foram substituıdos e o sistema
voltou a operar. Para essa condicao, de reparo perfeito, a transicao do estado “um” para o
“zero” foi feita avaliando-se, estocasticamente, a confiabilidade do sistema. Enquanto que
a transicao no sentido inverso foi feita alterando-se, imediatamente, o estado de “zero”
para “um”.
No modelo da condicao de reparo mınimo, onde todos os componentes em falha sao
reparados e nenhum e substituıdo, a escolha entre as funcoes taxa de falha e taxa de
reparo dependeu do estado previo do componente. A transicao do estado “um” para o
“zero” e igual nas duas condicoes. A transicao do estado “zero” para o “um” foi feita
avaliando-se, estocasticamente, a confiabilidade do reparo. Na avaliacao da taxa de falha,
o tempo e corrido sem interrupcoes, enquanto que, na avaliacao da taxa de reparo, o
tempo e reiniciado a cada avaliacao.
Foram feitas sucessivas estimativas, com tamanhos de amostra maiores a cada esti-
mativa, e observou-se que amostras com tamanho acima de 100.000 conduziam, aproxi-
madamente, ao mesmo resultado. Os resultados mostrados nas Figs. 3.9 e 3.10 foram
41
Figura 3.9: Probabilidades de falha dos estadossob reparo perfeito
Figura 3.10: Probabilidades de falha dos estadossob reparo mınimo
obtidos com tamanho da amostra igual a 105 para cada classe de tempo. O intervalo de
1500 horas foi dividido em 30 classes de 50 horas. Os valores das probabilidades estao na
forma decimal e o tempo em horas.
Essa estimativa da solucao, apesar de estocastica pelo o emprego de tecnicas de Monte
Carlo, pode ser considerada uma boa aproximacao porque foi calculada utilizando as taxas
de falha na regiao de envelhecimento e foram levados em conta os tempos de reparo.
Figura 3.11: Probabilidades dos estados pelometodo de Monte Carlo.
E interessante observar nas Figs. 3.9 e
3.10 que a probabilidade de falha do sis-
tema, p8, e fortemente dependente da pro-
babilidade de falha do estado inicial p1. As
probabilidades de falha dos demais estados
fornecem pequena contribuicao para a pro-
babilidade de colapso operacional do sis-
tema.
As condicoes de reparo perfeito, ou de renovacao, e reparo mınimo sao condicoes
extremas onde ou todos os componentes sao substituıdos por novos ou todos sao reparados.
Um reparo de qualquer sistema, na realidade, situa-se entre essas duas condicoes extremas,
uma parte dos componentes e reparada e outra parte e substituıda por componentes
novos. A Fig. 3.11 apresenta as probabilidades de falha do sistema nas duas condicoes. A
probabilidade de um sistema real deve estar compreendida na regiao entre as duas curvas.
Como se pode observar, o colapso operacional com probabilidade de 100% ocorre em cerca
42
de 1000 horas de funcionamento nas duas condicoes.
Esse tipo de sistema pode ser formulado matematicamente empregando os processos
estocasticos de Markov (Meeker and Escobar, 1998 [29], Higgins and McNulty, 1995 [19]),
se considerarmos que o estado atual depende somente do estado anterior.
O modelo descrito acima pode ser considerado nao-markoviano, se supuzermos:
• tempos entre falhas nao exponenciais;• taxas de falha crescentes com o tempo; e• taxas de reparo decrescentes com o numero de reparos.
Essas consideracoes descrevem melhor o fenomeno do envelhecimento das instalacoes
industriais do que as consideracoes apresentadas anteriormente em que o estado atual
dependia somente do estado anterior.
A maioria dos modelos de confiabilidade assume que o tempo em operacao e o tempo
de reparo sao distribuıdos exponencialmente. Essa consideracao conduz a um modelo
markoviano com taxas de transicao constantes entre os estados. A analise de tais casos e
relativamente simples e o resultado numerico pode ser facilmente obtido. A consideracao
e muitas vezes valida para o tempo em operacao, mas o tempo de reparo geralmente tem
uma distribuicao nao exponencial (Singh and Billinton, 1977 [43]). Os tempos de reparo
ficam melhor representados por uma distribuicao lognormal devido a intervencao humana.
Se as distribuicoes nao podem ser representadas por uma unica forma exponencial,
entao o processo e nao markoviano.
Mesmo adotando o modelo seccionalmente constante para a taxa de falha, em que
cada parte deixaria de ser crescente, permanecendo constante e markoviana, o tempo de
reparo continuaria dependendo do numero de reparos anteriores e o sistema seria nao
markoviano.
O modelo de solucao adotado neste trabalho e a inclusao de variaveis complementares
na especificacao do estado do sistema para tornar o processo markoviano. As variaveis
complementares podem representar os tempos dispendidos na duracao da missao ou o
numero de vezes em que o equipamento apresentou falha. As variaveis complementa-
res podem ser quaisquer grandezas que representem um sacrifıcio do sistema, de modo
que o envelhecimento seja caracterizado pela idade e pelo sacrifıcio a que o sistema foi
submetido.
43
Suponha que duas maquinas identicas e com a mesma idade estejam operando simul-
taneamente. Se o processo fosse markoviano, a probabilidade de falha seria a mesma para
as duas maquinas. Mas o processo e nao-markoviano. Existe uma outra variavel, alem da
idade do equipamento, que interfere no processo. Essa variavel complementar, incluıda
para tornar o sistema de equacoes factıvel de solucao markoviana, pode ser interpretada
como o tempo decorrido desde a ultima revisao geral. Nesse caso, a maquina que esti-
ver operando ha mais tempo tera maior probabilidade de falha, apesar de ambas terem
a mesma idade. Uma outra interpretacao possıvel para a variavel complementar sao as
condicoes de trabalho. Por exemplo, se for algum tipo de veıculo, a variavel complementar
pode representar a quilometragem. O veıculo que tiver maior quilometragem devera ter
maior probabilidade de falha. Se for uma sonda de perfuracao, a variavel complemen-
tar pode significar metros perfurados. Assim, a sonda que tiver mais metros perfurados
devera apresentar maior probabilidade de falha. Essas condicoes de trabalho mais pe-
sadas, ao longo da vida do equipamento, vai determinar que o equipamento tenha tido
mais ocorrencias de falha do que outro submetido a condicoes mais suaves. O numero de
vezes que o equipamento esteve fora de operacao devido a falhas e outra interpretacao
para a variavel complementar. De um modo totalmente geral, que compreenda todos os
exemplos, e possıvel considerar a variavel complementar como representativa do sacrifıcio
que o equipamento sofreu durante a sua vida desde o inıcio de operacao ate o presente
momento.
Com a inclusao de variaveis complementares, o processo markoviano passa a existir
no espaco de estados bi-dimensional, onde uma das variaveis, t, e contınua e a outra
variavel, s, pode ser contınua em intervalos ou discreta. No caso da variavel complementar
representar a duracao da missao, sera uma variavel aleatoria contınua em intervalos.
Entretanto, se representar o numero de vezes que o equipamento falhou, sera aleatoria
discreta.
3.3.1 Variaveis de estado do sistema
O conjunto das possibilidades das variaveis de estado dos equipamentos, agrupadas pela
condicao do sistema, esta apresentado na Tab. 3.6.
44
As variaveis representam o estado dos equipamentos na seguinte ordem: T1 G1 T2 G2
T3 G3, Ti sendo uma turbina e Gi representando um gerador, i = 1, 2, 3.
O numero entre parentesis que antecede cada conjunto de possibilidades e o indicador
do conjunto. A primeira coluna contem o estado em que todos os equipamentos estao
em funcionamento: 111111. A segunda coluna contem os estados em que somente um
equipamento esta na condicao de falha, ver Tab. 3.5.
Tabela 3.5: Estados em queo sistema esta em operacao,sem reserva.
011111
101111
110111
111011
111101
111110
A terceira coluna contem os estados de falha dos equipa-
mentos que resultam em um unico estado do sistema de turbo-
geracao, qual seja, o sistema esta indisponıvel. Esse estado
de falha do sistema ocorre quando o turbo-gerador restante
nao consegue suprir a carga da plataforma. Na primeira e na
segunda colunas o sistema esta disponıvel, enquanto que na
terceira o sistema falhou.
Nao e necessario incluir no estudo o caso de uma terceira
maquina, turbina ou gerador, falhar. Por definicao, falha e a
perda de uma funcao quando essa funcao e necessaria (McKenna e Oliverson, 1997 [23]).
Apos dois conjuntos turbo-geradores (TG) falharem, uma terceira maquina sozinha nao
conseguiria suprir a carga. Portanto, torna-se irrelevante para o estudo saber se esta
maquina esta ou nao em condicoes operacionais.
A Tab. 3.6 da origem ao diagrama de estados da cadeia de Markov.
3.3.2 Diagrama de estados da cadeia de Markov
O mesmo conjunto de possibilidades da Tab. 3.6 pode ser representado sob a forma de
diagrama de estados da cadeia de Markov, como ilustrado na Fig. 3.12.
Os cırculos representam os estados do sistema e as setas representam transicoes entre
os estados. O estado 8, que reune todas as condicoes de falha irreversıvel do sistema, esta
representado por um retangulo devido ao seu tamanho grafico.
Junto as pontas das setas estao representadas as taxas de falha da turbina, λT , e do
gerador, λG, e as taxas de reparo da turbina, µT , e do gerador, µG, referentes a cada
transicao.
45
Tabela 3.6: Conjunto das possibilidades dasvariaveis de estado dos equipamentos.
em operacao em operacao em falha(1) 111111 (2) 011111 (8) 010111
(8) 011011(8) 011101(8) 011110
(3) 101111 (8) 100111(8) 101011(8) 101101(8) 101110
(4) 110111 (8) 010111(8) 100111(8) 110101(8) 110110
(5) 111011 (8) 011011(8) 101011(8) 111001(8) 111010
(6) 111101 (8) 011101(8) 101101(8) 110101(8) 111001
(7) 111110 (8) 011110(8) 101110(8) 110110(8) 111010
Para o sistema turbo-gerador, existem, como ja dissemos, 8 estados possıveis. Cada
estado e representado por um ındice que varia de 1 ate 8, resultando nas variaveis do
processo estocastico pi(s, t), i = 1, . . . , 8.
O estado i = 1 corresponde a condicao em que todos os tres conjuntos TG estao em
condicoes operacionais, embora somente dois estejam operando efetivamente.
O estado i = 8 corresponde a condicao em que dois componentes, turbina ou gerador,
de conjuntos TG diferentes estao com defeito, acarretando falha ou indisponibilidade do
sistema. No caso de componentes do mesmo conjunto, turbina acoplada ao gerador,
apresentarem defeito, pela definicao de falha, somente a maquina que apresentou defeito
primeiro e considerada em falha, nao acarretando falha do sistema.
Os estados i = 2, . . . , 7 correspondem a apenas um componente, turbina ou gerador,
de qualquer um dos tres conjuntos TG inoperante. O sistema esta em operacao com dois
46
conjuntos TG, disponıvel porem sem reserva, (ver Tab. 3.6).
Figura 3.12: Diagrama de estados da cadeia de Markov
Capıtulo 4
Formulacao matematica do problema
Para efeito de formulacao, o problema foi reduzido a um unico componente sujeito a dois
estados: operacional e falho. Posteriormente, as equacoes serao generalizadas para um
sistema de componentes incluindo diversos estados. A Fig. 4.1 ilustra a situacao inicial
de um componente e e valida tanto para a condicao de reparo mınimo quanto para a de
reparo de renovacao.
Condicao de reparo mınimo e aquela onde, apos a falha, o sistema recebe manutencao
apenas suficiente para restabelecer o estado operacional que possuia antes da falha. Isto
e, o sistema e reparado mantendo-se os componentes usados. Na condicao de reparo de
renovacao, entretanto, o sistema e reparado efetuando-se a substituicao dos componentes
falhos por novos, recompondo, assim, a condicao original do sistema (Ascher and Feingold,
1984 [4]). O reparo de renovacao tambem recebe a denominacao de reparo perfeito.
Figura 4.1: Um unico componente sujeito a doisestados: operacional e falho.
Na condicao de reparo mınimo, a taxa
de falha e λ(t) e a taxa de reparo e µ(t). Na
condicao de reparo de renovacao, a taxa de
falha e λ(t) e a taxa de reparo µ(t) = µ, ou
seja, e constante. Nessa condicao, o sistema
e substituıdo em vez de ser reparado. A
taxa de reparo e constante e tem um valor
47
48
mınimo.
No modelo de reparo mınimo, em vez de substituir os componentes falhos por novos,
o reparo apenas restabelece o funcionamento do sistema. Assume-se que a taxa de falha
nao se altere apos efetuado o reparo mınimo.
A definicao do estado do sistema imediatamente antes da falha depende do grau de
informacao que se tem sobre o sistema: se todos os componentes de um sistema sao ob-
servados ou se somente a falha do sistema e reconhecida. No primeiro caso, onde todos os
componentes sao observados, inclusive aquele que falhou, o tempo de vida do componente
reparado altera o tempo de vida residual do sistema. Como todos os componentes sao
observados, o tempo de vida de cada um deve ser levado em conta no calculo do tempo
de vida do sistema. Este tipo de reparo mınimo e chamado de reparo mınimo fısico. No
segundo caso, quando somente a falha e reconhecida, a unica informacao sobre a condicao
do sistema imediatamente antes da falha e a idade. Entao, um reparo mınimo neste caso
significaria substituir o componente falho por outro de mesma idade, tal como se ainda
nao tivesse falhado. Reparo mınimo deste tipo e chamado reparo mınimo estatıstico (Aven
and Jensen,1999 [5]).
Definindo, agora, λ(t)∆t = P (t < T ≤ t + ∆t|T > t) como a probabilidade de ocorrer
uma falha no intervalo (t, t + ∆t], dado que nao tenha falhado ate o instante t e µ(t)∆t
sendo a probabilidade de o reparo terminar no intervalo (t, t + ∆t], pi(t) a probabilidade
de o sistema estar no estado i no tempo t e Pi(s, t) a probabilidade de o sistema estar no
estado i e a missao ter comecado no intervalo (t − s, t − s + ∆s).
Figura 4.2: Interpretacao grafica davariavel complementar.
A nova variavel (t − s) e apenas um deslocamento
do eixo para evitar o patamar e fazer a derivada sobre o
trecho inclinado da reta, como se observa na Fig. 4.2. A
idade do equipamento, t, representada no eixo horizon-
tal, nao apresenta interrupcoes, e um tempo contınuo. A
variavel complementar, s, e interrompida toda vez que
o equipamento estiver falho e reinicia a sua contagem
quando o componente reentrar em operacao. Essa inter-
rupcao esta registrada nos patamares.
49
pi(s, t) = lim∆s→0+
Pi(s, t)
∆spara todo s ∈ [0, t] e pi(s, t) = 0 para s > t
Em um sistema reparavel, a falha determina o fim da missao atual e, de imediato, o
inıcio do reparo. O termino do reparo acarreta, imediatamente, o reinıcio de uma nova
missao. Se o sistema esta no estado i, em qualquer processo, tao logo essa operacao
termine, o sistema vai transitar para outro estado (Singh and Billinton, 1977 [43]).
Aplicando as definicoes acima no sistema da Fig. 4.1, obtem-se
p1 (s + ∆t, t + ∆t) = p1 (s, t) (1 − λ (t) ∆t) + p2 (s, t) (µ (t) ∆t)
p2 (s + ∆t, t + ∆t) = p2 (s, t) (1 − µ (t) ∆t) + p1 (s, t) (λ (t) ∆t)(4.1)
p1 (s + ∆t, t + ∆t) − p1 (s, t)
∆t= −p1 (s, t) λ (t) + p2 (s, t) µ (t)
p2 (s + ∆t, t + ∆t) − p2 (s, t)
∆t= −p2 (s, t) µ (t) + p1 (s, t) λ (t)
(4.2)
Desenvolvendo em serie de Taylor, desprezando os termos de grau maior que um e
fazendo o lim∆t→0
das Eqs. (4.2), fica
∂p1 (s, t)
∂s+
∂p1 (s, t)
∂t= −λ (t) p1 (s, t) + µ (t) p2 (s, t)
∂p2 (s, t)
∂s+
∂p2 (s, t)
∂t= λ (t) p1 (s, t) − µ (t) p2 (s, t)
(4.3)
As equacoes do processo nao-markoviano que serao empregadas, na condicao de reparo
mınimo, tem a forma geral
∂pi(s, t)
∂t+
∂pi(s, t)
∂s= −
N∑
i=1
λipi(s, t) +N
∑
i=1
µipi(s, t) (4.4)
A inspecao visual da Eq. (4.4) sugere algumas regras para formacao do sistema de
equacoes de Markov, na condicao de reparo mınimo
• no lado esquerdo das equacoes ficam as derivadas parciais da probabilidade do estadoi, em relacao a t e a s,
• no lado direito ficam os somatorios:-(seta que sai do estado i)*(probabilidade do estado de origem) e+(seta que entra no estado i)*(probabilidade do estado de origem).
Na condicao de reparo de renovacao, a taxa de falha reflete o tempo de substituicao
dos componentes falhos, sendo considerada constante.
50
Aplicando a consideracao de taxa de falha constante no sistema da Fig. 4.1, obtem-se
p1 (s + ∆t, t + ∆t) − p1 (s, t)
∆t= −λ (t) p1 (s, t) + µp2 (s, t)
p2 (s + ∆t, t + ∆t) − p2 (s, t)
∆t= λ (t) p1 (s, t) − µp2 (s, t)
(4.5)
Desenvolvendo em serie de Taylor, desprezando os termos de grau maior que um e
fazendo o lim∆t→0
das Eqs. (4.5), tem-se
∂p1 (s, t)
∂s+
∂p1 (s, t)
∂t= −λ (t) p1 (s, t)
∂p2 (s, t)
∂s+
∂p2 (s, t)
∂t= λ (t) p1 (s, t)
(4.6)
Na condicao de reparo de renovacao, a forma geral da equacao e
∂pi (s, t)
∂s+
∂pi (s, t)
∂t= −
N∑
i=1
λi (t) pi (s, t) (4.7)
A regra para formacao da equacao de Markov, na condicao de reparo de renovacao,
baseada na Eq. (4.7), e
• no lado esquerdo das equacoes ficam as derivadas parciais da probabilidade do estadoi, em relacao a t e a s,
• no lado direito fica o somatorio da (seta que sai do estado i)*(probabilidade doestado de origem) com sinal trocado.
No estudo de caso, cada equipamento possui a sua propria variavel complementar,
s1, . . . , s6, que representa, por exemplo, a duracao da missao do respectivo equipamento.
A adocao da manutencao periodica numa instalacao industrial, torna inviavel que cada
equipamento tenha a sua propria duracao da missao. Quando um equipamento e desligado
para manutencao, todos os outros equipamentos que tambem param em consequencia
daquela parada programada sao submetidos a manutencao. Dessa forma, as duracoes da
missao de todos os equipamentos que trabalham em dependencia mutua um do outro
ficam com as suas duracoes de missao igualadas. Essa situacao esta representada na
Fig. 4.3.
As variaveis complementares desses equipamentos sao iguais, ou seja,
s1 = s2 = · · · = s6.
51
Essa igualdade entre as variaveis complementares torna o modelo mais realista e sugere
uma hipotese simplificadora do ponto de vista matematico.
Figura 4.3: Esquema da hipotese simplificadora.
Conforme se observa na Fig. 4.3, o eixo horizontal, t, e o da idade dos componentes,
o eixo vertical, s, e o eixo que registra o tempo de funcionamento contınuo. Quando o
equipamento para, o grafico apresenta um patamar para caracterizar a parada de funcio-
namento sem parar, naturalmente, o tempo de vida do equipamento. Se nao houvesse
paradas programadas, cada equipamento teria o seu proprio momento de parada inde-
pendentemente das paradas dos demais. Com a adocao das paradas programadas, todos
os equipamentos interligados funcionalmente entre si, param a intervalos identicos. As
paradas dos diversos equipamentos deixam de ser independentes e tornam-se periodicas
e sincronizadas. Em consequencia, todas as variaveis complementares dos equipamentos,
na pratica, podem ser assimiladas como uma unica variavel.
De acordo com essa hipotese, e possıvel admitir que todas as variaveis complementares
si, i = 1, . . . , 6 para as seis maquinas, sejam iguais a s.
No caso geral, na condicao de reparo mınimo, as equacoes de Markov sao as Eqs. (4.4)
e, na condicao de reparo de renovacao, sao as Eqs. (4.7), onde, relembrando, pi(s, t) e
a probabilidade de que o sistema sob analise se encontre no estado i, λi(s) e a taxa de
falha, µi(s) e a taxa de reparo, t representa o tempo decorrido sem interrupcoes (tempo
de calendario), s representa a duracao da missao, que e o tempo de efetivo funcionamento
52
do equipamento (medido por um horımetro, cronometro que acumula o tempo que o
equipamento esta em operacao), i e o indicador de cada conjunto de possibilidades e n e
o numero total de conjuntos de possibilidades.
O sistema de equacoes que representam adequadamente o modelo adotado, markoviano
ou nao, pode ser obtido por inspecao do conjunto de possibilidades das variaveis de estado.
As maquinas de um mesmo sistema de turbo-geracao nao precisam ser iguais. En-
tretanto, devido aos processos de projeto da instalacao, especificacao e aquisicao dos
equipamentos serem, na pratica, um unico processo, as maquinas resultam identicas, na
maioria das vezes.
Assim, as taxas de falha e de reparo, que sao associadas as variaveis de estado, podem
ser substituıdas por taxas associadas aos equipamentos. As taxas de falha dos geradores 1,
2 ou 3, em qualquer estado i = 1, . . . , 8 sao iguais, λG(s). As taxas de falha das turbinas,
pelo mesmo motivo, sao iguais, sao λT (s). As taxas de reparo, no reparo mınimo, ficam
µG(s) e µT (s) e, na renovacao, µG e µT .
Como o tempo de calendario, representado pela variavel t e o tempo de operacao,
representado pela variavel s, sao ambos medidos nas mesmas unidades (horas, nesse caso),
no plano s− t, a reta que indica o funcionamento da planta faz um angulo deπ
4rad com
os eixos e as variaveis s e t sao iguais, s = t.
4.1 Curvas caracterısticas
O metodo das curvas caracterısticas, para resolver o sistema de equacoes de Markov, vai
confirmar essa igualdade e vai mostrar, tambem, que aquelas retas da Fig. 4.3 sao as curvas
caracterısticas do sistema de equacoes. Durante o funcionamento da planta, a solucao do
sistema percorre uma curva caracterıstica. Quando o equipamento falha, a duracao do
reparo, representada na Fig. 4.3 por um trecho horizontal, significa um deslocamento da
curva caracterıstica ate o restabelecimento do funcionamento, quando, entao, o sistema
passa a percorrer uma nova curva caracterıstica.
53
4.1.1 Metodo das caracterısticas
O metodo das caracterısticas e adequado para resolver o problema de valor inicial
(PVI) de EDPs de primeira ordem.
Considere a EDP linear de primeira ordem
a (x, t) ux + b (x, t) ut + c (x, t) u = 0 (4.8)
em duas variaveis, com a condicao inicial u (x, 0) = f (x). O metodo das caracterısticas,
quando aplicado nesta equacao, consiste em mudar as coordenadas de (x, t) para um novo
sistema de coordenadas (x0, r) no qual a EDP se torna uma equacao diferencial ordinaria
(EDO) ao longo de certas curvas no plano x − t.
Tais curvas, {[x(r), t(r)] : 0 < r < ∞}, ao longo das quais a solucao da EDP se reduz
a uma EDO, sao chamadas de curvas caracterısticas ou apenas caracterısticas.
No novo sistema de coordenadas, (x0, r), r e variavel e x0 e constante ao longo da
caracterıstica. A ordenada x0 pode variar ao longo do eixo x, quando t = 0, no plano
x − t.
Explicitando a Eq. (4.8)
a (x, t) ux + b (x, t) ut = −c (x, t) u. (4.9)
Fazendo uma substituicao de variaveis conveniente para incluir a nova variavel r, os
coeficientes da Eq. (4.9) ficam
dx
dr= a (x, t) (4.10)
e
dt
dr= b (x, t) . (4.11)
Substituindo os coeficientes Eqs. (4.10) e (4.11) na Eq. (4.9) e chamando toda a equacao
dedu
dr, fica
du
dr=
dx
drux +
dt
drut = a (x, t) ux + b (x, t) ut = −c (x, t) u. (4.12)
Ao longo da curva caracterıstica, a EDP se torna a EDO
du
dr= −c (x, t) u. (4.13)
54
As Eqs. (4.10) e (4.10) sao chamadas de equacoes caracterısticas. A parcela −c (x, t) u
e chamada termo fonte. Qualquer funcao C1 que seja constante ao longo da caracterıstica
e uma solucao da EDP original.
A aplicacao do metodo das caracterısticas na solucao de uma EDP da forma da
Eq. (4.8) pode ficar resumido no seguinte procedimento:
Passo 1. Resolver as duas equacoes caracterısticas, Eqs. (4.10) e (4.11). Achar as
constantes de integracao fazendo x (0) = x0 (x0 sao os pontos ao longo do eixo t = 0 no
plano x − t) e t (0) = 0. Este passo visa obter a transformacao de (x, t) para (x0, r), por
meio das equacoes parametricas x = x (x0, r) e t = t (x0, r).
Passo 2. Obter u (x0, r) resolvendo a EDO, Eq. (4.13), com a condicao inicial u (0) =
f (x0), onde x0 sao os tracos das curvas caracterısticas sobre o eixo t = 0, no plano x− t.
Passo 3. Explicitar r e x0 em funcao de x e t, usando os resultados do Passo 1, e subs-
tituir estes valores em u (x0, r) para obter a solucao da EDP original como u (x, t).(Sarra,
2003 [40])
4.1.2 Equacao de adveccao com coeficientes constantes
Caso particular: a(x,t) = constante, b(x,t) = 1 e c(x,t) = 0
A equacao de adveccao com coeficientes constantes e um caso particular de aplicacao do
metodo das caracterısticas onde, na Eq. (4.8), a(x, t) e constante, b(x, t) = 1 e c(x, t) = 0.
A condicao inicial e u (x, 0) = f (x).
Neste caso, a equacao caracterıstica, Eq. (4.11), se torna
dt
dr= 1 (4.14)
e a solucao e t = r + C, onde C e a constante de integracao. Usando a condicao inicial
t (0) = 0 e fazendo C = 0, resulta r = t. No caso especial da equacao de adveccao com
coeficientes constantes e necessario resolver somente a equacao Eq. (4.10)
dx
dr= a (4.15)
que, resolvida, fornece
x = at + x0 (4.16)
55
onde x0 e a constante de integracao que e o ponto inicial da curva caracterıstica no eixo
x, no plano x − t.
A Eq. (4.16) mostra que a curva caracterıstica da equacao de adveccao com coeficientes
constantes e uma linha reta com coeficiente angular igual a a.
A Eq. (4.8), no caso particular de adveccao com coeficientes constantes, se transforma
na EDP
ut + aux = 0 (4.17)
onde a pode ser a velocidade de propagacao da onda (ou celeridade) em um meio ou a
taxa na qual um contaminante vai se propagar na superfıcie de un lago, vai depender
do problema que estiver sendo equacionado. A velocidade e constante, assim, todos os
pontos da frente de onda ou de propagacao vao se mover na mesma velocidade a.
A aplicacao do metodo das caracterısticas na solucao do caso particular de uma EDP
de adveccao com coeficientes constantes da forma da Eq. (4.17) pode ficar resumido no
seguinte procedimento:
Passo 1. Resolver a equacao caracterıstica, Eq. (4.10),dx
dt= a, com a condicao inicial
x (0) = x0. A solucao x = x0 + at fornece as curvas caracterısticas, onde x0 e o ponto no
qual cada curva interseta o eixo x no plano x − t.
Passo 2. Resolver a EDO Eq. (4.13), que neste caso fica simplificada paradu
dr= 0,
com a condicao inicial u (0) = f (x0). A solucao e u (t) = f (x0).
Passo 3. As curvas caracterısticas sao determinadas por x = x0+at, entao x0 = x−at,
e a solucao da EDP e u (x, t) = f (x0) = f (x − at).
Para que u (x, t) seja solucao da EDP e necessario verificar se permanece constante ao
longo da caracterıstica. A derivada de u (x, t) fornece a taxa de variacao de u ao longo da
caracterıstica:
d
dtu (x(t), t) =
∂
∂tu (x(t), t) +
∂
∂xu (x(t), t) x′(t) = ut + aux = 0 (4.18)
A taxa de variacao e zero, significando que u e constante ao longo da curva.
Teorema 2 Considere o problema de valor inicial
56
aux + ut = 0, −∞ < x < ∞, t > 0
u (x, 0) = f (x)(4.19)
Se f (x) e continuamente diferenciavel, entao u (x, t) = f (x − at) e solucao do problema.
(DuChateau and Zachmann, 2002 [13]).
4.1.3 Equacao de Markov em condicoes nao-markovianas
Caso particular: a(s,t) = 1, b(s,t) = 1 e c(s,t) = constante
O metodo das curvas caracterısticas pode ser aplicado para resolver este problema de
valor inicial e EDP linear de primeira ordem (Smith, 1985 [44]). Na Eq. (4.8), fazendo
a(s, t) = 1, b(s, t) = 1 e c(s, t) = constante real, se obtem a EDP linear de primeira
ordem que equaciona o problema markoviano na hipotese nao-markoviana. No problema
markoviano, algumas variaveis receberam outros sımbolos: a funcao incognita u recebeu a
letra p, inicial de probabilidade, a variavel independente x foi substituıda por s porque x e
habitualmente associado a dimensao de comprimento e, no problema markoviano, ambas
as variaveis independentes, s e t, tem dimensao de tempo. Assim, u(x, t) ficou substituıdo
por p(s, t).
a (s, t)∂p(s, t)
∂s+ b (s, t)
∂p(s, t)
∂t= c (s, t) p(s, t) (4.20)
A condicao inicial e p (s, 0) = f(s).
Neste caso particular, a equacao caracterıstica, Eq. (4.10), torna-se
ds
dr= a(s, t) = 1 (4.21)
e a Eq. (4.11) fica
dt
dr= b(s, t) = 1. (4.22)
Ao longo da curva caracterıstica, a EDP se torna a EDO, conforme Eq. (4.13)
dp
dr= c(s, t)p(s, t) = cp(s, t) (4.23)
Explicitando dr nas Eqs (4.21), (4.22) e (4.23), as equacoes caracterısticas podem ser
57
expressas por
ds
a(s, t)=
dt
b(s, t)=
dp
c(s, t)p(s, t)= dr. (4.24)
Aplicando o caso particular do problema de Markov, fica
ds
1=
dt
1=
dp
cp(s, t). (4.25)
Resolvendo a primeira igualdade da Eq. (4.25) para t(0) = 0, obtem-se
s = t − s0 (4.26)
onde s0 e a constante de integracao que representa o tempo que o equipamento permanece
fora de operacao.
Da segunda igualdade, temos,
dp(s, t)
dt= cp(s, t). (4.27)
O problema ficou reduzido a um sistema de equacoes diferenciais ordinarias que pode
ser resolvido numericamente pelo metodo de Runge Kutta (Braun, 1992 [9]).
No plano s−t a igualdade entre as variaveis s e t indica uma curva caracterıstica linear
fazendo um angulo deπ
4com o eixo t. Estas curvas caracterısticas estao representadas
na Fig. 4.3, onde o deslocamento das curvas caracterısticas representa o tempo s0 que a
maquina esteve fora de operacao.
4.1.4 Analise Qualitativa da Caracterıstica
As caracterısticas podem fornecer informacoes qualitativas a respeito de um sistema
de equacoes diferenciais parciais.
O sistema markoviano em estudo se apresenta como um de problema de valor inicial
com condicoes de contorno na forma
∂p(s, t)
∂t+ a
∂p(s, t)
∂s= cp(s, t), s, t > 0 (4.28)
p(s, 0) = f(s), s > 0 (4.29)
p(0, t) = g(t), t > 0 (4.30)
A condicao inicial e dada pela Eq. (4.29) e a condicao de contorno pela Eq. (4.30).
58
As condicoes inicial e de contorno do estudo de caso sao, respectivamente, as Eqs. (4.43)
e (4.44).
A Eq. (4.26) apresenta a famılia de curvas caracterısticas do sistema markoviano. A
curva caracterıstica que passa pela origem, s = t, quando s0 = 0, assinalada por uma
linha tracejada na Fig. 4.4, divide o plano {s, t} em duas regioes. Na regiao 1, onde
t > s, a predominancia e das condicoes iniciais, a solucao p(s, t) e determinada por estas
condicoes.
Figura 4.4: Regiao de influencia das condicoesinicial e de contorno.
Sendo s = t − s0, resulta s0 = t − s. Pelo
Teorema 2, p(s, t) = f(s) = f(t−s) e a solucao
do problema de valor inicial obtida a partir da
condicao inicial.
Quando t > s, a solucao se situa na regiao 1
e se obtem pela aplicacao da condicao inicial.
Quando s > t, a solucao esta na regiao 2 e
e obtida pela condicao de contorno p(s, t) =
g(t) = f(s − t).
R1 : t > s e R2 : t < s (4.31)
A Fig. 4.3 indica que o problema e sua solucao estao situados na regiao 1, porque
a idade do equipamento t sempre sera maior (ou pelo menos igual) que a duracao da
missao s.
Por esse motivo, os codigos de computador desenvolvidos para resolver o sistema de
equacoes de Markov empregam somente a condicao inicial, apesar da descricao do sistema
de equacoes diferenciais de Markov, Secao 4.2, apresentar as duas condicoes.
4.1.5 Analise Dimensional das Curvas Caracterısticas
A famılia de curvas caracterısticas da equacao de adveccao, Eq. (4.16), esta reapre-
sentada a seguir
x = at + x0 (4.32)
onde x e posicao da frente de onda ao final de um tempo t, x0 e posicao inicial onde foi
59
gerada a onda.
A dimensao do coeficiente angular a e [a] =[x − x0]
[t]=
L
T= LT−1 que e homogeneo a
uma velocidade. A velocidade de propagacao da onda, que depende do meio, e a inclinacao
da caracterıstica. Vale dizer que, a cada meio de propagacao da onda, corresponde uma
inclinacao.
A famılia de curvas caracterısticas da equacao do problema markoviano, Eq. (4.26),
esta reapresentada abaixo
s = at − s0 (4.33)
onde s e a duracao da campanha, isto e, o tempo que o equipamento permanece em
condicoes operacionais sem interrupcao, t e a idade do equipamento, e o tempo total
decorrido desde a primeira instalacao e s0 e a soma de todos os tempos que o equipamento
esteve fora de operacao.
A dimensao do coeficiente angular a e [a] =[s − s0]
[t]=
T
T= 1, adimensional e tem um
valor constante igual a 1. O angulo que a caracterıstica faz com os eixos eπ
4rad. Esse
angulo ja tinha sido previsto na Fig. 4.3 utilizando conceitos de confiabilidade.
O fato do coeficiente angular ser adimensional impede, no caso markoviano, que seja
interpretado como a velocidade de propagacao de uma onda. Alem disso, a celeridade e
uma caracterıstica do meio, no caso markoviano, o coeficiente angular sendo constante, se
existisse uma interpretacao de onda, esta onda teria velocidade de propagacao indepen-
dente do meio e deixaria de ser uma caracterıstica deste meio.
4.2 Sistema de EDP de Markov
Aplicando a equacao de Markov em cada estado i = 1, . . . , 8, de acordo com a Fig. 3.12
resulta em 8 equacoes, na condicao de reparo mınimo (Oliveira, 1999 [33]), onde designa-
remos, por simplicidade, pi = pi(s, t), λ = λ(s) e µ = µ(s).
∂p1
∂t+
∂p1
∂s= −3(λT + λG)p1 + µT p2 + µGp3 + µT p4 + µGp5 + µT p6 + µGp7, (4.34)
∂p2
∂t+
∂p2
∂s= λT p1 − (µT + 2λT + 2λG)p2, (4.35)
60
∂p3
∂t+
∂p3
∂s= λGp1 − (µG + 2λT + 2λG)p3, (4.36)
∂p4
∂t+
∂p4
∂s= λT p1 − (µT + 2λT + 2λG)p4, (4.37)
∂p5
∂t+
∂p5
∂s= λGp1 − (µG + 2λT + 2λG)p5, (4.38)
∂p6
∂t+
∂p6
∂s= λT p1 − (µT + 2λT + 2λG)p6, (4.39)
∂p7
∂t+
∂p7
∂s= λGp1 − (µG + 2λT + 2λG)p7, (4.40)
∂p8
∂t+
∂p8
∂s= 2(λT + λG)(p2 + p3 + p4 + p5 + p6 + p7), (4.41)
com a restricao
p1 + p2 + p3 + p4 + p5 + p6 + p7 + p8 = 1. (4.42)
Considerando que, no instante inicial, todas as maquinas estao operacionais e as falhas
somente ocorrem daı em diante, as condicoes iniciais para esse sistema de equacoes que
modelam o problema na condicao de reparo mınimo sao:
p1 (s, 0) = u (t) ;
pi (s, 0) = 0, i = 2, . . . , 8(4.43)
com as condicoes de contorno:
p1 (0, t) = u (t) ;
pi (0, t) = 0, i = 2, . . . , 8.(4.44)
Aplicando a equacao de Markov em cada estado i = 1, . . . , 8, resulta em 8 equacoes,
na condicao de reparo de renovacao (Oliveira, 2005 [32]), onde, analogamente,
pi = pi(s, t), λT = λT (s), λG = λG(s), µT = contante e µG = contante.
∂p1
∂t+
∂p1
∂s= −3(λT + λG)p1, (4.45)
∂p2
∂t+
∂p2
∂s= −(µT + 2λT + 2λG)p2, (4.46)
∂p3
∂t+
∂p3
∂s= −(µG + 2λT + 2λG)p3, (4.47)
61
∂p4
∂t+
∂p4
∂s= −(µT + 2λT + 2λG)p4, (4.48)
∂p5
∂t+
∂p5
∂s= −(µG + 2λT + 2λG)p5, (4.49)
∂p6
∂t+
∂p6
∂s= −(µT + 2λT + 2λG)p6, (4.50)
∂p7
∂t+
∂p7
∂s= −(µG + 2λT + 2λG)p7, (4.51)
∂p8
∂t+
∂p8
∂s= 0, (4.52)
com a restricao
p1 + p2 + p3 + p4 + p5 + p6 + p7 + p8 = 1. (4.53)
Considerando que todas as maquinas estao operacionais e as falhas somente ocorrem
daı em diante, o processo de renovacao se inicia no estado 1, porque e o estado em que
todas as maquinas estao operacionais. O instante inicial de um processo de renovacao e
determinado pela falha do processo anterior. Assim, a condicao inicial para a probabili-
dade de um estado e a probabilidade de falha do estado anterior (Pinho, 2000 [34]).
A relacao funcional entre uma variavel aleatoria, por exemplo a variavel s, e as suas
probabilidades de ocorrencia recebe o nome de funcao de distribuicao cumulativa de pro-
babilidades, CDF , definida como na Eq. (4.54).
F (s) = P (S ≤ s), −∞ < s < ∞ (4.54)
onde F (s) e a funcao de distribuicao cumulativa de probabilidades, S e a variavel aleatoria,
s e o valor da variavel independente para o qual desejamos conhecer a probabilidade e P
e a probabilidade de que S seja menor ou igual a s.
A Fig. 4.6 representa a funcao cumulativa de probabilidades de falha do sistema de
geracao em estudo. Se o sistema estiver operando continuamente por 3000 horas, a pro-
babilidade de falha, de acordo com a Fig. 4.6 vale 1, isto e, 100% de certeza que o sistema
vai falhar. Ainda pela mesma figura, se o sistema de geracao permanecer em operacao
por 2000 horas, a probabilidade de falhar e de, aproximadamente, 60%.
62
A funcao densidade de probabilidades, PDF , e a derivada da funcao cumulativa em
relacao a variavel independente, sendo definida como na Eq. (4.55).
f(s) =dF (s)
ds(4.55)
onde f(s) e a funcao densidade de probabilidades, F (s) e a CDF e s e a variavel aleatoria.
A funcao densidade de probabilidades esta apresentada na Fig. 4.5.
A propriedade da funcao densidade de probabilidades, que apresenta o maior interesse
para o estabelecimento das condicoes iniciais, diz que, se a variavel aleatoria S estiver
contida no intervalo (a, b], entao, a probabilidade de ocorrencia daquele valor S e a area
sob a curva que vai de a ate b, como indicada na Eq. (4.56).
P (a < S ≤ b) =
b∫
a
f(s)ds (4.56)
A Eq. (4.56) fornece a probabilidade de falha do estado anterior, que vem a ser a
condicao inicial para o estado que se inicia.
Figura 4.5: Funcao densidade de probabilidades. Figura 4.6: Funcao de distribuicao cumulativa deprobabilidades.
A funcao densidade de probabilidades do sistema pode ser expressa em termos da taxa
de falha do sistema (Ramakumar, 1993 [36]), ou seja,
f(s) = λS(s) exp
−s
∫
0
λS(u)du
. (4.57)
Na Secao 5.5, onde discute-se a reducao de um sistema complexo a outro equivalente,
e feito o calculo das taxas de falha equivalentes. A expressao da taxa de falha do sistema
na regiao de envelhecimento, Eq. (5.41), esta reproduzida aqui por antecipacao
63
λS(s) = 0, 0024e0,0031s (4.58)
Substituindo a Eq. (4.58) na Eq. (4.57), resolvendo a integral e simplificando, encon-
tramos as condicoes iniciais na condicao de reparo de renovacao
p1 (s, 0) = 0, 0024e(0,7742+0,0031s−0,7742e(0,0031s)) (4.59)
pi(s, 0) = 0, i = 2, . . . , 8 (4.60)
A probabilidade de estar em um estado e soma de todas as probabilidades que chegam
no estado menos as probabilidades que saem do estado. A condicao de contorno de cada
estado e a soma de todas as probabilidades que chegam nesse estado. O exame da Fig. 3.12
permite escrever as condicoes de contorno para as variaveis que sao as probabilidades de
ocorrencia de cada estado.
p1(0, t) = µT
∞∫
0
p2ds + µG
∞∫
0
p3ds+µT
∞∫
0
p4ds + µG
∞∫
0
p5ds + µT
∞∫
0
p6ds + µG
∞∫
0
p7ds
(4.61)
p2(0, t) =
∞∫
0
λT (s)p1ds (4.62)
p3(0, t) =
∞∫
0
λG(s)p1ds (4.63)
p4(0, t) =
∞∫
0
λT (s)p1ds (4.64)
p5(0, t) =
∞∫
0
λG(s)p1ds (4.65)
p6(0, t) =
∞∫
0
λT (s)p1ds (4.66)
p7(0, t) =
∞∫
0
λG(s)p1ds (4.67)
p8(0, t) = 27
∑
i=2
∞∫
0
λT (s)pids +
∞∫
0
λG(s)pids
(4.68)
64
4.3 Analise do sistema de equacoes
Um esquema de diferencas finitas sera consistente se a solucao da equacao de diferencas
finitas se aproximar da solucao da equacao diferencial parcial e sera estavel se pequenos
erros nas condicoes iniciais causarem pequenos erros na solucao (Thomas, 1995 [47]).
Pelos teoremas da Equivalencia, de Dahlquist para sistemas lineares e de Lax para
nao-lineares, um modelo de diferencas finitas sera convergente se for estavel e consistente.
Os criterios para a escolha do metodo de solucao do sistema sao baseados na ordem,
no grau, na linearidade e na natureza do sistema de equacoes diferenciais.
O sistema de equacoes Eqs. (4.34)-(4.41) e de primeira ordem e primeiro grau, o que
pode ser observado por mera inspecao.
A analise quanto a linearidade e sua natureza e um pouco mais complexa.
4.3.1 Analise do sistema de equacoes quanto a linearidade
Por simplicidade, vamos utilizar a seguinte notacao vt =∂v(x, t)
∂t, vx =
∂v(x, t)
∂xe
v = v(x, t).
O sistema de EDP Avx +Bvt = Cv, onde as variaveis vx, vt e v sao de primeira ordem
e primeiro grau:
1. sera linear se as matrizes A, B e C forem funcao somente das variaveis independentesx e t;
2. sera nao-linear, tipo quase-quase linear, se as matrizes A e B forem funcao somentedas variaveis independentes x e t, mas a matriz C depender tambem da funcaoincognita v;
3. sera nao-linear, tipo quase linear, se as matrizes A, B e C forem funcao das variaveisx, t e v, mas nao das derivadas de v;
4. sera nao-linear se as matrizes A, B ou C dependerem das derivadas da funcaoincognita v (DuChateau and Zachmann, 1986 [13]).
A Tab. 4.1 resume as classificacoes de sistemas de EDP quanto a linearidade.
As matrizes A e B do sistema de Eqs. (4.34)-(4.41) sao matrizes identidade e a ma-
triz C, que e a matriz dos coeficientes dos termos fonte, e funcao somente da variavel
complementar s.
O sistema pode ser representado na forma matricial, como
65
Ips + Ipt = C(s)p. (4.69)
Tabela 4.1: Resumo quanto a linearidade.
linear A(x, t)vx +B(x, t)vt = C(x, t)vquase-quase linear A(x, t)vx +B(x, t)vt = C(x, t, v)vquase linear A(x, t, v)vx +B(x, t, v)vt = C(x, t, v)vnao linear A(x, t, v, v′)vx +B(x, t, v, v′)vt = C(x, t, v, v′)
A matriz C esta apresentada, em detalhes, na Fig. 5.27.
Examinando a Eq. (4.69) e comparando com a Tab. 4.1 classificamos o sistema, na
condicao de reparo mınimo, como linear.
4.3.2 Analise do sistema de equacoes quanto a natureza
O sistema de EDP de primeira ordem, primeiro grau, homogeneo, Avx +Bvt = 0, x ∈ R,
t > 0, onde A e B sao matrizes k × k, sendo det(B) 6= 0, possui um polinomio carac-
terıstico, definido por Pk (λ) = det (A − λB), onde as raizes de Pk(λ) sao os autovalores
de (A − λB) v = 0.
Tal sistema sera classificado como:
1. elıtico, se nao tiver autovalores reais;
2. parabolico, se tiver k autovalores reais com pelo menos um autovalor repetido e onumero de autovetores linearmente independente for menor do que k;
3. hiperbolico, se tiver k autovalores reais e o numero de autovetores linearmente in-dependentes for igual a k;
4. fortemente hiperbolico, quando a matriz A for diagonalizavel;
5. simetricamente hiperbolico, quando a matriz A for simetrica; e
6. estritamente hiperbolico, quando a matriz A apresentar k autovalores distintos ereais (Thomas, 1995 [47]) (DuChateau and Zachmann, 1986 [13]).
As matrizes A e B do sistema de Eqs. (4.34)-(4.41) sao matrizes identidade. O sistema
pode ser representado na forma matricial, como
66
Ips + Ipt = 0. (4.70)
O polinomio caracterıstico do sistema e
Pk (λ) = det (I − λI) = (1 − λ)8,
Pk(λ) = λ8 − 8λ7 + 28λ6 − 56λ5 + 70λ4 − 56λ3 + 28λ2 − 8λ + 1,(4.71)
que possui oito autovalores reais e iguais a 1. Os autovetores associados formam uma
base para o ℜ8,
1 0 0 0 0 0 0 00 1 0 0 0 0 0 00 0 1 0 0 0 0 00 0 0 1 0 0 0 00 0 0 0 1 0 0 00 0 0 0 0 1 0 00 0 0 0 0 0 1 00 0 0 0 0 0 0 1
sendo, portanto, linearmente independentes.
Em consequencia dos autovalores serem reais e dos autovetores serem linearmente
independentes, o sistema de EDP atende aos itens 3, 4 e 5 podendo ser classificado como
forte e simetricamente hiperbolico.
4.4 Parametros do modelo
As estimativas das taxas de falha e taxas de reparo adotaram metodos estatısticos que
sao descritos a seguir.
4.4.1 Taxa de falha
A funcao taxa de falha indica a probabilidade de um item que sobreviveu ate o tempo t,
possa falhar durante o proximo intervalo de tempo. Se um item esta deteriorando, essa
probabilidade aumenta com a idade t.
Para dar uma definicao matematica da funcao taxa de falha, comecamos com o tempo
para falhar de um determinado item, T , isto e, o tempo desde que o item entrou em
operacao ate que a primeira falha ocorra. Esse tempo e uma variavel aleatoria com
67
alguma distribuicao. A funcao taxa de falha, λ(t), pode ser definida como
λ(t)∆t ≈ Pr(t < T ≤ t + ∆t|T > t) (4.72)
O lado direito desta relacao denota a probabilidade de que o item va falhar no in-
tervalo (t, t + ∆t) quando o item esta funcionando no tempo t ou, em outras palavras,
a probabilidade de que um item que atingiu a idade t possa falhar no proximo intervalo
(t, t + ∆t). A aproximacao e suficientemente acurada quando ∆t e pequeno.
A funcao taxa de falha e designada na literatura inglesa como hazard rate ou force of
mortality.
A vida de um item pode ser observada em 3 fases: mortalidade infantil, vida util e
envelhecimento. A funcao taxa de falha tem aspectos diferentes em cada fase.
Figura 4.7: Regioes da curva da banheira.
A funcao taxa de falha pode ser decrescente na fase de mortalidade infantil, aproxima-
damente constante na fase de vida util e crescente no envelhecimento. A curva da Fig. 4.7
e chamada de curva da banheira, devido ao seu aspecto, e e considerada um modelo
realıstico para equipamentos que tem a taxa de falha decrescente na fase de mortalidade
infantil, aproximadamente constante durante a vida util e na fase de envelhecimento a
taxa de falha crescente (Rigdon and Basu, 2000 [38]).
Se assumimos que a funcao taxa de falha e constante durante a vida util, isso significa
que, no modelo matematico da taxa constante, o item nao esta deteriorando durante essa
fase, embora se saiba que, na realidade, o item esteja se deteriorando continuamente,
porem, nao apresente indıcios significativos de deterioracao. A deterioracao se inicia
68
quando o item entra na fase de envelhecimento.
A mortalidade infantil pode ser causada por qualidade do item ou problemas de ins-
talacao. Os problemas de qualidade podem ser removidos por inspecao antes da instalacao.
Os problemas de instalacao foram expurgados na base de dados que sera utilizada. Assim,
a base de dados comeca na fase de vida util e nao incluem dados de mortalidade infantil.
Os detalhes sobre a base de dados OREDA 2000 estao apresentados na Secao 4.7, Dados
Experimentais.
Os itens cobertos pela base de dados sao sujeitos a manutencao periodica ou polıtica de
substituicao. Alguns desses itens sao, portanto, substituıdos sistematicamente antes que
se atinja a fase de envelhecimento. Por exemplo, nao se pode esperar que uma palheta de
turbina se desprenda para, entao, substituı-la. As palhetas sao substituıdas muito antes
da fase de envelhecimento.
Todas as estimativas de taxas de falha apresentadas na base de dados sao baseadas na
hipotese de que a funcao taxa de falha e constante e independente do tempo, λ(t) = λ.
Nao foram feitos testes estatısticos para verificar a veracidade da proposicao de taxa
de falha constante, entretanto, se considera que seja aproximadamente constante durante
a vida util (Rigdon and Basu, 2000 [38]).
A aceitacao dessa proposicao de taxa de falha constante significa que, durante a vida
util, os dados representam um tipo de mınimo sobre todo o ciclo de vida do equipamento.
Uma consequencia da adocao da taxa de falha constante e que um item resulta tao
bom quanto um novo ate que a falha ocorra. Na fase de vida util, todas as falhas sao
supostas aleatorias, seguem a distribuicao exponencial e sao independentes da idade do
item.
O tempo medio para falhar, MTTF, (mean time to failure), por definicao, e o valor
esperado do tempo de vida antes que a primeira falha ocorra. Se a funcao confiabilidade
de um item e R(t), entao
MTTF =
∞∫
0
tf(t) dt =
∞∫
0
R(t) dt (4.73)
A taxa de falha constante acarreta que o tempo medio para falhar, MTTF, e igual ao
inverso da taxa de falha
69
MTTF =
∞∫
0
R(t) dt =
∞∫
0
e−λt dt =1
λ(4.74)
Outra consequencia da adocao de taxa de falha constante na regiao de vida util e a
simplificacao que acarreta no sistema de equacoes de Markov, Eq. (4.34) a Eq. (4.41).
Quando a taxa de falha e constante, a variavel t, idade do equipamento, e uma variavel
aleatoria contınua que se comporta segundo uma distribuicao exponencial e a funcao
densidade de probabilidades e
P (t) = λe−λt (4.75)
A distribuicao exponencial e a unica distribuicao aleatoria contınua sem memoria, isto
e, o estado futuro do processo depende somente do estado presente e nao da historia do
passado. Esta propriedade chama-se propriedade de Markov. Conforme visto no Cap. 1,
Introducao, o modelo markoviano se caracteriza por possuir duas restricoes. A primeira
restricao estabelece que a variavel aleatoria t deve ter uma distribuicao exponencial e a
segunda, que a matriz de probabilidades de transicao entre os estados funcionado e falho,
T , deve ser constante. Em consequencia, na regiao de vida util, o sistema e markoviano
na variavel t. A variavel complementar s nao existe quando a taxa de falha e constante.
Nos casos praticos, onde a taxa de falha e apenas aproximadamente constante, a variavel
complementar s existe, mas e de pequena influencia na determinacao das probabilidades
dos estados de falha (Ramakumar, 1993 [36]).
Como a variavel complementar s nao existe, ou e possıvel desprezar, o sistema de
equacoes diferenciais parciais se transforma num sistema de equacoes diferenciais or-
dinarias, como o que modela a regiao de vida util.
4.4.2 Sistema de equacoes durante a vida util
Durante a regiao de vida util, o sistema de equacoes de Markov fica na forma
pi = pi(t), λ = constante e µ = constante :
dp1
dt= −3(λT + λG)p1 + µT p2 + µGp3 + µT p4 + µGp5 + µT p6 + µGp7 (4.76)
70
dp2
dt= λT p1 − (µT + 2λT + 2λG)p2 (4.77)
dp3
dt= λGp1 − (µG + 2λT + 2λG)p3 (4.78)
dp4
dt= λT p1 − (µT + 2λT + 2λG)p4 (4.79)
dp5
dt= λGp1 − (µG + 2λT + 2λG)p5 (4.80)
dp6
dt= λT p1 − (µT + 2λT + 2λG)p6 (4.81)
dp7
dt= λGp1 − (µG + 2λT + 2λG)p7 (4.82)
dp8
dt= 2(λT + λG)(p2 + p3 + p4 + p5 + p6 + p7) (4.83)
p1 + p2 + p3 + p4 + p5 + p6 + p7 + p8 = 1 (4.84)
A aplicacao de cada sistema de equacoes, EDO ou EDP, vai depender da idade da
planta de processo. Durante a vida util, as equacoes mais adequadas sao as equacoes
diferenciais ordinarias. E na fase de envelhecimento, sao as equacoes diferenciais parciais.
A Fig. 4.8 mostra de maneira esquematica quando se usa um ou outro sistema de equacoes.
Figura 4.8: Escolha do sistema de equacoes conforme a idade da planta.
Durante a fase de vida util, as falhas ocorrem aleatoriamente, entretanto a taxa de
falha, λ, que caracteriza essa ocorrencia aleatoria e constante. Por exemplo, uma bomba
71
de uso no bombeamento de petroleo apresenta, aleatoriamente, 124 falhas a cada um
milhao de horas de vida, ver Anexo A. Depois de 2 ou 3 anos de funcionamento, porem
ainda na fase de vida util, a bomba vai continuar apresentando a mesma taxa de falha
constante igual a 124 falhas/106 horas. O valor da taxa de falha nao depende do passado
da bomba. A unica variavel independente envolvida no problema e o tempo, fazendo,
portanto, que a modelagem por um sistema de EDOs seja adequada.
A observacao experimental, entretanto, mostra que, apos decorrido um tempo de uso,
que depende de cada equipamento, a constancia da taxa de falha deixa de se verificar
e passa a apresenta um valor crescente com o tempo. A taxa de falha, λ(t), se torna
funcao do tempo. Essa situacao ficou convencionada chamar-se de fase de envelheci-
mento. Por exemplo, dois motores eletricos de uso no acionamento de bombas, tais como
a descrita acima, apresentam, cada motor, 67 falhas a cada um milhao de horas de vida,
ver Anexo A. Um dos motores foi utilizado em condicoes normais de uso, vale dizer,
temperatura ambiente e acionamento de carga nominal. O outro motor foi instalado em
um compartimento com temperatura acima da normal e acionando uma carga pulsante
acima da nominal. Apos decorrido o tempo de vida util, ambos os motores deverao entrar
na fase de envelhecimento. A taxa de falha em funcao apenas do tempo de vida, λ(t),
nao representa adequadamente a situacao apresentada onde cada motor foi submetido a
condicoes de desgaste diferentes. A taxa de falha e melhor representada como funcao da
idade, t, e das condicoes de trabalho a que o equipamento foi submetido, s. A funcao
taxa de falha, entao, e λ(s, t). O valor da taxa de falha depende da idade e do passado
do equipamento. A modelagem do problema na fase de envelhecimento resulta em um
sistema de EDPs.
A taxa de falha λ(s, t) aparece no sistema de EDPs como coeficiente das variaveis
p(s, t). Para tornar o sistema de EDPs invariante com o tempo, foi adotada a tecnica
constante por partes onde cada parte corresponde a uma iteracao. Assim, durante cada
iteracao o valor de λ(s, t) e avaliado e mantido constante.
A separacao entre as regioes de vida util e de envelhecimento nao corresponde a uma
data determinada. Essa passagem e gradativa caracterizando a regiao onde se inicia o
envelhecimento das instalacoes. Nao e um tempo definido, portanto, ate onde deve ser
72
utilizado o sistema de EDO e a partir de quando prevalece o sistema de EDP. O criterio
de escolha do sistema mais adequado se baseia no crescimento da taxa de falha. Enquanto
a taxa de falha se mantiver aproximadamente constante, o sistema de EDO representa
melhor a realidade. Se a taxa de falha aumentar com o tempo, sera necessario modelar o
problema com um sistema de EDP.
4.4.3 Itens reparaveis e nao reparaveis
E importante distiguir entre items reparaveis e nao reparaveis quando vamos avaliar a
confiabilidade.
Para um item nao reparavel, como lampadas ou transitores, confiabilidade e a proba-
bilidade de sobrevivencia de um item alem da vida esperada ou por um perıodo durante
sua vida quando somente uma falha pode ocorrer. Durante a vida do item, a probabili-
dade instantanea da primeira e unica falha e chamada de taxa de falha. A confiabilidade
do sistema e uma funcao do tempo para a primeira falha.
Quando itens reparaveis falham, confiabilidade e a probabilidade que a falha nao ocorra
em um perıodo de interesse, quando mais de uma falha pode ocorrer. A probabilidade
pode ser expressa como taxa de falha ou taxa de ocorrencia de falhas (rate of occurrence
of failures - ROCOF). A taxa de falha expressa a probabilidade instantanea da falha
por unidade de tempo, quando diversas falhas podem ocorrer em um tempo contınuo. A
denominacao “taxa de falha” tem sido utilizada incorretamente para itens nao reparaveis.
Um item sendo nao reparavel nao pode ter uma taxa de falha. Um item nao reparavel
tem tempo medio para falhar.
A confiabilidade de sistemas reparaveis pode tambem ser caracterizada pelo tempo
medio entre falhas (time between failures - MTBF), mas somente no caso particular de
taxa de falha constante.
Estamos focalizando a disponibilidade de itens reparaveis porque o reparo consome
tempo. A disponibilidade e influenciada pela taxa de ocorrencia de falhas (taxa de falha)
e pelo tempo de manutencao. A manutencao pode ser corretiva ou preventiva (Lewis,
1996 [26]).
A manutencao corretiva visa recuperar o sistema que ja se encontra no estado falho
73
para o estado operacional. A corretiva nao pode ser programada, normalmente e uma
situacao imprevista.
A manutencao preventiva se antecipa a ocorrencia da falha e, por meio de uma in-
tervencao planejada, previne a falha efetuando um reparo preventivo. A manutencao
preventiva pode ser do tipo preditiva, planejada ou ambas. Na manutencao preditiva, e
feita uma inspecao que pode desencadear, ou nao, uma intervencao baseada na condicao
do equipamento, dependendo do resultado da inspecao. Na manutencao programada, e
feito um planejamento baseado no historico dos tempos entre falhas. Admite-se que os
tempos entre falhas sigam uma distribuicao normal e calcula-se o intervalo de manutencao
de modo que somente ocorra um determinado percentual de manutencao corretiva. O per-
centual toleravel de manutencao corretiva e escolhido para atender a disponibilidade do
sistema, definida para a regiao de vida util, como
A =µ
λ + µ(4.85)
onde A e a disponibilidade durante a vida util, λ e a taxa de falha e µ e a taxa de reparo.
O valor definido para a disponibilidade de cada equipamento e uma decisao gerencial,
que segue criterios de dependabilidade, isto e, um balanco entre confiabilidade, disponi-
bilidade, seguranca e custo (Logiaco, 1979 [28]).
Os tempos de parada para corretiva entram no calculo das taxas de falha e de reparo.
Os tempo de parada do equipamento para inspecao ou preventiva nao entram no calculo
das taxas. Entretanto, se, ao termino da inspecao ou da preventiva, o equipamento nao
puder ser operado normalmente, entao, a intervencao e reclassificada como corretiva e os
tempos sao computados nas taxas.
Um reparo pode ser feito de dois modos. Quando o sistema apresentar falha, o reparo
pode ser feito:
• apenas corrigindo a falha para que o sistema volte a funcionar, ou
• substituindo todos os componentes que apresentarem desgaste.
O reparo do primeiro tipo recebe o nome de reparo mınimo. O do segundo tipo,
chama-se reparo de renovacao. Reparo mınimo significa que o sistema permanece, apos
o reparo, nas mesmas condicoes em que estava antes de falhar. Isto e, tao ruim quanto o
74
velho. Reparo de renovacao significa que, apos o reparo, o sistema recupera a sua condicao
de sistema novo. Ou seja, tao bom quanto o novo (Rigdon and Basu, 2000 [38]).
A substituicao de parte dos componentes nao e suficiente para caracterizar o reparo
de renovacao. O reparo de renovacao ideal pressupoe o atendimento de duas condicoes
(Ramakumar, 1993 [36]):
• a duracao do reparo deve ser pequena quando comparado com o tempo entre falhas,de modo que possa ser considerado igual a zero;
• apos o reparo, o conjunto pode ser considerado como novo.
Figura 4.9: Curva da banheira sob reparo mınimoe de renovacao.
Estas condicoes sao extremas. Um re-
paro real se situa em algum ponto inter-
mediario entre estas condicoes onde alguns
componentes sao substituıdos e outros sao
ajustados. Nao se sabe, a priori, a qual
tipo de reparo o sistema sera submetido,
portanto, e necessario trabalhar com am-
bas condicoes extremas considerando as
solucoes como envoltorias da condicao real.
A Fig. 4.9 mostra a curva da banheira nas duas condicoes. No reparo mınimo, a curva
apresenta o tracado que teria se nao tivesse havido o reparo. No reparo de renovacao, a
curva recomeca da taxa de falha da vida util, que e uma taxa constante.
O tipo de reparo afeta a curva da banheira na regiao de envelhecimento, mas nao
tem influencia sobre a regiao de vida util. Na regiao de envelhecimento, o reparo mınimo
mantem a taxa de falha no valor que possuia antes da falha. O reparo de renovacao, nesta
regiao, reconduz a taxa de falha para o valor de vida util. Na regiao de vida util, tanto o
reparo mınimo quanto o de renovacao retornam ao mesmo valor anterior a falha, devido
a taxa de falha nesta regiao ser constante.
4.4.4 Simplificacao da cadeia de Markov
Conforme e possıvel observar nas Figs. 3.9 e 3.10, que apresentam as probabilidades de fa-
lha calculadas por Monte Carlo, a probabilidade de colapso do sistema, p8, e funcao, prin-
75
cipalmente, da probabilidade do estado inicial, p1, onde todas os TGs estao em condicoes
operacionais. As probabilidades p3, p5 e p7, que representam os estados de falha dos
geradores, tem um valor desprezıvel.
Figura 4.10: Probabilidades de falha calculadaspor tecnica de Monte Carlo.
As probabilidades de falha das turbinas,
p2, p4 e p6, apresentam valores inferiores a
14%. As probabilidades de falha maximas
das turbinas ocorrem com 500 horas de
operacao na condicao de reparo perfeito e
200 horas na condicao de reparo mınimo,
ambas tendem a zero daı em diante.
A Fig. 4.10 mostra, em linha cheia, a
probabilidade inicial, p1, em funcao da pro-
babilidade de colapso do sistema, p8. A
irregularidade que aparece na proximidade
do ponto p8 = 0, 1 e devida as probabilida-
des p2, p4 e p6. Se considerarmos que estas probabilidade podem ser desprezadas porque
max {p2, p4, p6} < 14% e
limt→∞
{p2, p4, p6} = 0,
a relacao entre as probabilidades dos estados inicial e final pode ser representada por uma
linha reta unindo os pontos de p1 = 1 e p8 = 1. Na Fig. 4.10, essa reta aparece tracejada.
A adocao desta hipotese simplificadora resulta, na pratica, em modificar o diagrama
de estados da cadeia de Markov, Fig. 3.12, para apenas dois estados: o estado inicial e
o final, conforme Fig. 4.11. Tudo se passa como se a falha de uma das seis maquinas
acarretasse, imediatamente, a falha de outra determinando, assim, o colapso do sistema
de geracao.
O sistema de equacoes que modela o diagrama simplificado da Fig. 4.11 e formado
por uma equacao de Markov, para o estado inicial na condicao de reparo mınimo, e pela
equacao de restricao, para o estado final. Por simplicidade, sera utilizado pi = pi(s, t)
e λ = λ(s).
76
∂p1
∂t+
∂p1
∂s= −3(λT + λG)p1, (4.86)
p8 = 1 − p1. (4.87)
Figura 4.11: Diagrama de estados da ca-deia de Markov, simplificado para representarapenas os estados inicial e final.
As condicoes iniciais sao:
p1 (s, 0) = u (t) ;
p8 (s, 0) = 0,(4.88)
com as condicoes de contorno:
p1 (0, t) = u (t) ;
p8 (0, t) = 0.(4.89)
Como o sistema formado pela Eqs. (4.86)
e (4.87) e desacoplado, a solucao pode ser obtida
resolvendo a primeira equacao e substituindo na
segunda.
p1 = e−3(λT +λG)t (4.90)
p8 = 1 − e−3(λT +λG)t (4.91)
A solucao do sistema simplificado esta apre-
sentada na Fig. 6.2, onde se observa que as
variaveis de estado p2 . . . p7, apesar de, aparentemente poderem ser desprezadas, tem
fundamental importancia na determinacao correta da solucao das variaveis p1 e p8.
4.4.5 Taxa de ocorrencia de falhas - ROCOF
O ROCOF e a taxa de falha incondicional de um sistema. Para definir o ROCOF neces-
sitamos de algumas definicoes.
Seja um sistema que entrou em operacao no tempo s = 0, e seja N(s) o numero
acumulado de falhas no perıodo de tempo que vai de 0 ate s. A quantidade N(s) e uma
variavel aleatoria, e o valor esperado de N(s) e denominado V (s). O ROCOF, ν(s), e
definido como a derivada no tempo de V (s). E possıvel demonstrar que, para pequenos
77
intervalos de tempo ∆s, o produto ν(s) · ∆s e, aproximadamente, igual a probabilidade
de falha no intervalo (s, s + ∆s].
Assim como para a taxa de falha, a funcao ROCOF, ν(s), tambem pode ter uma forma
de curva da banheira, conforme mostrado na Fig. 4.12.
Figura 4.12: Comparacao entre a funcao ROCOF, ν(s), e a taxa defalha, λ(t), onde t e a idade do equipamento e s e a duracao da missao.
Tanto o ROCOF como a taxa de falha podem ser utilizados em sistemas reparaveis,
como mostrado na Fig. 4.12.
O ROCOF, ν(s), se refere ao tempo local s, isto e, o contador de tempo e zerado a
cada vez que o sistema e reparado.
A taxa de falha, λ(t), se refere ao tempo global t, isto e, o contador de tempo e zerado
quando o sistema e instalado e segue independentemente do que acontece com o sistema.
E a idade do sistema.
A semelhanca entre as curvas ROCOF e taxa de falha permite que sejam utiliza-
dos valores da taxa de falha para calcular o envelhecimento local e a mesma curva seja
considerada para o caso do envelhecimento global. (OREDA 97 Supplement, 1997 [45])
Tudo se passa como se cada ponto da curva da funcao taxa de falha tivesse a sua
propria funcao taxa de falha. Para distinguir uma da outra, a curva do tempo global
recebe o nome de Taxa de Falha e e representada por λ(t) enquanto que a curva do tempo
local e chamada de ROCOF e e representada por ν(s). As variaveis independentes t e s
sao variaveis aleatorias.
No trecho aproximadamente reto e horizontal da funcao taxa de falha, λ(t) e aproxi-
78
madamente constante, λ(t) ≈ λ. Sendo t uma variavel aleatoria e λ(t) constante, acarreta
que a funcao densidade de probabilidades de t seja exponencial f(t) = λe−λt.
A distribuicao exponencial nao tem memoria, vale dizer que, no trecho aproximada-
mente reto e horizontal da funcao taxa de falha, correspondente a vida util do sistema, as
propriedades de cada ponto nao dependem de nenhum ponto anterior. Assim, a funcao
ROCOF de um determinado ponto vale para qualquer outro ponto da vida util do sistema.
Essa propriedade permite deslocar a funcao ROCOF, calculada em algum ponto da
vida util, para o ultimo instante da vida util que vem a ser o inıcio da fase de envelheci-
mento. E possıvel, portanto, obter experimentalmente a funcao taxa de falha na regiao
de envelhecimento sem ter que esperar a ocasiao em que o sistema estiver realmente
envelhecido.
4.4.6 Taxa de reparo - ROCOF
Modelos de taxa de reparo podem ser baseados na contagem cumulativa do numero de
falhas no tempo. Uma abordagem diferente e usada para modelar a incidencia da taxa
de ocorrencia de falhas para um sistema reparavel. Essas taxas sao chamadas taxas de
reparo (nao confundir com a duracao do reparo).
O tempo e medido pelo horımetro do sistema a partir da primeira partida no tempo
zero, ate o fim da vida do sistema. Ocorrem falhas em determinadas idades do sistema e
o mesmo e reparado para um estado que pode ser o mesmo como novo, na condicao de
reparo de renovacao, ou melhor ou pior, na condicao de reparo mınimo. A frequencia de
reparos pode ser aumentada, diminuıda ou permanecer estavel com uma taxa constante.
Seja N(t) uma funcao de contagem que armazena o numero acumulado de falhas que
um dado sistema teve desde tempo zero ate o tempo t. N(t) e uma funcao de contagem
inteira que incrementa uma unidade cada vez que uma falha ocorre e permanece neste
novo nıvel ate a proxima falha.
Cada sistema vai ter sua propria funcao N(t). Se observarmos as curvas N(t) para
um grande numero de sistemas similares e tirarmos a media dessas curvas, poderemos ter
uma estimativa de M(t) = numero esperado acumulado de falhas por tempo t para esses
sistemas.
79
As curvas N(t) nao representam dados homogeneos dos quais se possa tirar a media
aritmetica com representatividade no conjunto das curvas. As curvas sao, portanto, ini-
cialmente censuradas, depois sao atribuıdos pesos as curvas remanescentes e, finalmente,
sao obtidas as medias ponderadas.
A derivada de M(t), denominada m(t), e definida como a taxa de reparo ROCOF. A
taxa de reparo e, portanto, a taxa de falhas media, por unidade de tempo.
4.4.7 Parada administrativa
O banco de dados Oreda, conforme Anexo A, acompanhou 84 turbinas instaladas em
23 plataformas e 105 geradores instalados em 59 plataformas. Essas instalacoes ja estao
em operacao, cada plataforma tendo o seu proprio tempo de vida. E razoavel supor que
esses equipamentos possam ser classificados como usados em bom estado. Entretanto, as
determinacoes numericas efetuadas na Secao 5.2, Analise das curvas de Weibull, apontam
para valores caracterısticos de equipamentos novos. Esse fato nao significa que grande
parte dessas instalacoes fosse nova no perıodo do acompanhamento.
Valores do parametro β menores do que 1 para equipamentos usados sao causados por
paradas administrativas para as quais nao houve falha. As paradas administrativas sao as
causadas pelo processo de producao ou pelo mercado que nao esta absorvendo a producao
(Lafraia, 2001 [25]).
As paradas administrativas influem no parametro β devido a definicao do tempo medio
entre falhas - MTBF (mean time between failure). O MTBF e a razao entre o tempo de ob-
servacao de diversos equipamentos e o numero total de falhas que ocorreram nesse tempo,
em todos os equipamentos. Durante uma parada administrativa, o equipamento nao apre-
senta falha, mas o tempo de observacao continua contando. O MTBF aumenta porque o
numerador aumenta e o denominador diminui. Ver Fig. 3.1, Tempos na confiabilidade.
O sistema escolhido para o estudo de caso, sistema de turbogeracao, apresenta, alem
do exposto acima, a peculiaridade de somente dois TGs estarem em operacao, enquanto o
terceiro permanece de reserva, as vezes parado e outras vezes em reserva girante, porem,
sem carga.
De um modo geral os sistemas redundantes, tipo k de n, ver Secao 3.3, Descricao do
80
sistema fısico, tendem a apresentar o parametro β, da distribuicao de Weibull, menor do
que o esperado para a idade do equipamento. Quanto menor o k, numero de maquinas
em operacao, em relacao a n, numero de maquinas disponıveis, maior sera o tempo que
cada maquina fica fora de operacao sem apresentar falha, resultando em um parametro β
menor.
4.5 Procedimentos para as estimativas
Quando temos dados de falha de itens identicos que operaram sob as mesmas condicoes
operacionais e ambientais, entao temos uma amostra homogenea. O unico dado que
necessitamos para estimar a taxa de falha neste caso, sao o numero de falhas observadas,
n, e o tempo agregado em servico, τ .
O tempo agregado em servico e o tempo das maquinas em observacao, podendo ser
varias maquinas observadas uma vez cada, uma maquina observada varias vezes ou ambos
os casos.
O estimador λ e, entao:
λ =n
τ(4.92)
O tempo agregado em servico pode ser medido tanto em temo de calendario t como
em duracao da missao s.
Esta abordagem e valida somente nas seguintes situacoes:
Tempos de falhas para um especificado numero de itens, com a mesma taxa de falha.
Diversas falhas para um unico item, com a taxa de falha constante no perıodo de
observacao.
Uma combinacao das duas situacoes acima, isto e, diversos itens onde cada item
pode ter diversas falhas. (OREDA 97 Supplement, 1997 [45]).
4.5.1 Intervalo de confianca para a taxa de falha
A incerteza do valor estimado λ pode ser apresentada como intervalo de confianca de 90%.
Isto e, um intervalo (λL, λU), tal que o valor exato λ esteja no intervalo
81
Pr(λL ≤ λ < λU) = 90%.
Com n falhas durante um tempo agregado em servico τ , este intervalo de confianca
de 90% e dado por:
(
1
2τZ0.95,2n,
1
2τZ0.05,2(n+1)
)
onde Z0.95ν e Z0.05ν denotam os percentis
95% e 5%, respectivamente, da distribuicao qui-quadrado, χ2, com ν graus de liberdade.
Note que o este intervalo e um intervalo de confianca para a taxa de falha de um item
que ja foi observado. Nao ha garantia de que itens instalados no futuro venham a ter a
taxa de falha dentro deste intervalo. Apesar disso, neste trabalho, sera considerado que
o intervalo de confianca vai ser respeitado por itens futuros.
4.5.2 Estatıstica multi-amostral
Em muitos casos nao existe uma amostragem homogenea dos dados. Os dados agregados
para um item podem vir de diversas instalacoes com diferentes condicoes ambientais e
operacionais, ou e necessario apresentar uma estimativa da taxa de falha “media” para
itens diferentes. Neste caso, vai ocorrer a mistura de diversos itens de amostras nao-
homogeneas. Este procedimento chama-se estatıstica multi-amostral. Ver teorema 3 do
Limite Central, na Secao 5.5, Reducao de um sistema complexo a outro equivalente.
As diversas amostras podem ter diferentes taxas de falhas e tamanhos diferentes e,
portanto, intervalos de confianca diferentes. Misturar todas as amostras e estimar uma
taxa de falha media dividindo o numero total de falhas pelo tempo agregado em servico
nem sempre vai dar um resultado correto. O intervalo de confianca sera excessivamente e
irrealisticamente pequeno. O procedimento de estimacao precisa ser mais avancado para
tratar o problema da estatıstica multi-amostral.
O estimador OREDA esta baseado nas seguintes consideracoes:
Existem k amostras diferentes. Uma amostra pode, por exemplo, corresponder a
uma plataforma, e podem existir dados de itens similares de k plataformas diferentes.
Na amostra numero i, sao observadas ni falhas durante o tempo total em servico τi,
para i = 1, 2, . . . , k.
A amostra numero i tem uma taxa de falha constante λi para i = 1, 2, . . . , k.
82
Devido a diferentes condicoes operacionais e ambientais, a taxa de falha λi pode
variar de uma amostra para outra.
A variacao da taxa de falha entre amostras pode ser modelada assumindo que taxa de
falha e uma variavel aleatoria com uma distribuicao dada por uma funcao densidade de
probabilidades π(λ).
A taxa de falha media fica:
θ =
∞∫
0
λ · π(λ)dλ (4.93)
e a variancia fica:
σ2 =
∞∫
0
(λ − θ)2 · π(λ)dλ (4.94)
4.5.3 Posto mediano
F (k, n) e o estimador da probabilidade acumulada de falha para o k-esimo intervalo de n
intervalos iguais.
O termo mediano e um valor de tendencia central do conjunto de dados tal que 50%
dos valores sao maiores que a mediana e 50% sao menores do que a mediana. O termo
posto significa que os dados sao colocados em algum tipo de ordem.
Os valores de taxa de falha devem ser acumulados e postos em ordem crescente. A
probabilidade atribuıda a cada valor acumulado e o posto mediano, de forma que exitam
50% de probabilidades de ocorrencia de valores de taxa de falha maiores ou menores do
que o valor em questao.
O eixo Y , ou posto mediano, pode ser estimado aproximadamente por (Cheriff, 2003
[10]):
m ≈(
k − 0.3
n + 0.4
)
(4.95)
onde: m e o posto mediano; k e o numero de ordem da falha depois de colocada em ordem
crescente e n e o numero total de amostras
Uma tabela com os valores do posto mediano esta no livro Weibull Handbook [1].
A formula para calculo exato do posto mediano e:
83
n∑
k=1
n!
k! (n − k)!mk (1 − m)n−k = 0.5 (4.96)
Neste trabalho foram adotadas amostras de tamanho igual a 7. A Tab. 4.2 apresenta
os valores do posto mediano para amostras de tamanho 7 (Abernethy, 2003 [1]).
Tabela 4.2: Posto mediano de 7 classes.
classe 50%1 0.094302 0.228493 0.364124 0.500005 0.635886 0.771517 0.90572
4.5.4 A distribuicao Binomial
Suponha que n experimentos independentes, ou ensaios, sao executados, onde n e um
numero fixo, e que cada experimento resulta num “sucesso” com probabilidade p e numa
“falha” com probabilidade 1−p. O numero total de sucessos, X, e uma variavel aleatoria
com parametros n e p. Por exemplo, uma moeda e lancada 10 vezes e o numero total de
caras e contado (aqui “cara” e um sucesso). A probabilidade que X = k, denotada por
P (k), pode ser encontrada como
P (X = k) = P (k) =n!
k! (n − k)!pk(1 − p)n−k. (4.97)
4.5.5 Utilizacao do papel Weibull
Um metodo para determinar os parametros da distribuicao Weibull e pelo uso do papel
Weibull. E um tipo de papel para graficos onde os eixos x e y estao modificados para
representar a funcao densidade cumulativa de Weibull,
F (t) = 1 − e−( t
η )β
, (4.98)
segundo uma linha reta. Para isso,
84
x = ln (t) (4.99)
e
y = ln
{
ln
[
1
1 − F (t)
]}
. (4.100)
A funcao F (t) deve ser colocada na forma y = ax + b, como segue
ln [1 − F (t)] = −(
t
η
)β
(4.101)
ln {− ln [1 − F (t)]} = β ln
(
t
η
)
(4.102)
ln
{
ln
[
1
1 − F (t)
]}
= β ln (t) − β ln (η) (4.103)
Fazendo uma substituicao de variaveis,
y = ln
{
ln
[
1
1 − F (t)
]}
(4.104)
e
x = ln (t), (4.105)
a equacao passa a ter a forma de uma linha reta
y = βx − β ln (η) , (4.106)
onde o coeficiente angular e β e a intersecao com o eixo vertical e −β ln (η).
As vantagens da determinacao grafica dos parametros β e η da distribuicao Weibull
sao a apresentacao visual e a facilidade de utilizacao. Entretanto, a ajustagem manual da
reta de ajste depende da habilidade pessoal de quem a faz e nao ha meios de saber qual
o tamanho ideal da amostra. O metodo grafico tem um erro e nao e possivel estimar a
ordem de grandeza deste erro. No presente trabalho, foram escolhidos sete pontos para
tamanho da amostra (Murthy, Xie and Jiang, 2004 [12]). O papel Weibull e os pontos
escolhidos estao apresentados nos Anexos B.1 e B.3.
Supondo que ja exista uma colecao de ocorrencias de falhas e seus correspondentes
tempos para falhar, a determinacao grafica dos parametros de uma distribuicao Weibull
segue os seguintes passos:
85
• ordenar os tempos para falhar em ordem crescente;
• calcular o posto mediano, MR, (do ingles mean rank) de cada ocorrencia de falhapela distribuicao binomial de 50%, pela Eq. (4.97)
n∑
k=i
(
n
k
)
(MR)k (1 − MR)n−k = 0.50,
onde n e o tamanho da amostra e i e o numero de ordem da falha;
• sobre um papel Weibull, marcar os tempos no eixo horizontal e os correspondentespostos medianos na vertical;
• desenhar uma linha reta passando por esses pontos, denominada reta ajustada;
• desenhar uma paralela que passe pelo ponto assinalado no papel Weibull, a escalano topo do grafico fornece o valor de β;
• desenhar uma reta horizontal que passe pelo ponto assinalado no papel Weibull;
• desenhar uma reta vertical a partir do cruzamento da reta horizontal com a retaajustada, a escala no eixo horizontal inferior fornece o valor de η.
4.6 Matriz de probabilidades de transicao
A cadeia de Markov apresentada na Fig. 3.12 e um sistema que pode estar em cada um
dos estados numerados de 1 a 8, e pode transitar de um estado para outro, uma transicao
de cada vez, segundo probabilidades estabelecidas.
Se o sistema de Markov estiver no estado i , existe uma certa probabilidade, pij, de
que o sistema va para o estado j. O valor pij e a probabilidade de transicao do estado i
para o estado j.
A matriz T , que reune as probabilidades pij, e a matriz de transicao associada ao
sistema. A soma dos elementos de cada linha e igual a 1. A matriz de transicao forma
uma tabela “De-Para” de probabilidades de transicao, onde as linhas sao os estados “De”
e as colunas sao os estados “Para”.
Os elementos da diagonal principal da matriz de transicao contem os complementos
para que cada linha totalize igual a 1. A matriz de probabilidades de transicao do sistema
em estudo esta apresentada na Fig. 4.13.
Esse sistema pode ser representado em um diagrama de transicao de estados, que e
onde aparecem todas as probabilidades de transicao entre os estados. Nesse diagrama sao
representadas tambem as probabilidades de transicao da diagonal, isto e, do estado i para
86
Figura 4.13: Matriz de probabilidades de transicao, T.
i e do estado j para j, de modo que, em qualquer estado, a soma das probabilidades das
setas que saem de cada estado resulte igual a 1.
A Fig. 4.14 ilustra o diagrama de transicao de estados.
Figura 4.14: Diagrama de transicao de estados da cadeia de Markov.
87
4.7 Dados experimentais
Todos os dados de confiabilidade utilizados neste trabalho foram obtidos experimental-
mente nas plataformas marıtimas de producao de petroleo que atuam em todo o mundo.
Esses dados estao reunidos em um banco de dados denominado Offshore Reliability Data
— OREDA, que e organizado pela firma noruegesa SINTEF Technology and Society,
Safety and Reliability. O projeto de criar e manter esse banco de dados de confiabilidade
e patrocinado por oito companhias de petroleo de diversos paıses. A tabela 4.3 fornece a
lista dos patrocinadores.
Tabela 4.3: Companhias que formam o grupo OREDA Participants.
compania paısStatoil NoruegaBP InglaterraTOTAL FrancaENI ItaliaHydro NoruegaShell UKExxonMobil USAConocoPhillips Noruega
Alem dos oito patrocinadores, muitas outras companhias de petroleo, inclusive a
PETROBRAS, fornecem os dados iniciais para a formacao da base de dados que sera uti-
lizada no banco de dados. Os inspetores da firma organizadora percorrem as instalacoes
sob inspecao e fazem as anotacoes de interesse da confiabilidade. Uma das anotacoes e a
que orienta a censura dos dados. A alta qualidade do banco de dados OREDA e devida
a censura dos dados que poderiam resultar em um valor incorreto. Finalmente, os dados
validos sao ponderados e obtidas as estatısticas.
O Anexo A apresenta os dados constantes do OREDA para os equipamentos: turbina
a gas, bomba, gerador eletrico e motor eletrico.
O banco de bados OREDA utiliza a seguinte nomenclatura:
Taxonomi number - Tax - e um numero hierarquizado que identifica o equipa-
mento, o Tax de turbina a gas e 1.2. Item e o nome do equipamento.
Population - Pop - e a quantidade de equipamentos que foi inspecionada e aceita
como dado valido. Pop de turbina a gas e 84 significando que foram aceitas 84 turbinas.
88
Installation - Inst - e a quantidade de plataformas diferentes que foram inspecio-
nadas. As 84 turbinas estavam instaladas em 23 plataformas diferentes.
Number of demands - Dem - e o numero de vezes que o equipamento foi solicitado
a dar partida, com sucesso, durante um determinado tempo. As 84 turbinas, em conjunto,
deram um total de 11096 partidas bem sucedidas.
Calendar time - Cal - e o tempo de calendario. E o tempo decorrido desde a
primeira instalacao do equipamento. No exemplo da turbina, e a soma do tempo que
todas as 84 turbinas estiveram instaladas. Nesta tese, corresponde a variavel t.
Operational time - Oper - e o tempo total de funcionamento efetivo do equipa-
mento. O tempo que o equipamento esteve parado, por qualquer motivo, nao conta nesta
variavel. No exemplo da turbina e a soma do tempo que todas as 84 turbinas estiveram
em funcionamento. Nesta tese, corresponde a variavel s.
Number of failures - Fail - e a contagem do numero de falhas que ocorreu durante
um determinado tempo, Cal ou Oper.
Active repair hours - Act - e o tempo de duracao efetiva do reparo do equipamento.
Nesse tempo nao conta o tempo de transporte nem o tempo de espera para iniciar o reparo.
Failure mode - All modes - e o modo como o operador da maquina percebe a falha,
foi escolhido todos os modos, significando que, qualquer que seja o modo, o operador per-
cebera a falha. Nesta tese, consideramos que o operador sempre percebe a falha. O estudo
dos casos em que o operador nao percebe a falha, ou percebe mas interpreta de forma
incorreta, e feito na confiabilidade humana. Ver Anexo E.1, Analise da Confiabilidade
Humana.
Aggregated time in service - e o tempo somado de todos os equipamentos ins-
pecionados. Pode ser medido em Cal ou Oper. Depois, o valor e corrigido para 106
horas.
Failure rate - e a estimativa da taxa de falha. Cada plataforma e considerada uma
amostra e sao utilizadas tecnicas de estatıstica de amostragem para calcular a media e o
desvio padrao. A media assim calculada nao representa o equipamento, mas e representa-
tiva da media da plataforma. O desvio padrao representa a variacao entre as plataformas.
Low e Upper sao nıveis de incerteza. A taxa de falha tem 90% de confianca de estar
89
contida no intervalo (Low, Upper).
MLE - maximum likelihood estimation - e o numero total de falhas de todos os
equipamentos dividido pelo tempo somado de todos os equipamentos. Pode ser calculado
em Cal ou em Oper.
Fail to start on demand - e o numero de vezes que o operador deu a partida
mas o equipamento nao partiu devido a uma falha que nao se manifestou antes porque
o equipamento nao tinha sido solicitado. E decorrente da definicao de falha: a falha so
ocorre quando a funcao que a maquina exerce e necessaria. Este modo de falha nao conta
para o calculo da taxa de falha.
Tabela 4.4: Taxa de falha e taxa de reparo.
A Tab. 4.4 mostra o extrato do OREDA, com as informacoes de taxa da falha, em
10−6 falhas/hora, e taxa de reparo, 10−6 reparos/hora, apresentando somente os valores de
interesse neste trabalho. A coluna lower significa que somente 5% dos valores de taxa de
falha observados eram menores que lower. A coluna upper significa que somente 5% dos
valores de taxa de falha observados eram maiores upper. Os dados completos compoem o
Anexo A, Extrato dos Dados originais do OREDA.
Tabela 4.5: Duracao da missao e do reparo.
A Tab. 4.5 mostra os valores da Tab. 4.4 apos a conversao das taxas de falha e de
reparo para duracao da missao e duracao do reparo, em horas.
Capıtulo 5
Solucao numerica
Para trabalhar com fenomenos aleatorios e necessario escolher uma distribuicao teorica
de probabilidades que represente adequadamente o fenomeno que estiver sendo estudado.
A distribuicao binomial, por exemplo, e apropriada para descrever o numero de falhas
que um equipamento pode apresentar.
A distribuicao binomial tem a expressao
p (X) =N !
X! (N − X)!pXqN−X , (5.1)
onde p(X) e a probabilidade de ocorrerem X falhas na unidade de tempo, p e a proba-
bilidade de ocorrer uma falha, q e a probabilidade da falha nao ocorrer, e N e a taxa de
falha.
Em alguns casos, a ocorrencia de falha pode ser um acontecimento raro. Isso acontece
em equipamentos que nao devem apresentar defeitos por serem de difıcil reparo, como os
de uso militar, por exemplo. Para esses problemas, a distribuicao binomial nao se aplica
porque ela requer as probabilidades de falhar e de nao falhar. A probabilidade de nao
falhar sera, aproximadamente, 100%, prejudicando a precisao do calculo. A distribuicao
de Poisson, Eq. (5.2), necessita apenas da probabilidade de falha.
p (X) =λXe−λ
X!(5.2)
onde p(X) e a probabilidade de ocorrerem X falhas na unidade de tempo, λ e a taxa de
falha. Acontecimentos raros sao modelados pela distribuicao de Poisson.
Se o estudo focalizar o tempo decorrido entre falhas sucessivas, as distribuicoes bino-
90
91
mial e Poisson nao representam bem a aleatoriedade do tempo entre falhas. Durante a
vida util de um sistema, a taxa de ocorrencia de falhas, que e o inverso do tempo entre
falhas, tem um valor constante. A distribuicao exponencial representa melhor o problema
da ocorrencia de falhas durante a fase de vida util porque tem taxa de falha constante.
A Eq. (5.3) e a expressao da distribuicao exponencial.
f (t) = λe−λt (5.3)
onde λ e a taxa de falha e f(t) e funcao densidade de probabilidades-fdp. A area sob a
curva f(t), de −∞ ate t, e a probabilidade de t.
Figura 5.1: Distribuicao de Ray-leigh.
Depois de ultrapassar a fase de vida util, o sistema
comeca a apresentar desgaste. Nessa fase, de envelheci-
mento, observa-se que a taxa de falha nao e mais constante
e aumenta com o tempo. Supondo um crescimento linear
da taxa de falha, a distribuicao dos tempos entre falhas
segue a distribuicao de Rayleigh. A densidade, Eq. (5.6),
tem a taxa de falha, Eq. (5.5), proporcional ao tempo de
vida do equipamento. E uma aproximacao linear da curva da banheira na fase de des-
gaste, como mostra a Fig. 5.1. A taxa de falha, Eq. (5.4), igual a zero significa que, neste
modelo, durante a vida util, o item nao apresenta falhas. A ocorrencia da primeira falha
indica o inıcio do envelhecimento.
λ (t) = 0 para t ≤ t0 (5.4)
λ (t) = k (t − t0) para t > t0 (5.5)
f (t) = kt exp
(
−kt2
2
)
(5.6)
A distribuicao normal de um fenomeno ocorre quando o objeto focalizado e a resultante
de uma soma de componentes aleatorios, que seguem distribuicoes diversas, sem que
nenhum desses componentes seja preponderante sobre os demais.
x = x1 + x2 + . . . + xn (5.7)
A falha de um sistema na fase de envelhecimento e o resultado de um grande numero
de fatores diversos, sem que se possa identificar qualquer deles como principal causador
92
da falha do sistema. A curva normal e uma alternativa para a distribuicao de Rayleigh
na fase de envelhecimento do equipamento. A observacao empırica mostrou que, apos o
tempo de vida util, os tempos em operacao ate falhar se distribuem segundo uma curva
normal. A expressao da curva normal, Eq. (5.8), e
f (t) =1
σ√
2πexp
[
−(t − µ)2
2σ2
]
, (5.8)
onde µ e σ sao a media e o desvio padrao, respectivamente, da duracao da missao somente
da regiao de envelhecimento, nao levando em conta observacoes ocorridas durante a fase
de vida util.
No presente trabalho, que focaliza a fase de envelhecimento de Gauss, foi escolhida
a distribuicao de Weibull para representar a distribuicao da duracao da missao, tanto
da turbina como do gerador, devido a sua versatilidade. A Eq. (5.9) apresenta a funcao
densidade de probabilidades de Weibull de 2 parametros (Ramakumar, 1993 [36]).
f(t) =β
η
(
t
η
)β−1
exp
[
−(
t
η
)β]
, (5.9)
onde β e η sao o fator de forma e de escala, respectivamente.
A curva de Weibull pode ser empregada desde a instalacao ate a falha catastrofica
que pode ocorrer ao final da fase de envelhecimento, tendo um alcance, portanto, cor-
respondente as tres fases, de mortalidade infantil, vida util e envelhecimento. Um dos
parametros de Weibull e o fator de forma β. Este fator transforma a funcao densidade de
Weibull de modo a adequar a funcao densidade de probabilidades para o tipo de estudo
que se pretende fazer.
Tabela 5.1: O parametro β, da distribuicao de Weibull, pos-sibilita adequacao a cada problema.
β Weibull se transforma em para problemas de1 exponencial vida util2 Rayleigh envelhecimento linear3 normal envelhecimento de Gauss
A Fig. 5.7, apresentada mais adiante, mostra as modificacoes na funcao densidade de
Weibull em decorrencia da variacao do fator de forma β.
A determinacao dos parametros de forma β e de escala η e habitualmente determinada
93
por regressao linear. Neste caso, entretanto, a insuficiencia de valores oferecidos pelo
banco de dados Oreda contra-indica este metodo. A utilizacao das relacoes teoricas entre
os parametros fornecidos pelo banco de dados, media µ e desvio padrao σ, das taxas de
falha, conforme Tab. 4.4, e os parametros da distribuicao de Weibull, forma β e escala η,
permitem determinar com precisao os parametros da distribuicao sem a necessidade de
recorrer a regressao linear.
As relacoes teorias sao (Murthy, Xie, Jiang, 2004 [12]):
µ = ηΓ(β−1 + 1) (5.10)
σ2 = η2{Γ(2β−1 + 1) − [Γ(β−1 + 1)]2} (5.11)
A distribuicao lognormal de um fenomeno ocorre quando a variavel aleatoria que
descreve o fenomeno e o resultado de um produto de variaveis aleatorias, que seguem
distribuicoes diversas, sem que nenhuma dessas variaveis seja dominante.
y = y1 y2 . . . yn (5.12)
Ln y = Ln y1 + Ln y2 + . . . + Ln yn (5.13)
A Eq. (5.13) indica que a lognormal e a distribuicao normal dos logaritmos das variaveis
aleatorias. Os fenomenos que tem a participacao humana apresentam essa caracterıstica.
A representacao da distribuicao do tempo de reparo, porque o reparo tem participacao
humana, foi feita pela distribuicao lognormal. A Eq. (5.14) apresenta a funcao densidade
de probabilidades lognormal (Lewis, 1996 [26]).
f(t) =1
tσ∗
√2π
exp
{
−1
2
(
ln(t) − µ∗
σ∗
)2}
(5.14)
As relacoes teoricas entre as estatısticas, media µ e desvio padrao σ, fornecidas pelo
banco de dados, conforme Tab. 4.4, e os parametros µ∗ e σ∗2
da distribuicao lognormal
sao (Crowder, et al., 2000 [16]):
µ = exp(
µ∗ + 12σ∗
2)
(5.15)
σ2 = exp(
2µ∗ + σ∗2) {
exp(
σ∗2)
− 1}
(5.16)
Resolvendo algebricamente o sistema, fica
94
σ∗2
= Ln
{
σ2
exp [2Ln (µ)]+ 1
}
(5.17)
µ∗ = Ln (µ) − 1
2σ∗
2
(5.18)
Foi feita a determinacao grafica dos parametros das distribuicoes de Weibull e lognor-
mal, encontrando-se os valores da Tab. 5.2. Os desenhos, em papel Weibull e lognormal,
estao apresentados no Anexo B, Determinacao grafica dos parametros das distribuicoes.
Tabela 5.2: Parametros obtidos graficamente.
caso 1: turbina-duracao da missao: Weibull β =0,58 η =2900caso 2: turbina-duracao do reparo: lognormal µ∗ =3,0 σ∗ =10,0caso 3: gerador-duracao da missao: Weibull β =0,20 η =150caso 4: gerador-duracao do reparo: lognormal µ∗ =3,8 σ∗ =6,2
Os valores dos parametros da distribuicao de Weibull, β e η, obtidos graficamente,
foram utilizados como valores iniciais nas Eqs. (5.10) e (5.11), para determinacao iterativa
dos valores definitivos pelo metodo de Newton. Os parametros da distribuicao lognormal,
µ∗ e σ∗2, obtidos graficamente, foram utilizados somente para comparacao com os valores
calculados pelas Eqs. (5.17) e (5.18), devido a que foi possıvel explicita-los algebricamente.
Tabela 5.3: Distribuicao Weibull paraduracao da missao da turbina.
Tabela 5.4: Distribuicao lognormal paraduracao do reparo da turbina.
As solucoes dos sistemas formados pelas Eqs. (5.10) e (5.11), da distribuicao de
Weibull, e pelas Eqs. (5.17) e (5.18), da distribuicao lognormal, forneceram os parametros
apresentados nas Tabs. 5.3 a 5.6.
Tabela 5.5: Distribuicao Weibull paraduracao da missao do gerador.
Tabela 5.6: Distribuicao lognormal paraduracao do reparo do gerador.
95
A representacao grafica das funcoes densidade de probabilidades, f(t), obtidas com os
parametros das Tabs. 5.3 a 5.6, estao apresentados nas Figs. 5.2 e 5.3.
Figura 5.2: Turbina, duracoes da missao e do reparo.
Figura 5.3: Gerador, duracoes da missao e do reparo.
5.1 Analise do condicionamento dos parametros das
distribuicoes
O banco de dados OREDA fornece as medias µ e desvios padrao σ das taxas de falha e
de reparo. Mas as distribuicoes utilizam outros parametros. A distribuicao de Weibull
utiliza o fator de forma β e o fator de escala η. A distribuicao lognormal utiliza a media
µ∗ e o desvio padrao σ∗ dos logaritmos dos dados.
Em princıpio, as Eqs. (5.10) e (5.11) deveriam converter de µ e σ da taxa de falha para
β e η de Weibull. Entretanto, o metodo de Newton nao convergiu. As equacoes foram,
entao, modificadas conforme as Eqs. (5.19) e (5.20) e o parametro β foi incrementado
desde 0, 1 ate o valor em que η1 fosse suficientemente proximo de η2.
96
η1 =µ
Γ(
1β
+ 1) (5.19)
η2 =σ
√
Γ(
2β
+ 1)
−[
Γ(
1β
+ 1)]2
(5.20)
Para explicar a dificuldade de convergencia, as Eqs. (5.19) e (5.20) foram linearizadas
nas proximidades do ponto solucao e apresentadas nas Figs. 5.4 e 5.5. O pequeno angulo
formado pelas curvas linearizadas indica que a dificuldade de convergencia se deve ao mal
condicionamento dos dados.
Figura 5.4: Os dados do problema de conversaode µ e σ para β e η da distribuicao de Weibull daduracao da missao da turbina estao mal condici-onados.
Figura 5.5: Os dados do problema de conversaode µ e σ para β e η da distribuicao de Weibull daduracao da missao do gerador estao mal condici-onados.
As diferencas encontradas entre os valores obtidos graficamente e aqueles obtidos pela
solucao computacional pode ser explicado pelo fato do problema ser mal condicionado.
5.2 Analise das curvas de Weibull
A Fig. 5.6 mostra o relacionamento que existe entre o parametro β da distribuicao de
Weibull e a taxa de falha λ(t), em funcao da idade do equipamento.
Quando:
β < 1 λ(t) e decrescente, regiao de mortalidade infantil
β = 1 λ(t) e constante, regiao de vida util
β > 1 λ(t) e crescente, regiao de envelhecimento
(Billinton e Allan, 1992 [8])
97
A Fig. 5.6 mostra a variacao no aspecto da distribuicao de Weibull quando η e mantido
constantemente igual a 1 e β varia sendo igual, repectivamente a 0,5 , 1 e 3.
Comparando as Figs. 5.2 e 5.3, que apresentam a funcao densidade de probabilidade de
Weibull para as distribuicoes da duracao da missao, com as Figs. 5.6 e 5.7, observa-se que
os equipamentos, turbinas e geradores, apresentam parametros de forma β caracterısticos
de equipamentos novos.
Figura 5.6: Correspondencia entre a regiao da curva da banheira e o parametro β de Weibull.
Valores do parametro β menores do que 1 para equipamentos velhos sao causados por
paradas administrativas, conforme descrito na Secao 4.4.7, Parada administrativa.
Figura 5.7: Aspectos da distribuicao de Weibull para β < 1, β = 1 e β > 1, respectivamente.
Quando o parametro de forma da distribuicao Weibull e β > 2, a distribuicao se
aproxima da distribuicao normal. Esses valores de β ocorrem caracteristicamente para
equipamentos na regiao de envelhecimento, conforme e possıvel observar na Fig. 5.7.
Devido a isso, a curva da banheira na regiao de envelhecimento, pode ser representada
por uma distribuicao normal em vez de utilizar as equacoes exponenciais, Eqs. (5.26)
e (5.27), como foi feito neste trabalho (Ramakumar, 1993 [36]).
98
5.3 Reconstituicao dos valores
A funcao taxa de falha acumulada, por definicao, e
Λ(t) =
t∫
0
λ(ξ)dξ (5.21)
Quando a quantidade de elementos da amostra e elevada, 30 ou mais elementos, essa
amostra pode ser dividida em classes e a probabilidade de ocorrencia associada a cada
classe pode ser assimilada pela frequencia relativa de cada classe.
O banco de dados OREDA fornece apenas os valores mınimo, medio, maximo e
variancia, fazendo-se necessario reconstituir os valores que deram origem aquelas es-
tatısticas.
A funcao densidade de probabilidades mostrada nas Figs. 5.2 e 5.3, obtidas a partir
do banco de dados, foi dividida, arbitrariamente, em 7 intervalos de areas iguais, gerando-
se um histograma reconstituıdo. O histograma acumulado corresponde numericamente,
aproximadamente, a Eq. (5.21). A Fig. 5.8 ilustra o procedimento.
Figura 5.8: Etapas da reconstituicao de valores.
Em seguida o histograma e ordenado em forma crescente e sao atribuıdas as probabi-
lidades do posto mediano a cada valor do histograma.
O banco de dados OREDA apresenta somente os resultados, medias e variancias, das
taxas de falha e reparo. Entretanto, para obter as curvas dessas taxas em funcao do tempo
e necessario conhecer os valores que deram origem a essas estatısticas. A reconstituicao
dos valores que esta sendo utilizada neste trabalho e feita pelo seguinte procedimento:
99
1- converter a media e a variancia do banco de dados OREDA nos parametros
β e η da distribuicao de Weibull, pelas Eqs. (5.10) e (5.11);
2- tracar a curva dos parametros β e η no papel Weibull, conforme se observa
nos Anexos B.1 a B.4 e explicado em detalhes na Secao 4.5.5, Utilizacao do
papel Weibull;
3- marcar as ordenadas – F(t) – da Tab. 4.2, posto mediano de 7 classes no
papel Weibull;
4- fazer a leitura das abscissas – t – correspondentes aos postos medianos.
O resumo da reconstituicao desses valores, em horas, esta apresentado na Tab. 5.7.
Tabela 5.7: Reconstituicao dos valores originais do OREDA.
A coluna F (t) sao as probabilidades binomiais acumuladas correspondentes aos tempo
de operacao t.
A funcao distribuicao de Weibull acumulada e (Rausand and Hoyland, 2004 [37])
F (t) = 1 − exp
[
−(
t
η
)β]
. (5.22)
100
A funcao taxa de falha com base na distribuicao de Weibull acumulada e, portanto,
λ(t) =β
η
(
t
η
)β−1
. (5.23)
A funcao taxa de falha obtida deste modo, para os dados em estudo, resulta na taxa
de mortalidade infantil.
Figura 5.9: Taxa de falha na regiao I - mortalidade infantil, para os casos 1 e 3.
Para o calculo da taxa de ocorrencia de falhas - ROCOF a funcao de Weibull acumulada
e obtida pela funcao inversa da funcao distribuicao acumulada fazendo-se a substituicao
das variaveis F (t) por t e vice-versa.
F (t) = η
[
Ln
(
1
1 − t
)] 1β
(5.24)
A funcao taxa de falha pelo calculo do ROCOF e
λ(t) =dF (t)
dt
1
1 − F (t)(5.25)
Figura 5.10: Taxa de falha na regiao III - envelhecimento, para os casos 1 e 3.
101
A funcao taxa de falha no envelhecimento foi obtida por regressao linear pelo metodo
dos mınimos quadrados. A descricao do metodo esta no Anexo F e o codigo computacional
no Anexo G.3.
Para o Caso 1, turbina, a duracao da missao resulta em
λT (t) = 0, 0028 e0,0017t (5.26)
e para o Caso 3, gerador, a duracao da missao e da forma
λG(t) = 6 × 10−5 e0,0044t (5.27)
Os casos 2 e 4, duracao do reparo para a turbina e para o gerador, respectivamente,
apresentam um tempo menor para a saturacao do que os casos 1 e 3. Por este motivo, as
curvas de distribuicao lognormais da distribuicao do tempo de reparo serao substituıdas
pelos valores medios registrados no OREDA.
A taxa de reparo, apesar de ser funcao do sacrifıcio que o equipamento vem sofrendo,
sera mantida constante de valor igual a media porque o tempo de reparo e muito menor
que a duracao da missao e impossibilita as operacoes exponenciais das taxas de reparo
nos tempos requeridos pelas taxas de falha. Isto equivale a considerar que o sacrifıcio do
equipamento nao aumenta o tempo de reparo.
No Caso 2, turbina, a duracao media do reparo de 27,1 horas corresponde a taxa de
reparo
µT = 3, 6900 × 10−2 (5.28)
e no Caso 4, gerador, a duracao media do reparo de 28,4 horas corresponde a taxa de
reparo
µG = 3, 5211 × 10−02 (5.29)
A taxa de falha estimada pelo ROCOF e calculada com valores atuais, e nao com
os valores que seriam obtidos quando o equipamento estivesse realmente envelhecido.
Entretanto, esses valores atuais sao os que ocorrem na regiao de vida util onde o processo
estocatico de ocorrencia das falhas e markoviano. A distribuicao das duracoes da missao
e exponencial. O processo estocastico nessa regiao e sem memoria. Por esse motivo,
102
a curva do ROCOF pode ser deslocada no tempo para qualquer ocasiao, uma vez que
nao depende da historia do equipamento. Como a regiao de interesse e a regiao de
envelhecimento, a curva do ROCOF deve ser deslocada ate o inıcio do envelhecimento. A
partir daı, o processo estocastico passa a ser do tipo nao-markoviano. O envelhecimento
do equipamento depende do sacrifıcio a que o equipamento foi submetido durante a sua
vida util. Isto e, o processo no envelhecimento depende da historia do equipamento. O
conceito de ROCOF permite que se tenha a curva do envelhecimento global a partir de
observacoes efetuadas em qualquer epoca, como no envelhecimento local.
Embora nao seja objeto deste estudo, a aplicacao do procedimento descrito acima pode
fornecer a curva da taxa de falha na regiao I, de mortalidade infantil. Quando o equipa-
mento em observacao e novo, a funcao densidade de Weibull se aproxima da distribuicao
exponencial e esse procedimento resulta numa funcao potencia do tipo λ(t) = atb, que e
tıpica para a regiao I. Por outro lado, se o equipamento for velho, a funcao densidade
de Weibull se aproxima de uma distribuicao normal e o resultado sera uma funcao expo-
nencial do tipo λ(t) = aebt, que e tıpica para a regiao III, de envelhecimento. Para obter
a outra curva, em qualquer caso, equipamento novo ou velho, e necessario substituir as
variaveis da funcao densidade acumulada y = F (t) por t = F (y) e renomear as variaveis, t
passa a chamar-se y e vice-versa, obtendo-se novamente y = F (t). Essa troca de variaveis
vai permitir obter a funcao taxa de falha da regiao III para equipamentos novos.
As turbinas e geradores do banco de dados OREDA, que esta sendo utilizado nesta
tese, sao equipamentos usados em bom estado. E possıvel supor que os equipamentos
estejam aproximadamente no meio da vida util. A distribuicao de Weibull que foi utilizada
para modelar as variaveis aleatorias deveria ter o aspecto apropriado a essa fase da vida.
Entretanto, devido a paradas administrativas, ver Secao 4.4.7, as curvas de Weibull se
parecem com distribuicoes exponenciais e resultam na taxa de falha tıpica da regiao I. As
funcoes taxa de falha da regiao III, necessarias neste trabalho, foram, portanto, obtidas
por troca de variaveis.
103
5.4 Sensibilidade da taxa de falha em relacao ao ROCOF
A Secao 5.3 forneceu um metodo para estimar a taxa de falha na regiao III sem que seja
necessario aguardar que a planta realmente envelheca para, entao, efetuar as medicoes
de duracao das missoes. O ROCOF fornece uma aproximacao da taxa de falha que sera
obtida quando a planta estiver efetivamente na regiao de envelhecimento. E oportuno
avaliar a sensibilidade da taxa de falha em relacao ao ROCOF para saber, quantitativa
e qualitativamente, como a taxa de falha se comporta em face da imprecisao do metodo
ROCOF.
A definicao de sensibilidade e (Distefano, 1972 [22])
Sf(t)t =
d ln f (t)
d ln t=
df (t)
f (t)
t
dt. (5.30)
De acordo com a definicao, a sensibilidade e a razao entre a variacao relativa na variavel
dependente e a correspondente variacao relativa na variavel independente. A sensibilidade
igual a 1 significa que o erro relativo da variavel independente se conserva na funcao. Com
sensibilidade menor que 1, os erros relativos da entrada sao minimizados na funcao de
saıda.
Para fazer variar a taxa de falha de modo passıvel de medicao, o modelo de Weibull
sera substituıdo pelo modelo de Rayleigh.
A taxa de falha de Rayleigh tem por expressao
λ(t) = a(t − t0), (5.31)
onde t0 e o tempo inicial do envelhecimento e a e o coeficiente angular da curva da banheira
na regiao III. Quando a regiao de interesse e somente a de envelhecimento, t0 = 0.
O metodo para determinacao da sensibilidade consiste em variar o coeficiente angular
a para mais e para menos em torno de um valor basico e calcular para cada valor de a a
correspondente duracao da missao ate o colapso operacional.
O valor basico do coeficiente angular e arbitrario. Foi escolhida a reta que passa pelos
pontos (0, 0) e pelo ponto de abscissa 1000 horas na curva da banheira de Weibull, tanto
para a turbina como para o gerador. As Figs. 5.11 e 5.12 ilustram a escolha basica.
A escolha da abscissa 1000 horas se justifica porque a duracao da missao ate o colapso,
104
no modelo de Weibull, e de 800 horas de operacao.
A funcao taxa de falha da turbina, basica, no modelo Rayleigh, e
λT (t) = 1, 533 × 10−5 t, (5.32)
e a do gerador e
λG(t) = 4, 887 × 10−6 t. (5.33)
Figura 5.11: Taxa de falha da turbina nos mode-los Weibull e Rayleigh. A linha curva e de Weibulle a reta, de Rayleigh.
Figura 5.12: Taxa de falha do gerador nos mode-los Weibull e Rayleigh. A linha curva e de Weibulle a reta, de Rayleigh.
As Eqs. (5.32) e (5.33) sao multiplicadas por coeficientes no intervalo [0, 4 . . . 3, 0], com
incremento de 0,2, de modo a fazer variar a inclinacao das retas que representam as taxas
de falha. O sistema de equacoes diferenciais parciais de Markov, Eqs. (4.34) a (4.41), e,
entao, resolvido para cada uma das retas. Foi feita a associacao entre o coeficiente angular
da taxa de falha de Rayleigh e a duracao da missao ate o colapso. E considerado colapso
quando a probabilidade de falha completa do sistema turbogerador atinge 99%. O valor
1.0 indica a taxa de falha utilizada em Weibull e corresponde a 800 horas de duracao da
missao.
Figura 5.13: Reducao da missao quando a in-clinacao da taxa de falha aumenta.
A Fig. 5.13 mostra a reducao da duracao
da missao quando a inclinacao da funcao
taxa de falha aumenta. O valor que corres-
ponde a taxa de falha de Weibull esta in-
dicado pelo fator 1 no eixo horizontal, que
e a taxa basica. Os valores menores que
1 indicam inclinacoes menores e os valores
maiores que 1 indicam inclinacoes maiores
que a inclinacao de Weibull.
105
Pode-se observar que a sensibilidade da duracao da missao com a taxa de falha e maior
para valores menores que 1. A sensibilidade e, aproximadamente, linear para valores
maiores que 1. Se a taxa de falha, calculada pelo ROCOF, conduzir a valores maiores que
o devido, a propagacao do erro fica minimizada pela sensibilidade menor nessa parte.
A Fig. 5.14 mostra a variacao da probabilidade de falhar com a inclinacao da funcao
taxa de falha.
Figura 5.14: Os fatores que aparecem na legenda multipli-cam o coeficiente angular da taxa de falha de Rayleigh. Ofator 1 e a taxa correspondente a taxa de Weibull.
A medida que a linha reta que re-
presenta a funcao taxa de falha au-
menta a inclinacao, a probabilidade
de falhar aumenta. Porem, nas pro-
ximidades de uma inclinacao duas
vezes maior que a inclinacao basica,
o aumento da probabilidade de fa-
lhar fica reduzido. Em tres vezes
o coeficiente angular da inclinacao
basica, parece ser um limite para a
reducao da duracao da missao. Com o fator 3,0 a duracao se estabeleceu em 450 ho-
ras. Para pequenos erros introduzidos pelo metodo do ROCOF, ocorre uma propagacao
significativa do erro na probabilidade de falhar. Entretanto, para erros maiores, o erro
propagado e menor.
Figura 5.15: Os fatores que aparecem na legenda multipli-cam o coeficiente angular da taxa de falha de Rayleigh. Ofator 1 e a taxa correspondente a taxa de Weibull.
A sensibilidade calculada pela
definicao, Eq. (5.30), esta apresen-
tada na Fig. 5.15. A curva sinuosa e
formada pelos valores efetivamente
encontrados e a linha reta e uma
linha de tendencia. Pode-se obser-
var que a tendencia e de crescimento
da sensibilidade com o aumento da
duracao da missao. Dentro do al-
cance de valores de interesse, que vai
106
de, aproximadamente, 500 ate 1000 horas, a tendencia da sensibilidade e menor que 1,
indicando que, nessa faixa, o erro relativo propagado na determinacao da duracao da
missao e menor que o erro introduzido pelo metodo ROCOF.
5.5 Reducao de um sistema complexo a outro equi-
valente
O presente trabalho e valido para as condicoes de confiabilidade de sistemas coerentes
estabelecidas na Secao 3.2, Confiabilidade de sistemas coerentes. Assim, um sistema
complexo pode ser reduzido a outro sistema equivalente mais simples, desde que o sistema
seja coerente.
O sistema formado pela turbina e pelo gerador pode ser reduzido a um unico sistema
turbo-gerador. A turbina e o gerador acoplado a ela forma um sistema serie. A taxa de
falha do conjunto turbo-gerador em serie e (Billinton e Allan, 1992 [8]).
λTG = λT + λG. (5.34)
Utilizando os valores de λT (t) e λG(t) fornecidos pelas Eqs. 5.26 e 5.27 na Eq. 5.34, a
taxa de falha do grupo turbogerador e
λTG = 0, 0011 e0,0031t. (5.35)
A taxa de reparo do conjunto turbo-gerador e
µTG =λTG
λT
µT
+λG
µG
+λT λG
µT µG
. (5.36)
A probabilidade total de sucesso, P , para um sistema consistindo de n unidades com
probabilidade de sucesso p, das quais k sao necessarias e
P =n
∑
i=k
n!
(n − i)!i!pi (1 − p)n−i
. (5.37)
No presente caso, existem 3 turbo-geradores, n = 3, e somente 2 sao necessarios, k = 2,
entao,
P = 3p2 (1 − p) + p3. (5.38)
107
Admitindo, por simplificacao, que p = e−λTGt e fazendo a algebra necessaria, a taxa
de falha de 3 conjuntos turbo-geradores sendo necessarios apenas 2 conjuntos de 3 fica
λs = −Ln(
−2e−3λTGt + 3e−2λTGt)
t, (5.39)
onde λs e a taxa de falha do sistema formado por 3 conjuntos turbo-geradores onde
sao necessarios 2 turbo-geradores e λTG e a taxa de falha de um conjunto turbogerador.
(Hecht, 2004 [18]).
A taxa de falha do sistema foi obtida numericamente. As equacoes de regressao para
a regiao de mortalidade infantil
λs(t) = 0, 0351t−0,2637, (5.40)
e para a regiao de envelhecimento
λs(t) = 0, 0016 e0.0033t. (5.41)
As taxas de falha das Eqs. (5.40) e (5.41) estao apresentadas graficamente na Fig. 5.16.
As duas curvas sao trechos da mesma curva da banheira do sistema, aqui apresentadas
separadas porque a escala de uma e diferente da outra.
Figura 5.16: Taxa de falha do sistema nas regioes I e III.
A regiao de interesse para o estudo e a regiao de envelhecimento, onde a taxa de falha,
Eq. (5.41) resulta na confiabilidade
R (t) = exp
−t
∫
0
λs (u) du
R (t) = e−0,7742 exp(0,0031t)
(5.42)
108
e na funcao densidade de probabilidades acumulada apresentada na Fig. 5.17
F (t) = 1 − R(t)
F (t) = 1 − e−0,7742 exp(0,0031t).(5.43)
Figura 5.17: Funcao densidade de probabilida-des acumulada que da a probabilidade de colapsooperacional do sistema em funcao do tempo deoperacao.
O calculo da taxa de falha do sistema foi determinado na suposicao de que a funcao
densidade do conjunto turbogerador fosse exponencial. Agora, para fins de comparacao,
a determinacao da taxa de falha do sistema foi refeita, por simulacao de Monte Carlo, na
suposicao de que a funcao densidade do conjunto turbogerador permaneca do mesmo tipo
dos equipamentos individuais, isto e, a densidade do TG tambem seja Weibull. O Teorema
do Limite Central estabelece que, quando duas ou mais distribuicoes independentes atuam
no mesmo sistema, o conjunto tende para uma distribuicao normal.
Teorema 3 Seja X1, X2, . . . , Xn um conjunto de N variaveis aleatorias independentes e
cada Xi tem uma distribuicao de probabilidades arbitraria P (X1, . . . , Xn) com media µi
e uma variancia finita σ2i . Entao, a variavel normal
Xnormal =
N∑
i=1
Xi −N∑
i=1
µi
√
N∑
i=1
σ2i
tem uma funcao cumulativa de distribuicao que se aproxima de uma distribuicao normal.
109
A parcela que subtrai a variavel Xi,N∑
i=1
µi, e o fator
√
N∑
i=1
σ2i sevem para ajustar a
posicao da variavel Xnormal, fazendo com que fique centrada.
A simulacao de Monte Carlo considera as duas distribuicoes de Weibull, a da turbina
e a do gerador, independentes. E feito sorteio do tempo de operacao, que e o mesmo
para os dois equipamentos. O tempo de operacao existe no intervalo contınuo [0 . . . 3000]
horas. Com o tempo de operacao determinam-se as confiabilidades para cada maquina,
segundo a distribuicao de Weibull, pela expressao
R (t) = exp
[
−(
t
η
)β]
, (5.44)
utilizando os parametros de cada equipamento.
Em seguida, sao feitos os sorteios das variaveis x1 e x2, no intervalo contınuo [0 . . . 1],
que representam os estados de funcionamento ou falho da turbina e do gerador, respec-
tivamente. Nesse momento, x1 e x2 simulam a probabilidade de estar em funcionamento
ate o tempo de operacao que foi sorteado antes.
Se x1 < R(t), entao x1 recebe o valor discreto 1, significando que a turbina esta em
condicoes operacionais, ou o valor 0, em caso contrario. A variavel x2 recebe o mesmo
tratamento. A partir de agora, x1 e x2 sao variaveis discretas no espaco {0, 1}. Quando
o produto x1 · x2 = 1, o conjunto esta em operacao e o sorteio e descartado. Quando a
soma das variaveis x1 + x2 = 0, o sorteio tambem deve ser descartado devido a definicao
de falha. A falha so ocorre quando a funcao e necessaria. Se uma das variaveis vale zero,
a maquina esta em falha e torna-se irrelavante apurar a condicao da outra maquina.
Figura 5.18: A densidade das classes das probabi-lidades de falha do conjunto turbogerador ficou comaspecto de distribuicao exponencial.
O sorteio e valido somente quando a soma
das variaveis x1 + x2 = 1, significando
que uma das maquinas, a turbina ou o ge-
rador, esta em falha e a outra nao. O
tempo de operacao e, entao, computado
como duracao da missao do conjunto turbo-
gerador ate a falha. Foram efetuados cerca
de 31500 sorteios validos para um total de
110
100000 sorteios. Os sorteios validos foram divididos em 100 classes de igual amplitude.
A Fig. 5.18 e o grafico da probabilidade de cada classe pelo ponto medio da classe. Essa
funcao densidade de probabilidades foi transformada em funcao cumulativa de probabili-
dades e feita anamorfose logaritmica indicada pelas Eqs. (4.99) e (4.100). Finalmente, foi
feita determinacao dos parametros de forma, β = 1, 1197, e de escala η = 1518, 1 horas, de
uma distribuicao de Weibull para a variavel duracao da missao do conjunto turbogerador.
Substituindo os valores dos parametros na Eq. (5.44), fica
RTG (t) = e−2,741×10−4 t1,1197
. (5.45)
E substituindo a Eq. (5.45) na Eq. (5.38), obtem-se a confiabilidade do sistema formado
pelos tres TGs, no caso de ser adotada a distribuicao de Weibull.
Rs (t) = 3e−5.482×10−4 t1.1197 − 2e−8.223×10−4 t1.1197
(5.46)
A taxa de falha do sistema em funcao da confiabilidade e
λs (t) = − d
dt{ln [Rs (t)]} (5.47)
efetuando a derivada, a taxa de falha tem a expressao
λs (t) = −0.001841 t0.1197
(
e−5.482×10−4 t1.1197 − e−8.223×10−4 t1.1197)
3e−5.482×10−4 t1.1197 − 2e−8.223×10−4 t1.1197 (5.48)
5.6 Matriz fundamental da cadeia de Markov
A matriz fundamental da cadeia de Markov, N , e resultado de operacoes lineares efetuadas
sobre a matriz de probabilidades de transicao entre os estados do sistema.
Em um sistema que possui um conjunto de estados possıveis, a probabilidade do
sistema mudar de estado e denominada probabilidade de transicao. Se os estados forem
numerados, a probabilidade de transicao do estado i para o estado j e pij. A reuniao
ordenada das probabilidades pij da origem a matriz de probabilidades de transicao, onde
a transicao se efetua da linha i para a coluna j. Com essa convencao, transicao da linha
para a coluna, a soma dos elementos de cada linha e igual a 1.
As probabilidades pij, quando i 6= j, sao oriundas do problema que estiver sendo
111
estudado, sao probabilidades de transitar de um estado para outro. Quando i = j,
entretanto, a probabilidade pjj e o complemento para 1, para que a soma da linha seja
sempre igual a 1, e a probabilidade de permanecer no estado j.
Os estados da matriz de transicao podem ser transientes ou absorventes. O estado
j sera transiente se existe uma probabilidade nao nula de nunca retornar ao estado j.
Isto nao significa que o estado transiente j nao possa ocorrer mais de uma vez. Significa
apenas que existe uma probabilidade nao nula de nunca ocorrer novamente. O estado j
sera absorvente quando pjj = 1. Uma vez que o estado j e atingido, nunca mais sai deste
estado j porque a probabilidade de transitar para si mesmo e igual a 1. Como a soma dos
elementos de uma linha e igual a 1, os elementos nao diagonais de uma linha que tem um
estado absorvente sao todos nulos. Os estados absorventes ocorrem na diagonal principal.
Q | R
−−− | − −−
0 | I
Figura 5.19: Particionamento damatriz de transicao.
Na matriz em estudo, os elementos significam proba-
bilidades do sistema falhar. Um estado absorvente tem o
significado de falha catastrofica, isto e, se o estado absor-
vente ocorrer o sistema falha de maneira irrecuperavel.
E necessario numerar adequadamente os estados, de
modo que os transientes recebam numeros menores e os
absorventes os numeros maiores. Com essa sistematica, a matriz de transicao fica orga-
nizada com os estados absorventes ocupando a extremidade inferior da diagonal.
A matriz de transicao deve ser particionanda em quatro submatrizes: Q, R, 0 (zero)
e I (Identidade) para possibilitar a determinacao do numero de passos ate o primeiro
estado absorvente. A matriz de transicao, particionada como indicado na Fig. 5.19, recebe
a denominacao de forma canonica. A particao Q forma a matriz de probabilidades de
transicao de passo 1 entre estados nao absorventes. O vetor R contem as probabilidades
de transicao de passo 1 dos estados nao absorventes para os absorventes. A matriz I
contem os elementos absorventes. A particao 0 e o vetor nulo.
A matriz fundamental da cadeia de Markov e
N = (I − Q)−1. (5.49)
112
N =
N1,1 · · · N1,k
· · · · · · · · ·
Nk,1 · · · Nk,k
Nm+1,m+1 · · · Nm+1,n
· · · · · · · · ·
Nn,m+1 · · · Nn,n
(5.50)
Tempo total de absorcao e o tempo decorrido desde o estado atual ate o primeiro
estado absorvente ocorrer, significa o tempo esperado para ocorrer a falha irrecuperavel.
Seja Tk o tempo total ate a absorcao partindo do estado k, representado na Eq. 5.50
pelo elemento Nk,k.
Seja o vetor
T =(
Tm+1 Tm+2 · · · Tn
)T
. (5.51)
O valor esperado para Tk e o somatorio desde i = m + 1 ate i = n de Nk,i, para
k = m + 1, . . . , n, onde Nk,i e o (k,i)-esimo elemento da matriz fundamental.
Partindo do estado do sistema k, o valor esperado do tempo ate a falha total do
sistema, isto e, ate a absorcao, e o somatorio dos elementos da submatriz inferior de N .
Tk =n
∑
k=m+1i=m+1
Nk,i (5.52)
Esse tempo total ate a absorcao esta expresso em numero de transicoes. Com o
tempo esperado de cada transicao, determina-se o tempo em horas e a confiabilidade
correspondente.
Figura 5.20: Matriz de probabilidades de transicao,T.
113
Depois de calculada a matriz fundamental da cadeia de Markov e o tempo total de
absorcao, a confiabilidade responde ao que se pretende, isto e, a probabilidade de falhar
apos o termino da vida util (Hsu, 1997 [21], Sheskin, 1995 [42]).
As Eqs. (5.26) a (5.29), que fornecem a variacao das taxas de falha e de reparo em
funcao do tempo e a matriz de probabilidades de transicao T , apresentada na Fig. 4.13,
estao repetidas aqui nas Eqs. (5.53) a (5.56) e Fig. 5.20 para assegurar a clareza do texto.
Figura 5.21: Autovalores em funcao do tempo de operacao da planta, em horas.
caso 1 λT (t) =(
2800 e0,0017t)
× 10−6 (5.53)
caso 2 µT (t) = 36900 × 10−6 (5.54)
caso 3 λG(t) =(
60 e0,0044t)
× 10−6 (5.55)
caso 4 µG(t) = 35211 × 10−6 (5.56)
Os autovalores da matriz de probabilidades de transicao, em funcao do envelhecimento
da planta, estao apresentados na Tab. 5.21. A matriz de probabilidades de transicao,
Fig. 5.20, e funcao do tempo de operacao em decorrencia de seus elementos serem cal-
culados pelas Eqs. (5.53) e (5.55). Os autovalores dessa matriz sao, tambem, funcao do
tempo de operacao. A Fig. 5.22 mostra o desenvolvimento dos autovalores em funcao do
tempo de operacao.
E possıvel observar que existe um envelope contendo todas as curvas dos autovalores.
O autovalor maior que todos os demais e chamado autovalor dominante de T . O limite
superior do envelope e a curva do autovalor dominante e o limite inferior e a curva formada
pelo menor autovalor. Os autovalores devem ser ordenados decrescentemente de modo
que o autovalor dominante seja o primeiro. Esse resultado ja estava previsto pelo teorema
114
de Perron-Frobenius (Seneta, 2006 [41]).
Teorema 4 Se T e uma matriz quadrada, nao-negativa, irredutıvel, entao:
1. Um de seus autovalores e positivo e maior (ou igual, em valor absoluto) do que
todos os outros autovalores;
2. Existe um autovetor positivo correspondente a esse autovalor; e
3. Esse autovalor e uma raiz real da equacao caracterıstica de T .
Figura 5.22: Autovalores em funcao do tempo deoperacao da planta, em horas.
Se a matriz T for estocastica,
como e a matriz de probabilidades de
transicao, a soma dos elementos de
cada linha vale 1 e, nesse caso, o au-
tovalor dominante e igual a 1.
Matriz irredutıvel e a matriz onde
para cada par de ındices (i, j) existe
uma potencia l tal que T l(i, j) > 0. A
matriz do caso em estudo e redutıvel porque para alguns elementos (os nulos) nao existe
uma potencia l capaz de torna-los maiores que zero. Apesar disso, o teorema se verifica.
O elemento T8,8 = 1 vai compor a matriz identidade I, os elementos T8,1 a T8,7 vao
formar o vetor nulo, os elementos T1,8 a T7,8 formam o vetor R das probabilidades de
transicao de passo 1 dos estados nao absorventes para os absorventes. O vetor R esta na
Fig. 5.23.
02 (λT + λG)2 (λT + λG)2 (λT + λG)2 (λT + λG)2 (λT + λG)2 (λT + λG)
Figura 5.23: Vetor R
A matriz Q de probabilidades de transicao de passo 1 entre estados nao absorventes e
formada pelos elementos restantes. A matriz Q esta apresentada na Fig. 5.24.
115
Figura 5.24: Matriz Q
A matriz inversa da matriz fundamental da cadeia de Markov, N−1, fica como na
Fig. 5.25.
Figura 5.25: Matriz inversa da matriz fundamental da cadeia de Markov, N−1
A matriz U , das probabilidades de absorcao para os diversos estados de absorcao e
U = NR. (5.57)
5.7 Solucao numerica da matriz fundamental da ca-
deia de Markov.
As Eqs. (5.53) a (5.56) estabelecem as taxas de falha, da turbina e do gerador, em funcao
em funcao do tempo de operacao e as taxas de reparo constantes. A matriz de probabili-
dades de transicao, T , Fig. 5.20, e funcao das taxas de falha e de reparo. Com as taxas
de falha avaliadas numericamente monta-se a matriz T . A partir da matriz T , extrai-se
a particao Q, conforme a Fig. 5.24. Empregando a Eq. (5.49) obtem-se a matriz funda-
mental da cadeia de Markov, N . Finalmente, a Eq. (5.52) fornece o tempo total para
absorcao, conforme ja foi dito, absorcao e o estado 8, que corresponde a falha total do
116
sistema.
Embora a Eq. (5.52) permita calcular o tempo total de absorcao, Tk, a partir de
qualquer estado k, o interesse desta tese e calcula-lo a partir do estado inicial, quando
todas as maquinas estao em condicoes operacionais.
Figura 5.26: Numero de passos ate o colapso operacional,partindo do estado 1.
A variavel independente no inıcio
desse procedimento numerico foi o
tempo de operacao do sistema de tur-
bogeracao e a variavel dependente no
final do processo e o tempo total de
absorcao. Entao, em resumo, o que
se obteve foi uma relacao funcional
numerica do tempo total de absorcao
dependente do tempo de operacao do
sistema turbogerador.
O procedimento descrito calcula o tempo total de absorcao em uma unidade deno-
minada passo. O passo corresponde a um ciclo completo de operacao, caracterizado na
Fig. 3.1 como: inıcio de operacao, operacao, falha inicial, aguardando reparo, inıcio do
reparo e reparo. O re-inıcio da operacao marca o inıcio do proximo passo.
Escolhendo-se, reiteradamente, valores de tempo de operacao t, em horas, calculam-se
os valores dos tempos para absorcao Tk, em passos.
A Fig. 5.26 fornece o numero de passos ate o colapso operacional em funcao das horas
de operacao.
5.8 Solucao do sistema de equacoes diferenciais par-
ciais de Markov
O sistema de equacoes diferenciais parciais de Markov, Eqs. (4.34) a (4.41), pode ser
escrito na forma matricial:
A∂P
∂s+ B
∂P
∂t= C(s)P, (5.58)
117
onde
P = P (s, t) = [p1, p2, . . . , p8]T
e o vetor das incognitas, A e B sao matrizes identidade 8×8, e C e a matriz dos coeficientes
dos termos fonte.
A matriz C, na condicao de reparo mınimo, esta apresentada na Fig. 5.27.
Figura 5.27: Matriz dos coeficientes dos termos fonte, C.
O vetor das incognitas esta sujeito a equacao de restricao representada pela Eq. (4.42),
onde a soma dos elementos do vetor das incognitas deve ser igual a 1.
Esse sistema de equacoes diferenciais parciais e geral e a sua solucao fornece as pro-
babilidades de ocorrencia de cada estado pi(s, t), i = 1, . . . , 8 nas regioes de vida util e de
envelhecimento, na condicao de reparo mınimo.
O sistema e do tipo adveccao com termo fonte. Trata-se de um problema de valor
inicial com condicoes de contorno e uma equacao algebrica de restricao para as incognitas.
As variaveis independentes sao:
s - variavel complementar que representa o sacrifıcio do equipamento (horas);
t - variavel que representa a idade do equipamento (horas).
Cada estado e representado pelo ındice i. As incognitas sao as probabilidades pi de
que cada estado i ocorra em pi(s, t), i = 1, . . . , 8.
Os parametros do modelo sao:
λ - taxa de falha (falhas/hora) λ = λ(t);
µ - taxa de reparo (reparos/hora) µ = µ(t),
conforme a Tab. 5.8.
As condicoes iniciais sao
118
Tabela 5.8: Parametros do modelo.
p1(s, 0) = 1 e
pi(s, 0) = 0, i = 2, . . . , 8.(5.59)
As condicoes de contorno sao
p1(s, 0) = 1 e
pi(s, 0) = 0, i = 2, . . . , 8.(5.60)
Ha 3 possibilidades para solucao numerica de um sistema da forma
A∂P (s, t)
∂s+
∂P (s, t)
∂t= C(s)P (s, t) : (5.61)
1. metodo do passo fracionario;
2. esquema de Lax-Wendroff com termo fonte;
3. metodo das curvas caracterısticas.
Pelo metodo do passo fracionario (fractional-step method), no sistema de equacoes
diferenciais parciais da forma APs + Pt = CP, P = P (s, t) a parte homogenea fica
resolvida por Lax-Wendroff e a parte do termo fonte por Runge-Kutta 4:
por Lax - Wendroff
A∂P (s, t)
∂s+
∂P (s, t)
∂t= 0; (5.62)
por Runge-Kutta-4
dP (s)
dt= C (P (s)) . (5.63)
A primeira iteracao comeca com Lax-Wendroff com as condicoes iniciais
P (s, 0) = f(s). (5.64)
Em seguida, e feita uma iteracao de RK-4 e recomeca com Lax-Wendroff. Somente
depois de completado todo o eixo-s, e depois de feita a ultima iteracao de RK-4, com t
119
constante, o programa faz os incrementos: t = t + ∆t, smin = smin + 1, smax = smax − 1.
A rotina termina no ponto P (smax, tmax).
No metodo de Lax-Wendroff para sistema nao-homogeneo o esquema adotado e
U j+1n = U j
n − sA
2
(
Ujn+1 − U
jn−1
)
+s2A2
2
(
Ujn−1 − 2U j
n + Ujn+1
)
+ kCjn, (5.65)
onde s e a razao entre os incrementos ∆s e ∆t. Trata-se de um esquema de volumes finitos,
explıcito, com diferencas centradas e erro local de truncamento LTE = O (∆s2 + ∆t2).
O metodo das curvas caracterısticas, Secao 4.1, pode ser aplicado para resolver este
problema de valor inicial e EDPs de primeira ordem (Smith, 1985 [44]).
Considere a EDP linear de primeira ordem
a (s, t)∂p(s, t)
∂s+ b (s, t)
∂p(s, t)
∂t= c (s, t) (5.66)
em duas variaveis, com a condicao inicial u (s, 0) = f(s).
As curvas caracterısticas sao
ds
dr= a(s, t) (5.67)
dt
dr= b(s, t) (5.68)
dp
dr= c(s, t) (5.69)
As equacoes das curvas caracterısticas podem ser expressas por
ds
a(s, t)=
dt
b(s, t)=
dp
c(s, t)(5.70)
A funcao b(s, t) e constante e vale 1 devido ao tipo do problema. A funcao a(s, t) e
constante e vale 1 devido as caracterısticas particulares do problema em estudo, conforme
explicado na Secao 4.1.5, Analise Dimensional das Curvas Caracterısticas.
ds
1=
dt
1=
dp
c(s, t)(5.71)
fica
s = t (5.72)
e
dp(s, t)
dt= c(s, t) (5.73)
120
O problema ficou reduzido a um sistema de equacoes diferenciais ordinarias que pode
ser resolvido pelo metodo de Runge Kutta (Braun, 1992 [9]).
No plano s−t a igualdade entre as variavies s e t indica uma curva caracterıstica linear
fazendo um angulo deπ
4. Estas curvas caracterısticas estao representadas na Fig. 4.3, onde
o deslocamento das curvas caracterısticas representa o tempo que a maquina permanece
parada.
Para resolver o sistema de EDO, foi utilizado o codigo em FORTRAN baseado no
algoritmo de Runge-Kutta-Fehlberg de ordem 4 com 5 funcoes de avaliacao (Asaithambi,
1995 [3]). O programa consta do Anexo G.1.
Capıtulo 6
Resultados
A solucao exata do sistema de equacoes diferenciais parciais de Markov, Eqs. (4.34)
a (4.41), que modelam, na condicao de reparo mınimo, a regiao de envelhecimento da
turbogeracao em estudo, esta indicada na Tab. 6.1, apresentando as probabilidades de
colapso do sistema, p8, em funcao do tempo de operacao t. As demais colunas sao as
probabilidades de ocorrencia de cada um dos estados. A probabilidade de ocorrencia do
estado 1, em funcao do tempo de operacao, esta indicada na coluna p1 e a probabilidade
de ocorrencia do estado 8 na coluna p8.
Apesar do metodo de solucao das equacoes de Markov ser exato, nao significa que
a solucao encontrada seja unica. Conforme se observa nas Figs. 5.4 e 5.5, os dados do
problema sao mal condicionados. Os dados sao empıricos e foram obtidos no campo,
por meio de observacoes efetuadas em 84 turbinas instaladas em 23 plataformas e 105
geradores instalados em 59 plataformas, conforme Anexo A. Uma fonte possıvel para a
origem do mal condicionamento reside nas paradas administrativas, conforme explanado
na Secao 4.4.7, Parada administrativa.
O presente estudo contempla somente a regiao de envelhecimento. O momento inicial
dessa regiao, que corresponde ao termino da vida util, esta assinalado com t = 0.
A Tab. 6.1 tem todas as probabilidades, de p1 ate p8 ao longo do tempo de operacao,
mas cada coluna tem sua importancia segundo o significado do estado. O estado 1 repre-
senta o momento inicial onde todas as seis maquinas, tres turbinas e tres geradores, estao
em condicoes operacionais, inclusive o grupo turbogerador que vai permanecer de reserva,
121
122
ja que somente dois serao necessarios para atender a carga. O estado 8 representa o foco
desta tese.
Tabela 6.1: Probabilidades de ocorrencia dos estados do sistema.
E nesse estado que ocorre o colapso operacional, quando o segundo turbogerador sai
de operacao antes que o primeiro a falhar tenha sido recuperado. Os demais estados,
de 2 a 7, sao estados intermediarios onde apenas um equipamento, uma turbina ou um
gerador, apresentou falha. Alem do significado desses estados ser de menor importancia,
o valor numerico das probabilidades e pequeno. A probabilidade de falha do gerador, por
exemplo, e, aproximadamente, nula.
Figura 6.1: Probabilidades de falha dos estados,sob reparo mınimo, avaliadas por solucao do sistemade equacoes de Markov. A legenda das curvas e amesma da Fig. 3.10.
O que se observa, pelo exame da
Tab. 6.1, e que a probabilidade de ocorrencia
de colapso operacional, p8, e funcao princi-
palmente da probabilidade do estado 1, p1.
As demais probabilidades apresentam con-
tribuicao de pequena relevancia. Este fato
se observa, tambem, no grafico da Fig. 6.1.
Devido a aparente indiferenca dos esta-
dos 2 a 7 no resultado final e correlacao ex-
clusiva entre os estado 1 e 8, o diagrama de estados da cadeia de Markov foi simplificado
para levar em conta somente os primeiro e ultimo estados, desprezando-se os estados
123
intermediarios, conforme a Fig. 4.11.
A simplicidade do sistema que equaciona esse modelo possibilita que a solucao seja
determinada por integracao, resultando nas Eqs. (4.90) e (4.91).
A Fig. 6.2 mostra graficamente a solucao neste caso simplificado. Por esse grafico a
saturacao deveria ocorrer com cerca de 250 horas de operacao.
Figura 6.2: Solucao do diagrama simplificado deMarkov.
Apesar dos estados 2 a 7 parecerem, em
princıpio, irrelevantes para o problema por-
que as suas probabilidades sao pequenas, a
Fig. 6.2 mostra que a retirada desses estados
altera significativamente o resultado.
Os tres esquemas de solucao do sistema
de equacoes diferenciais parciais que foram
implementados chegaram praticamente ao
mesmo resultado, as diferencas estando na ordem de 10−3. Devido ao fato de a solucao
ser suave, e indiferente a escolha de um ou outro esquema. A suavidade da solucao ja
tinha sido prevista pela tecnica de Monte Carlo, conforme se observa na Fig. 3.10.
A solucao de Monte Carlo permitiu a comparacao entre os modelos de reparo mınimo e
de renovacao, Fig. 3.11. O colapso do sistema e insensıvel ao modelo adotado, ocorrendo,
em ambos os casos, com 800 horas de operacao contınua. A diferenca, entretanto, reside
no percurso para alcancar o tempo de colapso. Com 500 horas de operacao, por exemplo,
a probabilidade de falha do sistema e de, aproximadamente, 25%, no caso de reparo de
renovacao e de quase 80%, no de reparo mınimo.
O metodo apresentado estabeleceu um procedimento sistematico para determinar a
probabilidade condicional de uma planta industrial falhar por completo apos decorrido
um tempo de operacao, dado que nao tenha falhado ate aquela data.
A Fig. 6.1 mostra a evolucao da probabilidade de falha do estado 8, que e aquele onde
dois turbogeradores falham conjuntamente, ou seja, o segundo falha antes que o primeiro
a falhar tenha sido reparado, determinando, assim, a falha completa do sistema.
Pela Fig. 4.10, se observa, tambem, que as probabilidades dos estados 2 a 7 sao ir-
relevantes para a determinacao da falha geral do sistema. Existe uma forte correlacao
124
negativa entre a probabilidade do estado 1, onde todas as maquinas estao em condicoes
operacionais, e a do estado 8.
Figura 6.3: Tendencia da sensibilidade da duracaoda missao em relacao ao ROCOF.
O ROCOF e o metodo que permite esti-
mar a funcao taxa de falha na regiao de enve-
lhecimento, sem que seja necessario aguardar
que a planta esteja efetivamente envelhecida.
Conforme explicado na Secao 4.4.5, Taxa de
ocorrencia de falhas – ROCOF, o metodo uti-
liza a caracterıstica markoviana de nao pos-
suir memoria e determina a funcao taxa de
falha com valores disponıveis atualmente assumindo que, por nao ter memoria, essa funcao
sera valida no envelhecimento da planta.
O metodo tem um erro que, no momento, e desconhecido. Entretanto, e possıvel
determinar a sensibilidade da taxa de falha ao ROCOF. A Fig. 6.3, que esta baseada na
Fig. 5.15, apresenta a sensibilidade da duracao da missao na fase de envelhecimento em
relacao a taxa de falha estimada pelo ROCOF. Na Eq. (5.30), o ROCOF e a variavel
independente e a duracao da missao e a funcao que depende do ROCOF.
Pode-se observar na Fig. 6.3 que no intervalo dos valores de interesse, que vai de, apro-
ximadamente, 500 ate 1000 horas, a tendencia da sensibilidade e menor que 1, indicando
que, nessa faixa, o erro relativo propagado na determinacao da duracao da missao e menor
que o erro introduzido pelo metodo ROCOF. Este fato valida o metodo ROCOF porque
mostra que a funcao taxa de falha e pouco sensıvel ao metodo.
As Figs. 3.10 e 6.1 sao a solucao do mesmo problema, ou seja, determinacao das
probabilidades de ocorrencia dos estados de falha do sistema de geracao mostrado na
Fig. 3.2, em funcao do tempo de operacao. A primeira solucao foi obtida pela utilizacao
do metodo estocastico de Monte Carlo e a segunda pela solucao numerica do sistema de
equacoes de Markov. A comparacao entre as figuras mostra algumas diferencas entre elas.
A curva que representa os estados de falha do gerador, 3, 5 e 7, indica, em ambas as
solucoes, que a probabilidade de falha do gerador e, aproximadamente, nula.
Na solucao markoviana, as probabilidades de ocorrencia dos estados 2, 4 e 6, que
125
representam os estados de falha da turbina, atingem o seu maximo em, aproximadamente,
6%, com cerca de 50 horas de operacao, tendendo a zero daı em diante. Pela tecnica de
Monte Carlo, esse maximo e de 15% ocorrendo em 150 horas.
Na solucao estocastica, a probabilidadede de ocorrencia do estado 1 parece ser inde-
pendente dos estados 2, 4 e 6. Tal nao acontece na solucao markoviana, na Fig. 6.1. No
ponto em que a probabilidade desses estados passa por um maximo, a curva de probabili-
dades do estado 1 apresenta modificacao na sua declividade. Na solucao de Monte Carlo
a curva do estado 1 nao apresenta variacao pontual na declividade.
Figura 6.4: Comparacao entre os metodos de sistema equivalente(aproximado) e markoviano (exato).
A comparacao entre o metodo da reducao do sistema a outro equivalente, solucao
aproximada, e o metodo pela solucao do sistema de equacoes de Markov, solucao exata,
esta apresentada na Fig. 6.4. O metodo de reduzir o sistema a outro equivalente nao leva
em conta o efeito da variavel s que representa o desgaste a que o equipamento foi submetido
no passado. Apesar de empregar as taxas de falha proprias da regiao de envelhecimento,
o que valida o metodo, a reducao pressupoe que o sistema seja markoviano, isto e, um
sistema sem memoria. A denominacao de solucao exata fica reservada para a solucao
do sistema de equacoes diferenciais parciais com duas variaveis independentes, a idade
do equipamento, t, e a duracao da missao, s. A variavel s representa nao somente o
tempo que a missao esta durando, mas, tambem, o desgaste que o equipamento sofreu no
passado e as condicoes de operacao mais adversas a que foi submetido. O importante na
variavel s, e que traduza alguma caracterıstica do passado, para assegurar que o sistema
126
seja nao-markoviano.
O exame da figura indica que o metodo aproximado e conservador e aponta para uma
probabilidade de ocorrencia de colapso operacional cerca de 200 horas antes da ocorrencia
indicada pelo metodo exato.
Figura 6.5: Numero de intervencoes de manutencao, desde o es-tado 1, ate o colapso operacional, estado 8, em funcao do tempo deoperacao.
Uma outra maneira de observar a proximidade da ocorrencia de colapso operacional
esta mostrada na Fig. 6.5. Cada passo significa uma intervencao de manutencao em
decorrencia de uma falha. Um passo completo e o tempo que vai do inıcio ate o reinıcio da
operacao, como mostrado na Fig. 3.1. O numero de passos que faltam para a ocorrencia
do colapso e um indicador da proximidade desse evento. O grafico mostra que, apos
1000 horas de operacao contınua, faltam cerca de 50 falhas para uma falha irrecuperavel,
quando sera necessario, entao, retirar o sistema de operacao para depanagem geral.
A Fig. C.1 mostra que a dependencia do custo de manutencao com a confiabilidade
do sistema de turbogeracao e linear e apresenta pequena declividade sendo, aproximada-
mente, horizontal. Apesar do aumento de confiabilidade representar um correspondente
aumento do custo de manutencao, esse aumento nao se mostrou significativo.
Capıtulo 7
Conclusoes
A metodologia estabelecida neste trabalho possibilita avaliar a extensao da vida util de
uma planta industrial ate um prazo maximo que ofereca dependabilidade, aqui entendida
como coletivo de seguranca, confiabilidade e mantenabilidade, e rentabilidade.
A modelagem matematica e computacional, utilizando cadeias de Markov, nas condi-
coes de reparo mınimo e de renovacao, provam ser uma abordagem adequada para a
quantificacao, em termos probabilısticos, do grau de perda de operacionalidade de uma
instalacao industrial que esteja operando alem do seu tempo de vida util.
Os resultados obtidos com a generalizacao do estudo da confiabilidade, na fase de enve-
lhecimento, para todo o sistema, sao de carater inovador, representando uma contribuicao
ao estudo da confiabilidade aplicada a plantas industriais.
A literatura apresenta, de forma restrita, somente estudos para a fase de vida util de
apenas um equipamento. A generalizacao decorre do emprego da Teoria da Coerencia no
estudo da confiabilidade, o que vem reforcar a originalidade da contribuicao. Os resultados
encontrados aplicando a teoria da coerencia a confiabilidade apresentam pela primeira vez
estudos de envelhecimento de todos os equipamentos de um sistema.
De acordo com a Fig. 6.4, o metodo aproximado considera que o processo estocastico
na fase de envelhecimento permanece markoviano enquanto que o metodo exato reco-
nhece as caracterısticas nao-markovianas desse processo. Diferentemente dos resultados
disponıveis na literatura tecnica, onde se considera que, geralmente, o erro de aproximacao
e desprezıvel, a comparacao entre os metodos aproximado, reducao do sistema a outro
127
128
equivalente, e exato, pela solucao das equacoes de Markov, indica claramente que o metodo
aproximado consegue prever que o colapso operacional do sistema de geracao devera ocor-
rer apos 600 horas de funcionamento contınuo, enquanto que o metodo exato aponta o
colapso para apos decorridas 800 horas. Essa diferenca implica em reducao significativa
de custos.
Esses resultados concordam com as previsoes inferidas experimentalmente, validando
a metodologia desenvolvida no Capıtulo 4, oferecendo, portanto, uma ferramenta util para
a determinacao da probabilidade de falhar, dado que ate agora nao falhou.
O calculo do numero de passos, desde o estado 1, onde todas as maquinas estao em
funcionamento, ate o estado 8, onde ocorre o colapso operacional, e outro indicador da
proximidade de coplaso. Comparando os graficos das Figs. 6.4 e 6.5, observa-se que as
equacoes de Markov apontam para o colapso apos cerca de 800 horas de funcionamento,
enquanto que, nesse tempo, o colapso devera ocorrer apos cerca de cem intervencoes de
manutencao.
De acordo com a expressao da taxa de falha do sistema, calculada de modo aproximado,
Eq. (5.41), apos as 800 horas de funcionamento a taxa de falha e de, aproximadamente,
0,03 falhas por hora, significando que devera ocorrer, em media, cerca de uma falha a
cada 35 horas, representando uma perda da dependabilidade e caracterizando, assim, o
colapso operacional.
De forma sucinta, os objetivos propostos inicialmente foram atingidos, oferecendo
a possibilidade de avaliacao da extensao da vida util de plantas industriais atraves da
metodologia apresentada neste trabalho.
129
Referencias Bibliograficas
[1] ABERNETHY, R. B. The new weibull handbook. Florida, 2003.
[2] WANG, G.; LEE, A. K.; SERRATELLA, C.; BASU, R. Flexible approaches to risk-based inspection of FPSOs. In: Offshore Technology Conference. Houston, 2006. OTCn. 18364.
[3] ASAITHAMBI, N. S. Numerical analysis: theory and practice. Pensylvania: SaundersCollege, 1995.
[4] ASCHER, H.; FEINGOLD, H. Repairable systems reliability. New York: Marcel Dek-ker, 1984.
[5] AVEN, T.; JENSEN, U. Stochastic models in reliability. New York: Springer, 1999.
[6] BARLOW, R. E.; PROSCHAN, F. Statistical theory of reliability and life testing.New York: Holt, Rinehart and Winston, 1975.
[7] BILLINTON, R. Power system reliability evaluation. New York:, Gordon and BreachScience Publishers, 1970.
[8] BILLINTON, R.; ALLAN, R. N. Reliability evaluation of engineering systems. NewYork: Plenum Press, 1992.
[9] BRAUN, M. Differential equations and their applications. New York: Springer, 1992.
[10] CHERIFF, P. A. Avaliacao estatıstica da gestao da manutencao e acompanhamentodo grau de obsolescencia de maquinas marıtimas militares. 2003. Dissertacao (Mestrado)- Instituto Alberto Luiz Coimbra de Pos-Graduacao e Pesquisa de Engenharia, Universi-dade Federal do Rio de Janeiro, Rio de Janeiro, 2003.
[11] COX, D. R. Renewal theory. London: Methuen, 1962.
[12] XIE, M.; MURTHY, D. N. P.; JIANG, R. Weibull models. New Jersey: John WileySons, 2004.
[13] DuCHATEAU, P.; ZACHMANN, D. Applied partial differential equations. NewYork: Dover, 2002.
130
[14] NATVIG, B. et al. Multistate reliability theory: a case study. Advances in AppliedProbability. v. 18, n. 4, p. 921-932, 1986.
[15] KOVALENKO, I. N. et al. Mathematical theory of reliability of time dependent sys-tems with practical applications. Sussex: John Wiley and Sons, 1997.
[16] CROWDER, M. J. et al. Statistical analysis of reliability data. New York: ChapmanHall, 2000.
[17] GAO, X. et al. Analysis for joint importance of components in a coherent system.European Journal of Operational Research, n. 182, p. 282-299, 2007.
[18] HECHT, H. Systems reliability and failure prevention. Norwood: Artech House,2004.
[19] HIGGINS, J. J.; McNULTY, S. K. Concepts in probability and stochastic modeling.California: Duxbury Press, 1995.
[20] HIRSCHBERG, S. Human reliability analysis in probabilistic safety assessment fornuclear power plants. CSNI Technical Opinion Papers, n. 5068, 2004.
[21] HSU, H. Probability, random variables, and random processes. New York: McGraw-Hill, 1997.
[22] STUBBERUD, A.R.; DISTEFANO, J. J.; WILLIAMS, I. J. Sistemas de retroacao econtrole. Sao Paulo: McGraw-Hill, 1972.
[23] McKENNA, T.; OLIVERSON, R. Glossary of reliability and maintenance terms.Houston: Gulf Publishing, 1997.
[24] KIJIMA, M. Markov processes for stochastic modeling. London: Chapman & Hall,1997.
[25] LAFRAIA, J. R. B. Manual de confiabilidade, mantenabilidade e disponibilidade. Riode Janeiro: Qualitymark, 2001.
[26] LEWIS, E. E. Introduction to reliability engineering. Illinois: John Wiley & Sons,1996.
[27] LIMNIOS, N.; OPRISAN, G. Semi-markov processes and reliability. Boston: NewYork: Birkhauser, 2001.
[28] LOGIACO, S. Electrical installation dependability studies. Cahier Technique MerlinGerin, n. 184, p. 1-24, 1997.
[29] MEEKER, W. Q.; ESCOBAR, L. A. Statistical methods for reliability data. NewYork: John Wiley & Sons, 1998.
131
[30] NOCEDAL, J.; WRIGHT, S. J. Numerical optimization. New York: Springer, 1999.
[31] NORRIS, J. R. Markov chains. New York: Cambridge University Press, 2005.
[32] OLIVEIRA, A. L. Avaliacao do uso do metodo das variaveis suplementares para ocalculo da confiabilidade de sistemas sob envelhecimento. 2005. Dissertacao (Mestrado)- Instituto Militar de Engenharia, Rio de Janeiro, 2005.
[33] OLIVEIRA, E. A. Uso de variaveis suplementares e inversao de transformadas deLaplace no calculo de confiabilidade de sistemas sujeitos a envelhecimento e sob reparomınimo. 2001. Tese (Doutorado) - Instituto Alberto Luiz Coimbra de Pos-Graduacao ePesquisa de Engenharia, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2001.
[34] PINHO, M. O. Sobre a aplicacao de sistemas de equacoes diferenciais parciais eordinarias de primeira ordem a confiabilidade de sistemas de seguranca sobenvelhecimento. 2000. Tese (Doutorado) - Instituto Alberto Luiz Coimbra de Pos-Graduacao e Pesquisa de Engenharia, Universidade Federal do Rio de Janeiro, Rio deJaneiro, 2000.
[35] PYY, P. Human reliability analysis methods for probabilistic safety assessment.Technical Research Centre of Finland, n. 422, p. 1-67, 2000.
[36] RAMAKUMAR, R. Engineering reliability fundamentals and applications. Oklahoma:Prentice- Hall, 1993.
[37] RAUSAND, M.; HOYLAND, A. System reliability theory. New York: John Wiley& Sons, 2004.
[38] RIGDON, S. E.; BASU, A. P. Statistical methods for the reliability of repairablesystems. New York: John Wiley & Sons, 2000.
[39] ROBERT, C. P.; CASELLA, G. Monte Carlo statistical methods. New York: Sprin-ger, 2004.
[40] SARRA, S. A. The method of characteristics with applications to conservation laws.Journal of Online Mathematics and its Applications, n. 1, 2003. Disponıvel em:http://mathdl.maa.org/mathDL/4/?pa=content&sa=viewDocument&nodeId=389&bodyId=351.
[41] SENETA, E. Non-negative matrices and markov chains. New York: Springer, 2006.
[42] SHESKIN, T. J. Computing the fundamental matrix for a reducible markov chain.Mathematics Magazine, v. 68, n. 5, p. 393-398, 1995.
[43] SINGH, C.; BILLINTON, R. System reliability modelling and evaluation. London:Hutchinson Educational Publishers, 1977.
132
[44] SMITH, G. D. Numerical solution of partial differential equations. Oxford:Clarendon Press, 1985.
[45] SINTEF TECHNOLOGY AND SOCIETY. OREDA 97: supplement offshore relia-bility data handbook. OREDA Participants. 1997. http://www.sintef.no/oreda.
[46] ———–. Oreda: Offshore Reliability Data Handbook. Trondheim: Det Norske Veri-tas, 2002.
[47] THOMAS, J. W. Numerical partial differential equations. New York: Springer, 1995.
[48] ZIO, Enrico. An introduction to the basics of reliability and risk analysis. Milano:World Scientific Publishing, 2007.
137
B.1 Caso 1 - Turbina - Duracao da missao
Figura B.1: Determinacao grafica dos parametros da distribuicao Weibull.
Reconstituicao de valores
caso 1 - turbina - duracao da missao
β = 0, 6098
η = 617, 2 horas
138
B.2 Caso 2 - Turbina - Duracao do reparo
Figura B.2: Determinacao grafica dos parametros da distribuicao lognormal.
Reconstituicao de valores
caso 2 - turbina - duracao do reparo
µ∗ = 1, 379 horas
σ∗ = 1, 896 horas
139
B.3 Caso 3 - Gerador - Duracao da missao
Figura B.3: Determinacao grafica dos parametros da distribuicao Weibull.
Reconstituicao de valores
caso 3 - gerador - duracao da missao
β = 0, 2000
η = 141, 2 horas
140
B.4 Caso 4 - Gerador - Duracao do reparo
Figura B.4: Determinacao grafica dos parametros da distribuicao lognormal.
Reconstituicao de valores
caso 4 - gerador - duracao do reparo
µ∗ = 1, 263 horas
σ∗ = 1, 813 horas
Apendice C
Custo de manutencao
A atividade de manutencao durante e apos a vida util de uma planta industrial de-
monstra que os intervalos entre as intervencoes de manutencao devem ser gradativamente
diminuıdos na medida em que o tempo em operacao aumenta. A avaliacao do risco e
um dos criterios utilizados para saber se o intervalo de manutencao esta adequado para
aquela planta. Ver Anexo E.
As probabilidades de falha foram determinadas no Capıtulo 5, Solucao numerica, agora
e oportuno conhecer o risco associado aquelas probabilidades.
O custo total da falha e a soma do custo do reparo com o risco. O custo do reparo, em
homem-hora (HH), foi obtido no banco de dados OREDA, enquanto que a tarifa de energia
eletrica foi obtida em tabelas da Agencia Nacional de Energia Eletrica-ANEEL. Para
permitir a comparacao, a tarifa de energia sera expressa em homem-hora. A conversao
da tarifa de energia eletrica para homem-hora por cada turbogerador esta apresentada no
Anexo D.
O valor do custo da perda, ponderado por um expoente, multiplicado pela proba-
bilidade da perda ocorrer resulta no risco da instalacao, conforme Eq. (E.1). O valor
escolhido para o peso, k = 0, 25, foi determinado por tentativas para tornar o montante
do risco da mesma ordem de grandeza do custo de reparo. A probabilidade de ocorrencia
de perda do sistema de geracao e a probabilidade do estado 8, p8(s, t).
A duracao do reparo segue uma distribuicao lognormal, conforme visto no Capıtulo 5.
Os parametros das distribuicoes estao apresentadas nas Tabs. 5.4 e 5.6. Na condicao de
141
142
reparo mınimo, o custo do reparo deve acompanhar a mesma distribuicao da duracao do
reparo porque nao ha gastos com material. O valor esperado desses custos e o produto
do custo aleatorio do reparo pela probabilidade de ocorrencia das falhas. No estado 1, o
custo do reparo e nulo, porque as tres maquinas estao em condicoes de funcionamento.
No estado 8, o sistema esta fora de operacao, entao, a energia e suprida por geradores
auxiliares. Os custos decorrentes do sistema principal estar fora de operacao nao fazem
parte deste estudo. O custo esperado do reparo e o somatorio dos produtos do custo
aleatorio pelas respectivas probabilidades de ocorrencia dos estados de falha 2 a 7. Pela
propriedade estatıstica das grandes amostras tenderem ao valor mais provavel, conhecida
como lei dos grandes numeros, foi necessario recalcular os custos de reparo 3.000 vezes
antes de efetuar a regressao linear que ajusta o custo de reparo com o tempo de operacao.
Figura C.1: Otimizacao da confia-bilidade do sistema turbogerador pelaminimizacao do custo total.
O custo total foi considerado como sendo a soma do custo do reparo com o custo de
risco de faltar energia eletrica. O estudo mostra que o metodo da manutencao baseada
em risco nao conduz a uma minimizacao do custo, mas permite visualizar que o custo
total de manutencao e, aproximadamente, independente dos intervalos de manutencao.
A soma, em cada intervalo de tempo, do custo de reparo obtido por regressao linear
com o risco forneceu o custo total.
144
Tabela D.1: Determinacao do custo de paralizacao de um turbogerador, em HH.
Tarifa media, total Brasil, referente a abril de 2007 254,72 R$/MWhSalario mınimo mensal, referente a abril de 2007 380,00 R$/mesSalario mınimo, por dia 12,67 R$/diaSalario mınimo, por hora 0,5278 R$/h1 homem.hora (HH) vale 0,5278 R$1 R$ vale 1,8947 HHTarifa media, total Brasil 482,63 HH/MWhPotencia tıpica de um turbogerador (1 TG) 20 MWTarifa equivalente a forca de trabalho 482,63 homem/MWForca de trabalho equivalente a 1 TG 9652,55 homem/20 MWCusto por hora de paralizacao de 1 TG 9652,55 homem/TGCusto da paralizacao 9652,55 HH/TGhDuracao do reparo da turbina 27,1 horasDuracao do reparo do gerador 28,4 horasCusto de perdas por paralizacao de uma turbina 263000 HH/TGCusto de perdas por paralizacao de um gerador 275000 HH/TGCusto medio de perdas por paralizacao de um TG 269000 HH/TG
Apendice E
Inspecao baseada em risco
A inspecao baseada em risco se apoia em 3 consideracoes:
• classificacao qualitativa do risco de falha dos equipamentos;
• classificacao qualitativa das consequencias da falha;
• custo das consequencias.
As duas classificacoes determinam a criticidade da falha.
O metodo de inspecao baseada em risco estabelece um nıvel de tolerancia de modo a
aceitar riscos, consequencias e custos abaixo de patamares estabelecidos gerencialmente.
No metodo da American Petroleum Institute (API), cada equipamento recebe uma
nota de classificacao de risco que vai de 0 ate 5, sendo a nota 0 a de menor risco. Recebe,
tambem, uma classificacao de consequencias da falha identificada pelas letras A, B, C, D,
E, sendo A a classificacao de menor consequencia.
Pelo metodo da API, essas duas classificacoes, de risco e consequencia, sao lancadas
em um mapa que determina a criticidade do equipamento.
Os equipamentos de criticidade igualmente alta sao, entao, analisados pelo custo das
consequencias (Lee, Serratella, Wang and Basu, 2006 [2]).
As probabilidades de falha sao classificadas em baixa, correspondendo aos nıveis 0 e
1, media, nıveis 2 e 3, e alta, nıveis 4 e 5 e as consequencias sao classificadas em pequena,
graus A e B, crıtica, graus B a D, e catastrofica, graus D e E. E importante observar
que a palavra crıtica aparece tanto na classificacao de risco quanto na de consequencia.
Em uma abordagem quantitativa, o risco e definido por
145
146
Tabela E.1: Mapa de grau de criticidade do risco.
5
4
3
2
1
0A B C D E
probabilidade
de falha
consequencia
alto
baixo
medio
medio
R =n
∑
i=1
xk · p (E.1)
onde x representa um dano a pessoas ou patrimonio, p e a probabilidade de ocorrer esse
dano, k > 1 e uma ponderacao decorrente da percepcao da gravidade do dano e n e o
numero de eventos desagradaveis analisados.
Para o controle do risco de falha e das consequencias da falha e necessario adotar
medidas de mitigacao e protecao, no caso de grande perda associada com baixa proba-
bilidade de ocorrencia e medidas de prevencao, para o caso de pequena perda com alta
probabilidade.
A mitigacao e feita mantendo-se sistemas e equipes de prontidao para atendimento
imediato. A protecao se refere, principalmente, as instalacoes de contencao para evitar
que o dano se difunda. A prevencao e feita aumentando-se a confiabilidade dos sistemas
para reduzir a probabilidade de falha (Enrico Zio, 2007 [48]).
E.1 Analise da confiabilidade humana
A analise da confiabilidade humana (ACH) e um instrumento para a obtencao de estima-
tivas quantitativas de erros humanos para inclusao em analises por arvores de falhas ou
de eventos visando a reducao do risco.
As tecnicas da ACH se originaram na industria aeroespacial ha mais de 50 anos e tem
sido aplicadas a industria de processos.
147
Um erro humano e uma acao que falha em atender a algum limite de aceitabilidade
definido para o sistema. Pode ser uma acao fısica indevida de operacao ou uma acao
cognitiva equivocada, isto e, a identificacao de uma falha ou o diagnostico das causas da
falha. Os erros em procedimentos de operacao ou de manutencao, por exemplo, conduzem
a um maior numero de demandas dos sistemas de protecao e aumentam o risco da planta.
A motivacao para estudo da confiabilidade humana decorre da variabilidade do desem-
penho humano. O ser humano nunca realiza uma tarefa exatamente da mesma forma. A
variabilidade humana influi diretamente nos valores das probabilidades de erros humanos.
A analise da confiabilidade humana mantem o risco de natureza humana dentro de limites
aceitaveis com referencia aos nıveis de tolerancia estabelecidos pela analise de risco para
a operacao do sistema.
A analise da confiabilidade humana compreende:
• identificacao de condicoes que levam as pessoas a errar;
• estimacao da probabilidade desse erro.
O emprego crescente de sistemas de controle computacionais complexos tem originado
fatores adicionais para consideracao em analises da confiabilidade humana. Para diminuir
a probabilidade de erro, e, ao mesmo tempo, aproveitar a precisao do controle digital, as
plantas mantem o controle digital mas os instrumentos devem possuir a interface com o
homem, os mostradores e indicadores, do tipo analogico, porque apresenta menor proba-
bilidade de erros.
Existem muitas tecnicas de ACH, porem, todas possuem as seguintes caracterısticas
basicas:
• identificacao de tarefas relevantes;
• emprego de registros historicos; e
• identificacao das condicoes que aumentam as probabilidades de erro.
O emprego das tecnicas de ACH permite obter resultados quantitativos que sao geral-
mente expressos na forma de taxas e probabilidades de erros humanos.
A probabilidade de erro humano e
Peh =Ne
No
(E.2)
148
onde Peh e a probabilidade de erro humano, Ne e o numero de erros observados e No e
o numero de oportunidades de erro. O numero de erros observados e obtido nos regis-
tros historicos e a quantidade de oportunidades de erro vem da identificacao de tarefas
relevantes.
O erro humano pode ser quantificado pela taxa de erro,
Teh =Ne
Dt
(E.3)
onde Teh e a taxa de erro humano, Ne e o numero de erros observados e Dt e a duracao
total da tarefa, obtida na fase de identificacao de tarefas relevantes (Pyy, 2000 [35]) e
(Hirschberg, 2004 [20]).
Apendice F
Metodo dos mınimos quadrados
Problema:
Dado o conjunto de N de pontos (x,y), onde os vetores x e y tem dimensao N , ajustar
uma equacao exponencial da forma
y = a ebx (F.1)
aos pontos dados.
Uma anamorfose logaritmica transforma a equacao exponencial no polinomio
z = a0 + a1x, (F.2)
onde z = Ln y, a0 = Lna e a1 = b.
Os N pontos dados sao, entao, modificados para (x, z), onde z = Lny.
O problema se transforma para:
Dado o conjunto de N de pontos (x, z), onde os vetores x e z tem dimensao N , ajustar
um polinomio
z = Pk (x) =k
∑
m=0
amxm, (F.3)
de grau k = 1, aos pontos dados, sujeito a seguinte restricao
Q (x) = min{F T F}, (F.4)
onde
F = Pk (x) − z. (F.5)
Montar o Jacobiano
149
150
Ji,j =∂Pk (xi)
∂aj
, i = 1, 2, . . . , N, j = 0, 1, . . . , k (F.6)
Montar a equacao normal do metodo do gradiente
JT J∆a = −JT F. (F.7)
Preparar a equacao normal do metodo do gradiente para as iteracoes
∆a = −(JT J)−1JT F. (F.8)
Calcular o vetor solucao a
a l+1 = a l + ∆a . (F.9)
onde l e o numero da iteracao em curso.
Desfazer a anamorfose, fazendo a = ea0 e b = a1.
(Nocedal and Wright, 1999 [30])
152
G.1 Programa para solucao do sistema de EDO
program RK45sis
integer i,n,nsteps,m
real deriv,h0,t,t0,tn,tend,f
real h(8),k1(8),k2(8),k3(8),k4(8),k5(8),k6(8),p0(8),pn(8)
real c2(8),c3(8),c4(8),c5(8),c6(8)
c real LT,LG,MT,MG
open(unit=6,file=’RK45sis.out’)
c open(unit=5,file=’RK45sis.dat’)
c*************************************************
m=0 ! imprime de m em m iterac~oes
neq=8 ! numero de equacoes
c*************************************************
c condicoes iniciais
c*************************************************
t0=0.0 ! p0=p(t0)
p0(1)=1.0
do 110 i=2,neq
110 p0(i)=0.0
tend=1500.
nsteps=3000
c*************************************************
h0=(tend-t0)/nsteps
tn=t0 ! tn eh o t do problema
do 120 i=1,neq
120 pn(i)=p0(i) ! pn eh o valor da integral
n=0
print *,’h= ’,h0
print *,’ n t p1 p2 p3 p4
* p5 p6 p7 p8’
write(6,1)n,tn,pn(1),pn(2),pn(3),pn(4),pn(5),pn(6),pn(7),pn(8)
1 format(1x,i4,2x,f5.0,2x,f8.4,6(2x,f9.3),2x,f8.4)
do 10 n=1,nsteps
c**********************************************************
c
do 130 i=1,neq
k1(i)=h0*f(i,tn,
* pn(1),pn(2),pn(3),pn(4),
* pn(5),pn(6),pn(7),pn(8))
130 continue
c
do 145 i=1,neq
145 c2(i)=k1(i)/4
do 140 i=1,neq
k2(i)=h0*f(i,tn+h0/4,
* pn(1)+c2(1),pn(2)+c2(2),pn(3)+c2(3),pn(4)+c2(4),
* pn(5)+c2(5),pn(6)+c2(6),pn(7)+c2(7),pn(8)+c2(8))
140 continue
c
do 155 i=1,neq
155 c3(i)=k1(i)*3/32+k2(i)*9/32
do 150 i=1,neq
k3(i)=h0*f(i,tn+h0*3/8,
* pn(1)+c3(1),pn(2)+c3(2),pn(3)+c3(3),pn(4)+c3(4),
* pn(5)+c3(5),pn(6)+c3(6),pn(7)+c3(7),pn(8)+c3(8))
150 continue
153
c
do 165 i=1,neq
165 c4(i)=k1(i)*1932/2197-k2(i)*7200/2197+k3(i)*7296/2197
do 160 i=1,neq
k4(i)=h0*f(i,tn+h0*12/13,
* pn(1)+c4(1),pn(2)+c4(2),pn(3)+c4(3),pn(4)+c4(4),
* pn(5)+c4(5),pn(6)+c4(6),pn(7)+c4(7),pn(8)+c4(8))
160 continue
c
do 170 i=1,neq
170 c5(i)=k1(i)*439/216-k2(i)*8+k3(i)*3680/513-k4(i)*845/4104
do 175 i=1,neq
k5(i)=h0*f(i,tn+h0,
* pn(1)+c5(1),pn(2)+c5(2),pn(3)+c5(3),pn(4)+c5(4),
* pn(5)+c5(5),pn(6)+c5(6),pn(7)+c5(7),pn(8)+c5(8))
175 continue
c
do 180 i=1,neq
c6(i)=-k1(i)*8/27+k2(i)*2-k3(i)*3544/2565+
* k4(i)*1859/4104-k5(i)*11/40
180 continue
do 185 i=1,neq
k6(i)=h0*f(i,tn+h0/2,
* pn(1)+c6(1),pn(2)+c6(2),pn(3)+c6(3),pn(4)+c6(4),
* pn(5)+c6(5),pn(6)+c6(6),pn(7)+c6(7),pn(8)+c6(8))
185 continue
c
do 190 i=1,neq
190 h(i)=k1(i)*25/216+k3(i)*1408/2565+k4(i)*2197/4104-k5(i)/5
c
tn=tn+h0
do 195 i=1,neq
195 pn(i)=pn(i)+h(i)
c
do 200 i=1,neq
if(abs(pn(i)).lt.1.e-11)pn(i)=0.0
200 continue
c
c***********************************************************
m=m+1
if (100-m)10,11,10
11 write(6,1)n,tn,pn(1),pn(2),pn(3),pn(4),pn(5),pn(6),pn(7),pn(8)
m=0
10 continue
c
stop
end
c*****Reparo minimo*****************************************
real function f(j,t,p1,p2,p3,p4,p5,p6,p7,p8)
integer j
real t,p1,p2,p3,p4,p5,p6,p7,p8
real LT,LG,MT,MG
LT=0.0028*exp(0.0017*t)+1/833.87
LG=6.0E-05*exp(0.0044*t)+1/10177.08
MT=0.036900
MG=0.035211
if(j.eq.1)f=-3*(LT+LG)*p1+MT*p2+MG*p3+MT*p4+MG*p5+MT*p6+MG*p7
if(j.eq.2)f=LT*p1-(MT+2*LT+2*LG)*p2
154
if(j.eq.3)f=LG*p1-(MG+2*LT+2*LG)*p3
if(j.eq.4)f=LT*p1-(MT+2*LT+2*LG)*p4
if(j.eq.5)f=LG*p1-(MG+2*LT+2*LG)*p5
if(j.eq.6)f=LT*p1-(MT+2*LT+2*LG)*p6
if(j.eq.7)f=LG*p1-(MG+2*LT+2*LG)*p7
if(j.eq.8)f=2*(LT+LG)*(p2+p3+p4+p5+p6+p7)
return
end
c*****Reparo de renovac~ao***********************************
c real function f(j,t,p1,p2,p3,p4,p5,p6,p7,p8)
c integer j
c real t,p1,p2,p3,p4,p5,p6,p7,p8
c real LT,LG,MT,MG
c LT=0.0028*exp(0.0017*t)+1/833.87
c LG=6.0E-05*exp(0.0044*t)+1/10177.08
c MT=0.036900
c MG=0.035211
c if(j.eq.1)f=-3*(LT+LG)*p1
c if(j.eq.2)f=-(MT+2*LT+2*LG)*p2
c if(j.eq.3)f=-(MG+2*LT+2*LG)*p3
c if(j.eq.4)f=-(MT+2*LT+2*LG)*p4
c if(j.eq.5)f=-(MG+2*LT+2*LG)*p5
c if(j.eq.6)f=-(MT+2*LT+2*LG)*p6
c if(j.eq.7)f=-(MG+2*LT+2*LG)*p7
c if(j.eq.8)f=2*(LT+LG)*(p2+p3+p4+p5+p6+p7)
c return
c end
155
G.2 Simulacoes de Monte Carlo
G.2.1 Simulacao de Monte Carlo para o reparo mınimo
//Montecarl2.c
/* CONDIC~AO DE REPARO MINIMO
Este programa faz uma simulac~ao para estimar as probabilidades dos estados da
cadeia de Markov. Quando o estado atual e "funcionando=1", utiliza a taxa de
falha para passar ou nao para o estado "falho=0". Quando o estado atual e
"falho=0", utiliza a taxa de reparo para passar ou nao para o estado
"funcionando=1". */
#include<stdio.h>
#include<math.h>
#include<time.h>
#include<stdlib.h>
//float aleatorio(float,float,float);
int main()
{
clock_t
start,// Inicio do tempo de processamento
stop; // Termino do tempo de processamento
/******************************************************************************
Marca o inicio do tempo de processamento
******************************************************************************/
start=clock();
/******************************************************************************
Definicao das variaveis
******************************************************************************/
float
lambdaT,//taxa de falha da turbina
lambdaG,//taxa de falha do gerador
miT,miG,
st,p[8+1],pi[8+1],sp,
y1,
R,RT,RG,
s,t;
int
sx,x[6+1],fi[4+1],sfi,fx,x60,x61,
i,j,k;
/******************************************************************************
Abre arquivo Montecarlo.out para gravac~ao
******************************************************************************/
FILE *arqs;
arqs=fopen("Montecarl2.out","w");
/******************************************************************************
Inicializa a funcao aleatorio
******************************************************************************/
time_t now;
now=time(NULL);
srand (now);
/******************************************************************************
lambdaT=0.00119923;//taxa de falha media da turbina em falhas por hora
lambdaG=0.00009826;//taxa de falha media do gerador em falhas por hora
R=exp(-lambda*t); confiabilidade
*******************************************************************************/
156
/******************************************************************************
Rotina
******************************************************************************/
fprintf(arqs," Condic~ao de reparo mınimo\n");
fprintf(arqs," t p1 p2 p3 p4 p5 p6 p7
p8\n");
for(t=0;t<=1500;t+=50){
for(i=1;i<=8;i++){pi[i]=0;}
for(i=1;i<=6;i++){x[i]=1;}
for(j=1;j<=100000;j++){
lambdaT=(1199.23+2800*exp(0.0017*t))*0.0000001;
// if(lambdaT<0.00119923){lambdaT=0.00119923;}
lambdaG=(98.26+60*exp(0.0044*t))*0.0000001;
// if(lambdaG<0.00009826){lambdaG=0.00009826;}
miT=36900e-6;
miG=35211e-6;
/*****************************************************************************/
sx=x[1];
if(sx==1){
R=exp(-lambdaT*t);
y1=1.0*rand()/RAND_MAX;
if(y1<R ){x[1]=1;}
if(y1>=R){x[1]=0;}
}
if(sx==0){
s=150.0*rand()/RAND_MAX;
R=exp(-miT*s );
y1=1.0*rand()/RAND_MAX;
if(y1<R ){x[1]=1;}
if(y1>=R){x[1]=0;}
}
/*****************************************************************************/
sx=x[2];
if(sx==1){
R=exp(-lambdaG*t);
y1=1.0*rand()/RAND_MAX;
if(y1<R ){x[2]=1;}
if(y1>=R){x[2]=0;}
}
if(sx==0){
s=150.0*rand()/RAND_MAX;
R=exp(-miG*s );
y1=1.0*rand()/RAND_MAX;
if(y1<R ){x[2]=1;}
if(y1>=R){x[2]=0;}
}
/*****************************************************************************/
sx=x[3];
if(sx==1){
R=exp(-lambdaT*t);
y1=1.0*rand()/RAND_MAX;
if(y1<R ){x[3]=1;}
if(y1>=R){x[3]=0;}
}
157
if(sx==0){
s=150.0*rand()/RAND_MAX;
R=exp(-miT*s );
y1=1.0*rand()/RAND_MAX;
if(y1<R ){x[3]=1;}
if(y1>=R){x[3]=0;}
}
/*****************************************************************************/
sx=x[4];
if(sx==1){
R=exp(-lambdaG*t);
y1=1.0*rand()/RAND_MAX;
if(y1<R ){x[4]=1;}
if(y1>=R){x[4]=0;}
}
if(sx==0){
s=150.0*rand()/RAND_MAX;
R=exp(-miG*s );
y1=1.0*rand()/RAND_MAX;
if(y1<R ){x[4]=1;}
if(y1>=R){x[4]=0;}
}
/*****************************************************************************/
sx=x[5];
if(sx==1){
R=exp(-lambdaT*t);
y1=1.0*rand()/RAND_MAX;
if(y1<R ){x[5]=1;}
if(y1>=R){x[5]=0;}
}
if(sx==0){
s=150.0*rand()/RAND_MAX;
R=exp(-miT*s );
y1=1.0*rand()/RAND_MAX;
if(y1<R ){x[5]=1;}
if(y1>=R){x[5]=0;}
}
/*****************************************************************************/
sx=x[6];
if(sx==1){
R=exp(-lambdaG*t);
y1=1.0*rand()/RAND_MAX;
if(y1<R ){x[6]=1;}
if(y1>=R){x[6]=0;}
}
if(sx==0){
s=150.0*rand()/RAND_MAX;
R=exp(-miG*s );
y1=1.0*rand()/RAND_MAX;
if(y1<R ){x[6]=1;}
if(y1>=R){x[6]=0;}
}
/*****************************************************************************/
fi[1]=x[1]*x[2];
fi[2]=x[3]*x[4];
fi[3]=x[5]*x[6];
fi[4]=1-(1-fi[1])*(1-fi[2])*(1-fi[3]);
158
sfi=fi[1]+fi[2]+fi[3];
if(sfi>=2){fx=1;}
if(sfi<2){fx=0;}
if((x[1]==1)&&(x[2]==1)&&(x[3]==1)&&(x[4]==1)&&(x[5]==1)&&(x[6]==1)){
pi[1]++;goto g81;}
if((x[1]==0)&&(x[2]==1)&&(x[3]==1)&&(x[4]==1)&&(x[5]==1)&&(x[6]==1)){
pi[2]++;goto g81;}
if((x[1]==1)&&(x[2]==0)&&(x[3]==1)&&(x[4]==1)&&(x[5]==1)&&(x[6]==1)){
pi[3]++;goto g81;}
if((x[1]==1)&&(x[2]==1)&&(x[3]==0)&&(x[4]==1)&&(x[5]==1)&&(x[6]==1)){
pi[4]++;goto g81;}
if((x[1]==1)&&(x[2]==1)&&(x[3]==1)&&(x[4]==0)&&(x[5]==1)&&(x[6]==1)){
pi[5]++;goto g81;}
if((x[1]==1)&&(x[2]==1)&&(x[3]==1)&&(x[4]==1)&&(x[5]==0)&&(x[6]==1)){
pi[6]++;goto g81;}
if((x[1]==1)&&(x[2]==1)&&(x[3]==1)&&(x[4]==1)&&(x[5]==1)&&(x[6]==0)){
pi[7]++;goto g81;}
if(fx==0){pi[8]++;goto g81;}
g81:
for(i=1;i<=5;i++){;}
}
sp=0;
for(i=1;i<=8;i++){sp+=pi[i];}
for(i=1;i<=8;i++){p[i]=pi[i]/sp;}
fprintf(arqs," %4.0f %4.4f %4.4f %4.4f %4.4f %4.4f %4.4f %4.4f
%4.4f %7.0f\n",t,p[1],p[2],p[3],p[4],p[5],p[6],p[7],p[8],sp);
}
/******************************************************************************
Marca o termino do tempo de processamento
******************************************************************************/
stop=clock();
st=(stop-start)/CLK_TCK;
printf("\n\n tempo de processamento %10.5f segundos \n",st);
fclose (arqs);
return (0);
}
G.2.2 Simulacao de Monte Carlo para o reparo perfeito
//Montecarlo.c
/* CONDIC~AO DE REPARO PERFEITO
Este programa faz uma simulac~ao para estimar as probabilidades dos estados da
cadeia de Markov. Utiliza somente a taxa de falha para mudar ou nao de um
estado para o outro. */
#include<stdio.h>
#include<math.h>
#include<time.h>
#include<stdlib.h>
float aleatorio(float,float,float);
int main()
159
{
clock_t
start,// Inicio do tempo de processamento
stop; // Termino do tempo de processamento
/******************************************************************************
Marca o inicio do tempo de processamento
******************************************************************************/
start=clock();
/******************************************************************************
Definicao das variaveis
******************************************************************************/
float
lambdaT,//taxa de falha da turbina em falhas por hora
lambdaG,//taxa de falha do gerador em falhas por hora
st,
y1,
x[6+1],fi[4+1],
p[8+1],
sp,
sfi,
fx,
R,
t;
int
i,j;
/******************************************************************************
Abre arquivo Montecarlo.out para gravac~ao
******************************************************************************/
FILE *arqs;
arqs=fopen("Montecarlo.out","w");
/******************************************************************************
Inicializa a funcao aleatorio
******************************************************************************/
time_t now;
now=time(NULL);
srand (now);
/******************************************************************************
Rotina
******************************************************************************/
fprintf(arqs," Condic~ao de reparo perfeito\n");
fprintf(arqs," t p1 p2 p3 p4 p5 p6 p7 p8\n");
for (t=0;t<=1500;t+=50){
for(i=1;i<=8;i++){p[i]=0;}
for(j=1;j<=100000;j++){
lambdaT=(1199.23+2800*exp(0.0017*t))*0.0000001;
// if(lambdaT<0.00119923){lambdaT=0.00119923;}
lambdaG=(98.26+60*exp(0.0044*t))*0.0000001;
// if(lambdaG<0.00009826){lambdaG=0.00009826;}
R=exp(-lambdaT*t);
y1=1.0*rand()/RAND_MAX;
if(y1<R) {x[1]=1.0;}
if(y1>=R){x[1]=0.0;}
R=exp(-lambdaG*t);
160
y1=1.0*rand()/RAND_MAX;
if(y1<R) {x[2]=1.0;}
if(y1>=R){x[2]=0.0;}
R=exp(-lambdaT*t);
y1=1.0*rand()/RAND_MAX;
if(y1<R) {x[3]=1.0;}
if(y1>=R){x[3]=0.0;}
R=exp(-lambdaG*t);
y1=1.0*rand()/RAND_MAX;
if(y1<R) {x[4]=1.0;}
if(y1>=R){x[4]=0.0;}
R=exp(-lambdaT*t);
y1=1.0*rand()/RAND_MAX;
if(y1<R) {x[5]=1.0;}
if(y1>=R){x[5]=0.0;}
R=exp(-lambdaG*t);
y1=1.0*rand()/RAND_MAX;
if(y1<R) {x[6]=1.0;}
if(y1>=R){x[6]=0.0;}
fi[1]=x[1]*x[2];
fi[2]=x[3]*x[4];
fi[3]=x[5]*x[6];
fi[4]=1-(1-fi[1])*(1-fi[2])*(1-fi[3]);
sfi=fi[1]+fi[2]+fi[3];
if(sfi>=2){fx=1;}
if(sfi<2){fx=0;}
if((x[1]==1)&&(x[2]==1)&&(x[3]==1)&&(x[4]==1)&&(x[5]==1)&&(x[6]==1)){
p[1]++;goto g81;}
if((x[1]==0)&&(x[2]==1)&&(x[3]==1)&&(x[4]==1)&&(x[5]==1)&&(x[6]==1)){
p[2]++;goto g81;}
if((x[1]==1)&&(x[2]==0)&&(x[3]==1)&&(x[4]==1)&&(x[5]==1)&&(x[6]==1)){
p[3]++;goto g81;}
if((x[1]==1)&&(x[2]==1)&&(x[3]==0)&&(x[4]==1)&&(x[5]==1)&&(x[6]==1)){
p[4]++;goto g81;}
if((x[1]==1)&&(x[2]==1)&&(x[3]==1)&&(x[4]==0)&&(x[5]==1)&&(x[6]==1)){
p[5]++;goto g81;}
if((x[1]==1)&&(x[2]==1)&&(x[3]==1)&&(x[4]==1)&&(x[5]==0)&&(x[6]==1)){
p[6]++;goto g81;}
if((x[1]==1)&&(x[2]==1)&&(x[3]==1)&&(x[4]==1)&&(x[5]==1)&&(x[6]==0)){
p[7]++;goto g81;}
if(fx==0){p[8]++;goto g81;}
g81:
for(i=1;i<=5;i++){;}
}
sp=0;
161
for(i=1;i<=8;i++){
sp+=p[i];
}
for(i=1;i<=8;i++){
p[i]/=sp;
}
fprintf(arqs," %4.0f %4.4f %4.4f %4.4f %4.4f %4.4f %4.4f %4.4f %4.4f
%7.0f\n",t,p[1],p[2],p[3],p[4],p[5],p[6],p[7],p[8],sp);
}
/******************************************************************************
Marca o termino do tempo de processamento
******************************************************************************/
stop=clock();
st=(stop-start)/CLK_TCK;
printf("\n\n tempo de processamento %10.5f segundos \n",st);
fclose (arqs);
return (0);
}
162
G.3 Programa para regressao linear pelos mınimos
quadrados
/*** RegrLine.c ***
Regressao linear 09/03/2006 */
/**********************************************************
Includes
**********************************************************/
#include <stdio.h>
#include <math.h>
#include<time.h>
int main()
{
clock_t
start,// Inicio do tempo de processamento
stop; // Termino do tempo de processamento
float st;
/**********************************************************
Marca o inicio do tempo de processamento
**********************************************************/
start=clock();
/**********************************************************
Abre arquivo de entrada
**********************************************************/
FILE * pDat;
pDat = fopen("RegrLine.dat","r");
/**********************************************************
Abre arquivo de saida
**********************************************************/
FILE * pOut;
pOut = fopen("RegrLine.out","w");
/**********************************************************
Titulo
**********************************************************/
fprintf(pOut,"*****************************************************\n");
fprintf(pOut,"* -1 *\n");
fprintf(pOut,"* A = B*C -> C = B * A *\n");
fprintf(pOut,"* *\n");
fprintf(pOut,"* 2 *\n");
fprintf(pOut,"* U = F(V) -> X = F(T) -> X = C3*T + C2*T + C1 *\n");
fprintf(pOut,"*****************************************************\n");
/**********************************************************
Declaracao das variaveis
**********************************************************/
int i,j,k,l,m,n;
fscanf(pDat,"%i",&n);// grau da equacao
float a[n+2],b[n+2][n+2],sb[n+2][n+2],um[n+2][n+2],c[n+2];
fscanf(pDat,"%i",&m);//numero de pontos
float u[m],v[m],x[m],t[m],xest[m];
float ub,vb;
float expl,tot,r,r2,epe;
/**********************************************************
Le dados
163
**********************************************************/
for(i=1;i<=m;i++){
fscanf(pDat,"%f",&v[i]);
}
for(i=1;i<=m;i++){
fscanf(pDat,"%f",&u[i]);
}
ub=0;vb=0;
for(i=1;i<=m;i++){
ub=ub+u[i]/m;
vb=vb+v[i]/m;
}
for(i=1;i<=m;i++){
x[i]=u[i];//x[i]=u[i]-ub;
t[i]=v[i];//t[i]=v[i]-vb
}
/**********************************************************
Forma matriz A
**********************************************************/
for(l=1;l<=n+1;l++){
a[l]=0;
for(i=1;i<=m;i++){
a[l]=a[l]+x[i]*pow(t[i],l-1);
}
}
/**********************************************************
Forma matriz B
**********************************************************/
for(l=1;l<=n+1;l++){
for(k=l;k<=n+1;k++){
b[l][k]=0;
for(i=1;i<=m;i++){
b[l][k]=b[l][k]+pow(t[i],l+k-2);
}
}
}
b[1][1]=m;
for(l=1;l<=n+1;l++){
for(k=l;k<=n+1;k++){
b[k][l]=b[l][k];
}
}
/**********************************************************
Salva matriz B em SB
**********************************************************/
for(l=1;l<=n+1;l++){
for(k=1;k<=n+1;k++){
sb[l][k]=b[l][k];
}
}
/**********************************************************
Inverte matriz B em B por Shipley-Coleman
**********************************************************/
n=n+1;
for(i=1;i<=n;i++){
b[i][i]=1/b[i][i];//passo 1
for(k=1;k<=n;k++){
for(j=1;j<=n;j++){
164
if((k!=i)&&(j!=i)){b[j][k]=b[j][k]-b[j][i]*b[i][i]*b[i][k];}//passo 2
}
}
for(k=1;k<=n;k++){
if(k!=i){b[i][k]=-b[i][i]*b[i][k];}//passo 3
}
for(j=1;j<=n;j++){
if(j!=i){b[j][i]=b[i][i]*b[j][i];}//passo 4
}
}
/**********************************************************
Verifica inversao
**********************************************************/
for(l=1;l<=n;l++){
for(k=1;k<=n;k++){
um[l][k]=0;
for(j=1;j<=n;j++){
um[l][k]=um[l][k]+b[l][j]*sb[j][k];
}
}
}
/**********************************************************
Calcula vetor solucao C
**********************************************************/
for(l=1;l<=n;l++){
for(k=1;k<=n;k++){
c[l]=0;
for(j=1;j<=n;j++){
c[l]=c[l]+b[l][j]*a[j];
}
}
}
/**********************************************************
Exibe o vetor solucao C
**********************************************************/
fprintf(pOut," vetor C\n");
for(l=1;l<=n;l++){
fprintf(pOut," C[%1i]=%10.5f\n",l,c[l]);
}
/**********************************************************
Recupera dados a partir do vetor solucao C
**********************************************************/
for(i=1;i<=m;i++){
xest[i]=0;
for(l=1;l<=n;l++){
xest[i]=xest[i]+c[l]*pow(t[i],l-1);
}
}
/**********************************************************
Variacao explicada
**********************************************************/
expl=0;
for(i=1;i<=m;i++){
expl=expl+(xest[i]-ub)*(xest[i]-ub);
}
/**********************************************************
Variacao total
**********************************************************/
165
tot=0;
for(i=1;i<=m;i++){
tot=tot+(u[i]-ub)*(u[i]-ub);
}
/**********************************************************
Coeficiente de determinacao
**********************************************************/
r2=expl/tot;
/**********************************************************
Coeficiente de correlacao
**********************************************************/
r=sqrt(r2);
/**********************************************************
Erro padrao da estimativa
**********************************************************/
epe=0;
for(i=1;i<=m;i++){
epe=epe+(u[i]-xest[i])*(u[i]-xest[i]);
}
epe=sqrt(epe/m);
/**********************************************************
Eco dos dados de entrada
**********************************************************/
fprintf(pOut,"Grau do polinomio \n",n);
fprintf(pOut,"Numero de pontos \n",m);
/**********************************************************
Saida
**********************************************************/
fprintf(pOut,"\n");
fprintf(pOut,"Coef de determinacao R2 =%5.2f \n",r2);
fprintf(pOut,"Coef de correlacao R =%5.2f \n",r);
fprintf(pOut,"Erro padrao da estimativa =%5.2f \n",epe);
fprintf(pOut,"\n");
fprintf(pOut," V U T X Xest\n");
for(i=1;i<=m;i++){
fprintf(pOut," %8.4f %8.4f %8.4f %8.4f %8.4f \n",v[i],u[i],t[i],x[i],xest[i]);
}
/**********************************************************
Marca o termino do tempo de processamento
**********************************************************/
stop=clock();
st=(stop-start)/CLK_TCK;
fprintf(pOut,"\n\n tempo de processamento %10.1f segundos \n",st);
/**********************************************************
Fecha arquivos
**********************************************************/
fclose (pDat);
fclose (pOut);
return 0;
}
166
G.4 Solucao de distribuicao multivariaveis por uma
equivalente, utilizando tecnicas de Monte Carlo
program Multivar(MVout);
label 370;
const ncl=100;
betaT=0.6098;
etaT=617.2;
betaG=0.2;
etaG=141.2;
Tmax=3500;
zero=1e-8;
Var x1,x2,y1,x12,SX12 : real;
Toper,Rturb,Tturb,Rger,Tger : real;
pow,scl,beta,eta : real;
i, j, k, m : integer;
MVout : text;
durTG : array [1..40000] of real;
Cmed : array [1..ncl+1] of real;
C : array [1..ncl+1] of real;
CL,X,Y,acumCL: array [1..ncl] of real;
begin
Randomize;
assign(MVout,’Multivar.txt’);
rewrite(MVout);
writeln(MVout,’gpc -c Multivar.pas’:19);
writeln(MVout,’gpc -o Multivar Multivar.o’:26);
writeln(MVout,’./Multivar’:10);
sx12:=0;
j:=0;
for i:=1 to 100000 do
begin
Toper:=Random(Tmax+1);
if Toper<zero then begin Toper:=zero end;
pow:=exp(betaT*(ln(Toper)-ln(etaT)));
Rturb:=exp(-pow);
Tturb:=Random;
if Tturb<Rturb then x1:=1 else x1:=0;
pow:=exp(betaG*(ln(Toper)-ln(etaG)));
Rger:=exp(-pow);
Tger:=Random;
if Tger<Rger then x2:=1 else x2:=0;
x12:=x1*x2;
sx12:=sx12+x12;
if x1+x2=1 then
begin
j:=j+1;
durTG[j]:=Toper;
end;
end;
for i:=1 to ncl+1 do
begin
C[I]:=(i-1)*Tmax/ncl;
end;
for m:=1 to ncl do begin CL[m]:=0; end;
167
for k:=1 to j do
begin
for m:=1 to ncl do
begin
if (durTG[k]>=C[m]) and (durTG[k]<C[m+1]) then
{ if (Toper>=C[m]) and (Toper<C[m+1]) then }
begin
CL[m]:=CL[m]+1;
goto 370;
end;
end;
370: end;
scl:=0;
for m:=1 to ncl do begin scl:=scl+CL[m]; end;
writeln(MVout, ’j=’,j);
writeln(MVout, ’dur horas prob prob acum’);
writeln(MVout, ’ t f(t) F(t) ’);
for m:=1 to ncl do
begin
Cmed[m]:=(C[m]+C[m+1])/2;
end;
for m:=1 to ncl do
begin
CL[m]:=CL[m]/scl;
end;
acumCL[1]:=CL[1];
for m:=1 to ncl-1 do
begin
acumCL[m+1]:=acumCL[m]+CL[m];
end;
for m:=1 to ncl do
begin
acumCL[m]:=acumCL[m]/acumCL[ncl];
end;
for m:=1 to ncl do
begin
writeln(MVout,’’:3,Cmed[m]:4:0,’’:10,CL[m]:2:4,’’:10,acumCL[m]:3:5);
end;
for m:=1 to ncl-1 do
begin
if Cmed[m]<zero then begin Cmed[m]:=zero; end;
X[m]:=ln(Cmed[m]);
Y[m]:=ln(ln(1/(1-acumCL[m])));
end;
writeln(MVout);
writeln(MVout, ’ # X y ’);
for m:=1 to ncl do
begin
writeln(MVout,’’:5,m:2,’’:10,X[m]:4:4,’’:10,Y[m]:4:4);
end;
beta:=-0.3138;
eta:=exp(0.5122/beta);
writeln(MVout, ’beta=’:7,beta:4:4,’eta=’:7,eta:4:4);
close(MVout);
end.