Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente.
São Carlos, SP, Brasil, 12 a15 de outubro de 2010.
APLICAÇÃO DE MODELO
MULTICRITÉRIO PARA MANUTENÇÃO
PREDITIVA COM USO DE TÉCNICAS
DE TERMOGRAFIA
Rodrigo Jose Pires Ferreira (UFRN)
rodjpf@gmail.com
Samira Yusef Araujo de Falani (UFRN)
samyusef14@hotmail.com
Thiago Pinheiro Jeronimo (UFRN)
thiagopj@gmail.com
Além disso, também é utilizada a Teoria de Utilidade Multiatributo (MAUT) para definir um
modelo de tomada de decisão sobre o tempo ideal de intervalo entre as inspeções. O MAUT é
uma teoria derivada da teoria da utilidade que busca resolver problemas utilizando múltiplos
critérios (KEENEY; RAIFFA, 1976).
O cenário proposto é o de uma empresa de distribuição de energia elétrica, que possui
transformadores, geradores e outros aparelhos que necessitam constantemente de manutenção.
O objetivo deste artigo, portanto, é apresentar um modelo para o planejamento da
manutenção, considerando políticas preditivas baseadas em inspeções termográficas.
2. CBM - Condition Based Maintenance
Há, na literatura, diversos modelos desenvolvidos para a Gestão da Manutenção, como por
exemplo, a Total Productive Maintenance (TPM), Reliability-Centred Maintenance (RCM),
2
Condition Based Maintenance (CBM), Computerized Maintenance Management Systems
(CMMS), Effectiveness Centered Maintenance (ECM), Strategic Maintenance Management
(SMM) e Risk Based Maintenance (RBM).
Segundo Martin (1994), CBM é um programa de manutenção que recomenda ações de
manutenção com base nas informações coletadas através de monitoramento da condição. São
tentativas de evitar tarefas de manutenção desnecessárias, executando-as somente quando há
evidências de comportamentos anormais na máquina.
De acordo com Vairinhos e Lobo (2006), a concretização das políticas CBM cria problemas
difíceis do ponto de vista estatístico. O problema básico é o de conhecer em cada instante o
verdadeiro estado do sistema, como condição para a tomada de decisões adequadas a esse
estado, acerca do que deve ser feito. A questão estatística básica é a de usar a informação
disponível num certo instante acerca dessa máquina para inferir/estimar/decidir/diagnosticar
qual o estado. Tendo estimado o estado, deve-se decidir que trabalhos devem ser realizados
para garantir uma certa confiabilidade num dado período futuro, para repor a máquina no seu
estado de novo ou optar entre várias alternativas possíveis.
Entretanto, a existência de sensores nas instalações modernas abre novas oportunidades à
criação de sistemas de diagnóstico e previsão (de avarias) que tornam possíveis e mais
realistas as concretizações de políticas CBM.
De acordo com Ferreira et al. (2009), o CBM necessita de coleta de dados, que pode ser
contínua, quando os sistemas de recolhimento de dados para monitorar sua condição são
integrados com equipamento, o chamado de monitoramento on-line, e fornece feedback
instantâneo do estado. Ao contrário de monitoramento on-line, a coleta de dados pode ser
realizada em intervalos de tempo na inspeção periódica. Este tipo de acompanhamento é
chamado off-line.
Em geral, o custo da inspeção decidirá sobre qual método de coleta de dados deverá ser
utilizado. O monitoramento dos equipamentos a partir do programa CBM pode ser através das
análises de emissão de energia ou Termografia, Vibração, Ultrasom ou Análise de Óleo.
Em máquinas rotativas, a utilização de análise de vibração como uma técnica para
monitoramento de condições e viabilidade de instalação de um sensor justificam um
acompanhamento contínuo. Já nos sistemas mais complexos, como sistemas de distribuição
de energia elétrica, os transformadores são inspecionados pela termografia. Porém há a
inviabilidade da instalação de uma câmera termográfica para capturar imagens térmicas
continuamente, o que justifica o acompanhamento periódico. (FERREIRA et al., 2009)
Em empresas, o custo de uma política de monitoramento, contribui para o aumento das
despesas de inspeção e perdas de produção do sistema. Portanto um programa de CBM, se
devidamente estabelecido e efetivamente aplicado, pode reduzir significativamente o custo de
manutenção, reduzindo o número de operações desnecessárias de manutenção preventiva.
3. Termografia
Todos os objetos que têm uma temperatura superior a zero absoluto (0 Grau Kelvin) emitem
radiação infravermelha, que pode ser medido na faixa espectral do infravermelho. A técnica
de medição e visualização desta energia é chamada de Termografia por infravermelhos ou
térmico de imagens.
A inspeção termográfica é uma técnica não destrutiva que utiliza os raios infravermelhos para
medir temperaturas ou observar padrões diferenciais de distribuição de temperatura, com o
3
objetivo de propiciar informações relativas à condição operacional de um componente,
equipamento ou processo (SOUZA, 2008).
De acordo com Tsang (1995), a termografia usa instrumentos projetados para medir as
emissões de energia infravermelha como um meio para determinar a condição de
funcionamento da planta das máquinas, considerando anomalias das condições térmicas, mais
quente ou mais frio do que deveria, como sinais de alarme de possíveis problemas no sistema.
Porém as técnicas termográficas são sensíveis às variações das condições ambientais como a
quantidade de partículas suportadas no ar, de modo que variações na medição devem ser
consideradas na análise dos dados.
A Figura 1 mostra uma fotografia termográfica onde se pode identificar um ponto quente
ligeiramente abaixo do equipamento. Essa temperatura acima do normal indica que o aparelho
deve ser monitorado para a não ocorrência de falhas.
4
ideal de inspeção para manutenção preditiva num modelo matemático e resolvê-lo usando tais
ferramentas. Para tanto, será utilizado o modelo proposto por Ferreira et al. (2009).
Nesse modelo, o autor buscou utilizar a Teoria da Utilidade Multiatributo (MAUT) para
encontrar um tempo ideal entre os possíveis intervalos de inspeção. Isso foi feito através de
análises de dois critérios: o custo financeiro relativo a cada intervalo de inspeção, e tempo
ocioso devido à falha, que pode ter uma grande importância dependendo do cenário proposto.
Num hospital, por exemplo, o tempo de inatividade um determinado aparelho chega a ser uma
variável mais importante do que o custo da manutenção desse aparelho, já que vidas são
envolvidas, diferentemente do que ocorre numa indústria, onde o custo de manutenção
geralmente é mais importante do que a integridade do equipamento.
Para o caso estudado, ambas os critérios são importantes, uma vez que o tempo de ociosidade
de uma máquina devido à quebra é algo extremamente grave para uma empresa de produção
de energia. Do mesmo modo, o custo por essa manutenção também é muito importante.
Caberá ao tomador de decisão, que será algum responsável pela manutenção, definir a
importância relativa de cada um desses atributos.
4.3. Detalhamento do modelo
O modelo proposto buscou utilizar funções que estimassem valores para os critérios a serem
trabalhados. De acordo com Christer e Walter (1984), as fórmulas que representam o custo
esperado de uma política de inspeção e o tempo de inatividade de uma máquina entre a quebra
e o conserto são as fórmulas (1) e (2), respectivamente.
λT{Cb b(T) C r [1 b(T)]} Ci
C(T) (1)
(T d)
λTd b b(T) d
D(T) (2)
(T d)
Onde, de acordo com Christer e Walter (1984), λ é a taxa de chegada de falhas por unidade
de tempo; Cb é o custo médio de reparo para uma falha total (quebra); Cr é o custo médio de
manutenção corretiva; Ci é o custo de inspeção; db é o tempo médio ocioso que uma máquina
fica enquanto é consertada; d é o tempo esperado de inspeção (d<<T); e b(T) é a
probabilidade de uma falha ocasionar uma quebra, definida pela função (3), mostrada a
seguir.
T T h
b(T) f(h)dh (3)
0
T
Os valores utilizados para as variáveis apresentadas são os seguintes:
Parâmetros Valores
5
Cr R$ 100,00
Ci R$ 60,00
A seguir, estão os gráficos gerados através das funções apresentadas. Deve-se considerar que,
nestas projeções exibidas a seguir, foram utilizados os valores apresentados na tabela 1, que
representa os parâmetros das funções por valores simulados.
As figuras 2 e 3 mostram como se comportam as funções em relação ao intervalo de inspeção.
Pode-se observar que, como é de se esperar, o custo diminui consideravelmente conforme se
aumenta o intervalo, pois assim as inspeções ficam menos freqüentes. Do mesmo modo, o
tempo de inatividade aumenta conforme aumenta o intervalo entre as inspeções, já que a
manutenção freqüente não deixa evita o tempo de ociosidade devido à falha.
6
Dessa forma, vê-se que o problema confronta dois critérios: para diminuir o custo, é ideal
aumentar o tempo, mas isso aumenta também o tempo de inatividade, o qual o modelo
gostaria de diminuir. De acordo com Keeney e Raiffa (1976), a abordagem geralmente usada
para superar esse problema é a de construir as funções de utilidade monocritério e combiná-
las como um modelo de utilidade multricritério completa, através da estimativa de peso dos
diferentes critérios.
Para tanto, são usados os conceitos de funções de utilidade. Essas são funções que buscam
expressar os critérios desejados em valores genéricos que representam o grau de satisfação do
tomador de decisão em relação a cada um dos critérios. Cada variável passa a ser representada
sobre os mesmos parâmetros, e não em reais ou minutos, por exemplo. Assim, são criadas
duas funções: uc e ud, que irão representar as utilidades esperadas do custo e do tempo de
inatividade, respectivamente.
Dessa forma, utilizando MAUT, o modelo cria uma distribuição de importância entre os dois
critérios apresentados, de modo que ambos são representados independentemente por duas
diferentes funções e depois combinados numa única função de utilidade multicritério.
Assume-se que os dois atributos são aditivamente independentes. Segundo Duarte (2001), a
validação da condição de independência assegura que ela é capaz de comparar e classificar
por importância pares de alternativas, contanto que seja respeitada uma condição: as escolhas
de um atributo são independentes dos valores do outro atributo.
Como a idéia do modelo é encontrar uma solução que otimize as duas funções, o objetivo
agora passa a ser a maximização da utilidade esperada, onde as funções utilidade dos critérios
passarão a descrever suas atitudes frente ao cenário total. Nesse caso, o cenário total irá se
referir a como o tomador de decisão pretende avaliar suas variáveis, dando a devida
importância ao custo pelo intervalo de inspeção e ao tempo de inatividade previsto.
As funções de utilidade para cada critério são estimadas a seguir. Para tanto, a utilidade do
custo foi escrita como uma função linear na equação (4), enquanto o tempo de inatividade foi
escrito numa função exponencial negativa, definida na equação (5).
C(T) C 0 (T)
u c (C(T)) (4)
C * (T) C 0 (T)
D(T) D* (T)
u d (D(T)) exp 0 ln(0,01) (5)
D (T) D (T)
*
Nessas funções, os valores C0(T) e D0(T) representam os maiores valores de C(T) e de D(T)
para o intervalo T dado (no caso, T variou de 10 até 330), enquanto C*(T) e D*(T)
representam os menores valores dessas funções para o intervalo dado.
Já definidas, as funções de utilidade dos critérios podem ser escritas de forma aditiva como
uma função de utilidade multicritério da seguinte maneira
U(C(T), D(T)) k c uc (C(T)) k d u d (D(T)) (6)
Onde kc e kd representam constantes que irão avaliar a importância de cada critério definido no
modelo C(T) e D(T), respectivamente). Essas constantes serão passadas de acordo com o
cenário proposto, e sua soma deve ser igual a 100%.
4.3. Resultados encontrados
7
Após definida a função para o problema com dois critérios, atribui-se o valor de 0,4, 0,5 e 0,6
para kc e 0,6, 0,5 e 0,6 para kd, respectivamente. Esses valores terão um peso sobre suas
respectivas funções e são propostas para o cenário apresentado no modelo. A figura 4
representa o gráfico gerado.
8
Sobre o modelo matemático utilizado, pode-se observar que há uma credibilidade nos
resultados exibidos. Os intervalos encontrados através das equações e variáveis propostas
mostram como o modelo pode realmente ser útil em situações reais. O uso de mais de um
critério pode, através dessa aplicação em MAUT, ser utilizado nos mais diversos cenários, o
que mostra sua versatilidade como solucionador de problemas.
Neste documento foi proposto um modelo de tomada de decisão para um problema de
manutenção numa empresa de produção de energia elétrica.
Referências
CHRISTER, A.H.; WALLER, W.M. Delay time models of industrial inspection maintenance problems.
Journal of the Operational Research Society 1984;35(5):401–6.
DUARTE, B. P. M. The expected utility theory applied to an industrial decision problem: what technological
alternative to implement to treat industrial solid residuals. Computers & Operations Research 2001; 357-380.
FERREIRA, Rodrigo J. P.; ALMEIDA, Adiel Teixeira; CAVALCANTE, Cristiano A. V. A multi-criteria
decision model to determine inspection intervals of condition monitoring based on delaytime analysis.
Reliability Engineering and System Safety, Elsevier, 2009.
JARDINE, A.K.S.; BANJEVIC, D. A review on machinery diagnostics and prognostics implementing
condition-based maintenance. In: Mechanical Systems and Signal Processing, 2006.
KEENEY, R. L.; RAIFFA, H. Decision with multiple objectives: preferences and value trade-offs. Wiley,
Nova York, 1976.
LEE, J.; ABUJAMRA, R.; JARDINE, A.K.S.; LIN, D.; BANJEVIC, D. An integrated platform for
diagnostics, prognostics and maintenance optimization, in: The IMS ’2004 International Conference on
Advances in Maintenance and in Modeling, Simulation and Intelligent Monitoring of Degradations, Arles,
France, 2004.
MARTIN, K. F. A review by discussion of condition monitoring and fault-diagnosis in machine-tools,
International Journal of Machine Tools and Manufacture 34 (1994) 527–551.
SOUZA, R. Q. Metodologia e desenvolvimento de um sistema de manutenção preditiva visando à melhoria da
confiabilidade de ativos de usinas hidrelétricas. Dissertação de Mestrado em Sistemas Mecatrônicos,
Departamento de Engenharia Mecânica, UNB, Brasília, DF, 2008.
TSANG, A.H.C. Condition based maintenance: tools and decision making, Journal of Quality in Maintenance
Engineering, Vol. 1 No. 3, pp. 3-17, 1995.
VAIRINHOS, V. M.; LOBO, V. Mecpab – Aplicação de Técnicas de Dados Multivariados à Manutenção
Preditiva, X Jornadas de Construção Naval, Lisboa, 21-22 Novembro, 2006.
YADAV, R.; KUMAR, S.; VENKATASAMI, A.; LOBO, A. M., WAGLE, A. M. Condition Based
Maintenance of Power Transformer: A Case Study, International Conference on Condition Monitoring and
Diagnosis, Beijing, China, April 21-24, 2008.