ADOLFO HUAMAN - Gestión Tactica de Fallas Criticas Con Análisis Probabilístico PDF

Gestión Táctica de Fallas Críticas Planeamiento & Estrategia del Mantenimiento
______________________________________________________________________________________________
Gestión Táctica de Fallas Críticas

Estrategias de Mantención
Análisis Probabilístico
UPTIME
Adolfo Hitler, Huaman Diaz

Newmont Corporation
MYSRL
Cajamarca, PERU
Sector Minería
Equipo Móvil
Organizado por NORIA
“Congreso Mexicano de Confiabilidad y Mantenimiento 2011”
2009 – 2010 Pdm Equipment Health

© Copy Right, Adolfo Hitler Huaman Diaz PERU
1/10/2011 - 21-1
______________________________________________________________________
______________________________________________________________________________________________
1.- MODELO DE MEJORA CONTINUA.-

Dentro de las corrientes actuales de mejora continua, tales como RCM, PAM, RCA, RBI, TPM,
RCB y algunas mas; tomando como premisa fundamental la “Necesidad del Negocio” optamos
por adoptar un Modelo de Mejora que nos permita mas que re – inventar soluciones; adaptar
nuestras necesidades dentro del nivel de Madurez de cada uno de los procesos que integran y
soportan la plataforma Estratégica de nuestro negocio. Dentro de las posibilidades realistas,
1
nivel de madurez y brecha de mejora; optamos por el Modelo UPTIME .
Fig. N° 1
Physical
Asset
Management
Work Support
Management System &
Management
S tr a te g y People
© The Uptime Pyramid of Excellence (Campbell & Picknell).
La razón fundamental, radica en que cuenta con los tres componentes claves que aseguran la
confiabilidad Operacional: “Personas, Procesos y Tecnología”; solo que manejada a diferente
nivel, con un enfoque Holístico, una plataforma estratégica y sobretodo con una forma de
manejar el Liderazgo, lo Fundamental y la Búsqueda de Excelencia en forma integral e
integrada. Tomando como principio fundamental, la combinación adecuada de los dos factores
mas importantes de la Excelencia en los Negocios y la optimización de la gestión correcta de
los Activos: “Estrategia & Personas”.
Partiendo, entonces de que la identificación adecuada de que aspectos claves son los que
realmente debe ser mejorados; se opta por realizar el “Diagnostico Oportuno” con el objetivo de
identificar el nivel de madurez de los procesos, necesidad del Negocio; pero sobretodo en una
plataforma de manejar óptimamente el “Costo, Riesgo, Beneficio”; como se muestra a
continuación:
Fig. N° 2
Área
1
UPTIME: Strategies for excellence in maintenance Management – John D. Campbell, James Reyes Picknell – 2ed.

1/10/2011 - 21-2
______________________________________________________________________
______________________________________________________________________________________________
Este es un modelo simple, posible, realista; pero sobretodo confiable; no solo para establecer
el nivel de Mejora; si no para generar confianza en todos y cada uno de los colaboradores que
participaran en forma activa; para asegurar el crecimiento interno organizacional; la continuidad
de la calidad en cada uno de los procesos y la sostenibilidad de los resultados; que se planteen
en adelante. Esta forma de diagnóstico; tiene que ver además con la filosofía KISS 2.
Esta forma de Diagnóstico; además es fácilmente adoptiva; frente a aquellas situaciones de
desafío que podría presentarse en nuestros Negocios; ya que a pesar de que la forma posible
de asegurar la “Confiabilidad Operacional” como parte del enfoque Ciclo Vida, es participando
inclusive en la etapa de Diseño; existe todavía la probabilidad de que se presenten Fallas
durante el funcionamiento de nuestros activos; como se muestra en la siguiente imagen:
Fig. N° 3
Lo importante, es tratar de sectorizar el origen de este tipo de Fallas Criticas; que a menudo
traen consigo Impactos Significativos a nuestros procesos principalmente en los Costos; que
normalmente se sub – dividen en dos Dominios:
1. Costos Operacionales.
2. Costos No Operacionales.
De allí, la necesidad de llevar a control este tipo de costos; bajo el siguiente principio de
“Gestión de Activos”; donde se ve la influencia de los Costos de Mantenimiento (sector Minería)
5%
Maintenance Costs
10%
Mining
15% Metallurgy
50% Manufacturing
Process
Manufacture & Assembly
20%
2
KISS: “Keep It Simple, Stupid” - Graeme Robinson (Maintenance Manager).

1/10/2011 - 21-3
______________________________________________________________________
______________________________________________________________________________________________
2.- OPORTUNIDAD DE MEJORA.-

Comentamos, ya anteriormente que en realidad todo podría ser mejorado; sin embargo es
clave ejecutar “Planes de Mejora” a partir de los “Bad Actor’s” que puedan estar impactando en
forma importante en nuestro negocio.
Para muchos procesos, utilizando la filosofía de Mejora: RCM; comúnmente se desarrolla un

análisis de Criticidad a través de un riguroso y estricto proceso de Análisis Funcional, Modos de
fallas, niveles de consecuencias y mas; sin embargo en la realidad; es fácilmente identificable
cuando una Falla; está conduciendo a que tengamos activos “Bad Actor’s”; como explico a
continuación:
Bad Actor:
3
• Demasiado Downtime .
• Costo de Mantenimiento Elevado.
• Impacto en la Seguridad & el Medio Ambiente.
• Alto Costo Operativo.
Para ello, como parte de la gestión financiera de nuestro negocio; se identifica la “oportunidad
de costo”; representada en el siguiente gráfico:
Fig. N° 4
COST OPPORT UNIT IES - by Component - T otal R1

YT D
(Hauling, Loading, Drilling & Mine Aux Equipment)
(Jan - May 2010)
Engine ;
2,776,613 ; 69%
Fina l Drive ;
707,906 ; 17%
Torque
Conve rte r; Tra nsmission;
92,548 ; 2% 287,520 ; 7%
Diffe re ntia l;
192,004 ; 5%
Total : US$ 4' 056, 591

Note : Some Warranties under Update
Además, de que para nuestros activos no existe exactamente un análisis de Criticidad basada
en Funciones; si no mas bien cierto nivel de Utilización de cada uno de ellos; dependiendo del
nivel de requerimiento de nuestros socios estratégicos de Operaciones & Producción. Lo que
hace que cada uno de nuestros equipos; estén altamente disponibles y confiables; para
asegurar alcanzar los objetivos ya establecidos por el Negocio. Lo que quiero, decir es que no
importa cuantas Fallas existan en el sector del Mantenimiento; los objetivos del negocio deben
ser alcanzados “Sí o Sí”; es aquí además cuando la Gestión Estratégica tiene ser soportada
por la Gestión Táctica; donde utilizaremos toda la capacidad de nuestros principales actores:
“Personas”.
3
Downtime: The period of time during which an item is not in a condition to perform its intended function whether
scheduled or not.

1/10/2011 - 21-4
______________________________________________________________________
______________________________________________________________________________________________
Como observamos, ya en el gráfico N° 4; tenemos una oportunidad de mejorar la confiabilidad

de nuestros principales componentes: Motores; para asegurar además la “Confiabilidad
Operacional”. Entonces ahora, identificaremos nuestro “Mal Actor”.
En un resumen sencillo (KISS), vemos que la principal causa de Falla para nuestros Motores
se debe a “Con Rod Bearings Fail”; como muestro a continuación:
Fig. N° 5
Lo complicado, del asunto como pasa a menudo con Fallas que se presentan sin importar la
vida de nuestros componentes y/o activos; sin si quiera tomar en consideración el nivel de
consecuencias para el proceso y el Negocio. Lo mas complicado aún, que a pesar de nuestro
poderío para detectar “Fallas Potenciales” 4 es decir del nivel de detección de nuestra
tecnología; de la fortaleza de nuestros procesos de Diagnostico; las Fallas siguen ocurriendo
mientras que intentamos encontrar la “Causa Raíz” de los eventos; con estudios complicados y
rigurosos; llevamos a postular Hipótesis Fundamentalistas; pero que en realidad poco o casi
nada hacen por reducir, mitigar y/o eliminar las consecuencias de Falla; si no que normalmente
nos conducen por el sendero de trabajar en los “Efectos”; a través de Tareas Detectivas,
Tareas On Condition e incluso Tareas totalmente Reactivas.
En otro aspecto importante, inclusive este tipo de Fallas Inesperadas; conducen a sembrar un
espíritu de Frustración y Desmotivación en cada uno de los actores importantes del negocio de
Mantenimiento; porque a menudo están haciendo hasta lo imposible por detectar Fallas;
ejecutando acciones de Mantenimiento en la Búsqueda de fallas; para reaccionar antes ellas;
muchas veces sin conseguirlo. Entonces he allí, que debemos reaccionar; primero cambiando
nuestro Modelo de Pensamiento; reemplazando nuestro enfoque hacia las posibles soluciones;
que si bien es cierto no nos conducen a la “Solución Final”; nos permiten implementar ICA’s
hasta que obtengamos la solución; a esto entonces le llamaremos “Gestión Táctica de Fallas
Críticas”.
4
Falla Potencial:”Es un estado identificable, que indica que una Falla Funcional está a punto de ocurrir o en el proceso
de ocurrir”- RCM II.
1/10/2011 - 21-5
______________________________________________________________________
______________________________________________________________________________________________
Como comenté anteriormente, tenemos un “Proceso de Diagnóstico” bastante consolidado

donde a través de la interacción de varios indicadores de Salud por Excepción; a través de los
5
cuales determinamos Estrategias On Condition ; sin embargo a pesar de ello todavía no
lográbamos controlar el Mal Actor: “Con Rod Bearings Fails”, este proceso se muestra a
continuación:
Fig. N° 6
3.- GESTIÓN TIPICA “ON CONDITION”.-

Normalmente, partiendo de la premisa de gestionar típicamente los indicadores por excepción;
utilizamos tendencias de Plomo (elemento típico de deterioro) para Metales de Motor;
acompañado de análisis de Ferrografía Analítica Física con tratamientos térmicos a las
partículas para descartar su composición; con el objetivo de reemplazar Metales; en algunos
casos eran oportunos en otros casos; se presentaban Fallas aún cuando estos indicadores por
excepción; se encontraban dentro del Rango Normal; como muestro a continuación:
Fig. N° 7
Trend Analysis Plot for Pb

Quadratic Trend Model
Yt = 2.47 - 0.446*t + 0.01998*t**2
16 Variable
Actual
14
Fits
12 Forecasts
10 A ccuracy Measures
MA PE 86.9076
ppm 8 MA D 1.1767
MSD 2.8129
6
4
3
2
0
0 0 10 10 0 10 0
-1 -1 r- n- -1 p- -1
ar ar b u Jul e ct
-M -M -A -J - -S -O
18 27 28 14 28 10 12
Taken Date
5
Tarea On Condition: “Consisten en chequear si hay Fallas Potenciales, para que al actuar se pueda prevenir la Falla
Funcional o evitar sus Consecuencias” - RCM II

1/10/2011 - 21-6
______________________________________________________________________
______________________________________________________________________________________________
Entonces, fue en este momento que decidimos conjuntamente con el Equipo de Trabajo
(Estrategia & Planeamiento); dar otro giro a la situación; debíamos usar otras herramientas
adicionales que nos ayuden a desarrollar análisis globales; tomando en cuenta todos y cada
uno de los Factores que conducían a este tipo de Fallas ahora Catastróficas; con impactos
significativos a la Operación; incremento en el costo asignado al presupuesto de
Mantenimiento; paradas No Programadas; asignación adicional de recursos; para reemplazar
el componente; e inclusive el incremento del Stock Logístico para resarcir la situación.
4.- GESTION TACTICA (descriptiva).-

Para ello, la premisa fundamental es comprender a toda cabalidad la Naturaleza de la Falla; y
6
como el Fluido de Trabajo interactúa en este proceso.
Fig. N° 8
0°
y
е
b
Connecting Rod Bearing loading cycle (four – stroke combustión).
En el gráfico anterior, puede observarse a través del “Orbit Computation by the Mobility
Method” 6 ; la variación de la carga producto de la combustión; además de tomar en cuenta que
las variables influenciadas por otros Modos de Falla, Contexto Operacional y la Aplicación; que
normalmente aceleran procesos de Falla (probabilidad condicional). Mas aún si los Metales de
Motor; presentan de por sí Mecanismos de Falla con las siguientes características:
1. Falla Súbita.
2. Bajo nivel de detección.
3. Aleatorios (no hay un intervalo específico de tiempo).
4. Consecuencias Catastróficas.
6
Handbook of Lubrication, Theory and Practice of Tribology – Volume II “Theory & Design” E. Richard Booser.

1/10/2011 - 21-7
______________________________________________________________________
______________________________________________________________________________________________
A continuación, observamos físicamente el nivel de deterioro y daño en los Metales de Biela de

los Motores:
La mayoría de los Mecanismos de Desgaste, que conducían a Fallas Catastróficas como el

siguiente efecto mayor consecuencial; que se detectaron en este tipo de elementos después de
la Inspección Física; generalmente mostraban “Mecanismos Combinados de Falla”:
1. Delaying.
2. Erosión por cavitación.
3. Fatiga de Contacto de Esfuerzo.
Frente a esta situación crítica; dado que no existía un Indicador por excepción en el resultado
7
de Análisis de Aceite Usado (S.O.S) ; ni en los filtros inclusive; decidimos establecer una Plan
de Acción; usando “Modelos Probabilísticos”; como se detalla a continuación:
7
S.O.S: “Scheduled Oil Sampling”

1/10/2011 - 21-8
______________________________________________________________________
______________________________________________________________________________________________
Entonces, había que realizar un análisis de frecuencia relativa (Histograma); para determinar el
sector de mayor frecuencia; entre todos los eventos de reemplazo de Metales; como se
muestra a continuación:
Fig. N° 9
Summary for Eng Bearings Changed 2009 - 2010

A nderson-D arling N ormality Test
3000 A -Squared 1.71
P -V alue < 0.005
M ean 4653.5
StDev 3786.7
Frequency
V ariance 14339204.4
Skew ness 0.870471
Kurtosis -0.344514
N 47
M inimum 200.0
1st Q uartile 1643.0
M edian 3358.0
0 3000 6000 9000 12000 3rd Q uartile 6978.0
Eng Bearings Changed M aximum 13435.0
95% C onfidence Interv al for M ean
3541.7 5765.3
95% C onfidence Interv al for M edian
2606.5 5220.2
95% C onfidence Interv al for StDev
9 5 % C onfidence Inter vals
3146.7 4756.1
Mean
Median
2500 3000 3500 4000 4500 5000 5500
En este Histograma, podemos observar fundamentalmente que en todo el “universo” de todos

los Metales que se reemplazaron entre el 2009 – 2010; vemos que el promedio de vida es de
∆: 4,653 horas con una desviación estándar σ: 3,786 horas; sin embargo hasta esta parte del
proceso de análisis; no podemos mas que conjeturar que existe una mayor frecuencia relativa
de Fallas entre las 0 y 6K horas; con una importante incidencia en el rango de 2,250 @ 3,750
(N:10). No obstante, hasta esta etapa no podemos más que seguir mostrando el “problema”.
El siguiente paso, será entonces, realizarle “pruebas de normalidad” a este universo de datos;
para determinar si existen algunos eventos que simétricamente se encuentren demasiado
alejados de la tendencia central; tomando en cuenta que el P – value; debe ser igual o mayor a
0.05.
Fig. N° 10
Probability Plot of Eng Bearings Changed 2009 - 2010

Normal
99
Mean 4654
StDev 3787
95 N 47
AD 1.713
90
P-Value <0.005
80
70
Percent
60
50
40
30
20
10
1
-5000 0 5000 10000 15000
Eng Bearings Changed

1/10/2011 - 21-9
______________________________________________________________________
______________________________________________________________________________________________

Normal
99
Mean 4654
StDev 3787
95 N 47
RJ 0.949
90
P-Value <0.010
80
70
Percent
60
50
40
30
20
10
1
-5000 0 5000 10000 15000
Probability Plot of Eng Bearings Changed 2009 2010

Normal
99
Mean 4654
StDev 3787
95 N 47
KS 0.163
90
P-Value <0.010
80
70
Percent
60
50
40
30
20
10
1
-5000 0 5000 10000 15000

Normal - 95% CI
99
Mean 4654
StDev 3787
95 N 47
AD 1.713
90
P-Value <0.005
80
70
Percent
60
50
40
30
20
10
1
-5000 0 5000 10000 15000
En todas las pruebas (Anderson Darling, Kolmogorov – Smirnov y Ryan Joiner); podemos
observar que los P – value; son menores de 0.05; por lo que podemos conjeturar que cada uno
de los eventos no son modelados dentro de una “Distribución Normal”; por lo que habrá que
ahora identificar que tipo de función de distribución; será la adecuada para este universo de
datos.
1/10/2011 - 21-10
______________________________________________________________________
______________________________________________________________________________________________
Usando una parte de la estadística (Quality Tools); vamos ahora a identificar cual es la mejor
distribución que modelará este universo de datos:
Probability Plot for Eng Bearings Changed

G oodness of F it Test
Smallest E xtreme V alue - 95% C I Largest Extreme V alue - 95% C I
S mallest E xtreme V alue
90
A D = 2.711
50 P -V alue < 0.010
P er cent
P er cent
99
Largest E xtreme V alue
A D = 0.887
10
90 P -V alue = 0.022
50 G amma
1 10
A D = 0.289
-20000 -10000 0 10000 0 10000 20000 P -V alue > 0.250
Eng Bear ings C hanged Eng B ear ings C hanged
3-P arameter G amma
G amma - 95% C I 3-P arameter G amma - 95% C I A D = 0.302
99 99 P -V alue = *
90 90
50 50
P er cent
P er cent
10 10
1 1
100 1000 10000 100 1000 10000
Eng Bear ings C hanged Eng B ear ings C hanged - T hr eshold

G oodness of F it Test
E xponential - 95% C I 2-P arameter E xponential - 95% C I
E xponential
90 90
A D = 0.500
50 50 P -V alue = 0.494
P er cent
P er cent
2-P arameter E xponential

A D = 0.363
10 10
P -V alue > 0.250
Weibull
1 1 A D = 0.302
10 100 1000 10000 100000 10 100 1000 10000 100000 P -V alue > 0.250
Eng B ear ings C hanged Eng B ear ings C hanged - T hr eshold
3-P arameter Weibull
Weibull - 95% C I 3-P arameter Weibull - 95% C I A D = 0.289
P -V alue > 0.500
90 90
50 50
P er cent
P er cent
10 10
1 1
100 1000 10000 10 100 1000 10000 100000
Eng B ear ings C hanged Eng B ear ings C hanged - T hr eshold
Ahora, en cada una de las modelaciones; realizadas con sus respectivas transformaciones las
distribuciones que mejor manejan este universo de datos son: Exponencial y Weibull. No
obstante sabiendo que estos datos no requieren ningún tipo de censura y corresponden
estrictamente a datos de Falla; usaremos la distribución Weibull.

1/10/2011 - 21-11
______________________________________________________________________
______________________________________________________________________________________________
5.- GESTION TACTICA (Probabilístico).-

Una vez que hemos identificado; la mejor distribución para este universo de datos (Weibull);
vamos a ahora sectorizar el análisis por Modo de Falla; tomando la premisa del análisis de
frecuencia relativa realizada anteriormente en el análisis por Histograma; solo para asegurar
volveremos a indicar los Modos de Falla Dominantes:
1. Delaying (Flaking).
2. Erosion Cavitation & Contac Stress Fatigue.
Fig. N° 11
Probability Plot for Eng Bearings Changed by Failure Mode

Complete Data - LSXY Estimates
F ailure M ode = E C & C S F
Failure Mode = EC & CSF Failure Mode = Flaking Shape S cale
Weibull - 95% CI Weibull - 95% CI 3.04054 11634.3
F ailure M ode = F laking

95 95 Shape S cale
1.15005 5154.25
80 80
63.2 63.2
50 50
Percent
Percent
20 20
5 5
11633.071
5152.779
2 2
1 1
1000 10000 10 100 1000 10000 100000
Eng Bearings Changed Eng Bearings Changed

Multiple Distributions - 95% CI
0.99
0.9
0.8
0.7
0.6
0.5
0.4
Probability
0.3
0.2
0.1
0.05
0.03
0.02
0.01
10 100 1000 10000

1/10/2011 - 21-12
______________________________________________________________________
______________________________________________________________________________________________
Hasta esta parte del análisis probabilístico; tomando en cuenta los dos factores claves de la
distribución Weibull (β y ‫ )ף‬podemos conjeturar; lo siguiente:
a. β = 1.1
b. ‫ = ף‬5,154 (por validar)

a. β = 3.0
b. ‫ = ף‬11,634
Ya que para esta modelación, se ha tomado datos entre el 2009 – 2010; ahora afinaremos el
análisis con un universo de datos solo correspondiente al 2010; ya que en este periodo las
condiciones de performance de los Motores cambió; así como la cantidad de eventos de Falla:
Probability Plot for Flaking

3-Parameter Weibull - 95% CI
99
Table of S tatistics
S hape 1.13114
90 S cale 3348.10
80 Thres 102.946
70 M ean 3305.09
60 S tDev 2836.66
50 M edian 2524.41
40 IQ R 3356.11
Percent
30 F ailure 36
20 C ensor 0
A D* 0.499
C orrelation 0.995
10
3
2
1
0.1 1 10 100 1000 10000
Hours
Probability Plot for EC & CSF

Weibull - 95% CI
99
Table of S tatistics
S hape 2.77767
90 S cale 10420.1
80 M ean 9275.82
70 S tDev 3612.04
60 M edian 9132.04
50 IQ R 5066.54
40 F ailure 11
Percent
30 C ensor 0
20 A D* 1.370
C orrelation 0.977
10
3
2
1
1000 10000
Hours

1/10/2011 - 21-13
______________________________________________________________________
______________________________________________________________________________________________
Después, del ajuste con la distribución Weibull; volvemos a obtener los siguientes resultados:
a. β = 1.1
b. ‫ = ף‬3,348

a. β = 2.7
b. ‫ = ף‬10,420
Para el primer modo de Falla: “Flaking”; podemos ahora con toda contundencia postular que
este grupo de Fallas; corresponden a fallas aleatorias y con una vida característica de 3,348
horas. De la misma forma, para el segundo Modo de Falla dominante: “Erosion Cavitation &
Contact Stress Fatigue”; entonces postularemos que corresponden a Fallas relacionadas al
desgaste y que la vida característica se encuentra a 10, 420 horas. No olvidemos, además que
Weibull siendo una herramienta poderosa; básicamente estima las probabilidades de Falla al
63.2% dejando otro universo de datos con probabilidad de Falla; como se muestra a
continuación:
Fig. N° 12
PDF by Flaking, Erosion Cavitation & Contact Stress Fatigue_2009 - 2010

Weibull, Thresh=0
MTTF=3,305 MTTF=9,275
0.00025 ß ή
ß = 1.1 (randomly) 1.1 3348
0.00020 2.7 10420
Density
0.00015
0.00010
ß = 2.7 (wear out)
63.2%
0.00005
63.2% 36.8% 36.8%
0.00000
0 ή = 3,348 ή = 10,420
Hours
© Copy Right, Adolfo Hitler Huaman Diaz
8
Esta parte del análisis, en realidad si es crítica; ya que normalmente el análisis PDF ;
determina con gran exactitud el tipo de Falla al que estamos enfrentando; además que las
personas responsable que definirán las “estrategias” y “tácticas”; deberá entender claramente
como manejar el “riesgo asociado” a estos dos Modos de Falla.
Entonces, para el primer Modo de Falla: “Flaking” podemos conjeturar lo siguiente:
1. Son Fallas aleatorias.

2. Asocian un riesgo permanente.
9
3. Su MTTF se encuentra en 3,305 horas (Mortalidad Infantil)
4. Desgaste Súbito.
5. Bajo nivel de detección, por excepción (S.O.S & PAF).
8
PDF: “Probability Density Function” una de las funciones claves de Confiabilidad

1/10/2011 - 21-14
______________________________________________________________________
______________________________________________________________________________________________
Esto está soportado en el siguiente gráfico:
© Physical Asset Management, John S. Mitchells
Si interpretamos, esta gráfica; básicamente podemos postular que todavía existe un umbral de
probabilidad de Falla; que hace que un programa de Mantenimiento alcance un bajo nivel de
Calidad; es justamente en este dominio donde encajan las “Fallas Aleatorias” & “Fallas
Ocultas”.
Entonces, es clave determinar el nivel de “riesgo”; así como el nivel de Confiabilidad; como se
muestra a continuación:
Hazard Plot for Flaking Survival Plot for Flaking

3-Parameter Weibull 3-Parameter Weibull
Complete Data - LSXY Estimates Complete Data - LSXY Estimates
Table of S tatistics Table of S tatistics
0.00040 S hape 1.13114
100 S hape 1.13114
S cale 3348.10 S cale 3348.10
T hres 102.946 T hres 102.946
M ean 3305.09 80 M ean 3305.09
0.00035 S tD ev 2836.66 S tD ev 2836.66
M edian 2524.41 M edian 2524.41
IQ R 3356.11 IQ R 3356.11
60
Percent
F ailure 36 F ailure 36
Rate
C ensor 0 C ensor 0
0.00030 A D* 0.499 A D* 0.499
C orrelation 0.995 C orrelation 0.995
40
0.00025
20
0.00020 0
0 2000 4000 6000 8000 10000 12000 14000 0 2000 4000 6000 8000 10000 12000 14000
Flaking Flaking
Por lo que podemos, determinar rápidamente que este tipo de Falla tiene un comportamiento
exponencial; así como el bajo nivel de confiabilidad en la vida característica de falla (‫ = ף‬3,348
horas).
Para el segundo Modo de Falla Dominante: “Erosion Cavitation & Contact Stress fatigue”; de
acuerdo a los dos factores de Weibull; podemos postular que corresponden a Fallas
relacionadas al desgaste con una vida característica de 10,420 horas; además de un MTTF de
9,275 horas. Lo interesante, es que por cuestiones fundamentales; los procesos de desgaste
normalmente pueden ser monitoreados progresivamente; lo que permite establecer algunas
estrategias On Condition; para determinar el momento oportuno de reemplazar los elementos
generadores de Falla; reduciendo así las consecuencias asociadas de Falla. Además que
pueden ser detectadas en etapas potenciales de Falla (P – F); acorde a la tecnología
disponible que cuente cada Proceso; dependiendo del nivel de detección de esta tecnología; lo
que permite en mejor manera manejar el “riesgo asociado”.
9
MTTF: “Mid Time to Failure”, acrónimo que indica el tiempo medio hasta la Falla; donde el Item no es recuperable o
restituible

1/10/2011 - 21-15
______________________________________________________________________
______________________________________________________________________________________________
Entonces, tomando ahora la curva P – F 10 que normalmente se utiliza para manejar el riesgo
asociado a los Modos Potenciales de Falla; hemos seleccionado aquellos indicadores que por
excepción; si podrían utilizarse para detectar en estados incipientes de Falla; mecanismos de
Falla en los Metales; como se muestra a continuación:
Fig. N° 13
“Abnormal Trend Lead, “N. A.”

A.”
““Eng
Eng Oil
Oil Low ” Tin and Aluminum”
Low Press”
Press
Press” Aluminum” “Wear Debris: Al - Babbit”
Babbit”
“N. A.”
A.”
“Wear Debris Al – Babbit
in caution level and Eng
Oil Low Press”
Press”
90%
BF
MI P
Risk
f (H)
PAF
R-C R
V
R 5
PT 4
R “Equipment
SOS 3 stoppage
n(D)
n(D) R
2 by Catastrophic
Impact
VIMS Failure”
Failure”
R Costo de
1
Reparació
Reparación F
t t t t S PCR
1 2 3 4 Time
Planning Window)
W Px Dx
Con esta herramienta, establecimos las estrategias On Condition; para cada caso de acuerdo a
los indicadores por excepción; en dos dominios importantes:
1. Diagnóstico.
2. Pronóstico.
A través del proceso de “Diagnóstico”; cuando el indicador por excepción ha tomado niveles
relevantes de deterioro; que no hayan sido detectados por nuestra tecnología ó en los
intervalos incorrectos en los que tomamos la información; además dependerá en gran grado
del “Mecanismo de Falla” que está ocurriendo en la parte afectada; comúnmente corresponden
a mecanismos de deterioro súbitos o repentinos. En otros casos, corresponden a Falla
Funcionales; que por su naturaleza requieren diagnóstico; para restituir la función en el más
breve plazo; después de ello utilizando RCA, FTA; se busca la causa de Falla; para establecer
alguna estrategia; que pueda reducir las consecuencias asociadas.
A diferencia del Diagnóstico; el proceso de pronóstico requiere que se utilicen Indicadores que
pueden reflejar componentes de tendencia claras de daño; o inclusive cuando estos se
encuentran en estados sumamente incipientes con bajo nivel de riesgo; obviamente depende
del nivel de detección; para nuestro caso contamos con tecnología “On Line, Real Time &
Critical Data”. Asimismo, apoyados en la estadística se puede proyectar comportamientos o
buscar componentes claras de daño; a través del análisis de Series Temporales con
proyección a la tendencia; usando normalmente límites proactivos; de forma que nos ha
permitido equilibrar la probabilidad de Falla asociada a este Indicador vs. El tiempo disponible
que tenemos para actuar con alguna estrategia de Mantenimiento; sin que estas acciones
infieran o desbalance el programa normal de Mantenimiento (PM); que normalmente para
nuestro contexto es denominado “Planning Windows”. Otra variable clave, con el proceso de
pronóstico es que de esta forma; aseguramos que los sistemas, componentes y/o elementos
alcancen el PCR 11 de acuerdo a la estrategia establecida.
10
P – F: Cantidad de tiempo que transcurre entre la Falla Potencial, hasta su decaimiento en una Falla Funcional o
Falla.

1/10/2011 - 21-16
______________________________________________________________________
______________________________________________________________________________________________
Pero que pasa, si a pesar de modelar indicadores por excepción con límites proactivos; no se
visualizan componentes claras de tendencia al incremento o deterioro? Probablemente, esto
nuevamente nos llevaría a situaciones de “Frustración e Incertidumbre”, sin embargo
nuevamente la estadística nos ayudará; a través de Análisis de Dispersión y correlación
(regresión); solo que para estos casos; la parte crítica es seleccionar que variables son críticas,
para el modelamiento. Para este caso de “Con Rod Bearings Fail”; definimos dos variables:
1. Tasa acumulada de Desgaste (Wear Cup).

2. Horas de vida del Metal.
12
Siendo así, vamos a utilizar un Motor; que dentro del proceso de CBM se encuentra
perfectamente normal, como veremos en los siguientes gráficos:
Fig. N° 14
Trend Analysis Plot for Pb_HT052 (5,035)

Quadratic Trend Model
Yt = 3.198 - 0.138*t + 0.0044*t**2
4.0 Variable
Actual
Fits
3.5
Forecasts
3.0 3 Accuracy Measures

MAPE 43.5381
MAD 0.8278
ppm 2.5
MSD 0.9043
2.0
1.5
1.0
0 0 10 10
-1 -1 o- t-
ay Jul g c
-M 8- -A -O
11 20 15
Taken Date
Scatterplot of Acum Pb vs Component Hours

Fits
60
Linear
Quadratic
Cubic
50
40
Acum Pb
30
20
10
0 2000 4000 6000 8000 10000 12000 14000 16000

Component Hours

1/10/2011 - 21-17
______________________________________________________________________
______________________________________________________________________________________________
En el primer gráfico; a pesar de haber modelado los datos de Plomo dentro del rango y por
excepción; inclusive con una proyección; no podríamos tomar una decisión asertiva
(incertidumbre). Sin embargo, en el siguiente gráfico que puede observarse con respecto a la
tasa acumulada de desgaste (wear cup) vs la vida característica de Falla: MTTF; en realidad si
hay una situación Potencial de Falla; para ello establecimos el rango normal de desgaste
acumulado con Motores que ya habían alcanzado su vida sin Falla (normal rate). Asimismo,
esto estuvo validado estadísticamente con el grado de correlación entre estas variables: “wear
cup vs. Hours” con un 96.2%; como se muestra a continuación:
Regression Analysis: Acum Pb versus Component Hours
The regression equation is

Acum Pb = 0.80 + 0.00867 Component Hours
Predictor Coef SE Coef T P

Constant 0.803 1.333 0.60 0.556
Component Hours 0.0086735 0.0004463 19.43 0.000
S = 2.54259 R-Sq = 96.4% R-Sq(adj) = 96.2%
Ya con estas tres herramientas; mas que consolidada nuestras “estrategias On Condition”
desde el dominio Táctico. No obstante, aún teníamos Motores corriendo en operación con
estos elementos: Metales con potencialidad de Falla; además que no sería técnicamente
posible detener a todos los equipos para reemplazar estas partes generadoras de Falla antes
de que conduzcan a fallas catastróficas. Entonces, utilizando ya los análisis PDF, sectorizando
la prioridad de reemplazo de Metales basados ahora en:
1. Plomo por excepción (tendencia).

2. Filtros.
3. Tasa acumulada de desgaste vs horas.
4. MTTF.
Sectorizamos en dos universos, a los Motores que estaban corriendo en operación; tomando
como premisa principal los análisis relativos de frecuencia de Falla; a partir del MTTF; para
priorizar nuestras acciones de Mantenimiento. Obviamente, hasta el momento en que se
12
tomaron estas acciones; hubo para cada caso un plan de Acción (ICA ); que nos permitió
manejar adecuadamente el riesgo; sin mayor impacto en nuestros Planes Normales de
Mantenimiento (PM); sin impactos en nuestro proceso productivo y disponibilidad; como
muestro a continuación:
Summary for Bearing Hours Running

3K 6K 9K 12K 15K A -Squared 1.33
P -V alue < 0.005
M ean 6516.4
StD ev 4568.2
Frequency
Skew ness 0.376874
Kurtosis -0.796970
N 89
M inimum 19.0
M edian 6025.0
0 3000 6000 9000 12000 15000 3rd Q uartile 9127.0
Bearing Hours M aximum 15833.0
5554.1 7478.7
5326.4 6724.0
95% C onfidence Interv al for StD ev
9 5 % C onfidence Inter v als
3981.5 5359.1
Mean
Median
5500 6000 6500 7000 7500

1/10/2011 - 21-18
______________________________________________________________________
______________________________________________________________________________________________
Summary for Bearing Hours Suspected - Running

MTTF:3,305 (Flaking) 17N: 5,000 - 7,000 A -S quared 0.90
P -V alue 0.019
M ean 7349.1
S tD ev 3384.6
Frequency
S kew ness 0.465639
Kurtosis 0.591926
N 32
M inimum 221.2
M edian 6446.1
0 4000 8000 12000 16000 3rd Q uartile 9380.6
Bearing Hours - Running M aximum 15833.0
6128.8 8569.4
6000.0 8353.0
95% C onfidence Interv al for S tD ev
2713.5 4499.8
Mean
Median
6000 6500 7000 7500 8000 8500
Summary for Bearing Hours Non Suspected - Running

12N: 1,000 MTTF: 9,275 (E. Cavitation & C. Stress Fatigue) A -S quared 1.80
P -V alue < 0.005
M ean 6048.9
S tD ev 5082.6
Frequency
S kew ness 0.52079
Kurtosis -1.04393
N 57
M inimum 19.0
M edian 4946.2
0 4000 8000 12000 16000 3rd Q uartile 8985.8
Bearing Hours - Running M aximum 15433.7
4700.3 7397.5
3124.5 6907.9
95% C onfidence Interv al for S tD ev
4291.0 6235.0
Mean
Median
3000 4000 5000 6000 7000 8000
6.- CONCLUSION.-
Las situaciones de desafío, que enfrentamos a menudo; nos deben conducir a reemplazar
nuestros modelos de pensamiento; re – inventar nuestros enfoques de análisis con
herramientas estadísticas; que tengan los tres dominios fundamentales:
1. Descriptiva (el Problema).

2. Inferencial o Probabilística (modelar la Posible Solución).
3. Determinística (Aplicar la Solución, a través de la toma de Decisiones).
12
ICA: Interim Control Action

1/10/2011 - 21-19
______________________________________________________________________
______________________________________________________________________________________________
Fit Comparison for Con Rod Bearings Changed

RiskNormal(5003.4,4035.6)
0.41 12.55
5.0% 90.0% 5.0%
12.7% 84.2% 3.1%
1.6
1.4
1.2
Input
Minimum 200.0000
1.0 Maximum 14895.0000
Values x 10^-4
Mean 5003.3529
Std Dev 4035.5675
Values 51
0.8
Normal
0.6 Minimum −∞
Maximum +∞
Mean 5003.4000
Std Dev 4035.6000
0.4
0.2
0.0
-6
-4
-2
10
12
14
16
0
8
Values in Thousands
Finalmente, el objetivo supremo del Negocio; es “Rentabilidad” soportada en una Plataforma de

“Costo, Riesgo, Beneficio”; lo que significa que cualquier esfuerzo que hagamos por asegurar
estos objetivos; contribuirán en forma directa en los resultados y su sostenibilidad; pero
sobretodo continuidad del valor permanente: “Confiabilidad Operacional”, soportando táctica –
estratégicamente las necesidades de nuestros socios estratégicos de Operaciones &
Producción.
© Dashboard Mainatenance Management
Hoy por hoy, con costos evitados mayores a los $ 10’000,00 de dólares anuales; además de
manejar adecuadamente los riesgos asociados a este tipo de Bad Actor’s (Fallas Criticas);
somos consideramos “Benchmarking” dentro de nuestra corporación. Finalmente,
enpoderamos a cada uno de los actores en este proceso de Mejora Continua, co – accionamos
1/10/2011 - 21-20
______________________________________________________________________
______________________________________________________________________________________________
a que el recurso mas significativo de nuestro negocio, las personas siga produciendo Ideas de
Mejora; generamos confianza en nuestros clientes internos, pero sobretodo adicionamos valor
al “Rol de Mantenimiento”; como parte fundamental de la “Gestión Optimizada de los Activos”;
asegurando la “Confiabilidad Operacional” a través del uso de “Best Practices” resultado de la
creatividad de nuestros colaboradores.
Gracias,

1/10/2011 - 21-21
______________________________________________________________________

ADOLFO HUAMAN - Gestión Tactica de Fallas Criticas Con Análisis Probabilístico PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ADOLFO HUAMAN - Gestión Tactica de Fallas Criticas Con Análisis Probabilístico PDF

Cargado por

Copyright:

Formatos disponibles

Gestión Táctica de Fallas Críticas Planeamiento & Estrategia del Mantenimiento

Gestión Táctica de Fallas Críticas

Adolfo Hitler, Huaman Diaz

2009 – 2010 Pdm Equipment Health

1.- MODELO DE MEJORA CONTINUA.-

2009 – 2010 Pdm Equipment Health

2009 – 2010 Pdm Equipment Health

2.- OPORTUNIDAD DE MEJORA.-

Para muchos procesos, utilizando la filosofía de Mejora: RCM; comúnmente se desarrolla un

COST OPPORT UNIT IES - by Component - T otal R1

Total : US$ 4' 056, 591

2009 – 2010 Pdm Equipment Health

Como observamos, ya en el gráfico N° 4; tenemos una oportunidad de mejorar la confiabilidad

Como comenté anteriormente, tenemos un “Proceso de Diagnóstico” bastante consolidado

3.- GESTIÓN TIPICA “ON CONDITION”.-

Trend Analysis Plot for Pb

2009 – 2010 Pdm Equipment Health

4.- GESTION TACTICA (descriptiva).-

2009 – 2010 Pdm Equipment Health

A continuación, observamos físicamente el nivel de deterioro y daño en los Metales de Biela de

La mayoría de los Mecanismos de Desgaste, que conducían a Fallas Catastróficas como el

2009 – 2010 Pdm Equipment Health

Summary for Eng Bearings Changed 2009 - 2010

2500 3000 3500 4000 4500 5000 5500

En este Histograma, podemos observar fundamentalmente que en todo el “universo” de todos

Probability Plot of Eng Bearings Changed 2009 - 2010

2009 – 2010 Pdm Equipment Health

Probability Plot of Eng Bearings Changed 2009 - 2010

Probability Plot of Eng Bearings Changed 2009 2010

Probability Plot of Eng Bearings Changed 2009 - 2010

Probability Plot for Eng Bearings Changed

Probability Plot for Eng Bearings Changed

2-P arameter E xponential

2009 – 2010 Pdm Equipment Health

5.- GESTION TACTICA (Probabilístico).-

Probability Plot for Eng Bearings Changed by Failure Mode

F ailure M ode = F laking

Probability Plot for Eng Bearings Changed

2009 – 2010 Pdm Equipment Health

2. Erosion Cavitation & Contac Stress Fatigue.

Probability Plot for Flaking

Probability Plot for EC & CSF

2009 – 2010 Pdm Equipment Health

4. Erosion Cavitation & Contac Stress Fatigue.

PDF by Flaking, Erosion Cavitation & Contact Stress Fatigue_2009 - 2010

© Copy Right, Adolfo Hitler Huaman Diaz

1. Son Fallas aleatorias.

2009 – 2010 Pdm Equipment Health

Esto está soportado en el siguiente gráfico:

© Physical Asset Management, John S. Mitchells

Hazard Plot for Flaking Survival Plot for Flaking

2009 – 2010 Pdm Equipment Health

“Abnormal Trend Lead, “N. A.”

2009 – 2010 Pdm Equipment Health

1. Tasa acumulada de Desgaste (Wear Cup).

Trend Analysis Plot for Pb_HT052 (5,035)

3.0 3 Accuracy Measures

Scatterplot of Acum Pb vs Component Hours

0 2000 4000 6000 8000 10000 12000 14000 16000

2009 – 2010 Pdm Equipment Health

Regression Analysis: Acum Pb versus Component Hours

The regression equation is

Predictor Coef SE Coef T P