Algumas Metodologias Utilizadas em Manutenção de Sistemas Reparáveis

Todas as técnicas e metodologias de manutenção que possamos querer aplicar a uma máquina visam a deteção de avarias. O desenvolvimento do CBM (Condition Based Maintenance) / PHM (Prognostics and Health Management) normalmente pressupõe que seja definida nas avarias (ex: mecânicas) uma percentagem específica daquilo que pretendemos detetar. Esta percentagem deve ser identificada através do RCM e do FMECA (Vachtsevanos, 2006). No presente caso este princípio aplica-se uma vez que vamos definir limites e regras para deteção e intervenção (Capítulo 3).

A RCM (Reliability Centered Maintenance) teve a sua origem nos anos 50, na área da aeronáutica, pois os custos de manutenção encontravam-se num nível muito elevado. Neste método, a manutenção é organizada de acordo com o cálculo de fiabilidade de um equipamento ou sistema (Leite, 1998).

O TPM (Total Productive Maintenance) pode ser aplicada a sistemas onde são efetuadas inspeções, rondas programadas e limpeza aos equipamentos. Nos anos 80 esta metodologia veio permitir uma redução dos custos de produção e manutenção em que, através do envolvimento de todos, o desperdício foi reduzido ao mínimo (Tsang & Chan, 2000) e os stock´s eram praticamente zero. Há alguns anos que se verifica esta prática nas empresas de maior prestígio, como é o caso da Autoeuropa em Portugal.

Verificando os conceitos, RCM e TPM, verifica-se que são métodos pertencentes a uma política de manutenção de uma organização. Leite, 1998) (Lampreia, 2005). Podem eventualmente ultrapassar as fronteiras de ambos para contribuir para uma manutenção Lean, em que o compromisso com a melhoria contínua impera.

Noção de Fiabilidade

A fiabilidade é “a aptidão de um bem para cumprir uma função requerida sob determinadas condições, durante um dado intervalo de tempo.” (NP, 2007).

A determinação da fiabilidade de equipamentos é fundamental à boa gestão de ativos seja em equipamentos navais, terrestres ou aéreos, de forma à sua operação ser maximizada, a disponibilidade e performance sejam máximas a um custo mínimo.

Na análise de fiabilidade em manutenção, várias técnicas estatísticas e métodos podem ser utilizados. Quando, após a deteção dos componentes mais críticos, for possível a sua modelação deve ser utilizada a função distribuição de Weibull. Esta função permite um ajustamento aos dados da função de distribuição do tempo de vida mais adequado permitindo efetuar a previsão da avaria de um determinado sistema (Dias, 2002).

Pereira (1996) refere o modelo de riscos proporcionais como método de acompanhamento de condição de equipamentos, este é um modelo exponencial que vai permitir analisar vários

parâmetros e a sua implicação na função de risco. Para concretizar o controlo de condição, Pereira associa um modelo de regressão de modo a estimar a influência das variáveis caraterísticas do processo de avaria, na função de risco global do equipamento. O modelo apresentado não necessita de especificar a função de risco de base, fazendo com que a sua aplicação permita determinar as variáveis mais importantes no risco de avaria.

( Z ) 0

h( t;Z )h ( t ).e

Em que h ( t )0 é a função de risco arbitrária, não especificada, Z é o vetor linha das K covariáveis utilizadas e medidas, e β é o vetor coluna dos K parâmetros de regressão e t é o tempo desde a última avaria verificada no sistema.

O modelo de Crow-AMSAA (Army Material Systems Analysis Activity) pode ser aplicado quando estamos a estudar a fiabilidade de sistemas reparáveis, em Processos de Poisson não Homogéneos. Neste caso, com o SR apresenta tendência, trata-se de uma modelação não paramétrica, como já referido. A taxa de ocorrência de avarias aumenta com t quando β>1 e diminui quando β<1, assim o modelo pode descrever a variação da taxa de avarias em função do tempo de vida do sistema. Este modelo faz-se representar por:

1

( t ) t

 _ 

em que t, ,

 

β é o coeficiente de forma, λ é o de escala e t é o funcionamento do sistema nas unidades respetivas. Este modelo, não paramétrico, também é vulgarmente conhecido pelo modelo de Crow (Pereira & Sena, 2012)

Outra das ferramentas, que podem ser utilizadas para uma análise qualitativa de fiabilidade é o Failure Modes and Effects Analysis (FMEA), que é uma técnica para análise de um sistema em termos dos seus subsistemas e componentes de forma a determinar as causas da avaria e o que pode ser feito para suprir essa avaria. A Failure Modes and Effects and Criticality Analysis (FMECA) é o FMEA mas com a criticidade de cada uma das avarias. Ou seja o FMECA relaciona os eventos de avaria com as suas causas primárias e grau criticidade (Vachtsevanos et al, 2006).

Em 2010, Pereira & Canuto referem que o nível de fiabilidade e risco de danos num equipamento depende das necessidades operacionais e de manutenção. Na presente dissertação, ao contrário, são as necessidades operacionais e de manutenção que definem a fiabilidade dum equipamento.

Sobral & Ferreira (2007) referem a importância da aplicação de modelos de fiabilidade na manutenção de equipamentos de proteção contra incêndio na gestão do risco industrial, e apresentam as formas de melhorar essa fiabilidade.

A análise de Pareto pode ser uma ferramenta fundamental na fase inicial de aplicação de um sistema de fiabilidade, em que o tipo de avarias pode ser agrupado de forma a determinarmos qual a maior incidência sobre determinados componentes, e a sua causa (O´Connor & Kleyner, 2011). Na fiabilidade pode ser ainda utilizada uma árvore de avarias que é um diagrama lógico que mostra a relação entre os vários eventos e as possíveis causas (Blischke & Murthy, 2003).

Metodologia Rods

Em Sobral (2010) é referido que o conhecimento detalhado dos equipamentos a controlar num sistema de manutenção é importante para se obterem resultados fidedignos, principalmente, quando temos equipamentos que têm elevados períodos parados e onde os dados disponíveis são escassos.

Neste caso o autor definiu a metodologia RODS de forma a obter resultados dos equipamentos com uma fiabilidade elevada. No caso dos navios existem equipamentos onde os períodos de imobilização podem ser elevados. Neste contexto, de fato, nos períodos de imobilização dos navios, esta metodologia poderia vir a ser aplicada a alguns sistemas.

Tal como já foi referido na fase de desenvolvimento dum equipamento dever-se-á caraterizar os seus parâmetros de funcionamento também, no desenho de fiabilidade de um produto, sistema ou máquina deve ser tido em consideração uma determinada taxa de avarias caraterística, λ, sob determinadas condições ambientais ou de instalação (Bentley, 1993).

Para monitorização offline Alzghoul & Lofstrand (2011) sugerem a utilização de uma metodologia que permite o tratamento dos dados históricos. Propõem um algoritmo que altera o seu estudo de acordo com a sequência mais recente dos dados de tempo, em que este utiliza vários métodos para detetar avarias em equipamentos. Estes métodos referem-se ao Scaled-up MEWMA (Multivariate Exponentially Weighted Moving Average), ao método de ajustamento regressivo (regression adjustment method) e ao método de componentes principais (principal component method).

Figura 2.8 Pirâmide Estrutural(Fonte de: Qingfeng et al, 2011)

Qingfeng et al (2011) apresentam das mais recentes formas de abordagem da manutenção em equipamentos, que é a MSI (Maintenance & Safety Integrity Management). A Figura 2.8 representa a pirâmide estrutural da gestão da integridade de equipamentos em processos industriais considerada por

Qingfeng et al (2011). Segundo os autores esta metodologia pode ser dividida em quatro etapas: A execução de controlo do trabalho (Work Execution & Review), a manutenção proactiva (Proactive Management), a manutenção baseada no risco (Risk Based Maintenance) e finalmente a MSI. Cada um destes aspetos podem utilizar varias técnicas, como o RBI (Risk Based Inspection) e o RCM. Esta forma estruturada e integrada de abordar a manutenção permite a tomada de ações preventivas e corretivas eficientes, com risco mínimo de erro e consumos de recursos, também, eles mínimos. Os métodos biplot podem ser utilizados na análise e tratamento dos dados e permitem a representação conjunta de indivíduos e de variáveis de uma matriz multivariável X permitindo, através de representação gráfica, captar correlações entre as variáveis e saber o seu estado relativamente a determinada situação (Villardón, 2011). Estes métodos podem ser aplicados no estudo da performance de equipamentos.

Santos (2011) apresenta uma análise de fiabilidade não online, mas offline em que divide um plano com 3 fases. Uma fase para tratamento dos dados e identificação dos componentes com anomalias (a primeira), uma segunda fase em que se efetua a caraterização dos componentes com anomalia e uma terceira em que são identificados o modos de avaria. A presente dissertação trata de uma “quarta fase” que é a monitorização online, em que as primeiras três fases foram fundamentais para permitir a atual forma estrutural da metodologia.

É ainda importante referir que alguns métodos de classificação de avarias podem ser: Fuzzy Clustering, redes neuronais artificiais, e métodos de distância e probabilística geométrica. Não serão, no entanto utilizadas nesta investigação.

Parreira (2009) utilizou a transformada de VMV (Vetor de Monitorização de Vibrações) e demonstrou que é uma ferramenta viável para caraterizar o estado de condição de máquinas correlacionando as medições de vibrações em diversos pontos, através da utilização da representação gráfica plana MDS (Multidimensional Scaling), em que cada estado é um ponto. Vairinhos (2003) mostrou que os métodos biplot são uma boa ferramenta para extração e tratamento de dados, obtendo-se análises de dados fidedignas através de uma análise gráfica em que o ângulo vetorial define a correlação entre os resultados.