Aplicação de técnicas de otimização à engenharia de confiabilidade

O presente trabalho busca apresentar de forma sucinta as técnicas tradicionais de modelagem e an´alise de confiabilidade e mantenabilidade para sistemas reparáveis e não-reparáveis. Técnicas de Inteligência Computacional são também sucintamente analisadas e suas aplicações mais recentes à engenharia de confiabilidade são relacionadas. Em termos de aplicação, buscou-se exemplificar a utilização de uma técnica de inteligência computacional ao problemade Otimização de Confiabilidade. Esta última refere-se a uma área do conhecimento cujo interesse está voltado para a escolha da arquitetura e dos componentes de um sistema de forma a atender requisitos tecnológicos, assim como mercadológicos. Sob a perspectiva da engenharia de confiabilidade, o desempenho de sistemas pode ser medido em termos do Tempo Médio até a Falha (MTTF - Mean Time To Failure) no caso de sistemas não-reparáveis, ou em termos do Tempo Médio entre Falhas (MTBF - Mean Time Between Failures), no caso de sistemas reparáveis. Sob a perspectiva da mantenabililidade, uma medida de interesse é o Tempo Médio para Reparar (MTTR - Mean Time to Repair), aplicável somente a sistemas reparáveis. A Disponibilidade (Availability) é outra medida utilizada para avaliar o desempenho de sistemas reparáveis e que pode ser estimada a partir do MTBF e do MTTR. Uma vez que a medida de confiabilidade, mantenabilidade e disponibilidade do sistema tenham sido especificadas, outrasvariáveis de interesse podem também ser consideradas, e.g., o investimento necessário e os custos associados ao projeto e à manutenção do sistema. Tais medidas são obtidas por meio de umprocesso de modelagem e análise de confiabilidade e mantenabilidade e do custo do ciclo de vida. Uma vez que o sistema tenha sido modelado e as variáveis de interesse tenham sido definidas, um problema de otimização pode ser formulado, i.e., objetivos e restrições são representados matematicamente. As características do problema formulado e das funções-objetivo e restrições são estudadas para que técnicas de otimização mais adequadas sejam empregadas. Na prática,formulações multi-objetivo (multi-critério ou multi-atributo) são mais indicadas pois permitem a avaliação de aspectos que devem ser considerados simultaneamente em um processo decisório, e.g., o nível de desempenho do sistema deve ser balanceado frente aos custos envolvidos para obtê-lo (análise custo-benefício). O estudo de técnicas de otimização é extremamente importante às engenharias de confiabilidade e mantenabilidade, uma vez que a busca por soluções factíveis com foco na maximização do desempenho e minimização dos custos associados a um sistema são metas intrínsecas às funções desempenhados pelas engenharias de confiabilidade e mantenabilidade. Os problemas de Otimização de Confiabilidade são, em geral, definidos na forma de programação não-linear mista-inteira. Técnicas determinísticas não são eficientes na solução dessa classe de problemas por estes serem de natureza combinatória e, portanto, não podem ser resolvidos de maneira eficiente em tempo polinomial por nenhum método exato. Esse tipo de problema é conhecido na literatura como NP-difícil (NP-Hard). Técnicas estocásticas são maisindicadas nesses casos, o que motiva a aplicação de técnicas da Inteligência Computacional.This thesis aims to present Traditional as well as Computational Intelligence Based techniques for reliability modeling and analysis of repairable and non-repairable systems. The more recent applications of Computational Intelligence techniques to reliability engineering arebriefly presented. In order to demonstrate the applicability of Computational Intelligence to reliability optimization problems, evolutionary and immune algorithms are employed on theoptimization of generic systems focusing on decision variables such as system design, components reliability and redundancy level besides the costs involved on those decisions. From the reliability engineering perspective systems performance can be measured in terms of Mean Time To Failure (MTTF) in case of non-repairable systems, or in terms of Mean Time Between Failures (MTBF) in case of repairable systems. From the maintainability engineering perspective, a measure ofinterest is the Mean Time To Repair (MTTR) which is applicable only to repairable systems. All of them are the mean values of probability distributions when stochastic models are employed. The Availability is another measure often used to evaluate repairable systems performance which can be estimated from the MTBF and the MTTR. Once system reliability, maintainability and availability measures have been specified, other variables of interest can also be considered such as investment or costs associated to the design and the maintenance strategies, or froma risk perspective, the failure losses. Such measures might be deduced through a reliability modeling and analysis process and from life cycle cost studies. Once one system has been modeled and the variables of interest have been defined, an optimization problem can formulated, i.e.,objectives and constraints are represented mathematically. The characteristics of the objective and constraints functions are studied so that more suitable optimization techniques can be chosen. In practice, multi-objective formulations (multi-criteria or multi-attribute) are preferred since they make possible to turn the decision-making process more accurate once simultaneous contradictory objectives are involved, e.g., the system performance level must be maximized while the involved costs must be minimized (cost-benefit analysis). The study of ptimizationtechniques is extremely important once the search for feasible solutions which maximize the performance and minimize the costs associated to a system are intrinsic goals of the reliability and maintainability engineering. Optimization problems are generally defined in the form non- linear mixed-integer programming. Deterministic techniques are not efficient on solving this class of problems since they are combinatorial what make difficult to effectively solve them in polynomial-time by none of exact methods. This type of problem is known in the literature asNP-hard (nondeterministic polynomial-time hard). Stochastic techniques are more suitable in these cases, what motivates the use of Computational Intelligence techniques