Por que o MTBF não basta para prever falhas
O MTBF é o indicador mais popular de confiabilidade, mas ele carrega uma armadilha: entrega apenas uma média. Dois ativos podem ter o mesmo MTBF de 4.000 horas e comportamentos completamente opostos — um falhando de forma aleatória ao longo de toda a vida, outro concentrando falhas logo após certo tempo de uso. Se você planeja manutenção olhando só a média, troca cedo demais quem não desgasta e tarde demais quem desgasta.
A análise de Weibull resolve isso porque não descreve um ponto, e sim a forma da distribuição dos tempos de falha. Ela responde a perguntas que a média não alcança: o ativo está morrendo por mortalidade infantil, por acaso ou por desgaste? Qual a probabilidade de sobreviver às próximas 500 horas? Em que ponto vale mais trocar preventivamente do que esperar a quebra?
Os parâmetros que contam a história
A distribuição de Weibull é caracterizada essencialmente por dois parâmetros:
- β (beta) — parâmetro de forma: revela o regime de falha.
- β < 1: taxa de falhas decrescente — mortalidade infantil (defeitos de montagem, partida malfeita, peça de má qualidade).
- β ≈ 1: taxa de falhas constante — falhas aleatórias. Aqui Weibull se reduz à distribuição exponencial e o R(t) = e^(−λt) vale plenamente.
- β > 1: taxa de falhas crescente — desgaste, fadiga, envelhecimento. É neste regime que a troca preventiva faz sentido.
- η (eta) — parâmetro de escala (vida característica): é o tempo em que aproximadamente 63,2% da população já falhou. Funciona como a "escala de tempo" da curva.
Note como β mapeia diretamente as três fases da curva da banheira. É por isso que Weibull é a ponte estatística entre a teoria da curva da banheira e a decisão prática de manutenção.
Da curva à vida B10
Um dos resultados mais úteis da análise é a vida Bx — o tempo em que x% da população falha. A vida B10, por exemplo, indica o instante em que 10% dos itens já falharam, ou seja, uma confiabilidade de 90%. Muitos fabricantes de rolamentos e componentes especificam durabilidade em B10 justamente por isso.
Na prática de PCM, a vida B10 (ou B5, para ativos mais críticos) vira critério de troca preventiva: você define uma probabilidade de falha aceitável e lê no modelo o tempo correspondente. Isso é muito mais defensável do que "trocar a cada X horas porque sempre foi assim".
O passo a passo da análise
- Coletar tempos de falha limpos. Para cada ocorrência, registre o tempo de operação até a falha — não a data calendário, mas as horas efetivas de funcionamento. Dados por modo de falha (ISO 14224) valem muito mais do que uma pilha de falhas misturadas.
- Tratar dados censurados. Itens que ainda não falharam (suspensões) carregam informação e não devem ser descartados; ignorá-los distorce η e β.
- Estimar os parâmetros. Por papel de probabilidade Weibull, mínimos quadrados ou máxima verossimilhança, obtêm-se β e η.
- Interpretar o β antes de tudo. Se der β < 1, não adianta programar troca preventiva — o problema está na instalação, na qualidade da peça ou na partida. Se β > 1, há desgaste e a preventiva por tempo é legítima.
- Calcular R(t) e a vida Bx para o horizonte de decisão.
Uma armadilha frequente
Não misture modos de falha diferentes na mesma amostra. Um motor que às vezes falha por infantilidade de rolamento e às vezes por desgaste de enrolamento gera uma curva "mista" com β enganoso — normalmente próximo de 1, sugerindo aleatoriedade onde há, na verdade, dois fenômenos distintos sobrepostos. Segmentar por modo de falha é o que torna a previsão confiável. Lembre também: correlação não é causa. Weibull descreve o quando, não o porquê; para o porquê, use RCFA, Ishikawa ou FTA.
Traduzindo em decisão de manutenção
Com β e η em mãos, a decisão vira quase mecânica:
- β < 1: ataque a causa raiz — comissionamento, qualidade de sobressalente, procedimento de partida. Troca preventiva só piora (você reintroduz mortalidade infantil).
- β ≈ 1: falha aleatória. Priorize monitoramento por condição (CBM) e reduza o MTTR, já que prever a data exata é inviável.
- β > 1: desgaste previsível. Defina a troca preventiva pela vida B10/B5, equilibrando custo de troca antecipada contra custo da falha.
Assim, Weibull deixa de ser um exercício estatístico e vira o argumento técnico que sustenta cada intervalo de plano — inclusive alimentando o dimensionamento de estoque MRO, já que você passa a saber quando a peça será necessária.
Como o SIGMA CMMS potencializa a análise
A qualidade da análise de Weibull depende inteiramente da qualidade do histórico. O SIGMA CMMS registra cada falha, tempo de operação e reparo por TAG e por modo de falha, mantendo a base limpa e segmentável que a estatística exige. A partir desses dados, os indicadores de MTBF, λ e disponibilidade são calculados automaticamente, e o Oráculo ajuda a interpretar o β do ativo, sugerir se a estratégia deve ser troca preventiva, CBM ou análise de causa raiz, e traduzir a vida característica em datas concretas de intervenção. É a ponte entre o dado histórico e a próxima ordem de serviço bem cronometrada.
flowchart TD
A[MTBF entrega so a media] --> B[Media esconde regimes de falha]
B --> C[Analise de Weibull descreve a forma]
C --> D[Parametro beta revela o regime]
C --> E[Parametro eta e a vida caracteristica]
D --> F[Beta mapeia a curva da banheira]
F --> G[Calcular vida B10 com 90 por cento de confiabilidade]
G --> H[Definir data da troca preventiva]