Por que MTBF sozinho não basta
O MTBF é o indicador de confiabilidade mais usado no PCM, mas ele carrega uma armadilha: é apenas uma média. Dois equipamentos podem ter o mesmo MTBF de 5.000 horas e comportamentos de falha completamente opostos — um falhando de forma aleatória e imprevisível, outro concentrando falhas por desgaste a partir das 4.500 horas. A média esconde essa diferença, e é justamente ela que define a estratégia de manutenção correta.
A fórmula clássica R(t) = e^(−λt) assume taxa de falhas constante (λ = 1/MTBF), o que só é verdade na fase madura da vida útil. Para enxergar toda a "curva da banheira" — mortalidade infantil, vida útil e desgaste — precisamos de um modelo mais rico. É aí que entra a distribuição de Weibull.
O que a Weibull modela
A Weibull descreve estatisticamente como um conjunto de itens falha ao longo do tempo, usando (na forma de dois parâmetros) duas grandezas:
- β (parâmetro de forma) — indica em que fase de vida o ativo está.
- η (parâmetro de escala, ou vida característica) — o tempo em que ~63,2% da população já falhou; funciona como uma "medida de vida".
A confiabilidade fica: R(t) = e^[−(t/η)^β]. Repare que, quando β = 1, a expressão se reduz à exponencial e^(−t/η), ou seja, taxa de falhas constante. A Weibull, portanto, contém o modelo exponencial como caso particular — e vai muito além dele.
Lendo o parâmetro de forma (β)
O β é o coração da interpretação:
- β < 1 — mortalidade infantil. Taxa de falhas decrescente. Falhas precoces ligadas a defeitos de montagem, instalação incorreta, contaminação ou start-up malfeito. Trocar preventivamente não adianta (a peça nova volta ao início da curva); a ação é melhorar montagem, comissionamento e qualidade de sobressalentes.
- β ≈ 1 — falhas aleatórias. Taxa constante, típica da vida útil madura. O tempo de operação não prevê a falha. Preventiva por tempo é ineficaz; a resposta é manutenção baseada em condição (CBM) e redundância.
- β > 1 — desgaste. Taxa de falhas crescente. A falha depende do tempo/uso — fadiga, abrasão, envelhecimento. Aqui, sim, substituição preventiva programada faz sentido, e a Weibull ajuda a definir quando.
Ou seja: antes de escolher entre preventiva, preditiva ou corretiva planejada, o β diz se a estratégia é sequer viável fisicamente.
Como fazer a análise na prática
- Colete os tempos até a falha de um mesmo modo de falha, num mesmo tipo de ativo (não misture rolamento com vedação). Use o histórico de OS e as datas de falha registradas.
- Trate as suspensões (dados censurados). Itens que ainda não falharam ou que foram trocados por outro motivo carregam informação e não podem ser descartados — são as "censuras à direita".
- Estime β e η por regressão linear (papel de Weibull / rank median) ou por máxima verossimilhança (MLE), método mais robusto com poucos dados.
- Verifique o ajuste com o coeficiente de correlação e análise gráfica; um único β pode não descrever curvas com dois modos de falha (nesse caso, use Weibull mista).
- Traduza em decisão. Com η e β, calcule R(t) para o horizonte da missão, a vida B10 (tempo em que 10% falham) e o intervalo ótimo de intervenção.
Transformando parâmetros em decisão
Alguns usos diretos:
- Definir intervalo de troca preventiva para itens com β > 1: comparar o custo de uma troca planejada com o custo (e a consequência) de uma falha permite achar o intervalo de menor custo por hora.
- Estimar risco de missão: "qual a probabilidade de esta bomba operar as próximas 2.000 h sem falhar?" — resposta imediata via R(t).
- Dimensionar sobressalentes (MRO): a curva de F(t) projeta quantas falhas esperar no próximo período, evitando excesso e ruptura de estoque.
- Priorizar RCFA: β < 1 num item que deveria durar sinaliza problema de instalação ou qualidade — chamado para análise de causa raiz, não para calendário de troca.
Cuidados que evitam conclusões erradas
A Weibull é poderosa, mas sensível à qualidade dos dados. Amostras pequenas geram parâmetros incertos; misturar modos de falha distorce o β; ignorar censuras subestima a vida real. E, como sempre em confiabilidade, correlação não é causa: a Weibull mostra o padrão de falha, mas a causa exige investigação (RCFA, Ishikawa, FTA). Ela responde "quando e com que probabilidade", não "por quê".
Weibull dentro do SIGMA CMMS
Toda análise de Weibull depende de um histórico limpo e completo — datas de falha, tempos de operação, modos de falha padronizados (ISO 14224) e registro das suspensões. É exatamente esse alicerce que o SIGMA CMMS organiza: cada OS alimenta o histórico do ativo por TAG, permitindo extrair MTBF, taxa de falhas e os tempos até a falha necessários para estimar β e η. Com o apoio do Oráculo (IAN), você interpreta em que fase de vida o ativo está, decide entre substituição programada, CBM ou RCFA, e transforma estatística em planos de manutenção que realmente antecipam a falha — em vez de apenas reagir a ela.
flowchart TD
A[MTBF e apenas media] --> B[Media esconde padrao de falha]
B --> C[Usar distribuicao de Weibull]
C --> D[Parametro forma beta]
C --> E[Parametro escala eta]
D --> F[beta menor que 1 mortalidade infantil]
D --> G[beta igual a 1 falhas aleatorias]
D --> H[beta maior que 1 desgaste define quando intervir]