Análise de Weibull

O que é a análise de Weibull?

A análise de Weibull é um método estatístico para estudar a falha de equipamento: ela toma os tempos em que unidades falharam, ajusta uma distribuição de Weibull de dois parâmetros a eles e produz um modelo de tempo até a falha. A partir desse modelo, um engenheiro de confiabilidade pode prever quantas unidades de uma população sobreviverão a uma dada idade, estimar o risco de falha nos próximos meses e decidir quando a substituição se justifica. A forma de dois parâmetros usa beta, um parâmetro de forma adimensional, e eta, um parâmetro de escala expresso nas mesmas unidades dos tempos de falha.

Os dois parâmetros: beta e eta

Beta controla a forma da curva de falha: se o risco de falha cai, se mantém ou sobe conforme as unidades envelhecem. É adimensional, então um beta de 2,1 aponta o mesmo padrão de envelhecimento em uma bomba e em uma caixa de engrenagens.

Eta controla a escala. É a vida característica, definida como a idade na qual se espera que 63,2% da população tenha falhado. Em t = eta a função de confiabilidade retorna exp(-1) = 0,368, por isso eta é fácil de ler em um gráfico de Weibull: encontre a linha de falha acumulada de 63,2% e leia o tempo correspondente. Ambos os parâmetros vêm do próprio ajuste, o que torna a verificação do ajuste a primeira tarefa do analista antes de agir sobre os números.

O que o beta diz

Beta é o resultado com as implicações de manutenção mais diretas, porque classifica o padrão de falha e aponta uma resposta.

Um beta abaixo de 1 geralmente sinaliza um problema de execução ou qualidade, área em que as práticas de manutenção de precisão rendem: alinhamento, torque e lubrificação corretos eliminam muitos dos defeitos que, de outro modo, emergiriam como falhas de mortalidade infantil. Um beta próximo de 1 adverte que a substituição do componente por tempo programado compra pouco, já que as falhas não são dirigidas pela idade. Um beta acima de 1 é o caso em que o agendamento funciona, e é onde o resto desta página se concentra.

Exemplo prático: previsão da confiabilidade de bombas

Considere 10 bombas idênticas que falharam nestas horas de operação: 6.200; 8.100; 9.400; 10.500; 11.600; 12.700; 13.900; 15.400; 17.600 e 21.300. Ajustando uma distribuição de Weibull de dois parâmetros a esses tempos, pelos métodos descritos abaixo, obtém-se beta = 2,1 e eta = 13.500 horas.

Com beta acima de 1, essas bombas mostram um padrão de desgaste: o risco de falha cresce com a idade. Eta diz que se espera que 63,2% de uma população de bombas falhe até 13.500 horas, e cada falha em uma linha operando continuamente também é tempo de parada de equipamento. A função de confiabilidade de Weibull fornece a probabilidade de sobrevivência na idade t: R(t) = exp(-(t/eta)^beta).

Para encontrar a parcela de bombas esperada para sobreviver a 10.000 horas:

1. Divida a idade pela vida característica: t / eta = 10.000 / 13.500 = 0,741.
2. Eleve o resultado à potência de beta: 0,741^2,1 ≈ 0,533.
3. Aplique o exponencial: R(10.000) = exp(-0,533) ≈ 0,59.

Cerca de 59% das bombas devem sobreviver a 10.000 horas, e 41% devem ter falhado até lá. Rodando a mesma função em eta dá R(13.500) = exp(-1) ≈ 0,368, o que confirma a vida característica. O ajuste também implica uma vida mediana de cerca de 11.300 horas, a idade na qual metade da população deve ter falhado.

Como o ajuste é feito

Dois métodos de ajuste dominam a prática. A regressão por posto mediano plota cada tempo de falha contra seu posto mediano em papel probabilístico de Weibull e ajusta uma reta: a inclinação estima beta, e o tempo na linha de 63,2% estima eta. O gráfico serve dupla função como checagem visual, já que curvatura sugere que os dados misturam modos de falha. A estimativa de máxima verossimilhança (MLE) encontra os valores de beta e eta que tornam os tempos de falha observados mais prováveis, e implementações em software geralmente a preferem para amostras pequenas e conjuntos de dados fortemente censurados.

Estudos reais raramente observam apenas falhas. Unidades ainda em operação quando o estudo termina, ou removidas por um motivo não relacionado, estão com censura à direita (suspensas). Essas unidades carregam informação: uma bomba ainda saudável em 20.000 horas prova que a população pode alcançar 20.000 horas, e deixá-la de fora enviesa eta para baixo. Métodos de posto mediano ajustam as posições de plotagem para considerar as unidades suspensas, de modo que os dados censurados contribuem para o ajuste em vez de distorcê-lo.

Aplicações na manutenção

Um modelo de Weibull ajustado apoia quatro decisões recorrentes de manutenção:

• Definir intervalos de substituição. A distribuição mostra a probabilidade de falha em cada idade, então o intervalo pode ser fixado onde o risco ainda é aceitável. No exemplo das bombas, a vida B10 (a idade na qual se espera que 10% tenham falhado) resulta em aproximadamente 4.600 horas.
• Comparar modos de falha. Ajustar cada modo separadamente mostra quais estão envelhecendo e quais são aleatórios, para que o esforço vá aonde o padrão justifica.
• Justificar o monitoramento de condição. Quando beta está acima de 1 e a degradação é mensurável, o ajuste constrói o caso de negócio para a manutenção preditiva: o desgaste de rolamento aparece nos dados de vibração muito antes de o rolamento travar, o que converte uma falha inesperada em uma substituição planejada.
• Dimensionar o estoque de sobressalentes. O modelo prevê quantas falhas esperar em um trimestre, o que orienta os planejadores sobre quantas peças manter e reduz o tempo de parada não planejada quando uma falha ocorre.

Limitações

A análise de Weibull é tão forte quanto suas entradas, e três limitações se repetem:

• Modos de falha misturados. Um conjunto de dados que agrupa vários mecanismos produz um gráfico de Weibull curvo, e um único beta então não descreve nada real. Separar os modos antes de ajustar é prática padrão.
• Amostras pequenas. Dez unidades, como no exemplo das bombas, produzem estimativas pontuais úteis, mas intervalos de confiança largos; trate beta e eta como faixas, não constantes precisas.
• Dados de falha ruins. Datas de falha ausentes, horas de operação desconhecidas ou registros que não dizem o que quebrou deixam o ajuste sem nada confiável para modelar. A limpeza dos dados precede a análise.

Perguntas Frequentes

Conclusão

A análise de Weibull transforma uma coluna de tempos de falha em dois números acionáveis: beta identifica o padrão de falha, e eta ancora a vida característica em unidades reais. Leia o beta primeiro, porque ele decide a resposta: correções de execução para beta abaixo de 1, mudanças de projeto para beta próximo de 1, e substituição programada ou monitoramento de condição para beta acima de 1. Ajuste um modo de falha por vez, mantenha as unidades suspensas no conjunto de dados e atualize o ajuste conforme novas falhas chegam para a previsão acompanhar a frota.