Aplicação da Engenharia de Confiabilidade (RCM, LDA, RCFA, RAM) nos Ativos de Gás operados pela TRANSPETRO
Daniel Henrique Quaglioz Sartori (01)
Resumo
A Transpetro tem como uma das principais estratégias em seu planejamento de negócios maximizar a produtividade, garantir a otimização dos custos operacionais através do uso das melhores práticas do mercado. Uma das práticas ou ciências utilizadas pela Transpetro é a Engenharia de Confiabilidade. A realização de estudos que envolvam confiabilidade quantitativa do ativo é possível através da aplicação de ferramentas matemáticas e estatísticas. Essas metodologias foram agrupadas seqüencialmente à luz do processo DMAIC (D-Define, M-Measure, A-Analyse, I-Improve e C-Check) e aplicadas aos Postos de Entrega de Gás da Gerência Geral Sudeste. Neste trabalho, as informações de tempo até a falha e tempo de reparo de vários equipamentos complexos foram coletadas no banco de dados da empresa, e foram aplicadas as seguintes ferramentas: RCM (Reliability Centered Maintenance) para identificar as tarefas que visam preservar as funções do equipamentos e sistemas), LDA (Life Data Analysis), que visa fornecer as curvas de confiabilidade, probabilidade de falha, taxa de falha e, assim, permitir o cálculo do intervalo ideal para Manutenção; RCFA (Root Cause Failure Analysis) que visa identificar as causas de falhas críticas para eliminar recorrências e confiabilidade, disponibilidade e manutenibilidade (RAM), que visa estruturar todos os equipamentos e seus modos de falha em blocos de confiabilidade, a fim de que Confiabilidade, Disponibilidade do Sistema e identificação de equipamentos críticos com suas previsões de falhas sejam fornecidos, de forma a permitir a estruturação de uma política de reposição para o necessário reabastecimento e, assim, a maximação da disponibilidade e satisfação do cliente.
1. Introdução
A Petrobras Transporte S.A. – Transpetro é uma importante empresa que atua na área de transporte e a logística de combustível no Brasil. Operando e mantendo mais de 14 mil quilômetros de oleodutos e gasodutos, 47 terminais (20 terrestres e 27 aquaviários) e 55 navios, a Transpetro tem o desafio de levar aos mais diferentes pontos do Brasil o combustível que move a economia do país. Suas operações também abastecem indústrias, termelétricas e refinarias. A Transpetro, tem atuação nacional, com instalações em 20 das 27 unidades federativas brasileiras. Além disso, a Transpetro possui como atributos em seu planejamento estratégico ser competitiva e rentável, tendo como uma das principais ações estratégicas maximizar continuamente a produtividade, otimização de custos com redução de despesas gerais e administrativas de acordo com as melhores práticas de mercado.
para gerenciamento da performance dos ativos de Gás (Estações de Compressão, Pontos de Entrega, Estação de Distribuição, Áreas de Válvula, entre outros) a fim de garantir o equilíbrio entre os principais direcionadores existentes em Gestão de Ativos (Desempenho, Custo e Risco). Foram selecionadas as principais metodologias e ferramentas de Confiabilidade, ordenadas de acordo com o processo DMAIC (D-Define, M-Measure, A-Analyse, I-Improve e C-Check). Figure I - Plano de Gerenciamento da Performance dos Equipamentos
Este trabalho apresenta a implementação desse processo em um dos Pontos de Entrega da TRANSPETRO, o Ponto de Entrega da UTE Linhares.
2. Descrevendo o Sistema
O Ponto de Entrega de Linhares da TRANSPETRO recebe o gás natural da Unidade de Processo de Gás Natural de Cacimbas, por meio da Gasoduto Cacimbas-Vitória e fornece o gás condicionado à Unidade Termelétrica de Linhares da Petrobras a uma vazão de 1.300.000 m3/dia e a 35 Kgf/cm2. A falha do ponto de entrega compromete diretamente e imediatamente o fornecimento de Gás para a Térmica. As variáveis são monitoradas remotamente, através de um sistema de fibra ótica com redundância (sistema VSAT), pelo Centro Nacional de Controle Logístico (CNCL). Antes da aplicação dos estudos de Confiabilidade, a Disponibilidade da instalação atingia o valor de 98%, tendo como meta desejada 100% (Volume de Gás Impactado pela falha igual a zero).
Figure II - Esquemático do Ponto de Entrega
3. Metodologia
Serão apresentadas as principais metodologias e ferramentas, com seus resultados, que cooperaram para o resultado total desse projeto: MCC: Manutenção Centrada na Confiabilidade para elaboração de Planos
de Manutenção para os ativos.
LDA: Análise de Dados de Vida para levantamento dos perfis de falha, curvas de Confiabilidade, Mantenabilidade, taxa de Falha, análise de degradação e estimativa de intervalos ótimos de Manutenção.
Análise RAM: Para modelagem dos sistemas e estimativa da Confiabilidade, Disponibilidade e Mantenabilidade do sistema Ponto de Entrega, utilizando Simulação de Monte Carlo. Nesta fase, é possível encontrar os badactors do sistema.
RCFA: Análise de Causa Raiz da Falha para identificação das causas primárias, a fim de evitar Recorrência de problemas crônicos.
Gerenciamento de Risco: Estimativa de Risco para avaliação de Investimento.
Agrupamento dos Planos: Metodologia da Agrupamento de tarefas para ganho logístico.
4. Detalhamento
O objetivo desta seção é apresentar o desenvolvimento do projeto alvo deste estudo, detalhando cada metodologia e seus resultados parciais.
4.1. Manutenção Centrada na Confiabilidade
O objetivo desta primeira fase foi selecionar as tarefas corretas para a elaboração de um Plano de Manutenção assertivo, isto é, que preserve a função
dos equipamentos. Para isso foi necessário identificar as Funções, Falhas Funcionais, Modos de Falha e seus Efeitos. Posteriormente, foram classificadas as consequências falha nas devidas categorias e, a partir de uma tabela de decisão foi estabelecida a estratégia de correta (tarefas de manutenção ou correr até falhar).
Figure III - Definição das Funções do Sistema de Regulagem
Figure IV - Esquemático da Aplicação do MCC e Seleção das Tarefas
Nesse estudo foram identificadas 38 funções, 125 falhas funcionais e 352 modos de falha. Após a seleção das tarefas e implantação do Plano de Manutenção no SAP/R3, foi identificado uma redução de 30% na carga de trabalho.
4.2. Análise de Dados de Vida
Após a seleção das tarefas para criação de um plano de manutenção (versão otimizada), o projeto seguiu para análise de Dados de Vida para a identificação do comportamento de falha de cada equipamento/componente (curvas de confiabilidade, de probabilidade de falha, taxa de falha). Após estas curvas levantadas foi possível analisar os intervalos de manutenção e de inspeção para diversos equipamentos. Os dados para a elaboração deste estudo foram obtidos do sistema SAP, software utilizado pela Transpetro para registrar os dados de manutenção de seus ativos. Nesta base de dados, todos os dados de manutenção preventiva, corretiva e inspeções de equipamentos são registrados.
Foram levantados os TTFs (Time-to-failure ou Tempo até a Falha) e os TTRs (Time-to-repair ou tempo para reparo) para todos os equipamentos do Ponto de Entrega.
Figure V – Cálculo dos Tempos até Falha e Tempos para Reparos para cada equipamento
Após os dados (completos e censurados) terem sido tratados, foi possível achar o modelo probabilístico que mais adere aos dados de cada componente e seus parâmetros, a fim de tornar possível a construção das curvas de falha para cada equipamento.
Figure VI – Parâmetros de falha encontrados para cada distribuição
A partir desses parâmetros estimados, foram geradas as curvas de densidade de probabilidade falha, curvas de confiabilidade, curvas de taxa de falha, a fim de que fosse possível encontrar os perfis das falhas.
Figure VII – Curvas de Densidade de Probabilidade de Falha
Através dessas curvas levantadas, foi possível refinar os intervalos ótimos de manutenção estipulados na etapa anterior, como por exemplo para os sistemas de regulagem, instrumentação, análise de degradação das baterias, entre outros.
4.3. Análise RAM
Uma vez levantadas as curvas de falha para cada equipamento, o trabalho seguiu para a Análise RAM, onde o sistema foi modelado em Blocos. Em posse dos parâmetros de falha, foram estimados os parâmetros de reparo e suas curvas para cada bloco.
Figure VIII – Parâmetros de reparo encontrados para cada distribuição
Em posse desses dados, o sistema foi modelado em Blocos, conforme a seguir:
Figure IX – Modelagem do Ponto de Entrega em Blocos de Confiabilidade
Uma vez modelado o sistema, através da Simulação de Monte Carlo foi possível estimar a Disponibilidade do Ponto de Entrega para 01 ano.
Figura X – Disponibilidade do Ponto de Entrega encontrada por Simulação (RAM)
Esse resultado foi validado, pois já havia tipo um período de 02 anos de operação do Ponto de Entrega com o plano de manutenção oriundo do MCC. A Disponibilidade aumentou para 99,8% com uma quantidade de eventos de falha simulado igual a 2 falhas por ano. Esse valor foi valido, pois no Sistema de Registro de Ocorrência deste ano foram registradas exatamente duas ocorrências.
Através do Relatório por Bloco, foi possível identificar o número de falha por equipamento, o que torna possível a definição da política de Estoque e preenchimento das RMEs (Recomendações de Materiais para Estoque) que contém os parâmetros de ressuprimento de materiais.
Figura XI – Definição dos níveis de estoque com base na previsão de falha por equipamento/componente
Após a definição do valor de Disponibilidade do Sistema e da visão explodida por bloco (equipamento/componente) foi possível identificar os badactors do sistema,
isto é, equipamentos que mais influenciam na parada do fornecimento de gás. Figura XII – Identificação dos Badactors na perda do fornecimento de gás
O estudo identificou que a maior parte dos eventos de parada no fornecimento de gás eram causadas por falhas recorrentes nas válvulas reguladoras. Essa descoberta foi o gatilho para aplicação da próxima metodologia.
4.4. Análise de Causa Raiz da Falha (RCFA – Root Cause Failure Analysis) A Análise da Causa Raiz da Falha é uma investigação estruturada que busca identificar a verdadeira causa do problema ou da falha, e as ações necessárias para eliminá-la. Uma vez identificado que os badactors eram as reguladoras, foi iniciada uma análise de causa raiz e o estabelecimento de ações estruturantes que visam a eliminação das falhas operacionais.
Figure XIII – Análise de Causa Raiz realizada para identificação das Falhas nas Reguladoras
do alto nível de degradação dos internos gerada por um fenômeno chamado ciclagem. Isto é, quando a válvula trabalha numa condição de pequena abertura (0 a 6%), o arraste do gás provoca a degradação dos materiais elásticos. Esse problema ocorre por falha no dimensionamento da válvula. Essa causa foi validada.
Logo após a identificação desta causa primária foi proposto como ação estruturante a substituição das válvulas, por válvulas corretamente dimensionadas e de um modelo que já apresenta resultados satisfatórios na TRANSPETRO. O investimento das válvulas foi estimado em R$ 400.000.
4.5. Determinação dos Níveis de Risco
A análise RAM foi refeita com os parâmetros de vida de novas válvulas (foi utilizado o parâmetro de vida de válvulas de outro modelo já utilizada em outros locais) com melhor resultado de confiabilidade.
Com a simulação de Monte Carlo foi possível identificar uma redução no número de eventos de falha no ano de 2 para 0,011 falhas e um aumento na Disponibilidade de 99,8% para 99,94%
Figure XIV – Análise RAM refeita para novo modelo de válvulas reguladoras
O risco é o resultado do produto da frequência de uma falha pela sua consequência, desta forma o risco da falha do ponto de entrega interromper o fornecimento de gás natural pode ser calculado pela simples relação a seguir: R = f*C
Onde,
f - é a frequência da falha; C – é a consequência da falha; Figura XV – Determinação do Risco
Após a estimativa dos níveis de risco com as reguladoras do modelo atual e as reguladoras de novo modelo, é possível identificar que o investimento de R$ 400.000 se paga no primeiro ano.
4.6 Agrupamento e Cadastramento de Planos
Os Planos de Manutenção gerados pelo MCC foram cadastrados a nível do equipamento. Cada equipamento que possuía a necessidade de tarefa preventiva tinha o seu plano criado individualmente. Exemplo: Um transmissor de pressão tinha um plano individual, contemplando a mobilização do executante para o Ponto de Entrega, a execução da atividade e desmobilização. Após 02 anos de observação, foi possível identificar que um executante se deslocada até o ponto de entrega somente para fazer uma determinada atividade e retornava para a base. Esse processo se repetia quase que semanalmente. Foram observadas 50 mobilizações por ano da equipe de manutenção para atender a carga de manutenção deste site.
Figura XVI – Determinação do Risco
Após essa observação, foi definido um agrupamento das tarefas em planos mestres, onde uma equipe completa é mobilizada para varrer numa determinada semana do ano a carga de trabalho preventiva daquela instalação. Os planos já foram cadastrados com relações de dependência entre as tarefas, eliminando qualquer ociosidade ou desperdício de mão de obra.
Figura XVII – Agrupamento dos Planos em Planos Mestres
5. Conclusão
A implantação de um processo de gerenciamento da performance dos ativos, permite a assimilação dos benefícios de cada ferramenta. O MCC proporcionou a criação de um plano de manutenção enxuto, com tarefas que visam preservam a função do equipamento, gerando 30% de redução do plano antes cadastrado. A análise de dados de vida permitiu o refinamento dos intervalos ótimos de manutenção, além da previsão das curvas de vida (falha e reparo), insumos para a construção da Análise RAM, que por sua vez, permitiu a simulação da Disponibilidade Anual (acréscimo de 98% para 99,8% após tarefas do MCC serem implantadas), além de permitir a identificação dos parâmetros de estoque pelos eventos de falha de cada componente e identificação dos badactors do sistema, que por meio, da Análise de Causa Raiz, foi possível identificar a melhoria necessária para evitar a recorrência das falhas e ainda uma estimativa da redução do Risco após implantação da melhoria proposta (com aumento na Disponibilidade projetado para 99,93%). A aplicação desse trabalho nas instalações do Espírito Santo garantiu uma redução de 1 milhão de reais nos contratos de manutenção, por redução na carga de trabalho preventivo.
6. Referências
[1] Pinto, Alan Kardec; Xavier, Júlio Nascif. Manutenção: Função Estratégica 1ª edição, Qualymanrk, Rio de Janeiro, 1998.
[2] Life Data Analysis Reference, Reliasoft, Publishing, 2005 1. Engenheiro Mecânico, Petrobras Transporte S/A, Consultor
