arrow_back

Modelos de confiabilidade na Manutenção Preditiva: Análise Weibull

software mantenimiento local_offer

Através do Predictto, usamos modelos de confiabilidade para prever o futuro de ativos que não podem ser monitorados automaticamente ou não são importantes o suficiente para isso.

A curva de confiabilidade

A curva de confiabilidade é a base da Manutenção Centrada na Confiabilidade e reflete a descrição ao longo do tempo de um ou vários ativos, permitindo que seu nível seja previsto ao longo do tempo para planejar e tomar decisões.

O poder dessas distribuições está na capacidade de descrever uma variedade de padrões de comportamento com apenas alguns registros de eventos e obter a síntese do comportamento em dois parâmetros: A mediana (m) e a confiabilidade mediana mediana (R2m) que são dois parâmetros essenciais. pontos que passam pela curva de confiabilidade.

Análise Weibull: entendendo o que é m e R2m 

Qualquer distribuição Weibull pode ser caracterizada por um par de pontos m|R2m, assim como apenas uma linha pode passar por dois lugares, uma distribuição Weibull pode passar por uma única combinação de mediana e R2m.

A mediana é um indicador importante porque constitui o ponto no tempo em que a confiabilidade atinge 50%, isso implica que antes desse ponto o ativo tinha uma probabilidade maior de estar em operação do que em estado de falha. Este ponto nos ajuda a determinar qual é o limite máximo em que um ativo opera com segurança. 

O R2m é extraído localizando a confiabilidade do ponto que é 1,5 vezes a mediana. Por exemplo, se 50% da curva de confiabilidade estiver em 100 dias, o ponto R2m estará em 150 dias e o valor R2m será a confiabilidade correspondente na curva. Dependendo do valor que obtivermos, podemos determinar se é um tipo de falha ou outro.

Por exemplo, se o valor de confiabilidade for 35,35%, a falha é considerada acidental ou aleatória, ou seja, não é influenciada pelo tempo de operação do ativo; se o valor for inferior a 35,35%, corresponderá a uma falha por desgaste. (neste caso, é um comportamento semelhante a quando podemos monitorar o ativo) e nos casos em que 35,35% do R2m é ultrapassado, o comportamento é de falha precoce, ou seja, o ativo falhará muito em breve

Clasificação por tipos de falhas ou incidências

Basicamente, classificamos as falhas em 3 tipos: 

Falhas aleatórias ou acidentais 

Essas falhas são típicas de eventos dependentes de causas externas que podem aparecer a qualquer momento, como as causadas por tempestades elétricas, acidentes operacionais ou falhas humanas. Nesses casos, a manutenção preventiva não é uma opção, mas sim a identificação e controle das causas que ocasionam a falha. 

Falhas por desgaste 

As falhas ocorrem quando a vida útil máxima de um ativo ou de qualquer de suas partes é atingida, identificando este momento em que a probabilidade máxima de falha é atingida, o período de manutenção preventiva adequado pode ser determinado para evitar a ocorrência desta.

Esses comportamentos são característicos de sistemas mecânicos submetidos a estresse mecânico ou térmico e refletem a deterioração das peças devido à operação normal.

Falhas iniciais

Essas falhas aparecem com maior probabilidade após o comissionamento de um ativo, é importante identificar o “cotovelo” da curva, o ponto onde a confiabilidade muda drasticamente, pois neste ponto será determinado o período de operação sob supervisão.

Ou seja, se pudermos proteger o ativo contra falhas precoces, a confiabilidade do equipamento não será mais reduzida e a operação do ativo poderá ser mantida. Falhas precoces são comuns em defeitos de fabricação, problemas de start-up e falhas nos processos de manutenção e montagem, o que leva a uma investigação profunda quando esse tipo de comportamento aparece.

A análise de falhas realizada por meio de modelos de confiabilidade e mais especificamente com o método m|R2m permite estabelecer o comportamento dos ativos ao longo de sua vida útil com base apenas na curva de confiabilidade. A realização dessa análise a partir de logs de eventos de falha ou monitoramento online de variáveis ​​se estabelece como uma poderosa ferramenta para planejar estoques e custos com base no estado atual dos ativos, controlando o nível de confiabilidade necessário.

 

Estamos sempre criando novos processos de análise de dados e atualizando nossa tecnologia para oferecer a você uma manutenção preditiva completa e atender as necessidades do seu departamento de manutenção. Com o Predictto, você tomará decisões sobre seu planejamento de manutenção facilmente com a ajuda do Machine Learning e da IoT e em apenas alguns cliques. Você não precisa ser um especialista em ciência de dados para usar dados para prever o futuro de seus ativos.