Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CONCEPTOS DE
CONFIABILIDAD
1-1
Propsitos
1-4
DISTRIBUCIONES DE
PROBABILIDAD
Funcin de Densidad de Probabilidad (pdf), f(t)
Predice el comportamiento de cualquier situacin
probabilstica
Probabilidad de t de caer en algn punto del rango t1 a t2
p ( t1 t t 2 )
t2
f( t )d t
t1
f(t)
t1
t2
1-6
EJEMPLOS DE DISTRIBUCIONES
DE PROBABILIDAD
138.573
132.988
234.234
63.378
28.855
49.089
123.442
49.526
71.698
45.352
182.344
225.349
137.758
93.901
77.471
172.78
45.735
62.171
78.558
75.812
75.492
27.978
145.911
95.475
175.935
34.899
43.461
52.311
49.619
92.019
39.655
9.52
29.374
46.076
193.45
103.507
107.717
179.036
61.099
46.613
82.272
176.949
145.45
73.873
117.592
30.0000
30
Histograma
20
Percent
56.399
56.554
35.389
56.215
188.26
90.882
132.312
60.465
301.525
302.01
101.978
98.37
64.026
43.881
53.358
15.0000
13.3333
10
8.3333
8.3333
6.6667
6.6667
3.3333
3.3333
3.3333
1.6667
0.0000
0.0000
0
0
100
200
300
OBS
0.4
f(t)
0.3
PDF Weibull
0.2
0.1
0.0
0
10
1-7
DISTRIBUCION ACUMULADA DE
PROBABILIDAD
Si acumulamos las probabilidades desde el inicio hasta
un tiempo t1, obtenemos la Distribucin de
Probabilidad Acumulada {CDF F(t)}.
1-8
DISTRIBUCION ACUMULADA DE
PROBABILIDAD
Funcin de Distribucin Acumulada
La Probabilidad de una variable es menor o igual a un valor
especfico, e.g., t1
t
1
F (t ) P(0 t t1 ) f (t )dt
0
DISTRIBUCION ACUMULADA DE
PROBABILIDAD
t1
F( t) P(0 t t 1 ) f ( t)dt
0
Funcin de Densidad de Probabilidad
f(t)
F(t)
No confiabilidad, F(t)
t1
t1
1-10
DEFINICIN DE CONFIABILIDAD
Confiabilidad es la probabilidad de que un sistema
ejecute su funcin de intencin sin fallar para un
intervalo especfico, bajo condiciones establecidas.
Se define como la Probabilidad de Supervivencia en un
determinado tiempo.
R(t) = 1 - F(t)
Algunos autores presentan como sinnimos
Supervivencia y Confiabilidad
1-11
DEFINICIN DE CONFIABILIDAD
t
R ( t ) 1 F ( t ) 1 f ( t ) d t f ( t ) d t
Funcin de Densidad de Probabilidad
Funcin de Confiabilidad
f(t)
R(t)
t1
t1
1-12
MTBF - MTTF
Si el tiempo de vida para una caracterstica de calidad
es una variable aleatoria y conocemos su distribucin
de probabilidad , podemos calcular una medida de
localizacin, por ejemplo el valor de su media.
MTBF - MTTF
0.4
i 1
f(t)
15.0000
13.3333
10
8.3333
8.3333
6.6667
6.6667
3.3333
3.3333
3.3333
1.6667
0.0000
0.0000
0
100
200
300
1
MEDIA h1
b
0.2
0.1
0.0
10
20
tiempo
0.3
30.0000
30
1.77245
98.932
Percent
1-14
TIEMPO DE MISIN
Tiempo de Misin se refiere al tiempo intentado durante
el cual el producto entrega la caracterstica de
calidad satisfactoriamente.
El Tiempo de Misin es una decisin de negocios y
sirve para establecer una meta de logro por parte del
producto en cuanto a sus caractersticas.
Tiempo de Misin
VELOCIDAD DE FALLA
La Velocidad de Falla Tasa de Riesgo o tambin
Tasa de Falla es la fraccin de fallas probables entre
la proporcin de supervivientes al tiempo t. Cuando
se conoce la Distribucin de Probabilidad de t, se
calcula a partir de
400
350
300
2000
2100
2200
No. de
sobrevivientes
horas
tiempo
1-17
CURVA DE LA BAERA
Si se dibuja la tasa de riesgo o falla para una poblacin
a travs del tiempo se observa un comportamiento
descrito como la Curva de la Baera
h(t)
Fallas infantiles
Fallas constantes
t
1-18
ESTADISTICA DESCRIPTIVA
30.0000
30
20
Percent
La Estadstica Descriptiva se
orienta a proporcionar una
descripcin til, clara e
informativa de una masa de
datos numricos.
Esto se hace al considerar
tpicos como:
la coleccin y procesamiento de
datos originales,
presentacin tabular y grfica,
fuentes de datos,
distribucin de frecuencias,
medidas de tendencia central y
medidas de dispersin.
15.0000
13.3333
10
8.3333
8.3333
6.6667
6.6667
3.3333
3.3333
3.3333
1.6667
0.0000
0.0000
0
0
100
200
300
OBS
1-19
ESTADISTICOS
Un estadstico es cualquier funcin de las observaciones en una
muestra aleatoria, que no dependa de parmetros desconocidos
La media muestral, la varianza muestral, la desviacin estndar
muestral y los coeficientes de variacin, sesgo y curtosis son
algunos de los estadsticos ms comunes.
Obsrvese que como un estadstico es una funcin de los datos
provenientes de una muestra aleatoria, es a su vez una variable
aleatoria.
1-20
Estadstica Descriptiva
Medidas
Descriptivas
Descripcin
MEDIA
Medida de
tendencia
central
VARIANZA
Medida de
dispersin
COEFICIENTE DE
VARIACIN
POBLACION
E (t ) tf (t )dt
MUESTRA
mx
2 t f (t )dt
2
Medida del
grado de
variabilidad
CV
s2
1 n
x i x 2
n 1 i 1
COEFICIENTE DE
SESGO
COEFICIENTE DE
CURTOSIS
Medida de
Simetra
f (t )dt
i 1
2 3/2
x
n
Medida de
Agudeza
f (t )dt
2 2
i 1
2 3/2
la desviacin estndar es la
raz cuadrada de la varianza
La Normal tiene un rango
0.05<CV<0.25
La exponencial: CV= 1
CV = S
1 n
xi
n i 1
2 2
1-21
Estadstica Descriptiva
Porqu son importantes los
estadsticos?
Describen completamente los datos
Coeficiente de Variacin CV
comnmente utilizado para describir propiedades
mecnicas de los materiales.
aproximadamente 15% para fractura
aproximadamente 7% para resistencia a la cedencia
ayudan a determinar la distribucin apropiada
la distribucin normal tiene un rango 0.05 < CV < 0.25
Exponencial CV = 1
1-22
Estadstica Descriptiva
Porqu son importantes los estadsticos?
Coeficiente de sesgo
medida de simetra
3 < 0 distribucin sesgada a la izquierda(tiene una cola a la
izquierda)
3 = 0 distribucin simtrica
Distribucin Normal 3 = 0
3 > 0 distribucin sesgada a la derecha (tiene una cola a la
derecha
Coeficiente de curtosis
medida de agudeza (puntiaguda)
4 < 3 distribucin menos aguda que la Normal
4 = 3 distribucin Normal
4 > 3 distribucin ms aguda que la Normal
1-23
Estadstica Descriptiva
1-24
EJEMPLO DE DISTRIBUCIN
PDF f (t ) le
lt
CDF F (t ) 1 e
lt
Distribucin
Exponencial
CONFIABILIDAD R(t ) e t
TASA DE FALLA h (t ) l
Funcin de Densidad de Probabilidad Exponencial
1
0.0035
MEDIA
0.0030
f(t)
0.0025
0.0020
0.0015
0.0010
0.0005
0.0000
0
500
1,000
Tiempo
1,500
2,000
1-25
EJEMPLO DE DISTRIBUCIN
bt
PDF f (t )
h h
CDF F (t ) 1 e
b 1
t
h
t
h
Distribucin
Weibull 2
parmetros
CONFIABILIDAD R (t ) e
t
h
bt
TASA DE FALLA h (t )
h h
1
MEDIA h1
b
b 1
1-26
EJEMPLO DE DISTRIBUCIN
Abra el archivo Distribucin.xls
Seale la columna de
tiempo y pongala en
orden ascendente
EJEMPLO DE DISTRIBUCIN
Agregue un
rengln inicial
con cero y una
columna con un
contador que
inicie en cero
1-28
EJEMPLO DE DISTRIBUCIN
Se estima la tasa de falla para los
tiempos observados, con el inverso del
nmero de supervivientes 1/(N+1-i)
1-29
EJEMPLO DE DISTRIBUCIN
R(ti)= 1-F(ti)
1.0000
Grficas de
Confiabilidad R(t) y de
la Funcin Acumulada
F(t) generadas en
EXCEL
0.9000
0.8000
0.7000
0.6000
0.5000
R(ti)= 1-F(ti)
0.4000
0.3000
0.2000
F(ti)= i/N
0.1000
1.0000
0.0000
0
50
100
150
200
250
300
350
0.9000
0.8000
0.7000
Recuerde que:
0.6000
0.5000
R(t) = 1- F(t)
F(ti)= i/N
0.4000
0.3000
0.2000
0.1000
0.0000
0
50
100
150
200
250
300
350
1-30
EJEMPLO DE DISTRIBUCION
Use el archivo: distribucin.mtw
Ahora en Minitab...
1-31
Distribution Analysis
Variable: tiempo
Censoring Information
Count
Uncensored value
60
Nonparametric Estimates
Characteristics of Variable
Standard
95.0% Normal CI
Mean
Error
lower
upper
98.9320
8.4776
82.3162
115.5478
Median =
IQR =
75.8120
83.4620
Q1 =
Kaplan-Meier Estimates
Number
Time
at Risk
9.5200
60
27.9780
59
28.8550
58
29.3740
57
34.8990
56
35.3890
55
39.6550
54
43.4610
53
43.8810
52
45.3520
51
45.7350
50
46.0760
49
46.6130
48
49.0890
47
49.5260
46
49.6190
45
52.3110
44
49.5260
Number
Failed
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Q3 =
Survival
Probability
0.9833
0.9667
0.9500
0.9333
0.9167
0.9000
0.8833
0.8667
0.8500
0.8333
0.8167
0.8000
0.7833
0.7667
0.7500
0.7333
0.7167
Para un tiempo
de 35.389 la
confiabilidad es
del 90%
132.9880
Standard
Error
0.0165
0.0232
0.0281
0.0322
0.0357
0.0387
0.0414
0.0439
0.0461
0.0481
0.0500
0.0516
0.0532
0.0546
0.0559
0.0571
0.0582
95.0% Normal CI
Lower
Upper
0.9509
1.0000
0.9212
1.0000
0.8949
1.0000
0.8702
0.9965
0.8467
0.9866
0.8241
0.9759
0.8021
0.9646
0.7807
0.9527
0.7597
0.9403
0.7390
0.9276
0.7188
0.9146
0.6988
0.9012
0.6791
0.8876
0.6596
0.8737
0.6404
0.8596
0.6214
0.8452
0.6026
0.8307
1-32
INTERPRETACION DE
RESULTADOS
Nonparametric Hazard Plot for tiempo
Observamos las
grficas de las
distribuciones
empricas de: riesgo
y confiabilidad
Mean
98.932
0.9
Median
IQR
75.812
83.462
0.8
0.7
0.5
0.4
0.3
0.1
0.0
0
100
200
300
Time to Failure
1.0
Mean
98.932
0.9
Median
IQR
75.812
83.462
0.8
Las asignaciones de
probabilidades se basan slo
en las frecuencias
observadas, y no suponen
ningn modelo especial.
Probability
Rate
0.6
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0
100
200
Time to Failure
300
1-33
PUNTOS CLAVE
tiempo de vida til y falla
distribucin de probabilidad
confiabilidad
MTBF - MTTF
tiempo de misin
velocidad de falla
estadstica descriptiva
distribucin emprica
1-34
2. MODELOS DE
CONFIABILIDAD
Distribuciones de Probabilidad
Exponencial
Weibull
Lognormal
1-35
OBJETIVO
Presentar los modelos Exponencial, Weibull y
Lognormal para la confiabilidad, sus caractersticas
principales y guas para su empleo
Puntos:
Modelos Paramtricos de
Confiabilidad
Distribuciones Paramtricas
Algunas Distribuciones de Probabilidad se pueden
expresar como una funcin matemtica de la variable
aleatoria.
La funcin tiene adems de la variable aleatoria,
constantes que le dan comportamientos especficos
a las distribuciones
Los parmetros definen:
FORMA
ESCALA
LOCALIZACION
1-37
Distribucin Normal
La Normal o Distribucin Gaussiana es la distribucin
ms conocida
Tiene Media = Mediana = Moda
La Media , es tambin su parmetro de localizacin
La PDF normal tiene forma de una campana con
simetra sobre su media
La normal no tiene parmetro de forma. Esto significa
que la PDF normal slo tiene una forma, la campana
y esta forma no cambia
La desviacin estndar , es el parmetro de escala
de la PDF normal
1-39
Distribucin Normal
1 t
1
f( t )
exp
2
2
f(t)
0.0100
0.0080
0.0060
0.0040
0.0020
0.0000
200
400
600
Tiempo
800
1000
1-40
Distribucin Normal
R ( t ) f( t )d t
( z )d z
t
z(t)
Funcin de Distribucin Normal donde z(t) = (t-/
y (z) = normal estandarizada pdf
Funcin de Confiabilidad Normal
1.000
0.800
R(t)
0.600
= 500
= 30
= 50
= 70
0.400
0.200
0.000
200
400
600
Tiempo
800
1000
1-41
Distribucin Normal
Funciones de Distribucin Normal
(z)
h(t )
R( z )
= 500
= 30
= 50
= 70
h(t)
0.1500
0.1000
0.0500
0.0000
200
400
600
Tiempo
800
1000
1-42
Distribucin Normal
Distribucin Normal
Tienden a seguir una distribucin normal los ciclos de falla en
componentes mecnicos sometidos a niveles altos de estrs
Es til si el coeficiente de variacin es pequeo (<10%)
Las propiedades de varios materiales tienden a seguir una
distribucin Normal
Las fallas a la tensin de muchos materiales estructurales
siguen una distribucin Normal
Puede representar el tiempo de falla cuando un efecto aditivo
es involucrado, i.e., el Teorema del Lmite Central (CLT)
1-43
Distribucin Exponencial
El modelo exponencial, con un solo parmetro, es el ms
simple de todo los modelos de distribucin del tiempo de
vida. Las ecuaciones clave para la exponencial se muestran:
CDF : F (t ) 1 e
lt
CONFIABILIDAD : R(t ) e
PDF : f (t ) le
1
MEDIA : m
lt
lt
0.0025
0.693
0.0020
0.0015
ln 2
VARIANZA :
f(t)
MEDIANA :
0.0030
0.0010
0.0005
0.0000
0
500
1,000
Tiempo
1,500
2,000
TASA DE FALLA : h (t ) l
1-44
Distribucin Exponencial
R(t) = e(-lt) (Confiabilidad)
Funcin de Confiabilidad Exponencial
1.200
1.000
R(t)
0.800
0.600
0.400
0.200
0.000
0
500
1,000
Tiempo
1,500
2,000
1-45
Distribucin Exponencial
h(t) = lMEDIA(Velocidad de Falla)
Funcin de la Tasa de Falla Exponencial
0.004
l= 0.003, MTBF = 333
0.003
h(t)
0.002
l= 0.001, MTBF = 1,000
0.001
0.000
0
500
1,000
Tiempo
1,500
2,000
1-46
Distribucin Exponencial
Distribucin Exponencial
Es usada como el modelo, para la parte de vida til de la
curva de la baera, i.e., la tasa de falla es constante
Los sistemas complejos con muchos componentes y
mltiples modos de falla tendrn tiempos de falla que
tiendan a la distribucin exponencial
desde una perspectiva de confiabilidad, es la distribucin
ms conservadora para prediccin.
La forma de la exponencial
siempre es la misma
1-47
Distribucin Exponencial
CDF : F (t ) 1 e
l ( t g )
CONFIABILIDAD : R(t ) e
PDF : f (t ) le
l ( t g )
MEDIA : m g
MEDIANA : g
VARIANZA :
l ( t g )
ln 2
@g
0.693
l2
TASA DE FALLA : h (t ) l
g es el parmetro de
localizacin, si es positivo,
cambia el comienzo de la
distribucin por una distancia g
a la derecha del origen,
significando que las
posibilidades de falla empiezan
a ocurrir slo despus de g
horas de operacin, y no
pueden ocurrir antes.
Note que la varianza y la tasa de falla son
iguales a las de la exponencial de un parmetro
1-48
Distribucin Weibull
La distribucin de
Weibull es un
modelo de
distribucin de vida
til muy flexible,
para el caso de 2
parmetros:
Donde h es un
parmetro de escala (la
vida caracterstica) y b
se conoce como el
parmetro de forma
(pendiente) y es la
funcin Gamma con
(N)=(N-1)! para N
entero
CDF : F (t ) 1 e
t
h
b
PDF : f (t )
h
t
h
b 1
t
h
t
h
1
MEDIA : h1
b
MEDIANA : h ln 2 b
2
1
VARIANZA : h 1 h1
b b
b
TASA DE FALLA :
h
b 1
1-49
Distribucin Weibull
Una forma ms general de
3 parmetros de la Weibull
incluye un parmetro de
tiempo de espera
(localizacin
desplazamiento). Las
frmulas se obtienen
reemplazando t por (t-g).
CDF : F (t ) 1 e
t g
b
PDF : f (t )
h
t g
e
h
1
MEDIA : g h1
b
t g
t g
MEDIANA : g h ln 2 b
2
1
VARIANZA : h 1 h1
b b
b
TASA DE FALLA :
h
t g
b 1
1-50
Distribucin Weibull
b t
f
(
t
)
Funcin de Distribucin Weibull
h h
b 1
t b
exp
h
0.0020
f(t)
b = 1.0
h = 1000
b = 3.4
h = 1000
0.0010
0.0000
0
500
1000
1500
Tiempo
2000
2500
3000
1-51
Distribucin Weibull
Funciones de Distribucin Weibull
t b
R ( t ) exp
h
0.800
b = 1.0
h = 1000
R(t)
0.600
0.400
b = 0.5
h = 1000
0.200
0.000
0
500
1000
1500
Tiempo
2000
2500
3000
1-52
Distribucin Weibull
b t
h( t )
h h
b 1
0.0040
h(t)
b = 0.5
h = 1000
b = 1.0
h = 1000
0.0020
0.0000
0
500
1000
1500
Tiempo
2000
2500
3000
1-53
Distribucin Weibull
Distribucin Weibull
mientras la funcin pdf de la distribucin exponencial
modela la caracterstica de vida de los sistemas, la Weibull
modela la caracterstica de vida de los componentes y
partes
modela fatiga y ciclos de falla de los slidos
es el traje correcto para datos de vida
La funcin de distribucin Weibull pdf es una distribucin de la
confiabilidad de los elementos de una muestra
1-54
Distribucin Weibull
Tiene usted una Distribucin Weibull con b=2
y h=2, Cul es la media y la varianza?
1
m h1
b
2
1
varianza h 2 1 h1
b b
Archivo
Weibull.xls
3
1-55
Distribucin Weibull
l
decreciente
b< 1
Fallas
tempranas
l
constante
l
creciente
b= 1
b> 1
Desgaste
Tiempo de vida til
tiempo
1-56
Si esto ocurre
-La mayora de los baleros y engranes
fallan
-Corrosin o Erosin
-El reemplazo programado puede ser
efectivo en costo
b=3.44aprox. Normal, b=2Rayleigh
Distribucin Weibull
Cuando b = 2.5 la Weibull se aproxima a la
distribucin Lognormal(estas distribuciones son tan
cercanas que se requieren tamaos de muestra
mayores a 50 para distinguirlas).
Cuando se modela el tiempo que se necesita para
que ocurran reacciones qumicas, se ha mostrado
que la distribucin Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
Cuando b = 5 la Weibull se aproxima a una Normal
puntiaguda.
1-58
Distribucin Weibull
Debido a su flexibilidad,hay pocas tasas de falla
observadas que no pueden modelarse
adecuadamente mediante la Weibull. Algunos
ejemplos son.
1.La resistencia a la ruptura de componentes o el
esfuerzo requerido para la fatiga de metales.
Distribucin Weibull
Qu pasa en una distribucin Weibull si el tiempo
tiene el valor de la vida caracterstica, t = h?
t b
R(t ) exp
h
si t h
h b
R(t h ) exp e 1 0.3678
h
F (t h ) 1 R(t h ) 0.6321
Al llegar al
tiempo de vida
igual a la vida
caracterstica el
63.2% de los
elementos habr
fallado. Este
hecho se usa en
las grficas para
identificar el valor
de h (eta)
1-60
Distribucin Lognormal
Un tiempo de falla se distribuye segn una Lognormal si el
logaritmo del tiempo de falla est normalmente distribuido.
La Distribucin Lognormal es una distribucin sesgada hacia la
derecha.
1-61
Distribucin Lognormal
Si un tiempo t est distribuido Lognormal,
t~LN(t, t) y si Y = ln(t) entonces Y~N(y, y)
t
PDF
CDF
MEDIA
MEDIANA
VARIANZA
f (t )
1
t y 2
y = ln(t)
e
1 y y
2 y
f (y )
1
e
y 2
1 y y
2 y
ln(t T50 )
F (t )
y y
F ( y )
y
y2
t T50 exp y
y ln(T50 )
T50 exp( y )
t2
1 2
t
t2
ln1 2
t
1-62
Distribucin Lognormal
La Distribucin de vida Lognormal, como la Weibull, es un modelo
muy flexible que puede empricamente ajustar a muchos tipos de
datos de falla. En su forma de dos parmetros tiene los
parmetros ln(t) = y parmetro de forma, y T50 = la mediana (un
parmetro de escala)
Si el tiempo para la falla t, tiene una distribucin Lognormal,
entonces el logaritmo natural del tiempo de falla (y =ln(t)) tiene
una distribucin normal con media y = ln T50 y desviacin
estndar y.
Esto hace a los datos lognormales convenientes para trabajarlos
as: determine los logaritmos naturales de todos los tiempos de
falla y de los tiempos censurados (y = ln(t)) y analice los datos
normales resultantes. Posteriormente, haga la conversin a
tiempo real y a los parmetros lognormales usando y como la
forma lognormal y T50 = exp(y como (mediana) el parmetro de
escala.
1-63
Distribucin Lognormal
1 ln ( t )
1
f( t )
exp
t 2
2
Funcin de Distribucin
Lognormal
0.3000
=0
=1
f(t)
0.4000
=0
= 0.5
=1
= 0.5
0.2000
=1
=1
0.1000
0.0000
0
3
4
Tiempo
1-64
Distribucin Lognormal
Funcin de Distribucin
Lognormal
ln ( t )
z [ln ( t )]
R ( t ) f( t )d t
f [ln ( t )] d [ln ( t )]
( z )d z
0.800
=1
=1
R(t)
0.600
=0
=1
0.400
=0
= 0.5
0.200
0.000
0
3
4
Tiempo
1-65
Distribucin Lognormal
Funcin de Distribucin Lognormal
h ( t )
f( t )
R( t)
0.6000
h(t)
0.5000
=1
= 0.5
0.4000
0.3000
0.2000
0.1000
=1
=1
0.0000
0
=0
=1
3
4
Tiempo
7
1-66
Distribucin Lognormal
Ejemplo: Dado t~LN(25,4), encuentre P(t<18)
Calculemos los valores que nos permiten usar la tabla normal estndar
t2
4
T50 t 1 2 25 1 24.68
t
25
2
2
2
y 0.02527 0.1589
Para poder usar las Tablas de la Normal Estndar:
P(t<18) = P{Z<[ln(t/ T50)]/ y] = P{Z<[ln(18/24.7)]/0.159} = P(Z<-1.99) =
0.023
1-67
Distribucin Lognormal
Distribucin Lognormal
Nmero de ciclos de falla en la fatiga de los metales y partes
metlicas, niveles de tensin significativamente menores que sus
lmites
Representa bien el tiempo de falla de los dispositivos mecnicos,
especialmente en el caso de uso
La resistencia de materiales frecuentemente sigue una distribucin
Lognormal
Las variables de peso son frecuentemente bien representadas con
una distribucin Lognormal
Es una buena distribucin para cualquier variable
La medida de cualquier resultado el cual es el resultado de una
proporcin o efecto multiplicativo es Lognormal
1-68
Modelos Paramtricos de
Confiabilidad
Ventajas
Usados cuando la distribucin subyacente de los tiempos de
falla se conoce o puede ser supuesta
Datos de prueba previos
Parmetros de industria aceptados (v.g., MIL-HDBK-217)
Conocimiento Ingenieril del mecanismo de falla
1-69
Modelos Paramtricos de
Confiabilidad
Desventajas
El uso no apropiado del
modelo puede llevar a
conclusiones incorrectas
Implica un conocimiento
previo del comportamiento
de los mecanismos de falla
y su efecto en la
observacin estadstica
Si no se conoce nada
sobre la falla debe tenerse
cuidado en un
procedimiento para
seleccionar un modelo
adecuado.
1-70
Cuadro de Distribuciones
Modelos Comunes
de Confiabilidad
Exponencial
Weibull
b1
t b
exp
h
Funcin de Densidad
de Probabilidad (pdf),
f(t)
f(t) = lexp(-lt)
Funcin de
Confiabilidad, R(t)
t b
R(t) = exp(-lt) R ( t ) exp
h
Funcin de Tasa de
Falla, h(t)
h(t) = l
Parmetros
Aplicaciones
1
l
1/l= escala
sin forma
Sistema complejo
vida til
electrnica
b t
f(t)
h h
b
h(t) t
h h
T h(
b1
1
1)
b
h = escala
b = forma, o
pendiente Weibull
b < 1, fallas infantiles
b = 1, exponencial
b > 1, desgaste
b app 3.4, app. normal
muy flexible
bien para fatiga en
componentes mecnicos
Normal
1 t 2
f(t)
exp
2 2
1
R(t) (z)dz
z(t)
h( t )
( z )
R( z )
T media
Lognormal
f(t)
1 ln(t) 2
1
exp
t 2
2
R(t)
(z)dz
z[ln(t)]
f(t)
h(t)R(t)
1
T exp(T ' 2 T ' )
2
dondeT' es la funcion ln(t)
media = localizacin
= escala
z(t) = (t - )/
(z) = pdf normal std.
desgaste alto
efectos aditivos (CLT)
z[ln(t)] = (ln(t) - )/
donde = media de lns
= desv. std. de lns
(z) = pdf normal std.
fatiga en metales
1-71
desgaste de partes mecnicas
efectos multiplicativos
Identificacin de Modelos
Debemos de elegir
cuidadosamente el modelo
apropiado de distribucin de vida
Cualquiera que sea el mtodo usado
para escoger el modelo, debemos
verificar:
que tenga sentido - por ejemplo no usar
un modelo exponencial que tiene una
tasa de falla constante para modelar una
falla de desgaste.
Pasar las pruebas estadsticas y visuales
para ajuste de datos
1-72
Identificacin de Modelos
Grficas, Abrir: identificacin.mtw
Descriptive Statistics
No pasa el criterio
de normalidad
Variable: T
Anderson-Darling Normality Test
A-Squared:
P-Value:
100
200
300
400
500
2.339
0.000
Mean
StDev
Variance
Skewness
Kurtosis
N
101.453
101.127
10226.7
2.00837
5.38151
50
Minimum
1st Quartile
Median
3rd Quartile
Maximum
0.124
30.898
82.077
124.588
520.432
58
68
78
88
98
108
118
128
138
130.193
=0.9966, el
coeficiente de
variacin es
prcticamente 1
Media y desviacin
estndar son
iguales
Sesgo >0
distribucin sesgada
a la derecha
Curtosis >3, tiene
ms agudeza que
una normal
126.018
53.078
102.444
1-73
Identificacin de Modelos
Grficas
Abrir:
identificacin.mtw
1-74
Identificacin de Modelos
Four-way Probability Plot for T
No censoring
Lognormal
99
95
95
90
90
80
70
60
50
40
30
20
80
70
60
50
40
30
20
Percent
Percent
Normal
99
10
5
10
5
1
-100
100
200
300
400
500
0.1
1.0
Exponential
100.0
1000.0
Weibull
99
99
95
90
98
75
60
97
Percent
95
Percent
10.0
90
80
40
30
20
10
5
70
60
50
3
2
30
10
1
0
100
200
300
400
500
0.1
1.0
10.0
100.0
1000.0
1-75
Identificacin de Modelos
El modelo
exponencial
1-76
Identificacin de Modelos
Overview Plot for T
No censoring
Exponential Probability
0.010
Exponential
ML Estimates
99
Mean:
Percent
95
0.005
101.453
90
80
70
60
50
40
30
20
10
5
1
0.000
0
100
200
300
400
500
600
700
100
Survival Function
200
300
400
500
Hazard Function
1.0
0.00990
0.9
0.8
0.6
Rate
Probability
0.7
0.5
0.4
0.00985
0.3
0.2
0.1
0.0
0.00980
0
100
200
300
400
500
100
200
300
400
500
1-77
Ejercicio
Ahora Usted...
Abra los datos en distribucin.mtw (los
del captulo 1) y proponga qu modelo de
distribucin los representa mejor.
Ejercicio
Descriptive Statistics
Variable: tiempo
Anderson-Darling Normality Test
A-Squared:
P-Value:
50
100
150
200
250
300
2.346
0.000
Mean
StDev
Variance
Skewness
Kurtosis
N
98.9320
65.6671
4312.17
1.30399
1.49195
60
Minimum
1st Quartile
Median
3rd Quartile
Maximum
9.520
49.549
76.642
136.566
302.010
70
80
90
100
110
120
115.896
80.092
61.055
98.620
1-79
Ejercicio
Four-way Probability Plot for tiempo
No censoring
Lognormal
99
99
95
95
90
90
80
70
60
50
40
30
20
80
70
60
50
40
30
20
Percent
Percent
Normal
10
5
10
5
1
0
100
200
300
10
100
Exponential
Weibull
99
99
95
90
98
75
60
97
Percent
Percent
95
90
80
40
30
20
10
5
70
60
50
3
2
30
10
1
0
100
200
300
400
10
100
1-80
Ejercicio
Overview Plot for tiempo
No censoring
Lognormal Probability
0.010
Lognormal
ML Estimates
99
95
Percent
90
0.005
Location: 4.38759
80
70
60
50
40
30
20
Scale:
MTBF:
10
5
1
0.000
0
100
200
300
400
500
10
600
Survival Function
100
Hazard Function
1.0
0.015
0.9
0.8
0.6
0.010
Rate
Probability
0.7
0.5
0.4
0.3
0.005
0.2
0.1
0.0
0
100
200
300
400
100
200
300
400
0.66066
100.066
MTB
reporta la
media y la
desviacin
estndar
de los
logaritmos
de los
tiempos
1-81
Puntos Clave
Los modelos paramtricos tienen muchas ventajas
para modelar situaciones de confiabilidad.
Es necesario asegurar cul es el modelo ms
apropiado para modelar
La decisin depende del conocimiento del
mecanismo de falla y la forma en que se observa.
Las distribuciones tienen parmetros que le dan
ciertas caractersticas: forma, escala, localizacin.
Recuerde siempre confirmar el modelo de
distribucin a usar y ver que las propiedades
correspondan a lo conocido sobre la falla
1-82
3. DEFINICIN DE
PROYECTOS DE
CONFIABILIDAD
1-83
Objetivo
Propsitos:
Conocer las herramientas utilizadas en la identificacin
de proyectos de confiabilidad.
1-84
DMAIC Y Confiabilidad
1-85
Definicin
Identificar
Oportunidades: SCR,
Cambio de Proveedor,
Costos, Productividad,
Comparacin
Competitiva, 6s
Diagrama de Bloques
Funcionales de Producto
Diagrama de Relaciones
de Proceso
Identificar Confiabilidad
Actual: CTQs de proceso
y producto, tiempo de
misin, condiciones de
ambiente
Establecer Metas de
Confiabilidad: Nivel de
Confiabilidad R(t), tiempo
de misin (t), Nivel de
Confianza (1-a)
Elaborar Diagramas P de
condiciones de
operacin, ruidos
internos y externos
Identificacin inicial de
causas y efectos de falla,
AMEF inicial, jerarquizar
Xs
Medicin
Anlisis
Mejora
Objetivo: determinar la
Confiabilidad y
capacidad actuales
Sistema de Medicin,
Calibrado, Lineal,
Estable, Gage RyR <
20%
Pruebas Estadsticas:
Comparacin de
Confiabilidad actual
contra propuesta:
Anlisis Paramtrico,
Anlisis No Paramtrico.
Diseo de experimentos
para eliminar X's.
Regresin de parmetros
Observacin de tiempos
de falla o degradacin de
Y
Diseo de Experimentos,
Superficie de Respuesta,
Predicciones, Regresin
de Parmetros,
Optimizacin de funcin
Diseo para
Reproduccin de la falla
Medir Condicin actual:
1. Datos de campo, 2.
Laboratorio de pruebas,
3. Base de Datos
Caracterizar Y, X, t:
El CTQ, las causas
posibles y el tiempo de
falla: media, dispersin,
distribucin, MTBF,
parmetros, h(t), R(t), Z
Identificar los parmetros
relevantes del ruido
ambiental: Mximo,
mnimo, media,
dispersin, distribucin.
Corrida de comprobacin
de la mejor solucin.
Verificacin Estadstica
Control
Determinar tipo de
observacin en la
confiabilidad: 1. pruebas
terminadas a tiempo
determinado, 2. Pruebas
terminadas a nmero de
fallas determinado 3.
Datos por intervalo de
tiempo 4. Aceleracin de
Pruebas por aumento de
carga
En pruebas aceleradas:
Validar
Transformaciones para
la regresin del factor
acelerante
FIN DEL
PROYECTO
1-86
1-87
1-88
1-89
Pasos en la construccin de un
Diagrama de Bloques Funcionales:
1. Defina la funcin del sistema.
2. Defina los modos de operacin del sistema.
3. Liste los subsistemas (muestre los lmites de
referencia).
4. Liste las funciones de los subsistemas (activas y
pasivas) para cada modo de operacin.
5. Defina las entradas y salidas de los subsistemas.
6. Defina la falla crtica de los subsistemas/partes y
la interdependencia
1-90
DIAGRAMA DE RELACIONES
1-91
DIAGRAMA DE RELACIONES
Muestra las relaciones causa-efecto. De igual importancia,
es que el proceso de creacin de un diagrama de
relaciones ayuda a un grupo en el anlisis de los enlaces
naturales entre aspectos diferentes de un problema
complejo.
Cuando usarlo
Un tema complejo est siendo analizado por causas.
Una iniciativa compleja est siendo implementada.
Despus de haber generado un diagrama de afinidad, un
diagrama de causa-efecto o un diagrama de rbol, para
explorar con mayor nfasis las relaciones de las ideas.
1-92
Diagrama-P
1-93
Qu es un Diagrama de Parmetros
Es la forma esquemtica en la que se presentan las
entradas, variables independientes y salidas del
proceso/producto sometido a un cambio tipo C, cuya
informacin proviene de un Diagrama de Bloques
Funcionales.
El diagrama de parmetros bosqueja en forma sencilla y
clara los factores que afectan la salida del diseo del
producto/proceso que pueden estar bajo control o no del
diseador/responsable de la iniciativa de confiabilidad
1-94
1-95
MATRIZ
F
A
C
T
O
R
E
S
Q
U
E
C SI
O
N
T
R
O
L
O NO
DE
FACTORES
FACTORES DE
Y
POSIBILIDAD DE AHORROS
CONTROL
FACTORES DE
QUE NO VALE LA PENA
RUIDO
PREOCUPARSE
NO
FACTORES
SI
QUE
AFECTAN EL PROCESO
1-96
1-97
1-98
Qu es el AMEF
1-99
AMEF
Qu hace?
Jerarquiza los problemas en los que se debe trabajar
primero
AMEF
Es la herramienta clave con que cuenta un equipo para mejorar
el proceso de una manera adquisitiva (antes de que ocurra la
falla)
1-101
El Modelo AMEF
Prevencin
Causa
Deteccin
Deteccin
Modo de la Falla
(Defecto)
Material o
Entrada de
Proceso
Efecto
Cliente externo o
paso del proceso
con la corriente
Controles
1-102
distorsin
fractura
tolerancia excedida
circuito abierto
corto circuito
descalibrado
1-103
Mecanismo de Falla
Los
Mecanismo de la Falla
1-104
1-105
85 C, 85 RH
Humedad
85 RH
85 C, 75 RH
65 RH
65 C
Temperatura
85 C
1-106
Puntos Clave
Confiabilidad - DMAIC
Diagrama de Parmetros
AMEF
Modo de Falla
Mecanismo de la Falla
1-107
4. OBSERVACIN DE FALLAS
1-108
1-109
Recoleccin de Datos
La Recoleccin de datos es una parte
importante de todo proyecto.
Los datos representan datos de vida o datos de
tiempo de falla de los productos que
hacemos.
La exactitud de cualquier prediccin es
directamente proporcional a la calidad y
exactitud de los datos recolectados.
1-110
Tipos de Datos
Cuando se examinan datos sobre la vida o duracin de un producto debe
reconocerse que hay diferentes clases de ellos. En el trabajo regular del
control de calidad si se inspecciona una muestra de 10 artculos, se obtendrn
10 observaciones. Tales datos se conocen como datos completos. En pruebas
de vida, cuando una muestra de 10 se pone a prueba es muy raro que se
obtengan 10 observaciones, porque algunos de los artculos en la muestra
pueden no fallar dentro de un periodo razonable de tiempo y la prueba puede
detenerse antes de que fallen todas las unidades. Bajo estas circunstancias o
cuando se desea un anlisis en una etapa intermedia antes de que se termine
la prueba, el resultado ser: datos incompletos o datos censurados.
1-111
Unidades
de la
muestra 1
2
3
4
5
6
= Falla
= Sobreviviente
1-112
Tiempo
Unidades
de la
muestra
1
2
3
4
5
6
= Falla
= Sobreviviente
1-113
Multicensurados
Se caracterizan por las unidades
sobrevivientes que tienen
diferentes tiempos de
sobrevivencia. Tales datos
pueden aparecer por diferentes
situaciones. La Figura muestra
un ejemplo. En ella, las unidades
1, 2 y 3 fueron vendidas al
cliente 1 y cuando se report la
falla de la unidad 1, las otras
estaban trabajando. Las
unidades 4, 5 y 6 fueron
vendidas al cliente 2 y cuando se
report la falla de la unidad 4, las
unidades 5 y 6 aun estaban
trabajando.
Tiempo
Unidades
de la
1
muestra
2
3
4
5
6
= Falla
= Sobreviviente
1-114
Multicensurados Cont.
En la Figura , de seis unidades puestas a
prueba tres fallaron en los tiempos
mostrados, pero para las otras tres los
dispositivos de prueba fallaron antes de
que fallaran las unidades. As las
unidades tuvieron que quitarse de la
prueba en diferentes tiempos cuando los
dispositivos fallaron.
Tiempo
Unidades
de la
1
muestra
2
3
4
5
6
= Falla
= Sobreviviente
1-115
Tiempo
Unidades
de la 1
muestra
2
3
4
5
6
Tipos de Datos
Exacto
Intervalo
Exacto
Todos
Fallaron
Datos No
Agrupados
No Todos
Fallaron
Intervalo
Exacto
Intervalo
Exacto
Intervalo
Todos
Fallaron
Datos
Agrupados
No Todos
Fallaron
1-117
Sin Censura
Veamos un ejemplo simple, que nos guiar en la situacin
de Datos Sin Censura. Se realizaron pruebas de
confiabilidad a seis unidades y se observaron los
siguientes tiempos de falla: 64,46,83,123,105 y 150 horas,
nos interesa conocer;
El tipo de distribucin que modela su comportamiento.
Estimar los parmetros.
Grfica de probabilidad
1-119
Censura a la Derecha
(ejemplo 2)
120
tiempo
1-120
t = 30 horas
Tiempo de Misin
definida por el negocio
1-122
R (T t )
R (T , t )
R (T )
T; tiempo de duracin de la misin
0.7077
R(30hr ,30hr )
0.8218
0.8612
1-124
1-125
Tabla Resumen
RRX
MLE
2.6885
3.6214
724.3180
810.2044
Mxima Verosimilitud o
Mnimos cuadrados?
Qu mtodo preferir?
La respuesta es: depende
Para muestras pequeas MLE es mejor
RR da una medida del ajuste de los datos a la distribucin con
el coeficiente de correlacin. Un mal ajuste alerta sobre la
posibilidad de mltiples modos de falla. Esto se puede
identificar en la grfica lineal, cosa que en MLE es ms difcil
por la forma de graficar una solucin
1-127
1-129
Grfica de
Probabilidad
Exponencial
Confiabilidad
contra tiempo
1-130
Funcin de Densidad
de Probabilidad
Lambda = 0.0058
Gamma = 72.68
1-131
Ejemplo 5
Se probaron seis unidades y los tiempos de falla fueron:
11,260; 12,080; 12,125; 12,825; 13,550 y 14,760 horas, nos
interesa conocer:
Los parmetros de la Distribucin y en particular utilizar
como el mtodo de estimacin de los Parmetros Regresin
del Rango sobre la X
Grfica de Probabilidad para los datos.
Grfica de la Funcin de Densidad de Probabilidad
1-132
1-133
3. Seleccionar la
Distribucin Normal
y regresin del
Rango sobre la X
para estimacin de
los parmetros
4. Funcin
de Densidad
de la Normal
media =
12751.67
sigma=
1348.27
1-134
5. Grfica de
Probabilidad Normal
incluyendo el
intervalo de
confianza del 90%
1-135
1-136
Respuesta pregunta 1
Respuesta pregunta 2
Requerimientos
Respuesta
Tenemos la estimacin puntual de la vida media:
Vida Media= 12,751.7
Y la estimacin de un intervalo de confianza de 90% de confianza:
P(11,846.1<Media<13,657.2) = 0.90
1-138
ltima
inspeccin
0.00
6.12
19.92
29.64
35.40
39.72
45.24
52.32
63.48
Estado
F
F
F
F
F
F
F
F
S
Tiempo final
de estado
6.12
19.92
29.64
35.40
39.72
45.24
52.32
63.48
63.48
Determine los
parmetros
de una
Weibull de 2
parmetros
usando MLE
y obtenga el
grfico de la
funcin de
logaritmo de
verosimilitud
1-139
Beta=1.4854
Eta= 71.6904
1-140
1-141
Puntos Clave
Tipo de Datos Observados
Datos Agrupados y Datos no Agrupados
Censurados a la izquierda
Censurados a la derecha
Sin Censura
Parmetros de las Distribuciones de Probabilidad:
- Weibull
- Exponencial
- Normal
- Lognormal
1-142
Puntos Clave
Mtodos de Estimacin de Parmetros:
1-143
5. CLCULOS Y PRUEBAS
DE CONFIABILIDAD
1-144
Agenda
Introduccin
Mtodos No-paramtricos
Mtodos Paramtricos
Planear Pruebas
1-145
- Introduccin
Tpicos cubiertos
Pruebas de Demostracin de Confiabilidad
Resultados de pruebas
Planeacin de pruebas
Pruebas No-Paramtricas
Prueba de Rachas exitosas
Prueba de Porcentaje Superviviente
Prueba de Mann-Whitney
Pruebas Paramtricas
Caso Exponencial
Caso Weibull
Planear Pruebas
Caso Exponencial
Weibull sin fallas
1-146
Tpicos no cubiertos
- Introduccin
Pruebas Aceleradas
v.g., HALT, HASS, Modelos Arrhenius
No-paramtricas
- No-paramtricas
1-148
- No-paramtricas
- No-paramtricas
- No-paramtricas
ln(1 CL)
N
lnRL1 t
1-151
- No-paramtricas
Ejemplo
10 tuercas fueron puestas en una prueba de vida
simulando 10 aos de servicio. Todas las diez tuercas
completaron la prueba sin fallas. Cul es el lmite
inferior de 90% de confianza unilateral para la
confiabilidad de estas unidades?.
Solucin
RL1(t) = (1-CL)1/N
N = 10
CL = 0.90
t = 10 aos
1-152
- No-paramtricas
Ejemplo (continua)
El requerimiento de confiabilidad para la tuerca
realmente fue confiabilidad de 90% en 10 aos de
servicio con 90% de confianza. Cuntas unidades
necesitan completar exitosamente la prueba para
demostrar el requerimiento?
Solucin
ln(1 CL)
lnRL1 t
21.85 o 22
lnRL1 t
ln(0.90)
1-153
Prueba de Porcentaje-Superviviente
- No-paramtricas
N r
N
para r > 0
1
r 1
1
F
Nr 1;2r2;2N2r
RL1
r 1
1
F
Nr 1;2r2;2N2r
1
21
1
F
20 2 0.90;2(2)2;2(20)2(2)
1
1
0.755
3
1325
.
1 195
.
18
0.9
Encontrada en tabla F
En EXCEL
Archivo
Cap 5.xls
1-156
Prueba de Porcentaje-Superviviente
- No-paramtricas
RL1
1
r 1
1
F
Nr 1;2r2;2N2r
1
01
1
F
200 0.90;2(0)2;2(20)2(0)
1
1
0.891
1
.
1 2.44 1122
20
Encontrada en tabla F
1-157
- No-paramtricas
Prueba de Porcentaje-Superviviente
Estimado de confiabilidad para una prueba terminada
al momento de ocurrir la r-sima falla
R
N r
N
para r > 0
1
r
1
F
Nr 1;2r;2N2r
RL1
En EXCEL
Archivo
Cap 5.xls
r
1
F
Nr 1;2r;2N2r
1
3
1
F
20 3 0.90;2(3);2(20)2(3)
1
1
0.743
3
1346
.
1 (196
. )
17
1-159
Prueba de Mann-Whitney
- No-paramtricas
1-160
Prueba de Mann-Whitney
- No-paramtricas
Ejemplo
El mismo componente se surte por dos
manufactureros diferentes, llamados A y B. Se
obtuvieron 8 componentes de A y 10 de B y todos los
18 se pusieron en una prueba de confiabilidad (los
resultados estn abajo). Hay una diferencia entre
los manufactureros en un nivel de confianza de 95%?
Ciclos al
Ciclos al
Fallar-
Fallar-
Mfr A
Mfr B
865
919
894
840
899
787
875
831
884
905
914
835
942
878
922
887
858
896
HO : A B
H1 : A B
- No-paramtricas
Prueba de Mann-Whitney
1-162
- No-paramtricas
Prueba de Mann-Whitney
Mann-Whitney Confidence Interval and Test
Mfr A
N =
8
Median =
870.00
Mfr B
N = 10
Median =
891.50
Point estimate for ETA1-ETA2 is
-23.00
95.4 Percent CI for ETA1-ETA2 is (-66.99,12.00)
W = 60.0
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.1684
Cannot reject at alpha = 0.05
1-163
Prueba de Mann-Whitney
- No-paramtricas
1-164
Resumen No-paramtrico
- No-paramtricas
Prueba de Porcentaje-Superviviente
Usado para obtener un lmite de confianza inferior, unilateral
de la confiabilidad
El tamao de muestra N probado para la duracin de la
misin con fallas permitidas
Los tiempos de falla no se necesitan conocer, slo el
nmero de fallas
Prueba de Mann-Whitney
Usada para comparar la confiabilidad de dos muestras
Permite tamaos de muestra desiguales
Todas las unidades probadas hasta fallar; necesita slo el
orden de las fallas
1-165
Paramtricas
- Paramtricas
1-166
- Paramtricas
1-167
- Paramtricas
Pruebas Exponenciales
Terminadas por Tiempo, con y sin reemplazos
La prueba se detiene cuando td horas (ciclos) han
pasado y y no hay falla coincidente con td
Estimacin de MTBF
Lmites de Confianza de MTBF
1-168
Pruebas Exponenciales
- Paramtricas
Definiciones
l= tasa de falla
MTBF = tiempo medio entre fallas (mean time between
failures) = 1/ l
m = estimado de MTBF
N = tamao de muestra
td = duracin de prueba
Ta = horas de prueba acumuladas = Ntd
r = nmero de fallas
CL = nivel de confianza = 1 -
donde es el riesgo de hacer una decisin equivocada
1-169
- Paramtricas
Exponencial
Ti (N r ) td
Ta
i 1
m
r
r
Lmite inferior de confianza, unilateral, de MTBF, mL1
mL 1 @
2rm
2Ta
2 ; 2 r 2 2 ; 2 r 2
- Paramtricas
Exponencial
Ta
m
mL1 @
Ti (Nr)td
i1
2rm
2 ;2r 2
2Ta
2 ;2r 2
4196
3
3
212588
02.05;2(3)2
25176
1624
15.507
De tabla
1-171
Exponencial
- Paramtricas
1-172
Abra tsinr.wdf
Marque distribucin
exponencial con un
parmetro
Elija MLE,
estimacin de
mxima verosimilitud
Marque el botn de
clculo de
parmetros
Seale el botn de la
Calculadora
1-173
Aparece la
Calculadora
Marcar Option,
Other Calculations
Deje marcado:
Show Lower Sided
Regrese a Basic
Calculations
Seale:
Show
Confidence
Bounds
Marque
Show Mean
Life
0.95 en
Confidence
Level
Marque
Calculate
1-174
Sealando en
Calculate se obtiene
una R(t) = 0.8877 y
RL1(t) = 0.7349
1-175
- Paramtricas
Exponencial
Terminadas por Tiempo
m = Ta/r = Ntd/r
con reemplazo
mL1 @
2rm
2 ;2r 2
2Ta
2
;2r 2
mL1
2Ta
2
;
2r
Ta
m
Ti (Nr)td
i1
Ta
m
Ti (Nr)td
i1
sin reemplazo
mL1 @
2rm
2 ;2r 2
2Ta
2 ;2r 2
mL1
2Ta
2
;
2r
- Paramtricas
Exponencial
mL1 @
2rm
2 ;2r2
2Ta
2 ;2r2
Exponencial
- Paramtricas
2rm
2;2r 2
2Ta
2;2r 2
2(15000)
1935 horas
15.507
Exponencial
- Paramtricas
1-179
Exponencial
- Paramtricas
2rm
2 ;2r2
2Ta
2 ;2r2
2Ta
2 ;2(0)2
2Ta
Ta
ln(1CL)
2 ;2
1-180
Exponencial
- Paramtricas
1-181
Exponencial
- Paramtricas
mL1 @
mL1 @
2rm
2 ;2r2
2Ta
2 ;2r2
2Ta
2 ;2(0)2
101500
21640
ln(10.50)
2Ta
Ta
ln(1CL)
2 ;2
sin fallas
Puede
verificarse en
tsinf.wdf
1-182
Exponencial
- Paramtricas
mL1 @
2rm
2 ;2r2
2Ta
2 ;2r2
2Ta
2 ;2(0)2
2Ta
Ta
ln(1CL)
2 ;2
101500
5007
ln(10.95)
1-183
Exponencial
- Paramtricas
- Paramtricas
1-185
Distribucin Weibull
- Paramtricas
Weibull
- Paramtricas
- Paramtricas
Weibull
h 2
;2r2
1
b
Nt db
h
ln(
1
CL
)
Weibull
- Paramtricas
1-189
Weibull
- Paramtricas
1
b
1
.
) 15
(10)(1500
hL1
ln(
1
CL
)
ln(
1
0
.
95
)
15
.
3350
Weibull
- Paramtricas
1-191
- Paramtricas
Weibull
1
.
) 125
(10)(1500
Nt db
hL1
ln(
1
CL
)
ln(
1
0
.
95
)
125
.
3934
1-192
- Paramtricas
Weibull
1
b
1
.
) 175
(10)(1500
hL1
ln(
1
CL
)
ln(
1
0
.
95
)
175
.
2987
1-193
- Paramtricas
Weibull
0.905
b = 1.25
0.927
b= 1.5
0.943
b= 1.75
0.957
b = 1 es exponencial,
ms conservador
No mucha influencia
en este caso
1-194
- Paramtricas
Weibull
1
b
1
)3
(10)(1500
hL1
2242
ln(
1
CL
)
ln(
1
0
.
95
)
1-195
- Planear Pruebas
1-196
- Planear Pruebas
2rm
2 ;2r2
MTBFg(2 ;2r2 )
Ta
2
2Ta
2 ;2r2
1-197
- Planear Pruebas
2rm
2 ;2r2
2Ta
2 ;2r2
2Ta
2 ;2(0)2
2Ta
Ta
ln(1CL)
2 ;2
Ta MTBFg{ln(1CL)}
1-198
- Planear Pruebas
1-199
2rm
2 ;2r2
2Ta
2 ;2r2
2Ta
2 ;2(0)2
2Ta
Ta
ln(1CL)
2 ;2
1-200
1-201
- Planear Pruebas
2rm
2 ;2r2
2Ta
2 ;2r2
obtenido de tabla
236014
2
2
2
1-202
- Planear Pruebas
1-203
- Planear Pruebas
1-204
- Planear Pruebas
Nt db
h
ln(
1
CL
)
R ( t ) exp
h
1-205
- Planear Pruebas
t ln(1CL)
N
t d ln(R)
1-206
- Planear Pruebas
t ln(1CL) 500
N
t d ln(R) t d
15
.
ln(10.95) 500
ln(
0
.
99
)
t
15
.
(298)
- Planear Pruebas
t ln(1CL) 500
N
t d ln(R) t d
td
500
1
.
15
15
.
ln(10.95) 500
ln(
0
.
99
)
t
15
.
(298)
2609
25
298
1-208
- Planear Pruebas
Planear Pruebas para la Weibull sin Fallar
Ejemplo (continuacin):
Cmo se compara este ltimo resultado con un plan de
prueba usando la Prueba de Rachas Exitosas?
Weibull sin fallar y suponiendo una pendiente de 1.5 fue 25
unidades para 2609 horas sin fallar
sobre 65,000 horas de prueba- unidades
298
lnRL1 t
ln(0.99)
Resumen
La tcnica No-paramtrica puede ser rpida y fcil
Lo bastante exacta para hacer un juicio de ingeniera
Puede ser potente si los tamaos de muestra son
bastante grandes
Apropiadas si nada se conoce
Paramtricas - Exponencial
Ms potentes que las no-paramtricas
Permiten negociar entre tamao de muestra, CL,
nmero de fallas permisibles, confiabilidad
Las unidades que fallan pueden ser reemplazadas para
aumentar el tiempo total de prueba
La estimacin ms conservadora
1-210
Resumen
Paramtricas - Weibull
Ms potentes que las no-paramtricas y que
suponer exponencial
Necesario suponer una pendiente Weibull
Necesita justificarse por datos previos, conocimiento de
los mecanismos de falla, etc.
Resumen
Planear Pruebas
Cubiertas slo las estadsticas de pruebas de
demostracin
Necesita asegurarse que la prueba puede duplicar
los mecanismos de falla experimentados en el
campo
Experiencia con partes regresadas, AMEFs, DiagramasP, etc
6. PRUEBAS ACELERADAS
1-213
Objetivo:
Propsitos:
Presentar el concepto de prueba acelerada
Conocer los modelos para transformar los
esfuerzos
Uso de los paquetes estadsticos para predecir
con modelos de aceleracin.
1-214
Para qu acelerar
las fallas?
Para ahorrar tiempo!
Problema
Solucin
Corra al menos 3 grupos en voltajes diferentes,
manteniendo el voltaje ms bajo tan cercano al
nominal como sea posible
1
2
3
4
5
6
Group 1
260V
Group 2
270 V
Group 3
280V
347hrs
498hrs
601hrs
720hrs
812hrs
889hrs
97hrs
106hrs
122hrs
140hrs
167hrs
190hrs
15hrs
24hrs
30hrs
34hrs
38hrs
41hrs
270V
Percent
95
90
280V
80
70
60
50
40
30
20
10
5
3
2
1
1000
900
10
100
1000
Time to Failure
800
700
600
90%
500
50%
10%
400
300
200
100
0
280
270
260
1-217
1-220
Prueba de Tortura
Beneficios
Aumenta la Confiabilidad por la revelacin de
modos probables de falla
1-221
1-222
1-223
Qu es aceleracin fsica y
como se modela?
La Aceleracin Fsica significa que operando
una unidad en un esfuerzo mayor se
producen las mismas fallas que ocurren con
los esfuerzos tpicos de uso, excepto que
suceden mucho ms rpido.
1-224
Factor de aceleracin
La falla se puede deber a la fatiga mecnica,
corrosin, reaccin qumica, difusin,
migracin, etc.
Estos son exactamente los mismos eventos
conducentes a una falla en esfuerzos mayores
que en esfuerzos normales. Slo cambia la
escala del tiempo.
Un Factor de Aceleracin es el multiplicador
constante entre los dos niveles de esfuerzo.
1-225
Factor de Aceleracin
Cuando hay verdadera aceleracin, cambiar
los esfuerzos es equivalente a transformar la
escala del tiempo usada para registrar
cuando ocurren las fallas.
Las transformaciones usadas comnmente
son lineales, lo que significa que el tiempo
para fallar en un esfuerzo alto slo tiene que
ser multiplicado por una constante (el factor
de aceleracin) para obtener el tiempo
equivalente de falla en el esfuerzo de uso
1-226
Factor de Aceleracin
Relaciones Lineales de Aceleracin
Tiempo de Falla
Probabilidad de Falla
Confiabilidad
PDF o Funcin de Densidad
Tasa de Falla
tu = AF x ts
Fu(t) = Fs(t/AF)
Ru(t) = Rs(t/AF)
fu(t) = (1/AF)fs(t/AF)
lu(t) = (1/AF)ls(t/AF)
Donde:
tu: tiempo de falla en uso
Fu(t): CDF en uso
fu(t): PDF en uso
lu(t): tasa de falla en uso
AF: Factor de Aceleracin
Cada modo de falla tiene su propio factor de aceleracin. Los datos de falla deben
separarse por modo de falla cuando se analizan, si la aceleracin es relevante.
1-227
Factor de Aceleracin
Una consecuencia de las
relaciones lineales es que
El Parmetro de Forma para
los modelos clave de
distribucin de vida
(Weibull y Lognormal) no
cambia para las unidades Las Grficas en escala de
operando bajo diferentes
Probabilidad de los datos de
esfuerzos.
diferentes condiciones de
Probability Plot for 260V-280V
260V
99
270V
Percent
95
90
280V
80
70
60
50
40
30
20
10
5
3
2
1
10
100
1000
Time to Failure
esfuerzo se alinearn
aproximadamente paralelas.
1-228
AF = G(S1)/G(S2)
Ahora se puede probar en el nivel de esfuerzo ms alto S2, obtener un nmero
suficiente de fallas para ajustar al modelo de distribucin de vida y evaluar las
tasas de falla. Despus se usa la Tabla de Relaciones Lineales de Aceleracin
para predecir lo que pasar en el nivel de esfuerzo menor S1.
1-229
Arrhenius
Eyring
Regla de Potencia Inversa para Voltaje
Modelo exponencial de Voltaje
Modelos de Dos: Temperatura / Voltaje
Modelo de Electromigracin
Modelos de tres esfuerzos (Temperatura, Voltaje y Humedad)
Arrhenius
El Modelo de Arrhenius predice la
aceleracin de las fallas debido al aumento
de temperatura
Uno de las primeras transformaciones y la de ms xito
para predecir como vara el tiempo de falla con la
temperatura
H
t f A exp
kT
H 1 1
AF exp
k
T1 T2
Arrhenius
Ejemplo
El Factor de Aceleracin AF entre
Eyring
El modelo de Eyring tiene una base terica
en la qumica y en la mecnica cuntica y se
puede usar para modelar la aceleracin
cuando muchos esfuerzos estn involucrados
H
C
t f AT exp
B S1
T
kT
H
C
D
t f AT exp
B S1 D S2
T
T
kT
Otros Modelos
Modelos tiles para 1, 2 o 3 esfuerzos son
modelos Eyring, los citados exitosamente son:
1-234
Otros Modelos
t f AV B
t f Ae BV
H
kT
t f Ae V B Ae
t f AJ n e
H
kT
H
kT
H
kT
Modelo de Electromigracin
t f Ae V RH
1-236
Datos
Los datos de vida (tiempos para falla) se obtienen de
pruebas aceleradas en laboratorio
Obtener datos sobre los esfuerzos usados
Obtener datos sobre los esfuerzos que el producto
encontrar bajo condiciones normales
1-237
Distribucin
Elija una Distribucin
apropiada de vida
Exponencial
Lognormal
99
99
95
90
95
90
80
70
60
50
80
70
60
50
Percent
Percent
Weibull
Normal
40
30
20
40
30
20
10
5
10
5
Lognormal
1000
2000
100
1000
Exponential
99
95
90
75
60
40
30
20
99
98
97
95
Percent
Percent
10000
Weibull
90
10
5
3
2
1
80
70
60
50
30
10
0
1000
2000
3000
4000
5000
6000
7000
8000
100
1000
1-238
Elija un Modelo
seleccione un modelo (o genere) un modelo que
describa una caracterstica de la distribucin de un
nivel a otro
Esfuerzo
de uso
Esfuerzo
alto 3
Esfuerzo
alto 2 Esfuerzo
alto 1
1-239
Qu Caracterstica de la
Distribucin?
Vida Caracterstica, Parmetro de la Distribucin,
(Media, Mediana, R(t), F(t), lbh)
Probability Plot for 260V-280V
Weibull Distribution-95.0% Conf idence Interv als
Complete Data
260V
99
270V
Percent
95
90
280V
80
70
60
50
40
30
20
10
5
3
2
1
10
100
1000
Time to Failure
1-241
b
f (t )
h
t
h
b 1
t
h
1
h L( S )
K Sn
b t
f (t , S )
1 1
n
K S K Sn
b 1
K S n
1-242
Resultado
Resolver para los Parmetros del Modelo
b
t
f (t , S )
1 1
n
n
K S K S
b 1
t
K S n
Estimacin de Parmetros
La estimacin de parmetros puede variar de ser
trivial (con muchos datos, un solo esfuerzo constante, una
distribucin simple y un modelo simple) a ser una tarea casi
imposible
Mtodos Disponibles
Grfico
Mnimos Cuadrados
MLE
1-244
Nivel de Cambio
Casi todos los modelos reportados (excepto
el Coffin-Manson para fractura mecnica)
aplican a mecanismos de falla qumicos o
electrnicos ya que la temperatura es casi
siempre una carga relevante para estos
mecanismos. El modelo Arrhenius es casi
siempre una parte de cualquier modelo ms
general.
El modelo Coffin-Manson trabaja bien para
para muchos mecanismos relacionados con
la fatiga mecnica
1-246
Nivel de Cambio
Algunos modelos tienen que ser ajustados para
incluir un nivel de cambio para algunos esfuerzos o
cargas.
La falla nunca podra ocurrir debido a un mecanismo
particular a menos que un esfuerzo (temperatura por
ejemplo) este ms all de un valor de cambio. Un
modelo para mecanismo dependiente de
temperatura con un cambio en T = T0 podra verse
como
Tiempo para falla = f(T((T-T0))
Donde f(T) pudiera ser Arrhenius. Conforme la
temperatura desciende hacia T0 el tiempo de falla
aumenta hacia infinito en este modelo
(deterministico) de aceleracin
1-247
Ejemplo1
Un nuevo producto fue probado para confiabilidad. Como la vida de este
producto bajo condiciones de operacin se espera que tenga ms de 15,000
horas, probar bajo esas condiciones no resulta factible en el tiempo. Por esa
razn, se decidi correr una prueba acelerada. La temperatura de operacin
para este producto es 323K (50C)y la temperatura es la nica variable de
aceleracin.
Ejemplo1
Una vez abierto el
archivo calcule los
parmetros de la
Weibull con 2.
Los resultados
aparecen en la
imagen.
b = 4.1598
Para separar los datos en tres conjuntos de datos diferentes
use Batch Auto Run. Este usa la columna de Identificacin
para extraer los datos
h = 5713.99
1-249
Ejemplo1
Aparece la siguiente
Ventana, los tres
niveles de la
temperatura estn
como Identificaciones
disponibles de los
subconjuntos
Ahora
seleccionamos los
tres para generar
los tres
subconjuntos, uno
para cada
temperatura
Tambin se
puede hacer
doble clic sobre
los
seleccionados,
para sealarlos
1-250
Ejemplo1
La ventana de Preferencias de Accin
para los Subconjuntos tiene como valor
previsto el Clculo de los parmetros
para los subconjuntos seleccionados.
Marque OK, 2 veces
Se generaron tres
subconjuntos, uno para
cada identificacin
Para cada uno se
calcularon los parmetros
de la Weibull de 2
Inserte una Hoja General en el Folio de Datos
1-251
Ejemplo1
Capture los
valores de los
parmetros
calculados, para
cada subconjunto,
como se muestra
Note que b
permanece
constante y solo h
cambia
Ejemplo1
En las
columnas X y
Y quedan los
datos
importados
de la hoja
Seleccione
el modelo
de Eyring de
la lista de
ecuaciones
1-253
Ejemplo1
Luego de
seleccionar el
modelo de
Eyring de la
Lista de
Ecuaciones.
Cambie los
valores de
Lmite inferior,
Estimado y
Lmite superior
para A y B
1-254
Ejemplo1
Los valores
para los
valores Lmite
y Estimacin
de A y B
debern
quedar como
lo muestra la
figura.
Para
encontrar los
valores de A y
B marque en
Calculate
1-255
Ejemplo1
Los valores
encontrados
para A y b
estn en la
columna
Solucin.
Usando esos
valores se
puede
calcular Eta
para
cualquier
nivel de
Temperatura
(Esfuerzo)
1-256
Ejemplo1
La Hoja
general
quedar como
se muestra.
Marque la
celda E17 (el
valor de A)
para definirla
como variable.
Seleccione
Edit>Define
Name... para
definir el valor
en la celda
como el valor
de A
1-257
Ejemplo1
Defina el
valor de
la celda
E17 como
el valor
de A
Escriba
dentro del
cuadro
Name: A B
segn
corresponda
Defina el
valor de
la celda
E18 como
el valor
de B
1-258
Frmula
de Eyring
Ejemplo1
Frmula
en C25
1-259
Ejemplo1
Confiabilidad a
las 9,000 horas
En las celdas B41 y B42 ponga los valores encontrados de Beta y Eta
Llene el rango de valores en la columna A como se muestra
En la celda B47 escriba la frmula =EXP*(-((A47/$B$42)^$B$41)), Cpiela
1-260
Cada columna deber estar en tal forma que cada rengln sea una observacin, o una observacin con
su correspondiente en una columna de frecuencias
Las columnas de frecuencias son tiles cuando se tienen grandes cantidades de datos con tiempos de
falla o censura comunes y valores predictores iguales.
1-262
Ejemplo 2
Suponga que Usted quiere investigar el
deterioro de un aislamiento usado para
motores elctricos. Los motores normalmente
trabajan entre 80 y 100C. Para ahorrar
tiempo y dinero, se decidi correr una prueba
de vida acelerada.
Primero se obtienen tiempos de falla para el aislamiento
en temperaturas ms altas - 110, 130, 150 y 170C para acelerar el deterioro. Con esta informacin, se
puede extrapolar a 80 y 100C. Se sabe que existe una
relacin Arrhenius entre temperatura y falla
Ejemplo 2
En C1 (Temp)
tenemos los niveles
de Temperatura
En C4 (FailureT)
se registra el tiempo
observado
En C5 (Censor) se
indica si el tiempo
es de falla o
censurado
En C6 (Design)
estn los valores de
uso normal
1-264
Ejemplo 2
Ponga la columna
Censor, y OK
Seale
Stat>Reliability/S
urvival>Accelera
ted Life Testing
Ponga la
columna
Design, y
OK
Ponga 80 y
Probability
Plot for
Standardized
residuals y OK
1-265
Ejemplo 2
Relation (Arrhenius) Plot for FailureT
Weibull Distribution-95.0% Conf idence Interv als
Censoring Column in Censor
Time to Failure
Con la Grfica
de relacin, se
puede ver la
distribucin de
los tiempos de
falla para cada
nivel de
temperatura en este caso,
los percentiles
10, 50 y 90
10.0%
50.0%
90.0%
100000
10000
1000
70
90
110
130
150
170
Temp
Ejemplo 2
Probability Plot for SResids of FailureT
Extreme v alue Distribution-95.0% Conf idence Interv als
Percent
Esta grfica le
permite evaluar si
la distribucin
seleccionada
ajusta a los datos.
En general, entre
ms cercanos
estn los puntos
a la lnea
ajustada, mejor
es el ajuste.
0.1
-8
-4
Standardized Residuals
1-267
Ejemplo 2
Censoring Information
Uncensored value
Right censored value
Count
66
14
Distribution: Weibull
Transformation on accelerating variable:
Arrhenius
Regression Table
Predictor
Intercept
Temp
Scale
Coef
-15.1874
0.83072
0.35403
Log-Likelihood =
Standard
Error
0.9862
0.03504
0.03221
Z
P
-15.40 0.000
23.71 0.000
95.0% Normal CI
Lower
Upper
-17.1203
-13.2546
0.76204
0.89940
0.29621
0.42313
-43.64
Table of Percentiles
Percent
50
50
Temp
80.0000
100.0000
Percentile
159584.5
36948.57
Standard
Error
27446.85
4216.511
95.0% Normal CI
Lower
Upper
113918.2
223557.0
29543.36
46209.94
La tabla de percentiles muestra los percentiles 50 para las temperaturas que se pusieron. El percentil 50
es una buena estimacin de duracin del aislamiento en el campo a 80C, el aislamiento durar alrededor
de 159,584.5 horas o 18.20 aos, a 100C el aislamiento durar alrededor de 36,984.57 horas o 4.21 aos
1-268
Precauciones y Peligros al
determinar el Factor de Aceleracin
Al determinar el Factor de Aceleracin, tenga cuidado de ser
demasiado optimista.
Suponer un Factor muy alto puede dar un falso sentido de
seguridad.
Podra no tener el alto nivel de confiabilidad que Usted cree.
Errar al detectar cambios en el modo de falla, usar el modelo
equivocado, validar mal el modelo puede resultar en un Factor de
Aceleracin demasiado optimista..
Proceso de 15 Pasos
Planear
la prueba
Ejecutar,
analizar,
e
implementar
la prueba
1.
2.
3.
4.
5.
6.
7.
1-270
FRACAS
FAILURE REPORTING AND
1-271
Objetivo
Su principal objetivo es describir cualquier modo de falla
detectado a travs de las pruebas del sistema, subsistema
o componente en evaluacin a todos los involucrados de
manera fcil y rpida, as como dar a conocer las acciones
correctivas por implementarse dadas por el equipo
involucrado.
Alcance
Este sistema es una herramienta nicamente para
almacenaje de registros.
1-272
REFERENCIAS
REFERENCIAS
1-274
Referencias