Por que o MTBF sozinho não basta
O MTBF (Tempo Médio Entre Falhas) é o principal indicador de confiabilidade de itens reparáveis: quanto maior, mais raras as falhas. Mas ele é uma média — e médias escondem comportamento. Dois ativos com MTBF idêntico de 2.000 horas podem falhar de formas radicalmente diferentes: um por defeitos precoces logo após a instalação, outro por desgaste acumulado perto do fim da vida útil. A média não distingue esses cenários, e é justamente essa distinção que define a estratégia de manutenção correta.
É aqui que entra a análise de Weibull. Diferente da premissa exponencial (taxa de falhas constante), que assume que o ativo não "envelhece", a Weibull modela como a probabilidade de falha evolui ao longo do tempo. Ela responde à pergunta que o MTBF não responde: o meu ativo falha por mortalidade infantil, por acaso, ou por desgaste?
Os parâmetros da distribuição
A Weibull é definida por dois parâmetros principais:
- β (beta) — parâmetro de forma: revela o padrão de falha ao longo do ciclo de vida.
- β < 1 → taxa de falhas decrescente (mortalidade infantil: defeitos de montagem, instalação, componentes fora de especificação).
- β ≈ 1 → taxa de falhas constante (falhas aleatórias; equivale à distribuição exponencial da vida útil "madura").
- β > 1 → taxa de falhas crescente (desgaste, fadiga, envelhecimento — o ativo "avisa").
- η (eta) — parâmetro de escala (vida característica): o tempo em que ~63,2% da população já falhou. Indica a "idade típica" da falha na mesma unidade dos dados (horas, ciclos, km).
Esses três estados — mortalidade infantil, vida útil e desgaste — reproduzem exatamente as três fases da curva da banheira (bathtub curve). A Weibull é, portanto, a ferramenta estatística que traduz em números onde o ativo está na sua própria banheira.
Como conduzir a análise na prática
- Colete os tempos até a falha. Registre para cada evento o tempo de operação acumulado até a falha, por TAG e por modo de falha. Misturar modos de falha diferentes num mesmo conjunto distorce o β — analise separadamente rolamento, vedação, motor, etc.
- Inclua os dados censurados. Itens que ainda não falharam (suspensões) carregam informação valiosa. Descartá-los enviesa o resultado para pessimismo.
- Estime β e η. Por regressão em papel de Weibull ou por máxima verossimilhança. O ajuste (R² ou p-valor) indica se a distribuição representa bem os dados.
- Interprete e decida. Com β e η em mãos, calcule a confiabilidade R(t) e a probabilidade de falha F(t) = 1 − R(t) para qualquer horizonte de missão.
Traduzindo β em estratégia de manutenção
O valor de β muda completamente a decisão — e evita erros caros:
- β < 1 (mortalidade infantil): trocar o item preventivamente piora a situação, pois reintroduz o risco de defeito precoce. A ação correta é atacar a causa raiz (RCFA): qualidade de sobressalente, procedimento de montagem, comissionamento, "burn-in".
- β ≈ 1 (aleatório): a preventiva por tempo é ineficaz, já que a falha não depende da idade. Aposte em manutenção baseada na condição (CBM/preditiva) e na curva P-F, monitorando sintomas de falha potencial.
- β > 1 (desgaste): existe uma idade em que o risco cresce rapidamente. Aqui a preventiva por tempo/uso faz sentido, e a Weibull ajuda a definir quando substituir, equilibrando o custo da intervenção antecipada contra o custo da falha.
Definindo o momento certo de intervir
Com η e β, você deixa de intervir "por calendário genérico" e passa a intervir por evidência. Para um ativo com β > 1, é possível fixar um limite de risco aceitável — por exemplo, atuar quando a confiabilidade R(t) cai abaixo de um patamar definido pela criticidade do ativo. Em ativos classe A (alta criticidade ABC), exige-se R(t) mais alto e, portanto, intervenção mais precoce; em ativos classe C, tolera-se rodar mais perto de η. Assim, a análise conecta confiabilidade, criticidade e custo do ciclo de vida (LCC) numa única decisão coerente.
Essa abordagem também retroalimenta o RCM: o padrão de falha revelado pela Weibull ajuda a escolher entre restauração/substituição programada, manutenção sob condição ou redesenho, seguindo a lógica de consequência da falha da SAE JA1011.
Cuidados para não se enganar com os números
- Amostra pequena gera estimativas instáveis de β e η — trate resultados de poucas falhas com cautela.
- Modos de falha misturados produzem β sem significado físico.
- Correlação não é causa: a Weibull descreve quando falha, não por quê. A causa raiz continua exigindo RCFA, Ishikawa ou 5 Porquês.
- Dados de má qualidade (datas erradas, horímetro incoerente) contaminam toda a análise.
Do dado à decisão com o SIGMA CMMS
A força da Weibull depende de histórico confiável — e é isso que o SIGMA CMMS consolida: cada OS, falha e intervenção registrada por TAG alimenta os tempos de operação, o MTBF, o MTTR e a taxa de falhas por ativo crítico. Com esse histórico estruturado, o Oráculo PCM apoia a leitura do padrão de falha, cruza a criticidade ABC com a curva de risco e sugere quando a intervenção deixa de ser conservadora e passa a ser desperdício. Assim, sua manutenção migra da regra fixa para a decisão baseada em evidência estatística — prevendo a falha antes que ela pare a operação.
flowchart TD
A[MTBF esconde comportamento] --> B[Analise de Weibull]
B --> C[Parametro Beta forma]
B --> D[Parametro Eta escala]
C --> E[Beta menor que 1 mortalidade infantil]
C --> F[Beta igual a 1 falhas aleatorias]
C --> G[Beta maior que 1 desgaste]
E --> H[Decisao de manutencao]
F --> H
G --> H