Análise de Confiabiliade Aplicada À Indústria

UNIVERSIDADE FEDERAL DO PARAN
CURSO DE ESTATSTICA
ANLISE DE CONFIABILIDADE APLICADA INDSTRIA

PARA ESTIMAES DE FALHAS E PROVISIONAMENTO DE CUSTOS
CURITIBA
2010
PAULO ZALESKI DE MATOS

DAIANNE MARA ZOTTI
ANLISE DE CONFIABILIDADE APLICADA INDSTRIA

PARA ESTIMAES DE FALHAS E PROVISIONAMENTO DE CUSTOS
Monografia apresentada disciplina de

Laboratrio de Estatstica do Curso de
Estatstica do Setor de Cincias Exatas da
Universidade Federal do Paran.
Orientador: Professor Anselmo Chaves Neto
CURITIBA
2010
TERMO DE APROVAO
PAULO ZALESKI DE MATOS

DAIANNE MARA ZOTTI
MONOGRAFIA DE GRADUAO
Monografia de Trabalho de Concluso de Curso de Graduao aprovada como

requisito parcial para obteno do grau de Bacharel em Estatstica, Habilitao de
Estatstico(a), da Universidade Federal do Paran, pela seguinte banca
examinadora:
___________________________________________
Anselmo Chaves Neto professor orientador
___________________________________________
Jorge Festa professor avaliador
ii
Dedicamos este trabalho,

Aos nossos familiares e amigos,
Fontes de fora e carinho.
iii
AGRADECIMENTOS
Ao
Professor Anselmo,
pela ateno e dedicao ao nosso trabalho, e o encorajamento nos
momentos difceis.
Professores, pelo conhecimento que nos transmitiram e apoio
prestado.
Colegas de sala, pelo companheirismo.
Cludio, pela valiosa sugesto.
iv
Torture seus dados por tempo suficiente, e eles lhe contaro tudo.
Os estatsticos
Sumrio
LISTA DE FIGURAS .................................................................................................. vi
LISTA DE TABELAS.................................................................................................vii
LISTA DE FOTOGRAFIAS ...................................................................................... viii
LISTA DE QUADROS ................................................................................................ ix
LISTA DE GRFICOS ................................................................................................ x
RESUMO.................................................................................................................... xi
INTRODUO ............................................................................................................ 1
1 OBJETIVOS............................................................................................................. 2
1.1 Objetivo Geral...................................................................................................... 2
1.2 Objetivos especficos: ....................................................................................... 2
2. FUNDAMENTOS TERICOS................................................................................. 3
2.1 Anlise de Confiabilidade ................................................................................... 3
2.2 Aplicaes da Anlise de Confiabilidade .......................................................... 4
2.3 Os Tipos de Falhas.............................................................................................. 4
2.4 Anlise de Tempos de Falhas............................................................................. 6
2.4.1 Classificao dos Dados de Vida ....................................................................... 8
2.5 Mtodos.............................................................................................................. 11
2.5.1 Utilizando o Mtodo da Regresso .................................................................. 11
2.5.2 Utilizando o Mtodo da Mxima Verossimilhana ............................................ 13
2.5.3 Comparando os Mtodos ................................................................................. 14
2.6 Distribuies mais utilizadas ........................................................................... 14
2.6.1 Distribuio Weibull .......................................................................................... 15
2.6.2 Distribuio Exponencial .................................................................................. 16
2.6.3 Distribuio Lognormal..................................................................................... 17
2.6.4 Distribuio Normal .......................................................................................... 18
2.6.5 Distribuio Weibull Mista ................................................................................ 19
2.6.6 Distribuio Gama Generalizada...................................................................... 20
2.7 Intervalos de Confiana .................................................................................... 22
3. MATERIAIS E MTODOS .................................................................................... 25
3.1 Proposta de Utilizao de Dados de Garantia ................................................ 25
3.2 Qualidade dos Dados........................................................................................ 26
3.3 Definio da Populao .................................................................................... 26
3.4 Identificao do Problema e Obteno dos Dados ........................................ 28
3.5 Anlise de Confiabilidade Aplicada ................................................................. 29
3.6 Provisionamento de Custos ............................................................................. 35
4 RESULTADOS ........... ........................................................................................... 42
5 CONCLUSES ...................................................................................................... 44
6 REFERNCIAS BIBLIOGRFICAS ...................................................................... 45
LISTA DE FIGURAS
FIGURA 1 Curva da Banheira ..................................................................................6
FIGURA 2 Distribuies de Vida Mais Utilizadas .....................................................7
FIGURA 3 Dados Censurados Direita ...................................................................9
FIGURA 4 Dados em Intervalos Censurados ...........................................................9
FIGURA 5 Dados Censurados Esquerda ............................................................10
FIGURA 6 Exemplos de Curvas de Distribuies (f.d.p.) .......................................15
FIGURA 7 Distribuio Weibull ...............................................................................16
FIGURA 8 Distribuio Exponencial .......................................................................17
FIGURA 9 Distribuio Lognormal .........................................................................18
FIGURA 10 Distribuio Normal .............................................................................19
FIGURA 11 Distribuio Weibull Mista ...................................................................20
FIGURA 12 Distribuio Gama Generalizada ........................................................21
FIGURA 13 Intervalo de Confiana Bilateral ..........................................................22
FIGURA 14 Intervalos de Confiana Unilateral Inferior e Superior ........................23
vi
LISTA DE TABELAS
Tabela 1 Quantidade de Veculos por Modelo ........................................................26
Tabela 2 Nmero de Sensores por Modelo ............................................................27
Tabela 3 Estimativas de Custos para o Modelo E ..................................................37
Tabela 4 Estimativas de Custos para o Modelo A ..................................................38
Tabela 5 Estimativas de Custos para o Modelo B ..................................................39
Tabela 6 Estimativas de Custos para o Modelo C ..................................................40
Tabela 7 Estimativas de Custos para o Modelo D ..................................................41
Tabela 8 Estimativas de Custos para Campanha ...................................................43
Tabela 9 Estimativas de Custos Total .....................................................................43
vii
LISTA DE FOTOGRAFIAS
FOTOGRAFIA 1 nibus Biarticulado B ................................................................. 27
viii
LISTA DE QUADROS
QUADRO 1 Probabilidades e Limites de Falha Modelo C ..................................30
QUADRO 2 Probabilidades e Limites de Falha Modelo B ..................................31
QUADRO 3 Probabilidades e Limites de Falha Modelo A ...................................32
QUADRO 4 Probabilidades e Limites de Falha Modelo D... ...............................33
QUADRO 5 Probabilidade de Falha por Modelo de nibus ..................................35
QUADRO 6 Quilometragem Mensal Estimada por Modelo.....................................37
QUADRO 7 Probabilidade de Falha por Modelo Associada a Quilometragens
Determinadas .....................................................................................42
ix
LISTA DE GRFICOS
GRFICO 1 Taxa de Falha por Veculo em Relao ao Ms de Montagem .........28
GRFICO 2 Probabilidades de Falha para o Modelo C .........................................30
GRFICO 3 Probabilidades de Falha para o Modelo B .........................................31
GRFICO 4 Probabilidades de Falha para o Modelo A .........................................32
GRFICO 5 Probabilidades de Falha para o Modelo D .........................................33
GRFICO 6 Probabilidades de Falha para Todos os Modelos ..............................34
RESUMO
O presente trabalho est vinculado a uma aplicao de confiabilidade em
dados de campo, mais especificamente, para estimao do nmero de falhas de
sensores de freio presentes em determinados modelos de nibus estudados, e o
provisionamento de custos para essas falhas, pois como so dados de garantia e
ps-garantia, quem ir arcar com esses custos ser a montadora responsvel e os
estudos ajudaram nas tomadas de decises. Os dados de ps-garantia sero
inclusos at determinado tempo de uso, em funo da empresa responsvel/
montadora estar lanando uma campanha para no prejudicar seus clientes, j que
sabido que a probabilidade de falha ser mais alta do que a normal.
xi
INTRODUO
Atingir a satisfao dos clientes, melhorar a qualidade de seus produtos,
reduzir custos e provisionar quanto ser gasto em garantia e ps garantia, tem sido
a misso de muitas das empresas no mercado brasileiro e em especial no setor
automobilstico, j que os principais fatores na deciso de compra de um veculo tem
sido preo e confiabilidade. Veculos automotores so produtos industriais que
exigem um alto grau de confiabilidade de suas peas, seguido de seus fatores de
risco associados e a garantia de que o veculo em funcionamento no ir falhar. Mas
para tanto necessrio que se tenha observaes e resultados concretos, atravs
de dados e informaes, para o planejamento e previso de custos aos quais seus
fabricantes responsveis sero comprometidos.
Desta maneira, este trabalho desenvolve um modelo para descrever o
comportamento de um produto e predizer sua confiabilidade em campo,
conseguindo assim, estimar a quantidade de falhas e provisionar os custos
envolvidos. O modelo considera a utilizao dos dados de reclamaes de garantia
e ps garantia, incluindo a considerao da existncia de veculos que no
apresentaram falhas ao final deste perodo.
O problema em estudo relaciona-se com falhas nos sensores que alertam o
motorista sobre o desgaste total e perda da vida til das pastilhas de freio do veiculo.
No painel do nibus existe um campo que informa sobre essa situao de desgaste,
fazendo com que o proprietrio do veiculo faa a troca sem que ocorram maiores
problemas
com
outros
componentes
associados
dependentes
do
bom
funcionamento dessa pea. Os dados de falhas foram coletados a partir das redes
de concessionrias autorizadas da empresa distribudas em todo o Brasil. Existe
uma limitao relacionada ao tempo de garantia dos veculos, iniciada a partir do
momento da entrega ao cliente at um determinado tempo de uso ou uma
quilometragem estabelecida pelo contrato de garantia da empresa.
Ser utilizado para anlise de confiabilidade o software Weibull ++7.
As
tcnicas de provisionamento de custos sero elaboradas e adaptadas s escalas e

formas de pagamentos que a indstria utiliza.
1 OBJETIVOS
1.1 Objetivo Geral
Aplicao prtica da anlise de confiabilidade para estimao da quantidade
de falhas de um componente at um determinado tempo de utilizao e a
elaborao de um mtodo baseado nessas estimativas para prever quanto de
recurso financeiro deve ser alocado para futuros encargos gerado por esse
componente, determinando assim, uma estimativa de quanto ser para gasto em
garantia e ps-garantia devido s falhas com essa pea.
1.2 Objetivos Especficos

Estimar a quantidade aproximada de falhas, atravs da utilizao do software
estatstico Weibull ++7, e utilizar essa quantidade estimada para elaborar um mtodo
preciso para o provisionamento de custos.
O provisionamento preciso dos valores alocados tem como finalidade fornecer
informaes como subsdios para tomada de decises. Desta maneira, possvel
obter respostas antecipadas sobre valores de custos e quantidades de falhas que
iro acontecer com determinados produtos em intervalos de tempo pr-definidos,
resultando em um melhor controle oramentrio da indstria, atuando de forma
antecipada na resoluo de problemas, aumentando a satisfao de clientes e
gerando maior lucratividade.
2 FUNDAMENTOS TERICOS
2.1 Anlise de Confiabilidade
Atualmente o termo confiabilidade vem sendo amplamente empregado. Por
definio usual, segundo O Connor, Confiabilidade a probabilidade de um item
realizar sua funo especificada, sem falhas sob condies de uso previamente
determinadas, em um perodo de tempo estabelecido. Com outras palavras, a ABNT
define confiabilidade como: Caracterstica de um item eventualmente expressa pela
probabilidade de que ela preencher uma funo dada, sob condies definidas e
por um perodo de tempo definido. Desta maneira, busca-se suprir a necessidade
das indstrias em conhecer e controlar a vida til de seus produtos, reduzindo
custos sem o comprometimento da qualidade, da segurana ou da disponibilidade
destes. Procura-se obter a garantia de que o produto exercer sua funo no
perodo determinado de tempo com um mnimo de falhas.
Predio e avaliao da confiabilidade so os dois problemas principais que a
confiabilidade deve encarar. A predio consiste em modelos estatsticos que
predizem sobre a confiabilidade de um componente ou sistema, sugerir mtodos
para melhor-la, desenvolver princpios de projetos, novos materiais e tecnologias
de processo. A avaliao se resume na utilizao das tcnicas que permitem medir
os valores reais de confiabilidade, verificar as predies efetuadas com base nos
modelos e controlar a manuteno de um nvel exigido de confiabilidade.
Durabilidade um aspecto particular da confiabilidade, relacionado com o
desempenho de um item atravs do tempo, ela normalmente definida como o
mnimo de tempo antes da ocorrncia de falhas por desgaste.
As tcnicas estatsticas existentes como a anlise de confiabilidade nos
permitem estimar probabilidades de itens relacionados com a necessidade das
indstrias, seja no perodo de desenvolvimento de um projeto ou aps o inicio da
utilizao do produto. As estimativas esto principalmente relacionadas com:
4
Durabilidade de um produto, com as falhas classificadas como de pro-
jeto ou processo; ocasionais, por desgaste ou fadiga.

Tempo mdio entre as falhas, permite o dimensionamento de reposio
do estoque e planos de manuteno.

Correes em projetos ou recalls, necessidade pelo agravante das fa-
lhas em campo ocorrerem em grande volume.

A confiabilidade desejada a novos projetos, para atender s expectati-
vas crescentes dos clientes.
2.2 Aplicaes da Anlise de Confiabilidade

Existem trs tipos de preveno de falhas em componentes ou sistemas:
1 Componentes confiveis: so os componentes eletrnicos e mecnicos
que no se movimentam, mas h excees. Contm grande margem entre suas
especificaes e sua solicitao de trabalho que poderia causar a falha. No sofrem
com o uso durante o ciclo de vida do produto.
2 Componentes no confiveis: lmpadas, por exemplo, e componentes em
movimentao com outros componentes, como peas internas de transmisses,
correias,
rolamentos,
etc..
Possuem
uma
pequena
margem
entre
suas
especificaes e a sua solicitao de trabalho que poderia causar a falha. Sofrem

com o uso do ciclo de vida do produto.
3
Sistemas:
calibraes
de
motores
com
erros,
interferncia
eletromagntica, entre outros. So conjuntos de componentes com relaes entre si,

onde o comportamento de um componente pode afetar o outro, existindo com
grandes possibilidades de falha.
2.3 Os Tipos de Falhas

A taxa de falha a chance de um componente ou sistema falhar na prxima e
5
menor unidade de tempo, dado que o item funcionou at ento.
Existem consideraes sobre as taxas de falha, sendo elas crescentes,
decrescentes, constantes, em forma de banheira ou nenhum destes citados. So
classificadas como taxa de falha crescente, dados ligados ao desgaste e velhice do
componente, taxa de falha decrescente, aquelas com grande quantidade de falhas
no incio do uso do produto (mortalidade infantil) e curva da banheira aquela que se
inicia com um alto ndice de falha, seguida de desgaste por uso (mortalidade infantil
seguida de desgaste).
Existem trs tipos bsicos de falhas:
1 Falhas precoces Infncia: Podem ser totalmente depuradas atravs de
um rigoroso controle na fabricao e mediante testes antes do envio do produto ao
consumidor. So elas: o uso demasiadamente intenso, as anormalidades de
fabricao ou podemos considerar tambm um projeto defeituoso. A classificao da
taxa de falha decrescente.
2 Falhas por desgaste Velhice: Em alguns casos pode-se reduzir ou
eliminar as falhas por desgaste mediante a um sistema de manuteno preventiva.
Acontecem devido ao envelhecimento do equipamento ou desgaste real (pela perda
ou degenerao de caractersticas importantes). A taxa de falha classificada como
crescente.
3 Falhas casuais Vida til: No fcil a eliminao deste tipo de falhas,
porm em alguns casos existem tcnicas que nos permitem fazer um
acompanhamento de componentes adequados, atravs de projetos. So falhas que
ocorrem ao acaso, em intervalos de tempo inesperados. Pico de concentraes de
tenses aleatrias que atuam sobre algum ponto fraco e produzem a quebra.
Abaixo na FIGURA 1, tem-se a conhecida Curva da Banheira que descreve a
ocorrncia de falhas que se iniciam com um alto ndice de falha, seguidas de
desgaste por uso (falhas precoces seguidas de falhas por desgaste).
FIGURA 1 Curva da Banheira
2.4 Anlise de Tempos de Falhas

Na Anlise de Dados de Vida ou Anlise dos Tempos de Falha, aspecto
particular da anlise de confiabilidade, tudo baseado em estimativas; o valor real
da confiabilidade de um produto nunca ser conhecido, somente se todos os
produtos j tiverem falhado. Os modelos que fornecem a estimativa de taxa de falha
do produto em funo do tempo estimam a probabilidade de falha (sobreviver) do
produto para uma dada idade, ou para um dado perodo de tempo. Os modelos so
representaes matemticas dos dados dadas por funes contnuas a qual permite
interpolaes e algumas extrapolaes. Estes modelos probabilsticos so baseados
em distribuies estatsticas. As mais utilizadas so denominadas de Distribuies
de Vida, conforme a FIGURA 2 na seqncia.
FIGURA 2 Distribuies de Vida Mais Utilizadas

Primeiramente
necessita-se
definir
modelo,
esses
so
modelos
caracterizados pelo comportamento da falha dos mesmos.

Todos os dados disponveis devem ser considerados na anlise de dados de
vida. Isto inclui os casos particulares onde um item da amostra foi removido do teste
antes que a falha tivesse ocorrido. H ainda informaes, nestes casos, e nunca
dever ser descartada. Para um item que foi removido do teste de confiabilidade
antes que a falha ocorresse, ou um item que ainda continua em operao (itens que
no falharam) denomina-se de itens suspensos ou observaes censuradas
direita.
A anlise de itens suspensos tambm pode ser quando:
Necessitamos realizar uma anlise dos resultados de teste antes do teste ser
finalizado.
Necessitamos realizar uma anlise em cima dos resultados disponveis, e no

conjunto de resultados ns observamos algumas falhas imprprias ou falhas
no esperadas durante os testes.
O modo de falha que ocorreu diferente do modo de falha que planejamos

estudar.
Na anlise de dados de garantia quando utilizamos dados de campo, ou seja,

itens que falharam e itens que no falharam.
Assim como definido acima, dados de garantia como no caso de dados
8
coletados em garantia se enquadram no modelo de dados censurados direita.
2.4.1 Classificao dos Dados de Vida

A preparao dos dados de extrema importncia para uma anlise bem
feita, ou seja, deve-se fazer uma entrada correta na hora da coleta dos dados nas
concessionrias, originando confiana, representatividade e uma informao sem
desvios. O prximo passo classificar que tipo de dados que estamos trabalhando.
A maioria dos dados de Confiabilidade contm censuras (informaes incompletas),
assim os modelos e anlises devem ser capazes de tratar esses casos. Censuras
tambm conhecidas como suspenses, so itens onde os tempos de falha s sero
conhecidos quando excedermos certos valores de tempo.
As suspenses no adicionam tanta informao quanto os tempos de falha
exatos, elas requerem especiais tratamentos estatsticos e no devem ser
ignoradas. Definindo:
Dados Completos A maioria dos dados que no so dados de vida, bem

como alguns dados de vida, so os que chamamos pelo termo dados completos. Dados completos significam que o valor de cada item da amostra observado ou conhecido. Por exemplo, se testarmos 10 itens e todos falharam,
portanto, neste caso teramos as informaes de quando o item falhou.
Dados Censurados Direita Neste caso os dados possuem itens que no

falharam. Por exemplo, se testarmos dez itens, mas somente cinco falharam.
Neste caso, nossos dados so compostos por cinco itens que falharam, ou
seja, itens que conhecemos os tempos de falha e cinco itens que no falharam. Este o comum tipo de dados censurados, freqentemente utilizado na
anlise dados de campo. Um erro comum quando as suspenses ou itens
que no falharam so desprezados.
FIGURA 3 Dados Censurados Direita
Dados em Intervalos Censurados Dados censurados em intervalos que contm incertezas em relao ao tempo exato que a falha aconteceu. Em outras
palavras, as nicas informaes que temos so que o item falhou em um dado intervalo de tempo. Por exemplo, se executarmos um teste com cinco itens
e realizarmos inspees a cada cem horas, ns saberemos se o item falhou
ou no entre as inspees. Se o item falhou entre as inspees ns no saberemos o exato momento em que a falha ocorreu, mas ns sabemos que ela
ocorreu dentro do intervalo de inspeo. Isto tambm chamado por inspeo de dados por vrios autores.
FIGURA 4 Dados em Intervalos Censurados
10
Dados Censurados Esquerda O terceiro tipo de censura similar censura em intervalos e denominado dado censurado esquerda. Nos dados
censurados esquerda, o tempo da falha somente conhecido aps certo
tempo. Por exemplo, sabemos que a falha ocorreu em algum tempo antes de
100 horas, mas no sabemos exatamente quando. Em outras palavras, a falha pode ter acontecido entre zero e cem horas.
FIGURA 5 Dados Censurados Esquerda
Todos os tipos de dados mencionados anteriormente podem ser agrupados.

Dados agrupados so utilizados em testes onde h vrios itens que falharam com o
mesmo tempo at falha, ou os itens so agrupados em intervalos, ou h grupos de
itens suspensos no mesmo tempo. Portanto deve-se cuidar quando se utiliza
diferentes mtodos de estimadores de parmetros, porque os diferentes mtodos
tratam os dados agrupados por diferentes caminhos.
11
2.5 Mtodos
2.5.1 Utilizando o Mtodo da Regresso (Mnimos Quadrados)

Utilizando dados agrupados, o software plotar os pontos correspondentes
maior posio da categoria em cada grupo. Em outras palavras, dados trs grupos
de 10 unidades falhando em 100, 200 e 300 horas respectivamente, os trs pontos
plotados sero os pontos finais de cada grupo, ou a 10 posio em 30, a 20
posio em 30 e a 30 posio em 30. Este procedimento idntico ao
procedimento padro quando utilizamos dados agrupados.
Nos casos onde so usados dados agrupados voc assume-se que as falhas
ocorreram em um dado tempo dentro do intervalo. Em nosso exemplo poderamos
tambm dizer que at 100 horas 10 itens falharam de 100 a 200 horas outros 10
itens falharam e de 200 a 300 horas outros 10 itens falharam. A anlise de regresso
automaticamente contabilizaria isso. Se este no for o caso, quando utilizando
regresso, e 10 itens falharam exatamente com 100 horas, 10 itens falharam
exatamente com 200 horas e 10 itens falharam exatamente com 300 horas,
recomendado que voc os considere como dados no agrupados.
As categorias medianas so usadas para obter uma estimativa da
desconfiabilidade para cada falha, com 50% de confiana. No caso de dados
agrupados eles so estimados para cada grupo de falhas ao invs de cada falha.
Por exemplo, quando utilizamos um grupo de 10 falhas em 100 horas, 10 falhas em
200 horas e 10 falhas em 300 horas, o software realizar a estimativa seguindo a
categoria mediana (Zs).
Para 10 falhas em 100 h, a categoria mediana, Z estimada utilizando:
12
Onde um valor de Z obtido para o grupo, para representar a probabilidade de 10

falhas ocorrerem em total de 30.
Para 10 falhas em 200 h, Z estimado utilizando:
Onde um valor de Z obtido para representar a probabilidade de 20 falhas em um

total de 30.
Para 10 falhas em 300 horas Z determinado utilizando:
Onde um valor de Z obtido para o grupo, para representar a probabilidade de 30
13
falhas ocorrerem em total de 30.
2.5.2 Utilizando o Mtodo da Mxima Verossimilhana

Quando utilizando o Mtodo da Mxima Verossimilhana, ou MMV, cada
tempo individual utilizado no clculo dos parmetros, portanto no h diferena em
entrar com um grupo de 10 itens falhando at 100 horas e 10 entradas individuais
em 100 horas. Isto inerente ao mtodo padro do MMV. Em outras palavras,
independentemente se os dados forem entrados agrupados ou no agrupados, o
resultado ser o mesmo. Quando utilizando a mxima verossimilhana
recomendada a entrada redundante de dados em grupos. Isto significar maior
velocidade nos clculos.
Comentrios sobre o Mtodo da Mxima Verossimilhana:
(1) Os estimadores da mxima verossimilhana so consistentes e
assintoticamente eficientes.
(2) A distribuio de probabilidade do estimador assintoticamente normal.
Para amostras pequenas, olhando um grfico do MMV, ele pode nos revelar ou no
como esta suposio razovel.
(3) O estimador da mxima verossimilhana mais requerido quando
trabalhamos com pequenas amostras, desde que elas tragam resultados
conservadores, comparados com o estimador dos mnimos quadrados.
(4) Os estimadores da mxima verossimilhana podem convergir para uma
soluo, mesmo quando temos uma nica falha conhecida (isto no deve ser
implementado, pois resulta em uma grande incerteza).
(5) O estimador da mxima verossimilhana da funo de probabilidade para
a distribuio Weibull na vizinhana do valor =1, (ponto de transio) apresenta um
comportamento incerto (imprevisvel).
(6) Utilizando o MMV quando o parmetro de localizao conhecido, nas
correspondentes
distribuies,
ele
relativamente
livre
de
problemas
computacionais. Entretanto, a introduo do parmetro de localizao cria

complicaes matemticas.
14
(7) Em algumas das combinaes de parmetros, a resoluo pelo MMV
poder travar os clculos e no apresentam soluo.
(8) As resolues pelo MMV so bem adequadas a distribuies com um e
dois parmetros.
2.5.3 Comparando os Mtodos

O melhor mtodo para estimao de parmetros vai depender muito da
situao, no h como predizer antecipadamente se o mtodo da regresso ou o
da mxima verossimilhana o mais eficiente.
A regresso, atravs do coeficiente de correlao, apresenta uma boa medida
de como os nossos dados se adequaram distribuio escolhida. Uma m
adequao (coeficiente de correlao longe de + -1) pode indicar a existncia de
mltiplos modos de falha. Isto facilmente identificado olhando a adequao da
linha aos dados (pontos) nos grficos de modelos de regresso.
Quando usamos o MMV, no muito fcil identificar mltiplos modos de falha,
a partir dos grficos, pois no h o melhor caminho na plotagem pela soluo com o
MMV, ele suporta melhor dados com suspenses do que a regresso. Baseado nas
propriedades do MMV, os limites de confiana podem ser quantificados.
2.6 Distribuies Mais Utilizadas

A distribuio estatstica descrita pela f.d.p. (ou funo densidade de
probabilidade). Utilizando a definio da f.d.p. como todas as outras funes mais
comumente utilizadas na anlise de confiabilidade, que permitem a anlise de dados
de vida, tais como, funo confiabilidade, funo taxa de falha, funo vida mdia e
funo vida mediana. Todas estas podem ser determinadas diretamente a partir das
definies da f.d.p., ou f(t).
15
FIGURA 6 Exemplos de Curvas de Distribuies (f.d.p.)

Existem diferentes distribuies, tais como normal, exponencial etc. e cada
uma delas tem o f(t) pr-definido. Estas distribuies foram formuladas por
estatsticos, matemticos e engenheiros para modelar matematicamente ou
representar certo comportamento. Por exemplo, a distribuio Weibull foi formulada
por Walloddi Weibull. Muitas das distribuies que tendem a melhor representar os
dados de vida so comumente chamadas de distribuies de vida.
Uma das mais simples e comumente utilizada (e freqentemente super
utilizada erroneamente devido sua facilidade) a distribuio exponencial.
A f.d.p. da distribuio exponencial matematicamente definida como:
f (t ) = e t
f (t ) = 0
,t0
, t<0
Onde t a varivel aleatria que representa o tempo. A letra Grega (lambda)

representa o que comumente referenciado como o parmetro da distribuio.
2.6.1 Distribuio Weibull

A distribuio Weibull uma distribuio proposta para anlise de
confiabilidade. Ela uma distribuio muito flexvel, e por esta razo, amplamente
utilizada. Ela pode ter diferentes formatos, e conseqentemente se aproxima das
outras distribuies.
Na maioria dos casos, a distribuio Weibull definida como:
16
f (t) = t 1 e t
0t <
FIGURA 6 Distribuio Weibull
2.6.2 Distribuio Exponencial

A distribuio exponencial a mais comumente utilizada para componentes
ou sistemas que apresentam uma taxa de falha constante, e definida na maioria
dos casos como:
f (t ) = e t
f (t ) = 0
,t0
, t<0
17
FIGURA 7 Distribuio Exponencial
2.6.3 Distribuio Lognormal

A distribuio lognormal comumente utilizada na anlise de confiabilidade
em ciclos at a falha por fadiga, resistncias de materiais, e no projeto probabilstico
com cargas variveis. Quando o logaritmo natural dos tempos at a falha
normalmente distribudo, ento dizemos que os dados seguem uma distribuio
lognormal.
A f.d.p. da distribuio lognormal dada por:
,0x<
18
Enquanto a distribuio normal simtrica, que veremos na sequncia, a
distribuio lognormal assimtrica e deslocada para a esquerda, permitindo uma
melhor adequao para a modelagem de dados de vida.
FIGURA 8 Distribuio Lognormal
2.6.4 Distribuio Normal

A distribuio normal comumente utilizada na anlise de confiabilidade, de
tempos at a falha de componentes eletrnicos e mecnicos, equipamentos ou
sistemas. A pdf da distribuio normal dada por:
- < x < , - < < e 2 > 0
19
FIGURA 9 Distribuio Normal
2.6.5 Distribuio Weibull Mista

Normalmente utilizada para componentes ou sistemas que apresentam
mltiplos modos de falha. A distribuio Weibull mista aplicada para representar
populaes mistas com mltiplos modos de falha. Ela mostra a imagem global da
vida do produto, misturando diferentes distribuies de Weibull para diferentes
estgios da vida do produto, com f.d.p. dada por:
Para 0 T < .
20
Onde para duas populaes S=2, para S=3 e para 4 S=4, ser:
FIGURA 10 Distribuio Weibull Mista
2.6.6 Distribuio Gama Generalizada

A distribuio Gama Generalizada no to utilizada como as outras
distribuies de vida j apresentadas e possui a capacidade de imitar outras
distribuies, tais como a Weibull ou a lognormal, dependendo dos parmetros de
sua distribuio. A distribuio gama generalizada possui trs parmetros e sua
f.d.p. dada por:
21
FIGURA 11 Distribuio Gama Generalizada
22
2.7 Intervalos de Confiana

Intervalo de Confiana um termo estatstico empregado para designar a
representatividade da amostra. Quanto maior a amostra, menores e mais confiveis
sero os Intervalos de Confiana.
O nosso objetivo estimar a confiabilidade de todos os itens, baseando-se
em uma amostra. Porm, at que todos os itens falhem no conheceremos seu
exato valor. Se delinearmos 10 diferentes testes para nossos itens, e plotarmos os
resultados utilizando o aplicativo, iremos obter para cada teste, diferenas
significantes
nos
parmetros
da
distribuio,
diferentes
resultados
de
confiabilidade.
Portanto, quando utilizamos os limites de confiana, obtemos um intervalo das
falhas que iro ocorrer em X por cento das vezes, lembrando-se que os parmetros
so uma estimativa dos reais parmetros. O real valor dos parmetros nos
desconhecido.
Os Intervalos de Confiana podem ser:
Bilaterais Observao onde a maioria da populao est situada. Por exemplo, quando utilizamos 90% de confiana bilateral, estamos dizendo que
90% da populao est entre X e Y com 5% menor que X e 5% maior que Y,
conforme a FIGURA 12.
FIGURA 12 Intervalo de Confiana Bilateral
23
Unilaterais Observao da porcentagem maior ou menor (superior e inferior)

de um ponto X. Por exemplo, 95% de confiana unilateral significa que 95%
da populao maior que X, sendo X o limite inferior; ou 95% da populao
menor que X, sendo X o limite superior, conforme FIGURA 13 na seqncia.
Para efeitos de confiabilidade, no fator de preocupao se ela maior do
que a estimada, somente nos preocupamos com o limite inferior, portanto
tende-se a utilizar o Limite Unilateral Inferior.
FIGURA 13 Intervalos de Confiana Unilateral Inferior e Superior.
Os Limites Bilaterais significam que, dado um nvel de confiana, o real valor
24
estar entre esses limites, enquanto que no Limite Unilateral Inferior teremos X% de
certeza que o valor maior do que a linha limite plotada, e no caso de Limite
Unilateral Superior ns teremos X% de certeza que o valor menor do que a linha
limite plotada.
25
3 MATERIAIS E MTODOS
3.1 Proposta de Utilizao dos Dados de Garantia
Os dados de garantia so os acmulos de todos os incidentes ocorridos
durante a garantia dada pelo fabricante do veculo. Devido a sua grande
versatilidade, estas informaes so teis para os estatsticos, engenheiros de
confiabilidade na misso de anlise e rastreabilidade das falhas de campo. Seu
processamento rpido e permite informaes atualizadas das falhas de campo.
Durante a montagem dos veculos cada um recebe um nmero de chassi
(nmero de identificao do veculo) este nmero fornece todas as informaes
necessrias para a rastreabilidade do veculo, tipo do motor, carroceria, local de
fabricao, ano, modelo, entre outros. Depois de produzido o veculo, a
concessionria que efetuar sua venda gerando uma notificao de venda. Esta
notificao registrada no banco de dados da empresa e o veculo passa
oficialmente em circulao. Quando ocorre qualquer falha de um componente, a
concessionria efetua o reparo e envia ao departamento de servios da montadora a
solicitao de pagamento correspondente ao trabalho efetuado no veculo. Esta
informao de falha entra no sistema com a quilometragem, o cdigo de defeito,
data da reclamao, causa principal do defeito, custo do reparo estratificado (mode-obra, pea) e comentrios sobre o reparo. O processamento de todas estas
informaes separadas por cada tipo de veculo permite a gerao de inmeros tipos
de informaes e relatrios sobre as falhas de campo, facilitando assim as aes
necessrias aos times de trabalho responsveis por cada linha de veculo.
com base nessas informaes que ser feita a anlise de confiabilidade,
utilizando metodologias estatsticas para construir modelos probabilsticos, a partir
de dados de vida.
26
3.2 Qualidade dos Dados

Os modelos confiam nos dados para fazer previses. Em nosso caso os
modelos so distribuies estatsticas e os dados so dados de vida ou dados de
tempo at falha de produtos.
A preciso de qualquer previso diretamente proporcional qualidade e a
preciso dos dados fornecidos. Bons dados juntamente com a escolha do modelo
apropriado geralmente resultam em boas previses. Dados ruins ou insuficientes
sempre resultam em previses ruins. Utilizando a anlise de dados de vida (bem
como da estatstica), deve-se ter bastante cautela na qualificao dos dados, e ter
certeza de que a amostra no tendenciosa. A primeira suposio que deve ser
satisfeita a de que os dados, ou a amostra sejam representativos da populao.
3.3 Definio da Populao

A populao adotada para este estudo composta por 1051 nibus montados
em uma indstria. Esses veculos so caracterizados por modelos diferenciados
devido as suas aplicaes. A quantidade de veculos envolvidos no estudo
separados por modelo segue descrita na TABELA 1 abaixo:
Modelo
Quatidade de veculos
A
B
C
D
E
Total
375
181
135
279
81
1051
TABELA 1 Quantidade de veculos por modelo
Os modelos apontados acima assumem caractersticas diferenciadas em
27
relao quantidade de sensores montados por modelo de nibus, na TABELA 2
observamos as quantidades de sensores por modelo:
MODELO
C
D
A
B - simples
E - simples
B - duplo
E - duplo
N SENSORES
4
4
6
6
6
8
8
TABELA 2 Nmero de sensores por modelo
Como descrito, existem veculos simples e duplos do mesmo modelo com

diferente nmero de sensores. A FOTOGRAFIA 1 a seguir relacionada ao veculo
B - duplo, exemplificando a caracterstica de articulao esquematicamente:
FOTOGRAFIA 1 nibus do modelo B - duplo
O modelo B - duplo tem 4 eixos com duas rodas por eixo, contabilizando 8
28
sensores de desgaste de pastilhas de freio. Conseqentemente o nmero total de
falhas esperadas ser maior para veculos com maiores quantidades de sensores.
3.4 Identificao do Problema e Obteno dos Dados

O perodo de montagem desses veculos se estende de janeiro de 2009 at
fevereiro de 2010. Nesse perodo, podemos considerar que o processo estava fora
do padro, pois foram utilizadas algumas peas de componentes internos diferentes
das tradicionalmente adotadas no processo. Um dos fornecedores produziu peas
com qualidade inferior s exigidas pela montadora. Essa caracterstica foi
descoberta com anlises tcnicas das falhas registradas pelo sistema de garantia.
Analisando populaes semelhantes, apenas caracterizadas pela diferena do
componente em estudo, detectou-se uma diferena significativa superior relacionada
freqncia de falha para veculos com 12 meses de uso entre a populao normal
e a populao defeituosa. Abaixo, o GRFICO 1 est mostrando o comportamento
de falha da pea em estudo envolvendo todos os modelos, comparando com a taxa
de entre a populao normal e a populao defeituosa.
Obs.: Os dados abaixo so ilustrativos, no se tratam dos dados reais do problema.
0,14
0,12
0,1
0,08
C
A
0,06
B
E
0,04
0,02
0
GRFICO 1 Taxa de Falha por Veculo em Relao ao Ms de Montagem
29
Detectando o problema e identificando quais veculos pertencem a essa
populao de risco, algumas medidas so necessrias para quantificar o nvel de
gravidade da situao, assim como estimar a quantidade monetria que ser
alocada para resolver o problema. Para obteno dos dados de falhas foram
utilizados os registros armazenados no computador de bordo do veculo. Quando
alguma falha ocorre, o computador de bordo registra a quilometragem na qual
aconteceu a falha e conseqentemente sabemos que os outros sensores no
falharam at o momento que o veculo chegou concessionria para efetuar o
reparo, assim suspendemos todos os outros sensores que no falharam com a
quilometragem que o veculo chegou no seu ltimo dia de reparo. Para veculos que
no tiveram nenhum registro nas concessionrias foi considerado que os veculos
percorrem uma quilometragem mdia mensal de acordo com as quilometragens
conhecidas de veculos com registro do mesmo modelo e aplicao, assim
suspendemos esses veculos com uma quilometragem mdia mensal estimada
considerando o tempo de uso desde sua entrega at a data de retirada dos dados do
sistema.
3.5 Anlise de Confiabilidade Aplicada

Para estimao da quantidade de falhas que devem ocorrer at que os veculos
em estudo completem um determinado tempo de uso, foi utilizada anlise de
confiabilidade. Na obteno dos dados como descrita na seo anterior, os dados
contm quilometragens de falhas e suspenses, direcionando para o uso da
metodologia de anlise para dados censurados direita, ou seja:
Dados de falhas: registros de falhas com a quilometragem identificada.
Dados de censura: sabe-se que muitos dos sensores em estudo no falharam

at uma determinada quilometragem.
Baseando-se nessas informaes foram feitas s anlises de confiabilidade

separadas por modelo.
Abaixo seguem as probabilidades de falha para o modelo C:
30
ReliaSoft Weibull++ 7 - www.ReliaSoft.com.br
Grfico da Probabilidade de Falha vs Tempo

0,400
Probabilidade de Falha
CB@90% Bilateral [T]
B7R
Loglogstica-2P
MLE SRM MED FM
F=12/S=330
Pontos de Dados
Linha de Probabilidade de Falha
LC-I Superior
LC-I Inferior
Probabilidade de Falha, F(t)=1-R(t)
0,320
0,240
0,160
0,080
0,000
5000,000
44000,000
83000,000
122000,000
161000,000
Paulo Zaleski de Matos

Volvo do Brasil
12/5/2010
14:23:54
200000,000
Tempo, (t)
=13,0570, =0,7256
GRFICO 2 Probabilidades de Falha para o Modelo C
Tempo de uso
100.000 km
200.000 km
300.000 km
400.000 km
Limite
0,1748
0,4126
0,5939
0,7124
0,1064
0,2364
0,3512
0,4459
0,0628
0,12
0,1669
0,2072
Superior
Probabilidade
mdia de falha
Limite Inferior
QUADRO 1 - Probabilidades e Limites de Falha Modelo C

Os dados so compostos por 12 falhas e 330 suspenses, seguindo uma
distribuio de probabilidade Log-Logstica. Acima no QUADRO 1, esto as
probabilidades de falha associadas s quilometragens arbitrrias determinadas com
os limites de confiana superior e inferior descritos. O limite de confiana utilizado
nesse estudo foi de 90%.
Abaixo seguem as probabilidades de falha para o modelo B:
31

0,400
B12M
Weibull-2P
MLE SRM MED FM
F=50/S=553
Pontos de Dados
LC-I Superior
LC-I Inferior
0,320
0,240
0,160
0,080
0,000
1000,000
30800,000
60600,000
90400,000
120200,000

Volvo do Brasil
13/5/2010
09:04:23
150000,000
Tempo, (t)
=1,3625, =3,4711+5
GRFICO 3 Probabilidades de Falha para o Modelo B
Tempo de uso
100.000 km
200.000 km
300.000 km
400.000 km
Limite
0,2128
0,5051
0,7403
0,8832
0,1676
0,3761
0,5595
0,7028
0,1313
0,2713
0,3926
0,4962
Superior
Probabilidade
de falha mdia
Limite Inferior
QUADRO 2 - Probabilidades e Limites de Falha Modelo B

distribuio de probabilidade Weibull com 2 parmetros. No QUADRO 2 acima esto
as probabilidades de falha associadas s quilometragens arbitrrias determinadas
com os limites de confiana superior e inferior descritos. O limite de confiana
utilizado nesse estudo foi de 90%.
Abaixo seguem as probabilidades de falha para o modelo C:
32

0,600
B12R
Lognormal-2P
MLE SRM MED FM
F=160/S=1834
Pontos de Dados
LC-I Superior
LC-I Inferior
0,480
0,360
0,240
0,120
0,000
10000,000
88000,000
166000,000
244000,000
322000,000

Volvo do Brasil
12/5/2010
13:30:42
400000,000
Tempo, (t)
=13,1477, =0,9431
GRFICO 4 Probabilidades de Falha para o Modelo C
Tempo de uso
Limite Superior
Probabilidade
100.000 km
200.000 km
300.000 km
400.000 km
0,0489
0,1793
0,3222
0,4471
0,0415
0,159
0,2848
0,3961
0,0351
0,1403
0,2497
0,3468
de falha mdia
Limite Inferior
QUADRO 3 - Probabilidades e Limites de Falha Modelo C

distribuio de probabilidade Lognormal. Acima no QUADRO 3 esto as
probabilidades de falha associadas s quilometragens arbitrrias determinadas com
os limites de confiana superior e inferior descritos. O limite de confiana utilizado
nesse estudo foi de 90%.
Abaixo seguem as probabilidades de falha para o modelo D:
33
GRFICO 5 Probabilidades de Falha para o Modelo D
Tempo de uso
100.000 km
200.000 km
300.000 km
400.000 km
Limite
0,0661
0,2123
0,4413
0,6793
0,0422
0,1478
0,2912
0,4472
0,1841
0,2657
Superior
Probabilidade
de falha mdia
Limite Inferior
0,0268
0,1016
QUADRO 4 - Probabilidades e Limites de Falha Modelo D

distribuio de probabilidade Weibull com 2 parmetros. No QUADRO 4 acima,
34
esto as probabilidades de falha associadas s quilometragens arbitrrias
determinadas com os limites de confiana superior e inferior descritos.
A anlise confiabilidade para o modelo E no foi traada devido aos veculos
serem muito novos e ainda no terem apresentado falhas. Para resoluo desse
problema, adotou-se a confiabilidade do modelo B como estimativa de falha para os
nibus E. Os critrios considerados para esse procedimento foram s grandes
similaridades que esses dois veculos apresentam, tanto em relao composio
de peas como na aplicao em campo.
Abaixo seguem as probabilidades de falhas conjuntas de todos os modelos:

0,800
Planilha2\B12M
Weibull-2P
MLE SRM MED FM
F=50/S=553
Pontos de Dados
0,640
Planilha2\B12R
Lognormal-2P
MLE SRM MED FM
F=160/S=1834
Pontos de Dados
Planilha2\B7R
Loglogstica-2P
MLE SRM MED FM
F=12/S=330
Pontos de Dados
0,480
Planilha2\B9R
Weibull-3P
MLE SRM MED FM
F=19/S=251
Pontos de Dados
0,320
0,160
0,000
1000,000
100800,000
200600,000
300400,000
400200,000

Volvo do Brasil
2/6/2010
12:50:42
500000,000
Tempo, (t)
Planilha2\B12M: =1,3625, =3,4711+5
Planilha2\B12R: =13,1477, =0,9431
Planilha2\B7R: =13,0570, =0,7256
Planilha2\B9R: =1,8300, =5,3773+5, =2906,9125
GRFICO 6 Probabilidades de Falha para o Todos os Modelos
35
Podemos observar que a maior probabilidade de falha est associada ao
modelo de nibus B, caracterizado por uma aplicao urbana e conseqentemente
mais severa. A principal caracterstica em relao a essa maior probabilidade de
falha a grande quantidade de frenagens que o veculo efetua durante seu uso.
Abaixo segue uma tabela mostrando a probabilidade de falha por modelo
associada quilometragens determinadas.
MODELO
B
C
D
100.000 km
200.000 km
300.000 km
400.000 km
0, 1676
0,3761
0,5595
0,7028
0,1064
0,2364
0,3512
0,4459
0,1478
0,2912
0,4472
0,159
0,2848
0,3961
0,0422
0,0415
QUADRO 5 Probabilidade de Falha por Modelo de nibus
3.6 Provisionamento de Custos

Para a estimao de quanto ser gasto com os veculos em estudo
relacionando com as falhas dos sensores foram adotados os seguintes critrios de
pagamento de acordo com a idade do veculo no seu dia de reparo:
At 12 meses 100% dos custos gerados pelas falhas so pagos pela
indstria.
De 13 18 meses 80% dos custos gerados pelas falhas so pagos pela
indstria.
indstria.
36
indstria.
indstria.
A anlise confiabilidade foi realizada considerando que as falhas dos sensores
esto diretamente ligadas com a quilometragem percorrida, assim para estimao da
probabilidade de falha em relao idade do veculo, necessrio que
primeiramente se obtenha as quilometragens mdias mensais estimadas por modelo
de nibus.
No momento que o veculo chega concessionria so coletadas algumas
informaes ao seu respeito, inclusive sua quilometragem atual. Sendo assim,
podemos estimar a quilometragem mdia que esses veculos esto percorrendo por
ms, considerando a seguinte frmula a seguir:
T = DE DR
(1)
KM = KR/ (T/ 30)
(2)
Sendo que:
T = Tempo de uso dos veculos
DE = Data de entrega ao cliente
DR = Data do ltimo registro na concessionria
KR = Quilometragem do ltimo registro
KM = Quilometragem mensal mdia estimada
Com os resultados dessas informaes conseguimos estimar com quantos
quilmetros em mdia esses veculos iro fechar o perodo de garantia (1 ano), 2
ano, 3 ano e assim por diante, conforme descrito no QUADRO 6, a seguir.
37
MODELO
KM Mensal
estimada
4934 km
4818 km
10011 km
13105 km
4934 km
QUADRO 6 Quilometragem Mensal Estimada por Modelo

Assumindo
os
valores
citados
acima e
multiplicando
pelas
idades
correspondentes, teremos a quilometragem mdia estimada para o 1 ano de uso e

assim sucessivamente, possibilitando realizar uma estimativa de quantas falhas iro
acontecer por modelo no primeiro, 2, 3, 4.... anos de uso.
Seguem os clculos para estimao dos custos por modelo de nibus de
acordo com os critrios estabelecidos para pagamentos das falhas nos sensores:
Populao (KM)
0 to 59 km
59 to 89
89 to 118
118 to 148
148 to 177
0 - 12
12*18
18 - 24
24 - 30
30 - 36
Nmeros de sensores em risco
648
648
648
648
648
648
Numero de falhas esperadas
56
38
40
41
40
214
Population (Idade)
Nmero de veculos que falharam
Total
Quilometragem estimada
59208
88812
118416
148020
177624
Probabilidade mxima de falha
10.7%
7.5%
8.4%
8.8%
8.7%
44.2%
Probabilidade mdia de falha
8.6%
5.9%
6.2%
6.3%
6.2%
33.1%
Probabilidade mnima de falha
6.9%
4.6%
4.4%
4.2%
4.1%
24.2%
Escada de pagamentos
100%
80%
60%
40%
20%
BRL 789
Custo mdia de reparo

Estimativa de custo para campanha
BRL 62,051
Estimativa de custo em garantia
BRL 43,935
TABELA 3 Estimativa de Custos para o Modelo E
Obs.: No campo da tabela acima Populao (KM) as quilometragens esto na

escala de 1 = 10.000 mil quilmetros, seguindo a mesma escala para os outros
campos dessa linha.
O clculo acima estima os custos que sero gastos com pagamentos
relacionados com falhas nos sensores. No campo estimativa de custos para
campanha, o valor de 62.051 mil reais refere-se ao total estimado com gastos em
38
falhas nos sensores para veculos com a idade entre 12 a 36 meses. No campo
estimativa de custos para garantia o valor de 43.935 mil reais refere-se ao total
estimado com gastos em falhas nos sensores para veculos com idade at 12 meses
de uso, ou seja, no perodo de garantia. Para realizao do calculo foi multiplicado o
nmero total de sensores em risco vezes a probabilidade mdia de falha associada a
uma determinada idade da populao vezes a escada de pagamentos vezes o custo
mdio de reparo. Exemplificando para a idade de 0 a 12 ou 0 a 59 mil quilmetros
percorridos em mdia:
648 * 8,6%* 100%* BRL 789 = Estimativa de custos em garantia (43.935)
Populao (KM)
0 at 157
157 at 235 235 at 314 314 at 393 393 at 471
Total
Population (Idade)
0 - 12
12*18
18 - 24
24 - 30
30 - 36
2250
2250
2250
2250
2250
2250
49
90
279
194
169
781
265
Numero de falhas esperadas

187
60
15
Quilometragem estimada (KM)
157,260
235,890
314,520
393,150
471,780
11.9%
7.5%
14.8%
9.8%
8.3%
10.5%
6.7%
13.1%
8.7%
7.6%
46.5%
9.3%
5.9%
11.4%
7.6%
6.7%
40.8%
100%
80%
60%
40%
20%
52.3%
BRL 795
Custo mdia de reparo

BRL 278,512
Estimativa de custo de garantia
BRL 39,159
TABELA 4 Estimativa de Custos para o Modelo A

de uso, ou seja, no perodo de garantia. Para realizao do clculo foi multiplicado o
39
Populao (KM)
0 at 59
59 at 88
88 at 118
Population (Idade)
0 - 12
12*18
18 - 24
24 - 30
30 - 36
1126
1126
1126
1126
1126
1126
27
21
66
70
70
253
119
Nmero de falhas esperadas

118 at 148 148 at 177
70
45
59,208
88,812
118,416
148,020
177,624
10.7%
7.5%
8.4%
8.8%
8.7%
Total
44.2%
8.6%
5.9%
6.2%
6.3%
6.2%
33.1%
6.9%
4.6%
4.4%
4.2%
4.1%
24.2%
100%
80%
60%
40%
20%
Custo mdio de reparo
BRL 795
Estimativa de custo em campanha
BRL 78,084
BRL 46,672
TABELA 5 Estimativa de Custos para o Modelo B
O clculo acima estima os custos que sero gastos com pagamentos relacionados
com falhas nos sensores. No campo estimativa de custos para campanha, o valor
de 78.084 mil reais refere-se ao total estimado com gastos em falhas nos sensores
para veculos com a idade entre 12 a 36 meses. No campo estimativa de custos
para garantia o valor de 46.672 mil reais refere-se ao total estimado com gastos em
falhas nos sensores para veculos com idade at 12 meses de uso, ou seja, no
perodo de garantia. Para realizao do clculo foi multiplicado o nmero total de
sensores em risco vezes a probabilidade mdia de falha associada a uma
determinada idade da populao vezes a escada de pagamentos vezes o custo
40
Populao (KM)
0 at 58 km
58 at 87
87 at 116
0 - 12
12*18
18 - 24
24 - 30
30 - 36
540
540
540
540
540
540
21
23
30
37
37
150
24
41
57816
86724
115632
144540
173448
8.4%
6.0%
6.9%
7.1%
6.9%
Population (Idade)
116 at 145 145 at 173
Total
35.3%
5.3%
3.6%
3.8%
3.8%
3.8%
20.3%
3.3%
2.1%
1.9%
1.7%
1.6%
10.6%
100%
80%
60%
40%
20%
BRL 808
Estimativa de custo em campanha
BRL 47,850.41
BRL 17,172
TABELA 6 Estimativa de Custos para o Modelo C

de uso, ou seja, no perodo de garantia. Para realizao do calculo foi multiplicado o
540* 5,3%* 100%* BRL 808 = Estimativa de custos em garantia (17.172)
41
Populao (KM)
0 at 120
120 at180 180 at 240
240 at 300 300 at 360
Total
Population (Idade)
0 - 12
12*18
18 - 24
24 - 30
30 - 36
1116
1116
1116
1116
1116
1116
84
68
85
94
101
431
15
22
120132
180198
240264
300330
360396
8.9%
8.7%
12.0%
14.0%
14.3%
57.8%
6.0%
6.3%
7.8%
8.6%
9.0%
37.7%
4.0%
4.5%
4.8%
4.8%
4.7%
22.9%
100%
80%
60%
40%
20%
BRL 808
BRL 131,541.69
BRL 67,683
TABELA 7 Estimativa de Custos para o Modelo D

de uso, ou seja, no perodo de garantia. Para realizao do clculo foi multiplicado o
42
4 RESULTADOS
Os resultados das estimativas das quantidades de falhas nos sensores para
veculos de interesse seguem descritos no QUADRO 7 abaixo:
MODELO
B
C
D
A
E
100.000 km
200.000 km
300.000 km
400.000 km
0, 1676
0,3761
0,5595
0,7028
0,1064
0,2364
0,3512
0,4459
0,1478
0,2912
0,4472
0,0415
0,159
0,2848
0,3961
0, 1676
0,3761
0,5595
0,7028
0,0422
QUADRO 7 Probabilidade de Falha por Modelo Associada a Quilometragens

Determinadas.
A partir dessas informaes, podemos verificar a gravidade do problema para

uma determinada quilometragem de interesse. A maior probabilidade de falha est
relacionada com veculos de aplicao urbana, como os modelos B e E.
Apresentando uma taxa de falha mdia de 0,7028 para veculos com 400.000km
rodados, ou seja, estima-se que do total de sensores que compem essa populao
de nibus com essas mesmas caractersticas e submetidos a uma mesma aplicao,
70% dos sensores falhem quando esses veculos percorrerem 400.000 mil
quilmetros.
Os resultados das estimativas de custos relacionados com as falhas nos
sensores divididos por modelo para emisso de uma campanha que cobrir veculos
43
com idade entre 12 at 36 meses de uso efetuando pagamentos com percentuais
ponderados relacionados com a idade do veculo no momento que a falha aconteceu
seguem descritos na TABELA 8 abaixo.
Modelo
A
D
B
E
C
Custo total
Custo R$
278.512
131.542
78.084
62.051
47.850
598.039
TABELA 8 Estimativa para Custos com Campanha
A indstria deve provisionar uma quantia de 598 mil reais aproximadamente

para pagamentos relacionados com a campanha dos sensores de desgaste das
pastilhas de freios.
Os resultados das estimativas de custos relacionados com as falhas nos
sensores divididos por modelo para pagamentos em garantia que cobrir veculos
com idades at 12 meses de uso efetuando 100% do total do custo do reparo,
conforme descrito na TABELA 9 abaixo.
Modelo
A
D
B
E
C
Custo total
Custo R$
39.159
67.683
46.672
43.935
17.172
214.621
TABELA 9 Estimativa para Custos com Garantia
44
A indstria deve provisionar uma quantia de 215 mil reais aproximadamente
para pagamentos relacionados com a garantia dos sensores de desgaste das
pastilhas de freios.
45
5 CONCLUSO
Os mtodos aqui descritos para anlise dos dados de garantia so apenas
uma parte de um programa de confiabilidade. As informaes de campo so, sem
nenhuma dvida, as melhores fontes de retorno sobre o verdadeiro uso do produto e
de seu desempenho no campo.
No passado, as indstrias aumentaram muito seu faturamento atravs da
venda de peas de reposio para os seus produtos de baixa confiabilidade. Hoje,
os veculos so mais confiveis e a confiabilidade tornou-se um fator de deciso de
compra de um veculo. Polticas de campanha para extenso de garantia
especificamente para componentes com probabilidades de falha de alto grau so
necessrias para maior satisfao do cliente. Uma das dificuldades na elaborao
dessas campanhas estimar o capital total que deve se alocado para futuros
pagamentos com essas polticas. Assim, foi elaborado um mtodo para o
provisionamento de custos desses valores, fornecendo informaes como subsdios
para tomada de decises. Os principais ganhos com a aplicao desses processos
foram obteno de respostas antecipadas sobre os valores de custos e
quantidades de falhas que iro acontecer com os veculos montados com os
sensores defeituosos em intervalos de tempo pr-definidos, contribuindo para um
melhor controle oramentrio da indstria, atuando de forma antecipada na
resoluo de problemas com a emisso de campanhas preventivas, aumentando a
satisfao de clientes e gerando maior lucratividade para indstria com o manuseio
correto do capital alocado.
46
6 REFERNCIAS
SPAN, C. Cludio. Confiabilidade de veculos. Artigo publicado em CDROM pela ReliaSoft Brasil, Copyright 1992-2001.
OCONNOR, P. D. T.. Practical Reliability Engineering. John Wiley & Sons,
2002 4th Edition.
Engenharia da Confiabilidade. Apresentao publicada em CD-ROM pela
ReliaSoft Brasil, Copyright 1992-2001.
Resumo Terico Engenharia da Confiabilidade. Apostila publicada em
CD-ROM pela ReliaSoft Brasil, Copyright 1992-2001.

Análise de Confiabiliade Aplicada À Indústria

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Análise de Confiabiliade Aplicada À Indústria

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDADE FEDERAL DO PARAN

ANLISE DE CONFIABILIDADE APLICADA INDSTRIA

PAULO ZALESKI DE MATOS

ANLISE DE CONFIABILIDADE APLICADA INDSTRIA

Monografia apresentada disciplina de

PAULO ZALESKI DE MATOS

Monografia de Trabalho de Concluso de Curso de Graduao aprovada como

Dedicamos este trabalho,

tcnicas de provisionamento de custos sero elaboradas e adaptadas s escalas e

1.2 Objetivos Especficos

jeto ou processo; ocasionais, por desgaste ou fadiga.

do estoque e planos de manuteno.

lhas em campo ocorrerem em grande volume.

vas crescentes dos clientes.

2.2 Aplicaes da Anlise de Confiabilidade

especificaes e a sua solicitao de trabalho que poderia causar a falha. Sofrem

eletromagntica, entre outros. So conjuntos de componentes com relaes entre si,

2.3 Os Tipos de Falhas

FIGURA 1 Curva da Banheira

2.4 Anlise de Tempos de Falhas

FIGURA 2 Distribuies de Vida Mais Utilizadas

caracterizados pelo comportamento da falha dos mesmos.

Necessitamos realizar uma anlise em cima dos resultados disponveis, e no

O modo de falha que ocorreu diferente do modo de falha que planejamos

Na anlise de dados de garantia quando utilizamos dados de campo, ou seja,

Assim como definido acima, dados de garantia como no caso de dados

2.4.1 Classificao dos Dados de Vida

Dados Completos A maioria dos dados que no so dados de vida, bem

Dados Censurados Direita Neste caso os dados possuem itens que no

FIGURA 3 Dados Censurados Direita

FIGURA 4 Dados em Intervalos Censurados

FIGURA 5 Dados Censurados Esquerda

Todos os tipos de dados mencionados anteriormente podem ser agrupados.

2.5.1 Utilizando o Mtodo da Regresso (Mnimos Quadrados)

Para 10 falhas em 100 h, a categoria mediana, Z estimada utilizando:

Onde um valor de Z obtido para o grupo, para representar a probabilidade de 10

Para 10 falhas em 200 h, Z estimado utilizando:

Onde um valor de Z obtido para representar a probabilidade de 20 falhas em um

Para 10 falhas em 300 horas Z determinado utilizando:

Onde um valor de Z obtido para o grupo, para representar a probabilidade de 30

2.5.2 Utilizando o Mtodo da Mxima Verossimilhana

computacionais. Entretanto, a introduo do parmetro de localizao cria

2.5.3 Comparando os Mtodos

2.6 Distribuies Mais Utilizadas

FIGURA 6 Exemplos de Curvas de Distribuies (f.d.p.)

Onde t a varivel aleatria que representa o tempo. A letra Grega (lambda)

2.6.1 Distribuio Weibull

FIGURA 6 Distribuio Weibull

2.6.2 Distribuio Exponencial

FIGURA 7 Distribuio Exponencial

2.6.3 Distribuio Lognormal

FIGURA 8 Distribuio Lognormal

2.6.4 Distribuio Normal

- < x < , - < < e 2 > 0

FIGURA 9 Distribuio Normal

2.6.5 Distribuio Weibull Mista

FIGURA 10 Distribuio Weibull Mista

2.6.6 Distribuio Gama Generalizada

FIGURA 11 Distribuio Gama Generalizada

2.7 Intervalos de Confiana

FIGURA 12 Intervalo de Confiana Bilateral

Unilaterais Observao da porcentagem maior ou menor (superior e inferior)

FIGURA 13 Intervalos de Confiana Unilateral Inferior e Superior.