Está en la página 1de 190

DIPLOMADO EN INGENIERÍA DEL

MANTENIMIENTO Y CONFIABILIDAD

MODULO 2

Análisis de Datos de Vida


(LDA)
Análisis de Datos de Vida
Contenido:

1. Análisis de criticidad con el modelo de Jack Knife


2. Estadística para el análisis de confiabilidad
3. Análisis Weibull: Estimación de parámetros
4. Tipos de datos
5. Intervalos de confianza.
6. Evaluación de bondad y ajuste de las distribuciones
estadísticas
7. Tiempo óptimo de reemplazo preventivo: Grafico de Glasser
Plan del Modulo

DIA AM PM
1.Análisis de criticidad por el modelo de Jack Knife Ejemplos
Jueves
2.Estadística para el análisis de confiabilidad Trabajo 1
3.Analisis Weibull: Determinación de parámetros. Ejercicios
Viernes
4.Tipos de datos Trabajo 2
5. Intervalos de Confianza Ejercicios
Sábado 6.Evaluación de bondad y ajuste de las distribuciones
Trabajo 3
estadísticas
7.Tiempo óptimo de reemplazo utilizando el grafico de
Domingo Glasser.

Evaluación Final
INTRODUCCIÓN
JM1
JM2

¿Qué es Confiabilidad?

Es la probabilidad de que un dispositivo, sistema o


proceso realice su función prevista sin fallas
durante su periodo de uso, en condiciones
especificas de funcionamiento, de manera que
cumpla o supere las expectativas de los clientes.

ISO 14224, NORSOK Z008, SAE JA1011 y SAE JA1012


Diapositiva 6

JM1 Confiabilidad va dirigida a la forma como opera un equipo, componente o sistema


Juan Musayon; 21/08/2018

JM2 Juan Musayon; 21/08/2018


Aspectos que enfoca:

O La confiabilidad se refiere a la probabilidad de fallas


futuras en función de lo que ha ocurrido anteriormente:
predecimos el futuro en función del pasado.
O Es diferente de la calidad, que se refiere a evitar las no
conformidades.
O Es diferente a la disponibilidad, que mide el % de tiempo
de actividad.
O Es diferente de la capacidad de mantenimiento que
mide el tiempo de restauración.
Ingeniería de Confiabilidad

Analiza el historial de fallas, para identificar las


acciones correctivas y proactivas que puedan
efectivamente optimizar costos a través de la
sistemática reducción de la ocurrencia de fallas y
minimizando su impacto en el negocio.
¿Por qué la Confiabilidad es
importante?
Importancia de la Confiabilidad
Cuantificando la Confiabilidad

La Confiabilidad caracteriza el periodo de tiempo


en que el equipo, sistema o proceso funcionara.

O Esta en función del tiempo


O Esta en función de las condiciones de trabajo
O Depende de la definición precisa del Modo de
Falla...
Ejemplos del impacto de la
Confiabilidad
Mina de Oro

100 Kilos/hora
Precio actual $39250/kg
Perdida = $3’925,000/hr

Mina de Plata con 1 molino:

Perdida = $70,000 por hora


Ejemplos del impacto de la
Confiabilidad

Central Azucarera

30 toneladas molidas por


hora.
Cuanto representa una hora
parada en moneda local?
¿Quiénes debe estar
involucrados?

Operaciones

Gerencia
Ejecutivos
Técnicos
¿Cuándo aplicar Confiabilidad?
CAP 1:
Análisis de criticidad por el
modelo de Jack Knife
Introducción

O El diagrama Jack Knife permite identificar los problemas


que afectan a la confiabilidad, disponibilidad y
mantenibilidad del activo.
O El diagrama Jack Knife supera muchas de las limitaciones
del análisis de Pareto para priorizar los tiempos de
inactividad de los equipos.
Ejemplo

Diagrama de Pareto en función de la duración de las actividades


de mantenimiento
El diagrama Jack Knife

Grave Crónico
Grave
Mantenibilidad
100
Mantenibilidad
MTTR

10

Leve
Confiabilidad

Crónico
Poco frecuente

1
1 10 100

frecuencia

Tasa de Fallas
Construcción del diagrama Jack Knife

Paso 1: Construir diagrama Frecuencia vs MTTR

10

7
MTTR (hrs/falla)

0
0 1 2 3 4 5 6 7 8 9 10
Frecuencia (Fallas/hrs)
Construcción del diagrama Jack Knife
Paso 2: Establecer escala logarítmica en ambos ejes

10

7
MTTR (hrs /falla)

0
0 1 2 3 4 5 6 7 8 9 10
Frecuencia (Fallas/hrs)
Paso 3: Trazar la recta de confiabilidad promedio

10

8
MANTENIBILIDAD

7
Duración (hrs)

0
0 1 2 3 4 5 6 7 8 9 10
Frecuencia (Fallas/hrs)

CONFIABILIDAD
Paso 4: Trazar la recta de Mantenibilidad promedio

10

9
Grave Grave Crónico
8

7
MANTENIBILIDAD

Duración (hrs)

3
Crónico
Leve poco frecuente
2

0
0 1 2 3 4 5 6 7 8 9 10
Frecuencia (Fallas/hrs)

CONFIABILIDAD
Paso 5: Trazar la recta indisponibilidad
10

Grave Grave Crónico


7
Duración (hrs)

3
Leve
2 Poco frecuente
Crónico
1

0
0 1 2 3 4 5 6 7 8 9 10
Frecuencia (Fallas/hrs)

La indisponibilidad se puede representar por la ecuación:


Diagramas Jack-Knife

O Criterios combinados
O Confiabilidad
O Mantenibilidad

O Fallas graves
O MTTRi > MTTRavg
O MTTRavg =ΣiDi/Σiλi

O Fallas crónicas
O λi>λavg
O λavg=Σiλi/N
Ejemplo 1

En un taller de mantenimiento se Frecuencia MC Tiempo


tienen las maquinas que se muestran Problemas (Fallas/año) (horas)
en el cuadro adjunto. Se pide:
1 Tornos 75 17.3
a. Priorizar acciones de mejora 2 Fresadoras 45 8.0
utilizando Pareto 3 Grúas puentes 92 40.0
b. Priorizar acciones de mejora
utilizando Jack Knife 4 Grúas móviles 115 13.0
c. Que maquinas debo atender 5 Rectificadoras 20 8.7
primero porque afecten mas a la 6 Taladros 32 5.0
disponibilidad.
7 Compresoras 63 23.3
1 año = 4320 horas
Solución
Tasa de
Problemas Fallas Horas MTTR indis
Fallas
1 Tornos 75 17.3 0.23 0.017 0.004
2 Fresadoras 45 8 0.18 0.010 0.002
3 Grúas puentes 92 40 0.43 0.021 0.009
4 Grúas móviles 115 13 0.11 0.027 0.003
5 Rectificadoras 20 8.7 0.44 0.005 0.002
6 Taladros 32 5 0.16 0.007 0.001
7 Compresoras 63 23.3 0.37 0.015 0.005

0.27 0.0146 0.4%

Diagrama Jack Knife


1.00
0.00 0.01 0.10

Grúa Puente

Mantenibilidad
Confiabilidad

0.10
Ejemplo 2
La Tabla muestra el tiempo de inactividad no planificado registrada para
fallas eléctricas en una flota de 13 palas en una mina de cobre a cielo
abierto. Los datos fueron recogidos durante un período de un mes (14,400
min).
Código de Duración
Descripción # de Fallas % de Tiempo % Acumulado
Falla (min)
1 Inspecciones Eléctricas 30 1015 13.0% 13.0%
2 Cable de alimentación dañado 15 785 10.1% 23.1%
11 Motor recalentado 36 745 9.6% 32.6%
3 Cambio de Subestación 27 690 8.8% 41.5%
10 Relay sobrecargado 23 685 8.8% 50.3%
7 Motores auxiliares 13 600 7.7% 58.0%
12 Falla de tierra 7 575 7.4% 65.3%
8 Motores principales 12 555 7.1% 72.5%
5 Corte de energia a las subestaciones 21 395 5.1% 77.5%
15 Aire comprimido 8 355 4.6% 82.1%
6 Protección limite del cable 10 277 3.6% 85.6%
9 Sistema de iluminación 26 240 3.1% 88.7%
4 Reparación de acoplamientos o checks 15 225 2.9% 91.6%
17 Falla de sobre corriente 6 220 2.8% 94.4%
14 Sistema de control 7 165 2.1% 96.5%
16 Control del operador 5 155 2.0% 98.5%
13 Miscelaneos 9 115 1.5% 100.0%
TOTAL 270 7797 100%
Solución
Tasa de
# de Duración
Problemas en Pala Eléctrica Fallas MTTR Ind
Fallas (min)
(fallas/hs)
Inspecciones eléctricas 30 1015 0.00208 33.8 7%
Cable alimentador dañado 15 785 0.00104 52.3 5%
Cambio de subestación 27 690 0.00188 25.6 5%
Inspección /reparación de
acoplamiento 15 225 0.00104 15.0 2% 100.0
Cortes de corriente a puesta a tierra
subestación 21 395 0.00146 18.8 3%
Protección de limite de Inspecciones
cuerda 10 277 0.00069 27.7 2%
Motores auxiliares 13 600 0.00090 46.2 4% Recalentamiento
Motores principales 12 555 0.00083 46.3 4%
Sistema de Iluminación 26 240 0.00181 9.2 2%
Relay de sobrecarga 23 685 0.00160 29.8 5% 10.0
Recalentamiento del motor 36 745 0.00250 20.7 5%
Puesta a tierra 7 575 0.00049 82.1 4%
Sstemas de control 7 165 0.00049 23.6 1%
compresor de aire 17 470 0.00118 27.6 3%
Controles Operador 5 155 0.00035 31.0 1%
Sobre corriente 6 220 0.00042 36.7 2%
1.0
0.0012 33 4% 0.0001 0.0010 0.0100
Caso: Fallas en equipos mineros
Diagrama Jack Knife

82

52
50
44 46 46
Mantenibilidad (ut)

37 Mantenibilidad 34
31 30
28
26
24 Diagrama Jack Knife
21 Mantenibilidad
19
Confiabilidad

15 Indisponibilidad

13
Confiabilidad

5
5 50
Fallas/ut)
Ejercicio
Tiempo de
RAZON # Paradas MTTR
Parada (min)
1 Sistema Dispatch 28 5225.18 186.61
2 Motor 24 4880.13 203.34
3 Sistema Eléctrico 35 1603.95 45.83
4 Accidente 3 1596.2 532.07 Se pide:
5 Bomba Hidráulica 2 1028.13 514.07
trabajos de Soldadura 1. Priorizar acciones de
6 3 721.97 240.66
mejora utilizando
7 Sistema de Admisión y Escape 2 701.13 350.57 Pareto
8 Llantas/ Aros 15 575.17 38.34 2. Priorizar acciones de
9 Sistema de dirección 7 513.42 73.35 mejora utilizando Jack
Sistema de Suspensión
Knife
10 7 417.95 59.71
3. Que sistemas se
11 Sistema de Frenos 11 374.28 34.03 deben atender primero
12 Sistema de Enfriamiento 3 180.98 60.33 porque afecten mas a
13 Frames y Booms 2 177.45 88.73 la disponibilidad
14 Sistema de Combustible 2 163.58 81.79
15 Tolva 1 151.72 151.72
16 Diferencial 1 108.57 108.57
17 Mandos finales y diferencial 1 50.02 50.02
18 Sistema de Transmisión 1 9.93 9.93
Solución
Tiempo de
#
RAZON Parada MTTR
Paradas
(min)
Sistema Dispatch 28 5225.18 186.61
Motor 24 4880.13 203.34 Sistema Dispatch
Motor
Sistema Eléctrico 35 1603.95 45.83 Mantenibilidad
Accidente 3 1596.2 532.07 100
Bomba Hidraulica 2 1028.13 514.07
Sistema Eléctrico
trabajos de Soldadura 3 721.97 240.66
Sistema de Admisión y

MTTR
Escape 2 701.13 350.57
Llantas/ Aros 15 575.17 38.34
Sistema de dirección 7 513.42 73.35
10
Sistema de Suspensión 7 417.95 59.71
Sistema de Frenos 11 374.28 34.03

Confiabilidad
Sistema de Enfriamiento 3 180.98 60.33
Frames y Booms 2 177.45 88.73
Sistema de Combustible 2 163.58 81.79
Tolva 1 151.72 151.72
Diferencial 1 108.57 108.57 1
1 10 100
Mandos finales y diferencial 1 50.02 50.02
# de Paradas
Sistema de Transmisión 1 9.93 9.93

8.2 18479.76 124.86


CAP 2
Estadística para el Análisis de
Confiabilidad
De los datos a la f(t)
Secuencia para organizar y
resumir datos
Agrupación de datos

x f x*f x f %f
53 1 53 10 ˍ 20 78 39%
59 2 118 21 ˍ 30 43 22%
63 1 63 31 ˍ 40 25 13%
64 3 192 41 ˍ 50 15 8%
65 4 260 51 ˍ 60 10 5%
66 2 132 61 ˍ 70 7 4%
72 1 72 71 ˍ 80 5 3%
72 3 216 81 ˍ 90 4 2%
73 2 146 91 ˍ 100 3 2%
76 1 76 92 ˍ 110 1 1%
93 ˍ 120 9 5%
Agrupación de los Agrupación de los datos
datos por frecuencias en intervalos
Agrupación de datos

O Hay que construir una matriz de datos


O Resumir información mediante tabla de frecuencias.

Procedimiento:
1. Determinar tamaño de la muestra
2. Determinar numero de intervalos (10 a 20).
3. Determinar el rango: R = Valor Max – Valor Min.
4. Tamaño del intervalo = Rango / N° de intervalos
5. Determinar los limites de cada intervalo
Agrupación de datos

6. Contar la cantidad de datos en cada intervalo


(frecuencia). Utilizar las funciones de Excel.
7. Determinar la marca de clase (punto medio del
intervalo)
8. Determinar la frecuencia relativa
9. Determinar la Frecuencia acumulada
10. Determinar las medidas de posición
11. Determinar las medidas de dispersión
12. Graficar
Términos para estadística descriptiva
Termino Descripción
Conjunto de datos a los cuales se le realizará un estudio
Población
estadístico.
Subconjunto de una población que debe representar una
Muestra
característica de la población en estudio.
Frecuencia Cantidad de datos iguales o que se repiten.
Cantidad de datos que se va a estudiar y debe ser
Tamaño de la muestra
representativa.

Intervalo Es un grupo de datos ubicados en una tabla de frecuencia.

Cantidad de intervalos Normalmente este numero esta entre 10 a 20.

Tabulación de datos Ordena los datos según Frecuencia.


Grafica que muestra tendencias. El eje de ordenadas estará
Histogramas comprendido por las frecuencias (ya sean absolutas o
relativas).
Variables Estadísticas
Definiciones
Variables Aleatorias Discretas

Si la variable aleatoria contiene solo información de valores


pre-definidos, entonces se denomina variable aleatoria
discreta.
Por ejemplo, el resultado del lanzamiento de un dado
puede ser:

1, 2, 3, 4, 5 ó 6.
Medidas de posición

Media aritmética:
Es el valor promedio de todos los datos, denominado
“centro de gravedad” de la distribución.
Datos sin agrupar:

Datos agrupados:
Medidas de posición
Mediana:
Es el valor que divide al conjunto de datos en dos partes iguales.
O Para datos no agrupados:
𝑽𝒄𝒆𝒏𝒕𝒓𝒂𝒍𝟏 𝑽𝒄𝒆𝒏𝒕𝒓𝒂𝒍𝟐
Número de datos par:
𝟐
Para número de datos impar es el valor central.

O Para una serie de datos agrupados por frecuencias y agrupados en


intervalos.

Li = límite inferior de la clase de la mediana


f= frecuencia del intervalo de la clase de la mediana
Fant = frecuencia del intervalo anterior a la clase de la mediana.
N= número total de valores.
a= Amplitud del intervalo de la mediana.
Medidas de posición
Moda:
Es el valor que mas se repite en el conjunto de datos. Puede existir más de
una moda. En un histograma es el máximo de la distribución.
Formula para datos agrupados:

Donde:

a = amplitud del intervalo modal.


Li = límite inferior de la clase modal.
Δ1 = diferencia de la frecuencia modal con la frecuencia de la clase anterior a la
modal.
Δ2 = diferencia de la frecuencia modal con la frecuencia de la clase inmediatamente
posterior a la modal.
Resumen de medidas de posición

Medidas de Datos agrupados por Datos agrupados


Datos ordenados
Posición frecuencia por intervalos

Media 𝒊 𝒊 𝒊 𝒊 𝒊

Variable que contiene 𝒂𝒏𝒕


Mediana Valor Central
el valor N/2 𝒊

Intervalo de
Valor que más se 𝐟 − 𝒇𝒂𝒏𝒕
Moda mayor frecuencia 𝑴𝒐 = 𝑳𝒊 + .𝐚
repite 𝐟 − 𝒇𝒂𝒏𝒕 + (𝐟 − 𝒇𝒑𝒐𝒔 )
Medidas de Dispersión

O Rango (R)
O Desviación Estándar (σ)
O Varianza (
O Coeficiente de Variación (CV)
Medidas de Dispersión

Desviación estándar (σ, S):


Es una medida de la magnitud en que se desvían los valores de la
variable de su valor medio. Se calcula con la expresión:

Varianza (σ2, S2)


Es la medida de dispersión que mejor expresa la variabilidad. Es la media
aritmética de los cuadrados de las desviaciones respecto a la media.
Medidas de Dispersión

Coeficiente de variación (CV):


Es el porcentaje de la desviación típica respecto a la media aritmética.

La media poblacional y la media muestral son prácticamente iguales


mientras que la desviación estándar muestral difiere de la poblacional.
A mayor valor de CV mayor heterogeneidad de los valores de la
variable; y a menor CV, mayor homogeneidad en los valores de la
variable.
Resumen de medidas de Dispersión

Medida de Datos agrupados por Datos agrupados por


Datos Ordenados
dispersión frecuencia intervalo

Rango 𝒎𝒂𝒙 𝒎𝒊𝒏 𝒎𝒂𝒙 𝒎𝒊𝒏 NO

∑(𝒙𝒊 𝑿)
Desviación Media 𝒊 𝒊 𝒊 𝒊
𝒎 𝒏 𝒎 𝒎

∑(𝒙𝒊 𝑿)𝟐 𝟐 𝟐
Desviación Estándar 𝒊 𝒊 𝒎 𝒊
𝒏 𝟏

Varianza V= S2 V= S2 V= S2

Coeficiente de 𝑺
variación 𝑿
Ejemplo 1
Con los datos de la tabla adjunta determinar:
1. El valor máximo, mínimo y el rango
2. La tabla de distribución de frecuencias y el histograma de F(t)
3. Las medidas de posición
4. Las medidas de dispersión

0,78 0,55 0,68 0,51 0,56


0,53 0,72 0,65 0,66 0,64
0,80 0,68 0,78 0,67 0,56
0,72 0,59 0,64 0,80 0,63
0,69 0,71 0,51 0,65 0,59
0,73 0,63 0,76 0,62 0,75
Ejercicios
Ejercicio 1
¿Cuál es el comportamiento de esos datos?.
O Determine las medidas de posición
O Determine las medidas de dispersión

32.8 149 53.9 53.4 28.2 45.6 107 65 188 37.6


15.1 18.2 85.8 101 117 96.5 111 55 105 22.2
22.4 82.3 44.6 5.1 9.2 48.2 131 21 34.6 57.4
77.9 38.1 44.9 26.7 67.5 129 44.2 94 211 181
46.7 89.1 93.9 46.9 22.3 52.3 74.2 35 58.7 19.6
28.2 145 32.7 8.9 91.5 70.8 35.6 64 26.3 162
83.5 30.5 97.3 21.1 88.6 48.8 23.6 39 24.1 71.7
125 120 147 72 31.2 28.8 178 17 20.2 21.5
30.1 82.2 60.3 103 82.1 65.4 89.8 42 57 44.8
68.9 103 41.9 78.1 38.6 35 75.7 29 53.9 49.4
Ejercicio 2

Los siguientes datos muestran el numero de averías diarias en los ECM de una
flota de vehículos, en un mes de observación.
131101011022000121200164331240

a) Construir la tabla de la distribución de frecuencias absolutas, absolutas


acumuladas, relativas y relativas acumuladas.
b) Dibujar los histogramas correspondientes.
c) ¿Qué porcentaje de vehículos tienen 3 o menos averías por día?
d) ¿Qué porcentaje de vehículos tienen más de 4 averías por día?
e) Calcular la media, moda y mediana
Variables Aleatorias Continuas

Una variable aleatoria continua se define como aquella


variable que puede asumir cualquier valor en una escala
continua.

O Para un neumático, los kilómetros hasta la falla, puede tomar


cualquier valor desde 0 hasta infinito (p.e.10.000 kilómetros,
17.523 kilómetros, etc.).
O En el caso del tiempo hasta la falla, nuestra variable aleatoria
puede ser el tiempo hasta la falla del componente y el valor va
de 0 hasta el infinito.
Ejercicio
O 15 componentes fueron probados por 1000
horas. Ocurrieron fallas a las 120, 190,
560 y 812 horas. Determinar el MTTF
Funciones Básicas: pdf y cdf

Para una variable aleatoria continua X:

O La función densidad de probabilidad, pdf, es f(x).


O La función distribución acumulada, cdf, es F(x).

La pdf y la cdf dan una descripción completa de la


distribución de probabilidad de la variable aleatoria.
Función Densidad de
Probabilidad (pdf)

Si X es una variable aleatoria continua, entonces la función de


densidad de probabilidad de X, pdf, es una función f(x) tal que, para
dos números, a y b con a<b resulta:

b
P(a  X  b)  a
f(x)dx

f(t) >0 para todo x

La probabilidad de que X tenga un valor en el intervalo [a,b] es el


área de la función densidad entre a y b.
Función Acumulada (cdf)

La cdf es una función F(X) de la variable aleatoria X, que se


obtiene a partir de la ecuación:

a
F (a )  P ( X  a )   f ( X )dX
0 , 

donde, para una variable aleatoria X, F(a) es la probabilidad de que


el valor observado X será a lo mas a.
Relación entre la pdf y la cdf

a
F (a)  P( x  a )   f ( x)dx
0 , 

P(X≤a)
Relación entre la pdf y la cdf

La relación matemática entre la pdf y la cdf esta dada por:

x
F ( x)   f ( x)dx


Derivando:

d ( F ( x))
f ( x) 
dx
Relación entre la pdf y la cdf

La cdf es el área formada por la función densidad de


probabilidad, hasta un valor escogido de x.

Esto significa que el área total bajo la pdf es siempre igual a


1, o matemáticamente:



f ( x)dx  1
Función Acumulada de Fallas

La función acumulada de fallas F(t) se define como la


probabilidad de que un componente falle en el intervalo (0,t).
Matemáticamente F(t) se expresa como:

t
F (t )   f (t )dt
0
Función Confiabilidad R(t)

La confiabilidad de un componente en el instante t es R(t),


definida como la probabilidad de que un ítem no falle en el
intervalo (0,t). La confiabilidad R(t) se determina con:


R(t )   f (t )dt
t
Relación entre F(t) y R(t)

Se cumple:

F(t) R(t)

P(t<a)
La Confiabilidad R(t) también
se expresa como:

F (t )  R(t )  1
R(t )  1  F (t )
t
R(t )  1   f (t )dt
0

R(t )   f (t )dt
t

R(0) = 1
R(∞) = 0
d ( R (t ))
Derivando: f (t )  
dt
La Confiabilidad R(t)

La Confiabilidad no puede ser especificada sin la asociación


con el tiempo.

DISTRIBUCION WEIBULL
Funcion de Supervivencia

1.200

1.000

0.800
R(t)

0.600
0.400

0.200

0.000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Tiempo
La Tasa de falla (λ)

Determina el número de fallas ocurridas por unidad de


tiempo. Esto esta dado matemáticamente por:

f (t )
 (t ) 
R(t )
La tasa de falla se expresa en fallas por unidad de tiempo.
O El “tiempo” puede ser cualquier medida que pueda ser
cuantificada. Ejm.: minutos, horas, ciclos, etc.
O El termino “Hazard Rate” es sinónimo de tasa de falla
Confiabilidad Condicional

Determina la probabilidad de que un ítem sobreviva a una


nueva misión de duración t, dado que ya han completado
con éxito una misión de duración T.

R (T  t )
R(t / T ) 
R(T )
Ejemplos:
O Un vuelo de Lima a Tacna, si la aeronave llegó a
Arequipa, tiene mayor probabilidad de completar el vuelo
(Confiabilidad) sin problemas, que la que tiene una
aeronave que aún está en Lima.

O Se tiran los dados.La probabilidad de que salga 3 es


1/6. ¿La probabilidad que salga 3 habiendo salido un
numero impar es: ………………….?
Vida Media (MTTF)
Representa el equilibrio de toda la población. Se le denomina
también “Expectativa de Vida” y “Esperanza Matemática”. Esta dada
por: 

  MTTF   t . f ( t ) dt
0
  R ( t ) dt
0

Es el valor medio esperado del tiempo hasta la falla y se denota


como: MTTF (Mean Time-to-Failure).
Cuando la tasa de falla es constante se cumple:
MTTF = MTBF
Ejemplo de una Distribución
Asimétrica

DISTRIBUCION WEIBULL
Funcion Densidad

0.120

0.100

0.080 Media = 12 hrs.


f(t)

0.060

0.040

0.020

0.000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Tiempo
Vida Mediana

Es el valor que divide la pdf por la mitad. La mediana es


obtenida por:
T


f (t )dt  0,5
La mediana es el punto central de los valores.
Ejemplo:
11, 12, 13, 20, 21, 24, 145

en este caso es 20.


Ejemplo para una distribución
Asimétrica

DISTRIBUCION WEIBULL
Funcion Densidad

0.120

0.100 Mediana = 11
Media = 12
0.080
f(t)

0.060

0.040

0.020

0.000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Tiempo
Media vs. Mediana

La diferencia entre los valores de la media y la mediana


puede ser muy grande.

O Ejemplo: considere un conjunto de cinco datos:


(1, 2, 3, 4, 100)
O La media es:

(1  2  3  4  100) 110
  22
5 5
Sin embargo. La mediana de este conjunto de datos es el valor 3, o sea
el valor central de los datos.
Moda

La moda, es el valor t para el cual se cumple que :

d[ f (t )]
0
dt
Para distribuciones continuas, la moda corresponde al
máximo valor de la densidad de probabilidad, o sea el
valor donde la pdf tiene su máximo (pico).
Ejemplo para una Distribución
Asimétrica

DISTRIBUCION WEIBULL
Funcion Densidad

0.120 Moda = 9 Mediana = 11


0.100 Media = 12
0.080
f(t)

0.060

0.040

0.020

0.000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Tiempo
Varianza de la población

Es una medida de la dispersión de la población.


Se calcula según la expresión:
Función Densidad de falla
f(t) ó pdf
(tiempo para la falla)
𝒕 𝒕
Función Confiabilidad 𝑹(𝒕) = 𝒇 𝒕 𝒅𝒕 = 𝐞𝐱𝐩[− 𝒉 𝒕 𝒅𝒕]
𝟎

𝒕
Tasa de Fallas 𝝀 𝒕 = 𝒉 𝒕 𝒅𝒕
𝒐
(Tasa de Riesgo) 𝒇(𝒕)
𝒉 𝒕 =
𝑹(𝒕)
Tiempo promedio para la falla
(MTTF) (No reparables) 𝑴𝑻𝑻𝑭 = 𝑹 𝒕 𝒅𝒕 Resumen
𝟎

Tiempo mediano (tmed)


𝑹 𝒕𝒎𝒆𝒅 = 𝟎. 𝟓

Tiempo promedio entre fallas


𝑻(𝒕) 𝟏
(MTBF) (tasa de fallas constante (λ), 𝑴𝑻𝑩𝑭 = =
𝒓 𝝀
con reparación)

Varianza del tiempo hasta la falla


𝝈𝟐 = 𝒕𝟐 𝒇 𝒕 𝒅𝒕 − (𝑴𝑻𝑻𝑭)𝟐
(σ2)
𝟎
Nomenclatura
Símbolo Nombre Descripción
t Falla Perdida de la habilidad de un componente para desempeñar sus funciones.
Tiempo promedio para la Es un tiempo medio de vida del componente. Aplica a componentes no
MTTF
falla reparables, ejemplo: Rodamientos, fusibles, sellos mecánicos, retenes.
Es la duración media del tiempo de operación entre fallas de un activo o
Tiempo promedio entre componente. Se utiliza generalmente para activos reparables similares. El
MTBF
fallas MTBF es el recíproco de la tasa de fallas (λ), cuando la tasa de fallas es
constante.
Es el tiempo promedio necesario para restaurar un activo a sus capacidades
Tiempo promedio para la
MTTR operativas completas después de una falla. Es una medida de la capacidad de
reparación
mantenimiento de los activos.
λ (t) Tasa de Fallas Razón del numero de fallas ocurridas por unidad de tiempo Δt
Frecuencia Acumulada de
F(t)
Fallas Probabilidad que la falla será observada en el tiempo t
R(t) Confiabilidad Probabilidad que la falla no ocurrirá hasta el tiempo t
El porcentaje de tiempo que el activo está operando realmente (tiempo de
A (t) Disponibilidad operacional
actividad) en comparación con el tiempo que está programado para operar.
Probabilidad que una falla no será observada por un tiempo adicional t, dado
R(t/T) Confiabilidad Condicional
que el componente sobrevivió con éxito un tiempo T.
Bx Vida Bx Tiempo en que la no confiabilidad es igual a x%
Modelado de fallas
Conceptos y definiciones
Curva de la Bañera “Idealizada”
Diferentes patrones de tasa
de falla

Comportamiento de la falla Características generales Ejemplos típicos

• Antiguos motores a vapor,


• Curva normal
• Equipos netamente mecánicos
Desgaste

• Dispositivos simples
• Bomba de agua de automóvil
• Maquinas complejas con diseños no
• Motores de combustión antiguos
adecuados

• Carrocería
• Estructuras
• Neumáticos de aeronaves y
• Elementos de lento desgaste natural
automóviles

• Maquinas complejas con altos • Válvulas de alivio de alta presión


esfuerzos luego de iniciar su operación.

• Giro Compas
Aleatorio

• Maquinas complejas bien diseñadas • Bomba centrifuga de alta presión


y múltiple sellado

• Componentes electrónicos
• Tarjeta madre de computadoras
• Componentes complejos después de un
• PLC
mantenimiento correctivo.
Características Causadas por Disminuido por
Defectos de producción. Chequeo de funcionamiento.
Fallas por soldadura. Control de calidad.
Fisuras. Examen de aceptación.
La tasa de fallas
Componentes imperfectos. FMECA o análisis de fallas.
disminuye
Fase I:
paulatinamente o Calidad defectuosa. Acciones correctivas buenas.
Mortalidad Infantil
drásticamente con el
Medio ambiente fuera de control.
tiempo
Condiciones fuera de estándares.
Ensambles inadecuados.
Procesos inadecuados
Mantenimiento inadecuado. Rediseño de máquina o de proceso
Entorno de trabajo. Recurrencia.
Fase II: El beta y la tasa de fallas Cargas aleatorias. Revisión técnica de proceso u operación
Rodaje o vida útil son fijos en valor Errores humanos.
Situaciones fortuitas.
Eventos inesperados al azar.
Fatiga. Tareas proactivas.
Corrosión. Reemplazo de componentes.
Envejecimiento. Tecnología
Fase III: La tasa de fallas se
Envejecimiento o incrementa de varias Fricción. instrumentos avanzados
desgaste formas
Cargas cíclicas. específicos de orden técnico
Defectos ocultos. de mantenimiento. (Véase
Bajos coeficientes de seguridad. en capítulos posteriores).

Comportamiento en cada fase de la curva de la bañera


Curva de la Bañera de un Automóvil
Línea de tiempo para el
modelado de fallas
Método de estimación de
parámetros

Hay varios métodos para la estimación de parámetros. Los mas


conocidos son:
O El método de Ploteo de Probabilidades (probability plotting).
O El método de los mínimos cuadrados (least squares).
O El método de la Máxima Verosimilitud (maximum likelihood).
Método de ploteo de
Probabilidades

O Considera el ploteo de los datos en un papel especial para


obtener los parámetros de la distribución, o utilizar el
Excel.
O El principio básico es linealizar la cdf. Obtener la ecuación
de la recta (y=mx+b).
O Se grafican los datos de tiempo hasta la falla en el eje X.
O Para determinar la posición en el grafico, hay que estimar
el valor de la función acumulada para cada tiempo hasta
la falla
Métodos de ajuste para reducir el
impacto de valores extremos

Uno de lo inconvenientes en el
modelado de datos de falla es
la influencia de los rangos
extremos.

Contamos con 3 métodos:

- Frecuencia acumulada

- Rangos medios

- Rangos medianos
Proceso para modelar datos
de falla

Se Ingresa Se Procesa datos Resultado


Estimación de F(t)

Rangos Medios n ≥ 50

Rangos Medianos n ≤ 50
Estimación con Rangos
Medios (Lewis)
Dado que :

R(t) + F(t) = 1

Operando …

recursivo
Estimación con Rangos
Medianos (Bernard)

Los rangos medianos permiten obtener una estimación de la no


confiabilidad F(t), para cada tiempo hasta la falla. (Aproximación
de Bernard).

i  0.3
F (t ) 
N  0.4

Operando …

recursivo
Ejemplo
Un componente ha fallado en operación en los
tiempos que se muestra en la tabla. Determinar:

Rango Tiempo a) Los parámetros de la distribución Weibull


i (horas) que los representa, aplicando el método de
1 205 los rangos medios.
2 312 b) Los parámetros de la distribución Weibull
3 402 que los representa, aplicando el método de
4 495 los rangos medianos.
c) El MTTF en ambos casos.
5 570
6 671
7 801
8 940
9 1150
Método de los rangos medios

i T (horas) R(t)
Resultado:
1 205 90%
2 312 80% Beta 1.79
3 402 70% Eta (horas) 716
4 495 60% R2 0.9995
MTTF (horas) 637
5 570 50%
6 671 40%
7 801 30%
8 940 20%
9 1150 10%
Método de los rangos medianos

i  0 .3
F (t ) 
n  0 .4
i T (horas) R(t)
1 205 89.4%
2 312 78.7% Resultado:
3 402 68.1%
Beta 1.90
4 495 57.4%
Eta (horas) 661
5 570 46.8% R2 0.9981
6 671 36.2% MTTF (horas) 586
7 801 25.5%
8 940 14.9%
9 1150 4.3%
CAP 3
Tipos de Datos
Para estimar la Confiabilidad
se necesita:

O Datos
O Modelos
O Análisis para la elección del modelo apropiado.
O Medios para ser comunicada: Gráficos
Recomendaciones
O Los datos son la energía de información que mueve la
máquina de la mejora de la confiabilidad.
O Se adquieren a un gran costo, así que úselos con prudencia.
O Almacenarlos para evitar futuros eventos de fallas.
O El uso adecuado proporciona una comprensión de los
mecanismos de falla y ayuda a prevenir la recurrencia de fallas
que causan problemas de seguridad o costo alto.
O Los datos de falla se clasifican en: fallas catastróficas o de
degradación lenta. Las unidades de medida para los datos
pueden ser horas, Kms, ciclos, etc.
O La eliminación de elementos envejecidos sin fallas genera una
categoría de datos llamada suspensión o datos censurados.
Datos

O Los datos son información en forma de hechos, cifras o bases


de datos de ingeniería. Vienen de pruebas de ingeniería,
experimentos o condiciones reales de operación.
O Los datos de confiabilidad a menudo son incompletos, ya que rara
vez se conocen / registran los tiempos exactos hasta la falla, por
lo que solo se cuenta con información imperfecta para el análisis.
O Los datos de confiabilidad son de dos tipos: 1) datos de edad o
tiempos de falla y 2) datos censurados / suspendidos. Los datos
suspendidos son información útil y parte del conjunto de datos.
Modelo para colección de
datos

Fuente: “Análisis de fallas…” C. Parra


Datos

O Los datos ayudan a evitar la repetición de los problemas y permiten


un enfoque claro para resolver racionalmente un problema de
confiabilidad usando hechos y cifras.
O Los datos / herramientas de confiabilidad proporcionan evidencia
objetiva para ayudar a resolver la causa raíz de las fallas.
O Los datos de confiabilidad ayudan a predecir eventos de fallas
futuras y son particularmente valiosos si se retienen en una base de
datos Weibull con factor de forma beta (modo de falla) y factor de
escala eta (durabilidad).
O Los datos son útiles para predecir fallas futuras con aumentos
posteriores en el envejecimiento de los equipos.
O El rol del ingeniero de confiabilidad es adquirir los datos de falla y
convertir los datos en información útil para uso actual y futuro.
Tipos de Datos de Vida

O Datos Completos (tiempo hasta la falla).


O Datos Censurados (no se conoce el tiempo de falla).
Datos Completos

Ejemplo: Tenemos 5 ítems y todos fallaron en el


tiempo del análisis, entonces tenemos toda la
información de la muestra.
Datos Censurados

O Se presentan debido a que todas las unidades sometidas


a prueba no fallan antes de que se verifique el criterio de
fin de la prueba.
O No se debe prescindir de los datos censurados ya que, si
esto se hiciera, los resultados obtenidos estarían
claramente sesgados.
Datos Censurados
(Suspendidos)

Si ensayamos cinco ítems, pero solo tres fallan, tenemos los datos
completos de tres ítems que fallaron, pero no de los dos ítems que no
fallaron (por ejemplo hacer reemplazos preventivos).
Datos Censurados
(Suspendidos)

Cuando utilizamos el análisis de regresión para


considerar el hecho de que algunos ítems no fallaron, o
quedaron en suspensión, necesitamos ajustar su
probabilidad de falla. Utilizaremos el siguiente
procedimiento:

O Tabular los datos y ordenarlos de menor a mayor.


O Definir el método para calcular la Función
acumulada (F(t) o la Confiabilidad R(t).
O Determinar los parámetros de la distribución
Modelado con datos censurados
Con Rangos Medios se incorpora δ a:

recursivo
Modelado con datos censurados
Con Rangos Medianos:
se incorpora δ:

recursivo
Consideraciones para el
modelado

Si ocurre una suspensión,


la confiabilidad no cambia

+: censura

Inicio del proceso:


CAP 4
Análisis Weibull:
Estimación de parámetros
Introducción

O El uso de la distribución Weibull permite el análisis y


predicción de fallas.
O Su aplicación reduce los costos del mantenimiento.
O Estima los tiempos óptimos para el mantenimiento
Distribución Weibull
O La pdf puede tener diferentes formas y puede
aproximarse a otras distribuciones.
O El comportamiento de la tasa de falla puede ser
creciente, decreciente o constante.
O Tipos:
O Weibull de 3 parámetros
O Weibull de 2 parámetros
Distribución Weibull

La pdf de la distribución 3p esta dada por:


 1  T  
 T   
 

f (T )    e 
  
Wallodi Weibull 1887-1979

 : Parámetro de forma
 : Parámetro de escala
 : Parámetro de ubicación
Distribución Weibull de 2 p

Es la forma más popular. ( =0)


La pdf esta dada por:


 1 t 
t  
 
f (t )    e
  
Análisis de β (Beta)

O β es el parámetro de forma o
pendiente de la recta definida
por los datos de falla.
O La forma de la pdf es alterada
cambiando el valor β.
O β es un número adimensional.
Efecto de  en la pdf

ß = 0.5
ß = 5.0 =0

ß = 2.5 ß = 3.44

f(t)

ß = 1.0

0
0 t
Efecto de β en la cdf
Efecto de β sobre la Confiabilidad
Efecto de  sobre tasa de fallas

 = 2.5
Tasa de falla, λ(t)

 = 1.0

 = 0.5
? t
Tiempos de falla
Análisis de η (Eta)

Es el parámetro de
escala de la
distribución Weibull,
y tiene las mismas
unidades de T, como
horas, Kilómetros,
ciclos, etc.
Análisis de  (gamma)

Vida mínima
O Es el parámetro de
ubicación de la distribución
Weibull y tiene la misma
unidad de T.
ß = 2.5
f(t) O Representa un
desplazamiento en el eje x,
es decir, cambia el punto de
inicio de la distribución a un
 valor diferente a cero.
O También se le llama “vida
0 mínima”
0 t
 Positivo

Un valor positivo para el parámetro de ubicación


indica que las fallas solo ocurrirán después del
tiempo equivalente a , en otras palabras, hasta
el tiempo  la Confiabilidad es igual a 100%
 negativo

O Indica que los ítems poseen una Confiabilidad


menor que 100% para el tiempo igual a cero.
O Esto puede ocurrir debido al método utilizado
para registrar el tiempo, o puede indicar algún
modo de falla que ocurre debido al
transporte, degradación del ítem por estar en
stock, por cuestiones de manufactura, etc.
Resumen de propiedades
Propiedades Expresiones
𝛃 𝐭 𝛃 𝟏 (𝐭 𝛈)𝛃
𝐟 𝐭 = ( ) 𝐞
Función densidad de probabilidad (pdf) 𝛈 𝛈

(𝐭 𝛈)𝛃
𝐅 𝐭 =𝟏−𝐞
Distribución de Falla Acumulada (cdf)
(𝐭 𝛈)𝛃
𝐑 𝐭 =𝐞
Confiabilidad, R(t)

𝛃 𝐭 𝛃 𝟏
𝐡 𝐭 = ( )
Tasa de fallas instantánea, h(t) 𝛈 𝛈

𝟏
𝐮 = 𝛈. 𝚪(𝟏 + )
Media de la población 𝛃

𝐓𝟓𝟎 = 𝛈(𝐥𝐧 𝟐)𝟏/𝛃


Mediana de la población
𝟏
Moda de la población 𝐌 = 𝛈(𝟏 − )𝟏/𝛃
𝛃
𝟐 𝟏
Varianza de la población 𝛔𝟐 = 𝛈𝟐 𝚪 𝟏 + − 𝚪 𝟐 (𝟏 + )
𝛃 𝛃
Uso del Papel Weibull

O Es el método tradicional para determinar los parámetros de la


distribución Weibull.
O El papel muestra una línea punteada que representa la línea
para la determinación del parámetro eta (η). Este parámetro
representa el tiempo en el cual han fallado el 63.2% de
componentes.
Papel Weibull
Linealización de la distribución
Weibull

  t    
F(t )  1  exp    
    

 1 
ln ln    ln(t   )   ln 
 1 F(t ) 

Sobre un papel Weibull, el eje vertical está en escala


lnln y el eje horizontal está en escala ln.
Ejemplo: Uso del papel Weibull

Se ha obtenido datos de 10 ítems, seleccionados


aleatoriamente y todos los cuales han fallado. Los tiempos
para la falla fueron: 410, 1050, 825, 300, 660, 900, 500, 1200,
750, 600 horas. Determinar la distribución Weibull que los
modela.

Paso 1 Ordenar los datos en orden ascendente


Paso 2 Tabular el valor correspondiente de F(t) para una
muestra de 10, utilizando el modelo seleccionado.
Tabla para graficar datos
Determinar los parámetros de la distribución Weibull que
representa los datos de falla de la tabla adjunta.
Número Horas para Línea Media
Falla la Falla % Acum Falla
(i) (ti ) F(t )
1 300 6.7 Vida Mínima = 0
2 410 16.2 Factor Forma = 2.4
3 500 25.9
Vida Característica = 830
4 600 35.5
5 660 45.2 Vida Media = 740
6 750 54.8
Vida Mediana = 720
7 825 64.5
8 900 74.1
9 1050 83.8
10 1200 93.9
2.4
720 830
0

Estimación de
parámetros

Vida Mínima, 
Factor Forma, 
Vida Característica, 
Vida Media, 
Vida Mediana
Vida Bq
Vida Característica (η)

f(t)

 = 2.4
63.2%

 = 830 tiempo
Vida Media

f(t)

 = 2.4
52.7%

 = 740 tiempo
Vida Mediana

f(t)

 = 2.4
50%

B50 life = 720


tiempo
Estimación del Factor de
Ubicación 

El tercer parámetro de la distribución


b Weibull es utilizado cuando no es
posible trazar una recta con los datos.
Para determinar el parámetro , se
utiliza la siguiente formula:

(t3  t2 )(t2  t1 )
  t2 
(t3  t2 )  (t 2  t1 )
a
Restar de cada dato el valor de y plotear
la correspondiente recta.

t1 t2 t3 tiempo
Ejercicio : Ploteo de Probabilidad

Seis ítems idénticos, están siendo probados en las mismas


condiciones de aplicación y exigencia.
Todos los ítems fallan durante el ensayo siguiendo los siguientes
numero de horas:
48; 66; 85; 107; 125 y 152 horas.

Determine los parámetros de la distribución Weibull 3P (tres


parámetros) usando el método de ploteo de probabilidad.
Resultado:
Probabilidad - Weibull
99.000

90.000
  1.95
Datos ajustado Datos   92.32
por γ originales   17.26
Desconfiabilidad, F(t)

50.000

10.000
10.000 100.000 1000.000
Tiempo, (t)
Ejercicio: Análisis de Weibull 3P

Número Horas para la Línea Media %


Falla (i) Falla (ti ) Acum Falla F(t )
1 1000 9.4
2 1300 22.8
3 1550 36.4
4 1850 50.0
5 2100 63.6
6 2450 77.2
7 3000 90.6
Estimación del factor de
Ubicación

Desde los datos: t1 = 810 horas


t2 = 1500 horas
t3 = 4000 horas

ˆ  t 2 
t3  t2 t2  t1   1500  4000  15001500  810  547
t3  t2   t2  t1  4000  1500  1500  810

Replanteando: ti  

t1  1000 – 547 = 453 horas


t2  1300 – 547 = 753 horas
t3  1550 – 547 = 1003 horas, etc.
Efecto del Factor de
Ubicación

f(t)

 = 1.9

63.2%

 = 547 1560
tiempo
nuevo  = 547+1560
Ejercicio: Análisis Weibull 3P

Número Horas para Línea media


falla la falla % Acum. Falla
(i) ajustadas F(t)
1 453 9.4
2 753 22.8
3 1003 36.4
4 1303 50.0
5 1553 63.6
6 1903 77.2
7 2453 90.6

El ajuste del tiempo para la falla es ahora lineal


Resultado:
Probabilidad - Weibull
99.000

90.000

Datos Corregidos
Datos Originales
50.000
Desconfiabilidad, F(t)

10.000

5.000
Beta = 1.85
Eta = 1538.7
Gamma = 558.5

1.000
100.000 1000.000 10000.000
Tiempo, (t)
Curva de la bañera
Ejercicios
Distribución Weibull
Ejercicio 1

Un equipo ha registrado el historial de fallas siguiente (en


horas de operación: 180, 1190, 1710, 2050, 2790, 3290,
3960.
a. Determinar los parámetros de la distribución Weibull que
los modela.
b. El MTTF
c. La probabilidad que un componente sobreviva a las
1500 horas
Ejercicio 2
Los siguientes datos representan los tiempos de falla de un componente:
150, 700, 1000, 1400, 1600, 2000, 2150,2350, 2500, 2650, 2750, 2950,
3050, 3150, 3450, 3600, 5000, 5200, 5600, 5700, 6000, 6200, 6600. Estimar
los parámetros de la distribución Weibull que los representa, el MTTF y la
Confiabilidad en el tiempo MTTF.
Ejercicio 3 (con Suspensiones)

Se ensayaron 5 ítems y se obtuvo tres fallas y dos


suspensiones.

Estado Vida del ítem


Posición
FoS (ciclos)
1 F1 5100
2 S1 9500
3 F2 15000
4 S2 22000
5 F3 40000
Solución con rangos medios
i t δ R(t) Ln (t) Ln( -Ln R)
1 5100 0 83% 8.537 -1.702
2 9500 1 83% 0.500

3 15000 0 63% 9.616 -0.755 0.000


7.000 7.500 8.000 8.500 9.000 9.500 10.000 10.500 11.000
4 22000 1 63%
-0.500

5 40000 0 31% 10.59 0.151


-1.000 y = 0.8994x - 9.3874
R² = 0.9998

Resultado: -1.500

Beta = 0.90 -2.000

Eta = 34125
Gamma = 0
R2 0.99978
MTTF 35919
Solución con rangos medianos

i t δ R(t) Ln (t) Ln (-Ln R)

1 5100 0 0.825 8.537 -1.6456


2 9500 1 0.825
3 15000 0 0.602 9.616 -0.6773
4 22000 1 0.602
5 40000 0 0.248 10.6 0.3331

Resultado:
Beta = 0.96
Eta = 28978
Gamma = 0
R2 0.99842
MTTF 29515
Ejercicio 4

Estado Vida
Posición
FoS (ciclos)
1 S1 2,500
2 F1 2,730
3 F2 3,900
4 S2 4,100
5 F3 5,000
Solución con rangos medios

Rango δ Vida R(t) Ln (t) Ln(-Ln R)


1 1 2,500 1
2 0 2,730 0.8 7.91 -1.50
3 0 3,900 0.6 8.27 -0.67
4 1 4,100 0.6
0.40
5 0 5,000 0.3 8.52 0.19 0.20
0.00
7.80 7.90 8.00 8.10 8.20 8.30 8.40 8.50 8.60
-0.20
-0.40
Solución -0.60 y = 2.7532x - 23.328
R² = 0.9873
-0.80
Beta 2.75
-1.00
Eta 4784 -1.20
Gamma 0 -1.40
R2 0.987 -1.60
MTTF 4258 -1.80
Solución con rangos medianos

Rango δ Vida R(t) Ln (t) Ln(-Ln R)

1 1 2,500 100%
2 0 2,730 79% 7.91 -1.43
3 0 3,900 57% 8.27 -0.59
4 1 4,100 57%
5 0 5,000 24% 8.52 0.37
0.50

Beta 2.93 0.00


Eta 4542 7.80 8.00 8.20 8.40 8.60
Gamma 0 -0.50
R2 0.981
MTTF 4052 -1.00 y = 2.9255x - 24.636
R² = 0.9805

-1.50

-2.00
Ejercicio 5 (con γ≠0)
Un grupo de rodamiento fallaron en los siguientes tiempos 801, 312, 402, 205,
671, 1150, 940. Se desea conocer la Confiabilidad para una vida de 600 horas y
el MTTF.
i t d R Ln t Ln(-Ln R) Diagrama Weibull linealizada
1 104 1
1.00
2 122 0.900 4.8040 -2.250
3 138 0.800 4.9273 -1.500
0.50
4 167 1
5 168 0.686 5.1240 -0.975 0.00
6 180 0.571 5.1930 -0.581 3.00 4.00 5.00 6.00 7.00
7 217 1 -0.50
8 229 0.429 5.4337 -0.166
-1.00 y = 2.1862x - 12.295
9 309 1 R² = 0.8901
10 386 0.214 5.9558 0.432
-1.50
Beta 2.19 Beta 1.05
-2.00
Eta 277 Eta 277 y = 1.052x - 5.3715
intersec -12.29 intersec -5.372 -2.50
R² = 0.9817
R2 0.8901 R2 0.98171
MTTF 245 MTTF 271
Gamma 0 Gamma 100
Ejercicio 6
Se registraron fallas y suspensiones en 10 alabes de una turbina
de avión. Los datos son: 150, 340+, 560, 800, 1130+, 1720, 2470+,
4210+, 5230, 6890. Determinar la confiabilidad en 1500 horas de
operación.

Solución:
i t δ R(t) Ln (t) Ln(-Ln R)
1 150 0 91% 5.01 -2.35 Beta 0.70
2 340 1 91% Eta 4330
3 560 0 81% 6.33 -1.55 Gamma 0
4 800 0 71% 6.68 -1.06 R2 0.9819
5 1130 1 71% MTTF 5465
6 1720 0 59% 7.45 -0.64
7 2470 1 59%
8 4210 1 59%
9 5230 0 39% 8.56 -0.07 R(1500) =62.2%
10 6890 0 20% 8.84 0.49
Ejercicio 7
Fallas en mandos finales de camión CAT 785B
Tiempo
Rango de falla FoS

Solución

0.00
7.60 7.80 8.00 8.20 8.40 8.60 8.80
-0.50

Beta 2.30
-1.00
Eta 8502
-1.50
Gamma 0
R2 0.956
-2.00 MTTF 7532
y = 2.2983x - 20.795
-2.50 R² = 0.9561

-3.00

-3.50
Ejercicio 8

Determinar los parámetros de la distribución Weibull


usando datos censurados como se muestra en el
siguiente cuadro:

309 + 229
386 104 +
180 217 +
167+ 168
122 138
Solución

i t δ R(t) Ln t Ln(-LnR))
1 104 1 100.0%
2 122 0 90.0% 4.804 -2.250
beta 2.19
3 138 0 80.0% 4.927 -1.500
Intersec.eje -12.29
4 167 1 80.0%
eta 276.94
5 168 0 68.6% 5.124 -0.975
gamma 0
6 180 0 57.1% 5.193 -0.581
R2 0.890
7 217 1 57.1%
8 229 0 42.9% 5.434 -0.166
9 309 1 42.9%

10 386 0 21.4% 5.956 0.432


Ejercicio 9
Determinar los parámetros de la distribución weibull,
teniendo la siguiente información
12+, 15, 19, 20+, 22+, 28, 30, 31+

i t d R Ln t Ln(-Ln R) Ln(t-v) 0.000


1 12 1 1.000 2.0000 2.5000 3.0000 3.5000
2 15 0.875 2.7081 -2.013 2.1017 -0.500
3 19 0.750 2.9444 -1.246 2.4998
4 20 1 0.750 y = 1.7356x - 5.643
-1.000 R² = 0.9663
5 22 1 0.750
6 28 0.563 3.3322 -0.553 3.0531 y = 2.5907x - 8.9799
-1.500 R² = 0.9652
7 30 0.375 3.4012 -0.019 3.1433
8 31 1 0.375
-2.000

Beta 2.59 Beta 1.74


Eta 32 Eta 25.8 -2.500
intersec -8.979 Intersec -5.643
R2 0.9652 R2 0.9663
MTTF 28.4 MTTF 23.0
Gamma 0 Gamma 6.82
CAP 5
Intervalos de Confianza
Definiciones

O Intervalo de confianza: Es un
intervalo de extremos aleatorios
que con un nivel de confianza
determinado, contiene el valor
verdadero del parámetro.
O Nivel de confianza: Es la
prioridad “a priori” de que el
intervalo contenga el verdadero
valor del parámetro
Procedimiento para determinar
intervalo de confianza del MTTF
Datos necesarios:
1. Tamaño de la muestra
2. Estimador de la media. Se calcula de acuerdo al tipo de distribución
3. Estimador de la cuasi desviación típica. Se obtiene a partir de la
desviación típica multiplicado por raíz cuadrada de la división de N/(N-1)

Cómo calcular intervalos de confianza con Excel


-El comando "INTERVALO.CONFIANZA" calcula el margen de error introduciendo (1-alfa), la cuasi-
desviación y el tamaño de la muestra.
-Utilizando el estimador de la media y el margen de error se pueden construir los dos extremos del
intervalo.
-Si se cambiar el valor de 1-alpha, los intervalos se recalculan automáticamente.
-Las funciones que utiliza Excel a veces utilizan fórmulas distintas de las nuestras, por eso
conviene comprobar las cuentas.
Ejercicio 1
Determinar el intervalo de confianza de los siguientes datos de
falla: 24.1, 24.7, 25.3, 25.8, 26.3, 23.4, 25.2, 25.9, 24.7,
23.8, 24.4, 25.6
Solución:
Se debe calcular los siguientes valores:

Dato Formula Valor


Tamaño muestra dato 12
Media p=promedio() 24.93
Desviación típica d=desvest() 0.90084
Cuasi desviación c=desvest*(n/(n-1))^1/2 0.94089
1-Alfa dato 0.05
Margen de error me=intervalo.confianza() 0.532
Intervalo de confianza =p-me 24.40
=p+me 25.47
Solución
Se pide determinar el intervalo de confianza del MTTF de la
siguiente muestra:
Tamaño muestra 12

Media 24.933333
24.1
24.7
Desviación típica 0.9008414
25.3
25.8
Cuasi desviación 0.9408981
26.3
23.4
1-Alfa 0.05
25.2
25.9
Margen de error 0.5323534
24.7
23.8
Intervalo de confianza 24.40098
24.4
25.465687
25.6

Intervalo de confianza del MTTF: 24.40<24.9<25.465


F(t)

MR al 95%

MR

MR al 5%

t
Ejercicio 2
Se tienen los siguientes datos de una prueba realizada a un
componente. Determine los limites de confianza de la
muestra.

Solución:
Probabilidad - Weibull
99.000

Posición F S MR 5% 95% 90.000

1 1.25 6.697 0.512 25.887


2 2.4 16.226 3.677 39.416 50.000

3 3.2 25.857 8.726 50.69

Desconfiabilidad, F(t)
4 4.5 35.51 15.003 60.662
5 5 45.169 22.244 69.646 10.000

6 6.5 54.831 30.354 77.756 5.000

7 7 64.49 39.338 84.997


8 8.25 74.142 49.31 91.274
9 9 1.000
1.000
Tiempo, (t)
10.000

10 9
CAP 7
Evaluación de Bondad y Ajuste de
las distribuciones estadísticas
Prueba de ajuste de bondad
Kolmogorov - Smirnov

Herramienta utilizada para determinar si una distribución


hipotética representa adecuadamente a un conjunto de
datos.

],

Función acumulada según los parámetros de la distribución obtenida


= Función acumulada obtenida utilizando los rangos medios o
medianos.

Se acepta la distribución hipótesis F(t) si d<dcritico


Donde dcritico es función del tamaño de la muestra n y del riesgo
aceptable α la cual se obtiene de una tabla estadística.
Prueba de ajuste de bondad
Kolmogorov - Smirnov

La función acumulada de la muestra de prueba se representa con , la


cual se estima con el rango mediano. F(t) es la función acumulada de la
distribución Hipótesis. Si difiere mucho de F(t), la distribución hipótesis
se rechaza.
Ejercicio 1
Se tienen los siguientes datos de falla: 2, 5, 6, 8 y 10. Se
necesita verificar, utilizando el test K-S, que la distribución Weibull
con parámetros γ =0, β =1.64 y η =7.36 horas representa al
conjunto de datos con un nivel de confianza de 90%
i t F(t) F(t)modelo Fm-F(t) Fm-F(t-1)
1 2 0.1296 0.112 0.018
2 5 0.3148 0.412 0.098 0.283
3 6 0.5000 0.512 0.012 0.197
4 8 0.6852 0.683 0.002 0.183
5 10 0.8704 0.809 0.062 0.124
Dmax 0.2829
Dcrit 0.56328

Prueba Kolmogorov (ver tabla)


Como Dmax < Dcrit
Se acepta la hipótesis de que la Distribución Weibull con parámetros γ=0, β=1.64 y
η=7.36 modela los datos de falla proporcionados.
Ejercicio 2

31.7
Se tienen los siguientes datos de falla de un sistema. 39.2
Se pide: 57.5
65
a. Determinar los parámetros de la distribución que
65.8
los representa. 70
b. Aplicar la prueba de bondad de Kolmogorov e 75
75
indicar si se acepta la hipótesis que la distribución 84.2
definida representa a los datos de falla. 87.5
88.3
101.7
105.8
109.2
110
130
CAP 6
Tiempo óptimo de reemplazo de
componentes: Grafico de Glasser
Reemplazo de componentes

O Reemplazo por fallas: Esta es un actividad no planificada,


como resultado de una falla, para restaurar el equipo al nivel
de operación especificado
O Reemplazo preventivo: Son acciones programadas tomadas,
no como resultado de una falla, para retornar un sistema a su
nivel específico de desempeño por funciones tales como el
reemplazo programado de elementos críticos y revisiones
generales
Política de reemplazo basada en
la edad
Construcción del Modelo
Construcción del Modelo
Determinación de M(tp)

Política de reemplazo de componentes


Ejemplo:
Optimización de las decisiones
de reemplazo preventivo

O La data de mantenimiento se registra en la base de datos en


el sistema ERP/EAM/CMMS.
O Un escenario típico es: Abundante data, información pobre
O El riesgo de falla puede ser determinado del análisis de la
data de fallas – Análisis Weibull
Gráficos Glasser

O El uso de los gráficos de Glasser es para determinar el


intervalo óptimo de reemplazo preventivo y la edad
O Suposiciones
O La distribución de fallas es Weibull
O Se conoce la relación Cf / Cp
O Ese gráfico está diseñado para minimizar los costos
Uso del Grafico Glasser

Procedimiento para determinar el intervalo/edad de


reemplazo preventivo optimo.

1. Obtener la relación de costos: k= Cf/Cp marcarlo en el eje Y


del grafico Glasser
2. Obtener la relación, ν=µ/σ, y márcalo en el eje X
3. Obtener el valor de “z” del grafico, que es la intersección de
los ejes x e y. Interpolar si fuera necesario.
4. El tiempo de reemplazo preventivo óptimo es Tp = µ + z.σ
Grafico Glasser: política optima bajo el
reemplazo por bloques
Grafico Glasser: políticas de reemplazo
óptimo por edad
Ejemplo
Ejercicio 1
Un artículo está sujeto a falla repentina, y cuando ocurre la falla, el
artículo debe ser reemplazado. Para reducir el número de fallas, los
reemplazos preventivos se pueden programar para que ocurran a
intervalos específicos. Sin embargo, se requiere un equilibrio entre la
cantidad gastada en el reemplazo preventivo y los beneficios
alcanzados, esto es los reemplazos por fallas.

Solución
Dado Cp=$5, Cp= $10, f(t) ~ N(5,1)
Determinar el intervalo optimo de reemplazo preventivo para minimizar el
costo total.

Dado que Weibul puede representar una distribución Normal (con β=3.5), podemos utilizar el grafico Glasser
Solución
1. En este caso k = cf/cp= 10/5 =2
2. γ = µ/σ = 5/1
3. Z= -1.2
4. Tp = µ + z*σ = 5 + (-1.2)*1 =3.8 semanas

Desde el grafico Glasser, también podemos obtener el valor ρ


que identifica el ahorro en comparación con una política de
reemplazo solo en caso de falla (R-o-o-F)
ρ = 0.85 del gráfico
Por lo tanto, la política óptima de tp = 3,8 semanas cuesta el
85% de una política de reemplazo solo en caso de falla
Costo de una política ROOF = Cf/μ = 10/5 = $ 2/semana
Ahorro
“El mantenimiento no es un mal necesario sino un
generador de recursos, al permitir una gestión eficaz de lo
existente”
Dr. Emilio Bautista Paz
Curva P-F

También podría gustarte