UMA METODOLOGIA PARA ANÁLISE DE CONFIABILIDADE DE SISTEMAS COMPLEXOS

(1)

UMA METODOLOGIA PARA ANÁLISE DE CONFIABILIDADE DE

SISTEMAS COMPLEXOS

Regilda da Costa Silva Menêzes

UFPE, Av. Acadêmico Helio Ramos, s/n, Cidade Universitária, Recife-PE, Cep: 50740-530,

regildamenezes@yahoo.com.br

Enrique López Droguett

UFPE, Av. Acadêmico Helio Ramos, s/n, Cidade Universitária, Recife-PE, Cep: 50740-530,

ealopez@ufpe.br

Resumo

A análise de confiabilidade de sistemas complexos envolve a avaliação de vários aspectos intrínsecos ao próprio sistema, tais como equipamentos, ações humanas, interações homem-máquina e interações homem-homem. Limitações de técnicas clássicas da análise de confiabilidade como a dificuldade de categorização de variáveis, suposições irreais de independência e falta de um tratamento explícito para contextos dinâmicos são alguns dos problemas contornados pela introdução de uma metodologia que consiste no hibridismo entre Diagramas seqüenciais de eventos, redes Bayesianas e Árvores de falhas. Este método proporciona uma maior flexibilidade às variáveis componentes de um determinado sistema, pois além de permitir uma representação mais realista da natureza dinâmica de um sistema também representa a relação de dependência entre eventos e entre os fatores de desempenho.

Palavras chave: Análise de Confiabilidade; Diagramas Seqüenciais de Eventos; Redes Bayesianas e Árvores de falhas.

Abstract

Reliability analysis of complex systems involves the evaluation of several intrinsic aspects to the own system, such as equipment, human actions, interactions machine and interactions man-man. In order to overcome limitations of classic techniques of the reliability analysis as the difficulty of classification of variables, unrealistic independence assumptions among events and the lack of explicit treatment of dynamic contexts the hybrid methodology employs hybrid model among Event Sequence Diagrams (ESD), Bayesian Belief Networks (BBN) and Fault Tree Analysis (FTA). The methodology provides a greater flexibility as it not only allows for a more realistic representation of the dynamic nature of man-system, but also allows for representation of the relationship of dependence among the events and performance shaping factors.

(2)

1. Introdução

A análise de confiabilidade de sistemas complexos é caracterizada pelo uso de sofisticados equipamentos, operações que abrangem muitos elementos e interações homem-sistema. Portanto, para a análise probabilística de riscos, modelar esses sistemas tornou-se um grande desafio. Muitas limitações de técnicas clássicas de análise de confiabilidade foram encontradas, tais como suposições irreais de independência, simples representação binária de eventos e falta de um tratamento explícito para contextos dinâmicos.

Para superar essas dificuldades, este artigo aborda uma metodologia para análise de confiabilidade de sistemas complexos. O modelo está baseado no hibridismo entre BBNs (Bayesian belief networks), ESDs (Event Sequence Diagrams) e FTAs (Fault Trees Analysis). As principais operações realizadas em um determinado sistema são modeladas via ESDs, onde os eventos pivotais correspondem tanto a falha de equipamentos quanto a erros humanos.

Os eventos pivotais relacionados a erros humanos são modelados via BBNs. A introdução do formalismo de BBNs para modelagem do comportamento humano proporciona uma maior flexibilidade às variáveis causais, permintindo representar as relações de dependência existentes entre os fatores de desempenho (FDs). Tais relações incluem, por exemplo, a influência que uma carga de trabalho excessiva exerce no stress de um indivíduo assim como a influência que a organização exerce na sua motivação. Não considerar essas relações é realizar uma análise de confiabilidade humana (ACH) através de suposições irreais de independência, distanciando-se assim de uma representação apropriada para o comportamento humano. Contudo, os métodos de ACH tradicionais, classificados na literatura como modelos de primeira e segunda geração, realizam essas suposições em grande parte devido à dificuldade encontrada em utilizar árvores de eventos e árvores de falhas para modelar erros humanos. No entanto, como será mostrado neste artigo, através de BBNs é possível contabilizar esses efeitos, além de possibilitar a modelagem das ações dos operadores considerando a interação existente entre eles como, por exemplo, a influência de um supervisor no desempenho dos seus subordinados.

Os eventos pivotais relacionados a equipamentos são modelados via FTAs quando os eventos são binários e a suposição de independência é possivel. A análise de confiabilidade de equipamentos se preocupa com a duração do uso de um equipamento a partir do momento em que ele entra em operação e com a eficácia com que ele opera.

A modelagem dinâmica do sistema é providenciada pelos fluxogramas ESDs. Uma ESD pode ser mapeada através de uma arvore de eventos, a qual relata mais diretamente a quantificação prática de cenários de riscos. No entanto, uma ESD apresenta uma vantagem significante em relação à árvore de eventos, pois possibilita uma melhor comunicação entre analistas de riscos, projetistas e equipe operacional.

Na aplicação do modelo híbrido, a suposição de independência não é mais necessária e a policotomia é possível. Dessa forma, pode-se obter um melhor nível de detalhamento do sistema e consequentemente, um modelo resultante que represente de maneira mais realista os sistemas complexos.

Na próxima seção, este artigo apresenta a metodologia proposta para a análise de confiabilidade de sistemas complexos, abordando brevemente as ferramentas utilizadas no modelo híbrido. Na seção 3, faz-se uma comparação entre os métodos de ACH tradicionais e a ACH via BBN, a qual é proposta neste artigo. Na seção 4, demonstra-se através de um exemplo como a modelagem híbrida é realizada e o artigo conclui-se em seguida.

2. Modelo híbrido para análise de confiabilidade de sistemas complexos

(3)

aplicado. Por exemplo, a FTA não permite policotomia, i.e., todas as variáveis em uma FTA são binárias. Para superar estas limitações, neste artigo é proposto um tipo diferente de hibridismo. O modelo consiste na modelagem de eventos via ESDs, onde os eventos pivotais são caracterizados em termos de BBNs quando as variáveis são policotômicas e dependentes, e em termos de FTAs quando estas condições não são necessárias. Para quantificar a probabilidade de falha do sistema, a solução aproximada consiste na solução do modelo hibrido pela integração de Binary Decisions Diagrams (Bryant, 1992) representando a ESD e a FTA pela aproximação Junction Trees (Korb & Nicholson, 2003) para resolver BBNs.

Neste hibridismo, a suposição de independência não é necessária, a policotomia é possível. Dessa forma, este modelo providencia uma representação mais precisa de sistemas complexos. As principais operações realizadas nos processos desses sistemas são modeladas via ESDs, onde os eventos pivotais correspondem tanto a falha de equipamentos quanto a erros humanos. Os eventos relacionados à falha de equipamentos são modelados via FTA quando é possível satisfazer as condições comentadas acima. Já os eventos relacionados a erros humanos, devido a relações de dependência existentes são modelados via BBN.

Os tópicos a seguir comentam brevemente as ferramentas utilizadas nesta metodologia:

2.1BBN

BBNs são estruturas gráficas que permitem representar razões ou argumentos no domínio da incerteza (Korb & Nicholson, 2003). Os nós nas BBNs representam as variáveis aleatórias (discretas ou contínuas). Os arcos representam as conexões ou dependências diretas entre as variáveis. As conexões direcionadas são sempre conexões causais, ou seja, a direção dos arcos representa relações de causa e efeito entre as variáveis.

As variáveis aleatórias são quantificadas por uma distribuição de probabilidades condicionais associando cada nó a seus prováveis causadores diretos. A quantificação da relação entre os nós conectados é realizada pela atribuição da distribuição de probabilidades para cada nó, construindo assim, uma Tabela de Probabilidades Condicionais (TPC). Quando se trata de variáveis discretas, para cada nó é necessário identificar todas as possíveis combinações dos seus nós pais. É necessário também, identificar os possíveis valores, os quais as variáveis podem assumir. A Figura 1 mostra uma BBN e as TPCs de cada variável. Esta rede mostra que a variável W (Condições ambientais desfavoráveis) e a variável Y (Carga de trabalho excessiva) apresenta como conseqüência a variável Z (Fadiga), ou seja, tanto as condições ambientais desfavoráveis, tais como: ruído, vibração e temperatura inadequada quanto uma carga de trabalho excessiva podem causar fadiga. O tamanho das TPCs depende da quantidade de pais que cada variável possui e do nº de valores que ela pode assumir. Em um nó X com k estados, o número de probabilidades a serem especificadas é:

Equação 1 Onde:

x

iável

da

pais

x

pa

(

)

:

var

_.

Percebe-se na Figura 1 que as variáveis causadoras W e Y possuem dois estados, os quais podem ser: {presente, não presente}. Já a variável conseqüência Z possui três estados, os quais podem ser: {baixo índice, índice moderado, alto índice}. Através da Equação 1, verifica-se que a TPC relacionada a variável Z possui 12 elementos.

(4)

Figura 1 - BBN referente ao problema da fadiga

A distribuição de probabilidade correspondente à rede é calculada a partir das probabilidades condicionais, como mostra a Equação 2

)) ( | ( ) ,..., , ( ) ( 1 2 1 i n i i n P X pa X X X X P U P

∏

= = = Equação 2 Onde:

)

(U

P

: probabilidade conjunta para a rede;

))

(

|

(

X

_i

pa

X

_i

P

: probabilidades condicionais de X em relação aos seus pais.

A partir das TPCs de W, Y e Z apresentadas na Figura 1, obtém-se as probabilidades P(W,Y, Z) para cada resultado. Portanto, conforme a Equação 2, temos:

) , | ( ) ( ) ( ) , , (W Y Z PW P Y P Z W Y P = × × Equação 3

Através de BBNs é possível atualizar o conhecimento a partir da chegada de novas evidências, o que constitui uma grande ferramenta para solucionar problemas práticos. Para uma discussão sobre conceitos de RBs recomendam-se Pearl (1988), Korb & Nicholson (2003), Firmino & Droguett (2004) e Menêzes et al. (2005).

2.2FTA

FTA é um dos métodos mais utilizados na análise de confiabilidade de sistemas. Trata-se de um processo dedutivo através do qual um evento indesejável (evento topo) é postulado e as possíveis formas deste evento ocorrer são sistematicamente deduzidas. Uma das vantagens da utilização da FTA é o fato de que, na maioria das vezes, as falhas são mais fáceis de serem definidas, pois normalmente existe um número mais reduzido de formas que o sistema pode vir a falhar em comparação com as maneiras do mesmo funcionar. Inicialmente, é necessário identificar qualitativamente as diversas combinações que provocam a ocorrência do evento topo para, em seguida, representá-las graficamente. O propósito quantitativo das Árvores de Falhas é, portanto, determinar a probabilidade do evento topo ocorrer, sendo ele o foco da análise.

2.3ESD

ESD é essencialmente um fluxograma que a partir de um evento iniciador, mostra as partes seqüenciais desse evento, bem como os seus estados finais. Cada parte do fluxograma é um evento pivotal binário, i.e., “evento ocorre” ou “evento não ocorre”. Os estados finais são classificados de acordo com o tipo e severidade das conseqüências, rankeando completamente os resultados da operação modelada (evento iniciador). Estes correspondem ao sucesso e os

(5)

possíveis estados indesejáveis da operação considerada.

Uma ESD pode ser mapeada através de uma ar, a qual relata mais diretamente a quantificação prática de cenários de riscos. No entanto, uma ESD apresenta uma vantagem significante em relação a árvore de eventos, pois possibilita uma melhor comunicação entre analistas de riscos, projetistas e equipe operacional. [Para maiores detalhes sobre ESDs, recomendam-se Smidts & Swaminathan (1999a,b)]. O tópico a seguir ilustra de forma sistemática as etapas envolvidas nesta metodologia.

2.4 Etapas da metodologia híbrida

O fluxograma da Figura 2 mostra as etapas da metodologia proposta para a análise de confiabilidade de sistemas complexos.

Familiarização com o procedimento

Construção da HTA

Coleta de informações e Análise

Construção das ESDs referentes às etapas relevantes da HTA Identificação dos prováveis erros humanos e dsa falhas de equipamentos Identificação dos FDs relevantes Análise qualitativa Construção das BBNs e das FTAs Quantifica-ção do modelo híbrido

Coleta de dados e Análise quantitativa

Avaliação dos resultados

Figura 2 – Fluxograma da metodologia proposta

1) Familiarização com o procedimento

Esta etapa corresponde à obtenção do conhecimento necessário sobre o procedimento das operações de um sistema. Este conhecimento normalmente é adquirido através da leitura de normas disponíveis, através de especialistas e de observações do procedimento na prática. Nesta etapa observa-se também o contexto, ou seja, as condições ou circunstâncias nas quais o procedimento ocorre. Do contexto, extrai-se os fatores que de alguma forma alteram o desempenho dos indivíduos envolvidos na tarefa, os quais são comumente chamados de

performance shaping factors (Swain & Guttmann,1983).

2) Descrição da tarefa

As informações adquiridas na etapa anterior, relacionadas ao procedimento, são descritas e organizadas através da HTA (Hierarchical Task analysis), que é um método sistemático usado para descrever e organizar as tarefas que deverão ser executadas no decorrer da realização de um trabalho (Kirwan & Ainsworth, 1992).

As etapas mencionadas acima compõem a fase inicial dessa metodologia, i.e., coleta de informações e análise. As próximas etapas correspondem à análise qualitativa das informações recebidas através da modelagem dos eventos correspondentes ao sistema.

3) Construção das ESDs

Esta etapa consiste na montagem de ESDs para cada operação identificada na HTA. O tamanho das ESDs depende do nível de detalhamento desejado. Estes diagramas têm a finalidade de revelar a seqüência de eventos das operações e quais os seus estados finais para cada caminho percorrido.

4) Identificação dos riscos envolvidos nas operações de um sistema

(6)

5) Identificação dos FDs

Uma vez identificados os prováveis erros humanos, identificam-se os prováveis fatores responsáveis por tais erros. Nesta etapa serão definidos os FDs relevantes para os indivíduos envolvidos na tarefa.

6)Construção dos modelos BBNs e das FTAs

Os FDs não agem de maneira isolada, pois existe uma relação de causa e efeito entre eles, tais como a influência que uma carga de trabalho excessiva exerce na fadiga de um indivíduo. Estas não foram consideradas nos modelos de ACH tradicionais. Nesta etapa, são identificadas as relações de causa e efeito existentes entre os FDs. Posteriormente, constroem-se os modelos BBNs. As estruturas gráficas apresentadas nesta etapa permitem representar qualitativamente as variáveis envolvidas no processo, possibilitando um melhor entendimento do comportamento humano. Nesta fase, também são construídas as FTAs dos equipamentos envolvidos no processo. É importante observar as condições necessárias para aplicação das FTAs (i.e., possibilidade de supor independência e eventos dicotômicos). Caso estas condições não sejam satisfeitas, o formalismo BBNs é indicado.

As próximas etapas correspondem à coleta de dados e análise quantitativa através da modelagem do sistema via modelo híbrido.

7) Modelagem híbrida para quantificar as probabilidades do sistema

Uma vez obtidos os dados necessários, obtêm-se os resultados de interesse do sistema modelado. No entanto, a obtenção desses dados através de um banco de registros ou banco de dados nem sempre é possível. Neste caso, recorre-se à opinião de especialistas (Menêzes & Droguett, 2005). Firmino et al. (2005) discute com detalhes um processo de edução.

Através dessa metodologia é possível estimar os riscos envolvidos em um sistema. Em problemas característicos da análise probabilística de riscos e de confiabilidade, recomenda-se Droguett et al. (2006) e Santos & Droguett (2005) que direcionam os conceitos dessa metodologia a um problema real e Menêzes & Droguett. (2005, 2006) para um estudo específico sobre BBNs no problema da análise de confiabilidade humana. A seção a seguir aborda com maiores detalhes a ACH.

3. ACH & aproximações BBN

3.1Análise de confiabilidade humana (ACH)

A ACH estuda a execução das ações humanas em um determinado sistema, considerando suas limitações e os fatores que influenciam no seu desempenho. Muitos métodos para estimar a confiabilidade humana foram primeiramente aplicados na indústria nuclear e podem ser classificados como de primeira e segunda geração (Dougherty, 1990). Os métodos de primeira geração são baseados na suposição de que as ações humanas podem ser modeladas da mesma maneira que as máquinas (Hollnagel, 1998). Tais métodos incluem THERP (Technique of Human Error Rate Prediction) (Gertman & Blackman, 1994), SLIM-MAUD (Success Likelihood Index Method/Mult-Atribbute Utility Decomposition) (Embrey et al. 1984) e MAPPS (Maintenance Personnel Performance Simulation) (Siegel et al. 1984). A aproximação THERP utiliza uma tecnologia de confiabilidade convencional modificada para melhor contabilizar a variabilidade e interdependência de fatores humanos no seu desempenho quando comparadas ao desempenho de equipamentos (Swain & Guttmann, 1983). A suposição de que a confiabilidade humana pode ser realizada da mesma maneira que a confiabilidade de equipamentos não é mais aplicável (Kim, 2001). Não é difícil perceber que o elemento humano não pode ser visto como uma máquina. O simples fato de que o desempenho humano pode ser afetado por fatores fisiológicos e psicológicos é exemplo das divergências entre as máquinas e as pessoas.

(7)

diretamente as ações humanas (Dougherty & Fragola, 1988). Em outras palavras, a ACH tem expandido seu escopo de descrição das ações humanas encontrando inspiração em outras áreas como a psicologia e ciências cognitivas (Hollnagel, 1998). Os métodos com tais características foram chamados de métodos de segunda geração. Tais métodos incluem ATHEANA (A Technique for Human Error Analysis) (Kim, 2001; Cooper et al. 1996), CREAM (Cognitive Reliability and Error Analysis Method) (Kim, 2001; Hollnagel, 1998). De acordo com Kim (2001) nem a ATHEANA nem o CREAM incorpora um método explicito para tratar contextos dinâmicos. Estes modelos não consideram as dependências existentes entre os fatores de desempenho (FDs).

Recentemente, o modelo IDAC (Information Perception, Diagnosis Making, and Action Taking in Crew Perspective) foi proposto para superar as deficiências dos modelos de segunda geração (Mosleh, & Chang, 2004). Este modelo é baseado em muitas pesquisas relevantes encontradas na psicologia cognitiva, ciências comportamentais, neurociência, fatores humanos e metodologias propostas pelos métodos de primeira e segunda geração. Porém, este modelo não permite quantificar a influência entre dois operadores, como também não considera a interação entre alguns FDs, tais como as relações de interdependência entre os fatores fisiológicos e as relações de interdependência entre os fatores externos (Menêzes e Droguett, 2005).

Portanto, percebe-se que modelar as causalidades existentes nas ações humanas tornou-se um grande desafio para ACH e, conseqüentemente, torna-se necessário o desenvolvimento de uma metodologia que contorne essas deficiências.

3.2 Modelagem da confiabilidade humana via BBN

Diante das críticas aos modelos de ACH tradicionais surgem as expectativas quanto a métodos futuros. Mosleh & Chang (2004) apresentaram uma lista de características desejáveis para os modelos de ACH futuros. A seguir apresentam-se algumas dessas expectativas e como a utilização de BBNs na opinião dos autores deste artigo podem contribuir na resolução de cada uma delas:

1) Identificação de erros de maneira contextual e estimação de probabilidades: BBNs contextualizam o erro, tanto qualitativamente através dos causadores presentes vistos através da estrutura gráfica quanto, quantitativamente através do cálculo das probabilidades condicionais da rede;

2) Melhores modelos causais: BBNs são, por definição, estruturas gráficas que representam as relações de causa e efeito entre variáveis;

3) Representação mais realista da natureza dinâmica das interações homem-sistema: BBNs permitem representar a dinâmica das interações através da montagem de cenários na rede e as relações de causa e efeito pertencentes ao contexto;

4) Capaz de ser aplicada em diferentes contextos: BBNs são uma grande ferramenta para analisar diferentes contextos. Por exemplo, monitorar problemas operacionais através de diagnósticos e prognósticos, possibilitando um melhor entendimento sobre a relevância dos FDs nos operadores, permitindo assim a providência de medidas que atenuem os seus efeitos. Pode-se também solucionar problemas gerenciais através do conhecimento prévio de fatores decisivos, tais como uma melhor definição das qualidades de um operador na contratação;

(8)

erros humanos. Para melhor entendimento, a seção a seguir aborda um exemplo sobre o modelo híbrido.

4. Um exemplo

A Figura 3 demonstra através de um exemplo o modelo híbrido proposto. Considerando a ESD exibida na Figura 3 (a), a qual é composta de um evento iniciador (I) com probabilidade de ocorrência igual a 1 (i.e., o evento iniciador (I) corresponde ao início de uma determinada atividade do sistema que se deseja modelar), do evento pivotal C que trata do funcionamento de um equipamento qualquer, do evento pivotal X que corresponde a execução de um ação humana e dos estados finais EF1, EF2 e EF3. O evento pivotal C é modelado através de uma FTA conforme Figura 3 (b), cujas probabilidades dos eventos básicos B e C (i.e., modos de falha do evento C) estão especificadas ao lado. Por outro lado, o evento pivotal X é modelado por uma BBN conforme Figura 3 (c), cujas variáveis W e Z representam os fatores de desempenho humano que influenciam diretamente o indivíduo responsável pela execução da ação X. As probabilidades dessas variavéis estão especificadas nesta mesma Figura, onde o nível 0 representa a condição adequada e o nível 1 a inadequada.

Figura 3 – Exemplo do modelo híbrido

Para a modelagem do evento C via FTA, temos:

) ( ) ( ) ( ) (C P A P B P A B P = + − ∩

Assumindo A e B independentes:

0298 , 0 ) ( ) ( ) ( ) ( ) 1 (C= = P A +P B −P A P B = P

Para a modelagem do evento X via BBN, temos:

) , | ( ) ( ) ( ) , , (X W Z PW P Z P X W Z P =

Para a ocorrência do estado EF1 do modelo híbrido, temos:

) 0 ( ) 0 ( ) ( ) 1 (EF =P I P C = P X = P

Como,

) 0,8 1 , 0 , 1 ( ) 0 , 0 , 1 ( ) 1 , 0 , 0 ( ) 0 , 0 , 0 ( ) 0 (X = = PW X Z +PW X Z +PW X Z +PW X Z = P ,

logo:

776 , 0 ) 0 ( ) 0 ( ) ( ) 1 (EF =P I P C = P X = = P

(9)

Sabe-se que para o bom funcionamento do sistema hipotético apresentado na Figura 3 é necessário que o estado final EF1 ocorra. Para tanto, é preciso que o equipamento funcione corretamente [P(C=0)] e que o elemento humano execute a ação de forma adequada [P(X=0)]. Sendo este o único caminho para chegar ao sucesso, a ocorrência inadequada de pelo menos um dos eventos pivotais conduz a um estado indesejável. A flexibilidade encontrada na modelagem das ações humanas via BBN permite verificar a probabilidade de erro humano no momento da execução da tarefa através das observações realizadas sobre o estado do executor, ou seja, sobre o resultado do seu comportamento diante da presença de alguns fatores no momento considerado. Suponha que W representa a Atenção necessária para o executor realizar a atividade e que por algum motivo observa-se que ela está inadequada, ou seja, tem-se a evidência empírica [P(W=1)]. Dessa forma, é possível saber a influência que esta evidência tem na execução da ação. Neste caso, a probabilidade de X executar a ação de forma inadequada que antes era de 0,20 passa para 0,52. Este aumento reflete a importância de W na probabilidade de erro do executor. Certamente, a ocorrência dessa evidência também repercute no sucesso do sistema, o qual possuía uma probabilidade de sucesso de 0,776 e diante desse fato, diminui para 0,466. O exemplo abordado demonstra como esta metodologia proporciona um melhor entendimento sobre as relações causais de sistemas complexos. Uma vez conhecidos os fatores e variáveis que fazem parte do processo, bem como as dimensões dos seus efeitos, é possível através de uma metodologia sistemática e adequada, gerenciar os riscos envolvidos nas operações de um sistema, minimizá-los, bem como solucionar problemas gerenciais e operacionais de maneira eficiente.

5. Conclusões

Este artigo abordou uma nova metodologia para modelagem de sistemas complexos. Pôde-se perceber que as características do modelo híbrido podem ser usadas para obter um melhor entendimento do comportamento das variáveis de um determinado sistema, pois ele facilita a verificação da influência de evidências nas probabilidades de erro humano e falha do sistema, permitindo estimar os riscos envolvidos. Estas estimativas atuam como suporte a decisão em situações de riscos eminentes. O uso de tais informações podem evitar a ocorrência de possíveis problemas no sistema. Pôde-se perceber que a modelagem das ações humanas via BBN supre as maiores deficiências encontradas nos métodos de ACH tradicionais. Finalmente, este artigo enfatizou que as relações de causa e efeito devem ser aplicadas para fazer o reconhecimento do erro humano, pois estas relações providenciam caminhos mais consistentes para descrever e contabilizar estes erros. Uma proposta para trabalhos futuros é um direcionamento à limitação de fatores de desempenho numa BBN em relação à mensuração dos mesmos e o comportamento de cada um deles no domínio do tempo, bem como o desenvolvimento de mecanismos para facilitar o processo quantitativo de variáveis policotômicas.

Referências

Bryant, R. E. (1992), Symbolic Boolean Manipulation with Ordered Binary-Decision

Diagrams. ACM Computing Surveys, 24, n. 3, 293-318.

Chang, Y. H., & Mosleh, A. (1999), Cognitive modeling and dynamic probabilistic

simulation of operating crew response to complex system accidents (ADS-IDACrew),

Center for Technology Risk Studies, University of Maryland, College Park.

(10)

Dougherty, E. M. & Fragola, J. R. (1988), Human Reliability Analysis: a systems

Engineering Approach with Nuclear Power Plant Applications

. John Wiley & Sons, New

York

Dougherty, E. M. (1990), “Human reliability analysis – where shouldst thou turn?”

Reliability Engineering & System Safety

, Vol. 29, pp 283-299.

Droguett, E. L.; Menêzes, R.C.; Pontual, A.; Couto, C. M. and Sotomayor, G.. (2006)

"Multilateral Oil Wells Relaibility Assessment".

Paper submitted and accept for by Safety and

Reliability for Managing, Safety and Reliability Conference (ESREL)

. Estoril – Portugal.

Embrey, D. E., Humphreys, P., E., Rosa, A., Kirwan, B., and Rea, K. (1984),

SLIM-MAUD. An approach to assessing human error probabilities using structured expert

judgment (NUREG/CR-3518), Washington, USNRC.

Firmino, P. R. & Droguett, E. L. (2004)- Redes Bayesianas para a parametrização da

confiabilidade em sistemas complexos. Engenharia de Produção, Universidade Federal

de Pernambuco, Centro de Tecnologia e Geociências.

Firmino, P. R.; Menêzes, R. C., Droguett, E. L., and Duarte, D. L. (2006), “Eliciting

Engineering Judgments in Human Reliability Assessment”. Paper submitted and accept

for the Annual Reliability & Maintainability Symposium (RAMS) 2006. California –

EUA.

Gertman, D. I. & Blackman, H. S., 1994, Human reliability & safety analysis data

handbook

. John Wiley & Sons, New York,

Hollnagel, E. (1998), Cognitive Reliability and Error Analysis Method, Elsevier

Science. England.

Kim, I. S., (2001), “Human reliability analysis in the man-machine interface design

review,” Annals of Nuclear Energy, Vol. 28, pp 1069-1081.

Kirwan, B. & Ainsworth, L.K. (1993), A Guide to Task Analysis, Taylor & Francis.

Washington, DC.

Korb, k. b. & Nicholson, A. E. (2003), Bayesian artificial intelligence. Chapman &

Hall/CRC. Florida.

Menêzes, R. C. & Droguett, E. L. (2005), “Uma metodologia para a avaliação da

confiabilidade humana em atividades de substituição de cadeias de isoladores em linhas

de transmissão”. Engenharia de Produção, Universidade Federal de Pernambuco, Centro

de Tecnologia e Geociências.

(11)

Menêzes, R. C. & Droguett, E. L. (2006), “Modeling Human Reliability in

Maintenance of Transmission Line via Bayesian Belief Networks”.

Artigo submetido e aceito

para o The 3rd International Conference on Production Research (ICPR) 2006

. Curitiba - Brasil.

Mosleh, A. & Chang, Y. H. (2004), “Model-based human reliability analysis:

prospects and requirements. Reliability Engineering & System Safety. Vol. 83, pp.

241-253.

Pearl, J. (1988), Probabilistic Reasoning in Intelligent Systems, Networks of

Plausible Inference. California, Morgan Kaufmann, 2

nd