Documentos de Académico
Documentos de Profesional
Documentos de Cultura
E INDUSTRIALES
Enero 2010
(Actualizada, enero 2012)
Índice
1 Introducción. 2
2 Conceptos básicos. 6
3 Clasificación de los fallos. 8
4 Propiedades de la fiabilidad. 11
Conceptos básicos de probabilidades y estadística usados en la
5 13
fiabilidad.
6 Leyes de distribución más utilizadas en la teoría de la fiabilidad. 19
Cálculo de los índices simples y complejos. El coeficiente de
7 32
efectividad global o total.
Índices de fiabilidad propulsores en la gestión del
8 50
mantenimiento.
9 Fiabilidad de sistema o estructural 52
10 Redundancia. 56
11 Árbol de fallos. 61
12 Procedimiento para el experimento fiabilístico. 66
12.18 Elaboración de la carta de fiabilidad. 82
Demanda de intercambio de piezas y cálculo del módulo de
12.19 82
piezas de repuesto.
13 Ley de Pareto aplicada a la fiabilidad 87
14 Cálculo de las pérdidas representativas. 93
15 Uso del Statgraphics aplicado a la fiabilidad. 96
El RCM (Reliability Centered Maintenance) como filosofía de la
16 112
gestión del mantenimiento.
17 Bibliografía. 121
18 Glosario. 122
19 Auto evaluación. 127
Anexos 135
1
1. INTRODUCCION.
Etapas de la fiabilidad.
El aseguramiento de la fiabilidad es una tarea a cumplir durante todo el ciclo de
vida del artículo y posee tres etapas fundamentales:
3. La accesibilidad a todas las partes del artículo para permitir la acción del
mantenimiento durante la explotación.
Muchas actividades de mantenimiento que pudieran elevar la fiabilidad del
artículo, se ven imposibilitadas por no haberse previsto desde el diseño la
forma de su ejecución por el hombre.
Por ejemplo: la ausencia de captadores o lugares donde colocarlos impiden el
control de parámetros de diagnóstico del sistema, como temperaturas,
presiones, vibraciones, etc.
En otros casos se limita el trabajo preventivo de ajustes y regulaciones por no
contarse con los mecanismos pertinentes que se debieron prever durante el
diseño. La concepción de módulos y bloques favorece su rápido intercambio
ante un fallo, aunque en ocasiones disminuye la posibilidad de su
mantenimiento interno (sistemas o módulos sellados al explotador).
También se conciben sistemas de autocontrol que mantienen un monitoreo
continuo o al menos intermitente de importantes parámetros de la máquina,
avisando oportunamente la aparición del fallo.
C. Durante la explotación.
Cada una de estas tres etapas tiene su influencia propia en la fiabilidad de los
artículos, dependiendo su magnitud del tipo de artículo y de otro grupo de
factores.
Por ejemplo, un estudio de causas de fallos en equipos radio electrónicos arrojó
que:
a- 40-45 % eran responsabilidad del diseño.
b- Un 20 % por errores de producción.
c- Un 30 % debido a problemas de explotación.
d- Y sólo 5-7 % por procesos de desgaste natural y envejecimiento.
La Teoría de la Fiabilidad.
NOTA:
En el sistema de mantenimiento preventivo planificado la herramienta básica
es la fiabilidad.
En el sistema de mantenimiento predictivo la herramienta básica es el
diagnóstico técnico, aunque también se usa la fiabilidad.
2. CONCEPTOS BASICOS
Por la fiabilidad hay que pagar, tanto al comprar la máquina como al explotarla.
En tanto su calidad sea peor, vale decir, en tanto sus cualidades de fiabilidad
sean peores, el precio de adquisición puede ser bajo, pero para alcanzar un
recurso dado será necesario invertir más en la explotación, contrariamente a lo
que sucedería si la máquina fuera de mayor calidad.
Cad
n C lr (2.1)
CF
Donde:
n: ni vel de fiabilidad.
Cad : costo de adquisición.
CCF (lr): costo para conservar la fiabilidad en un recurso lr.
Donde:
CPR------costo en piezas de repuesto.
CM--------costo en materiales.
CMO------costo en mano de obra.
CEST-------costo para compensar la estadía.
Artículo no reparable: Es aquel que después del fallo debe ser sustituido
por otro artículo nuevo.
Deterioro: Suceso que consiste en la variación del estado normal del objeto
técnico, debido a la influencia de factores externos, que sobrepasan los
niveles establecidos.
Estado límite: Es el estado en el que se interrumpe la utilización del artículo
por criterios técnicos, económicos y/o de seguridad (humanos o ambientales).
Como índice del estado límite puede servir la rotura de la pieza, la corrosión, la
magnitud del desgaste, el elevado consumo de combustible, de aceite, la
contaminación.
Efecto del fallo: Alteración que produce el fallo del artículo en que ocurre. O
sea lo que pasa cuando falla.
Nota: Un fallo es un defecto pero un defecto no tiene por que ser un fallo.
Trabajo útil: Trabajo neto del artículo (Km, horas, toneladas, etc.).
Incipiente, son aquellos donde las condiciones que llevan al fallo y reducen la
vida del artículo están presentes, ej. La presencia de contaminación anormal
en un sistema, aunque la máquina puede no estar experimentando una
pérdida en su desempeño o degradación de sus componentes las condiciones
que lo llevarán al fallo están presentes.
Funcionales se definen como la incapacidad de un artículo para satisfacer un
estándar de funcionamiento deseado.
No evidente son los que no tienen impacto directo pero pueden provocar
consecuencias serias, Ej. Los dispositivos de seguridad que no suponen
seguridad inherente (de diseño).
Para analizar la naturaleza física de los fallos, así como para elaborar las medidas
encaminadas a pronosticarlos, los mismos se clasifican según varios factores NC-
92-10)
Esta clasificación es un tanto relativa, toda vez que el fallo súbito en general es
consecuencias del empeoramiento paulatino de las propiedades físico –
mecánicas y químicas de los materiales, lo cual permanece oculto hasta tanto no
se manifiesta el fallo.
D. Según la etapa del ciclo de vida en que se ubica su causa pueden ser:
De diseño: Se produce por decisiones no adecuadas durante el diseño y
concepción del artículo.
Tecnológicos: Sus causas se detectan por la violación de la disciplina
tecnológica y el no cumplimiento de lo establecido en la documentación
técnica para la construcción.
De explotación: Surgen por violaciones de las especificaciones de
explotación, condiciones inadecuadas, regímenes anormales y otros efectos
no establecidos.
Por envejecimiento normal: Surgen como consecuencia del desgaste
sistemático e indetenible o por los cambios en las propiedades físico –
mecánicas de los materiales durante su trabajo normal, la corrosión y la
erosión inevitables aún en condiciones normales.
E. Según su intensidad:
Total.
Parcial.
Es evidente que cada posible fallo de la máquina puede ser clasificado como se
ha expuesto y se ubica en una determinada categoría dentro de cada tipo de
clasificación. O sea, un fallo puede ser independiente, peligroso, gradual y de
diseño, u otras muchas combinaciones posibles.
Ejemplo:
a- Fallo súbito (rotura, fatiga) LDE (Ley de Distribución Exponencial)
b- Fallo gradual (debido al desgaste) LDN (Ley de Distribución Normal).
Conociendo la clasificación del fallo según la etapa del ciclo de vida, se puede
inferir la causa y donde está el problema o sea si la causa es de diseño, de
producción, explotación, etc.
Ejemplo:
1- Fallos infantiles o precoses son de diseño o de producción.
2- Fallos que ocurren aproximadamente en el mismo período son de diseño o de
producción.
3- Fallos accidentales son de explotación.
4. PROPIEDADES DE LA FIABILIDAD.
Esta propiedad es también una propiedad compleja ya que ella depende de la:
1- Diseñando bien.
2- Produciendo mejor.
3- Explotando dentro de las condiciones previstas.
4- Y ejecutando un excelente servicio de operación y mantenimiento.
Para evaluar estas propiedades existen normas que establecen todos los
índices e indicadores que permiten su valoración cuantitativa y cualitativa
(indicadores, ver epig. 7) [7]
Los procesos técnicos – productivos están influidos por una gran cantidad de
factores, muchos de carácter casual que hacen que el comportamiento de los
indicadores que los describen constituyan variables aleatorias.
Está claro que el surgimiento del fallo, así como el trabajo útil al cabo del cual
puede tener lugar son fenómenos aleatorios.
Variable aleatoria (VA) es aquella que como resultado de un experimento u
observación del comportamiento de una máquina, puede tomar cualquier valor
previamente desconocido y que depende de factores fortuitos.
Las variables aleatorias pueden ser discretas y continuas.
Las VA discretas sólo toman valores enteros, por ejemplo: la cantidad de
máquinas que requieren reparación eventual en un día, número de fallos en un
periodo dado, cantidad de piezas a cambiar en un cierto período dado.
Las VA continuas pueden tomar cualquier valor desconocido de antemano,
teóricamente de cero a infinito contenido en un intervalo, por ejemplo: el tiempo
hasta el fallo de un artículo de la máquina, el trabajo útil hasta el cambio de la
pieza, posibles valores de desgaste de una superficie.
De acuerdo con la información que se posea de la variable aleatoria objeto de
estudio, se estará en el campo de las probabilidades o en el de la estadística.
En la teoría de las probabilidades se parte del conocimiento de las características
de la población para inferir el comportamiento de muestras de ella. Es un proceso
deductivo en el cual con el conocimiento de lo general se logra el conocimiento de
lo particular.
En la estadística es lo inverso, pues a partir del conocimiento y análisis de los
datos de una muestra se infiere acerca de las características de la población. Los
métodos estadísticos son para tratar datos obtenidos mediante muestreo u
observaciones reiteradas o susceptibles de repetición.
En mantenimiento lo general es estar en este segundo caso, o sea, frente a
fenómenos aleatorios desconocidos que se investigan a partir de datos mediante
muestreo con el objetivo de establecer las leyes que pueden describirlos.
Como el objetivo es describir el comportamiento de una variable aleatoria, se
necesita conocer la probabilidad con que la misma toma un valor dado, entonces
hay que definir la Ley de Distribución.
Se define como Ley de Distribución (LD) de la variable aleatoria como la relación
que existe entre los posibles valores de la variable aleatoria y sus probabilidades
correspondientes. Con la ley de distribución se logra conocer el comportamiento
de una variable aleatoria, ya que se conoce la probabilidad con que la misma
toma un valor dado.
La ley de distribución representa la expresión matemática del comportamiento
real de fenómenos aleatorios masivos.
La ley de distribución puede representarse en forma:
1. De tabla (representación tabular).
2. Gráficamente (ej. Histograma, polígono de frecuencia (f(x)), polígono de
frecuencia acumulada (F(x)).
3. Analíticamente (leyes de distribución).
Existen dos formas típicas para expresar una ley de distribución analíticamente:
X X 1 , entonces F X 2 F X 1
2
2. Evaluada para menos infinito toma el valor cero.
F 0
F(X) F(X)
1 1
0 X X
X
X F X F X si X
P 1 2 2 1 2
X 1
X
Generalizando se tiene:
P X i
X X i X F X i
X F X i
La función densidad de distribución se define como la derivada de la función
de distribución respecto a la variable aleatoria.
f x lim
F X X F X dF X
X 0
X dX
f(X) f(X)
X1X2 X -∞ +∞X
(1) (2)
f(X) f(X)
X1 X X1 X
(3) (4)
f xi ni
(5.2)
n*
X
Donde:
f(xi) – Da los puntos de la curva de la densidad de distribución (probabilística)
ni*– Cantidad de variables en el intervalo analizado.
n - Cantidad de variables de la muestra.
∆X – Intervalo analizado.
Entre sus propiedades están:
2. Su integral entre menos infinito y más infinito vale la unidad (fig. 5.2.2):
f X dX 1
(5.5)
dX R X
1
X1
Si la variable aleatoria “X” fuese la labor (trabajo útil) hasta el fallo, entonces la
función de distribución F(x) representa la probabilidad de fallo del artículo hasta
cierta labor dada.
F( x )R( x ) 1
F ( x ) Curva de
0.5 Mortandad
R ( x ) Curva de Supervivencia
o de Fiabilidad
x 0,5 x
Fig. 5.3 - Expresión gráfica de la función de distribución y su complementaria.
Recurso medio.
Plazo de servicio.
Tiempo medio de reparación eventual.
Tiempo gamma de conservación.
Donde:
ni - frecuencia absoluta de cada intervalo o cantidad de impactos.
f(Xi) – probabilidad de que la variable tome cierto valor (frecuencia relativa o
probabilidad estadística en el intervalo).
Yi - marca de clase o diputado.
K – cantidad de intervalos.
EX
X * f X (5.12)
dX
Donde:
D(x)- varianza.
1
X E X *
2
D X (5.15)
i
n
i1
1
D X K E X * f
Si los resultados están 2expresados en intervalos de clases
Y i X i (5.16)
i 1
2 - Teniendo
la Ley de Distribución
D X x i EX 2 * f x dX
5.17 )
El cálculo de los estadígrafos constituye uno de los pasos necesarios para lograr
el ajuste de una ley de distribución de una base de datos muéstrales.
(x)
I II III
x
asent. E xplot. Normal envejecimiento
Es por ello que las leyes que definen los procesos pueden cambiar de una etapa
a otra e incluso de un proceso a otro, según sus características de
envejecimiento.
Todo esto da como resultado la famosa curva “bañera” de la figura 6.1 aceptada
por muchos especialistas en la materia, indicando que se cumplen al menos tres
tipos de leyes de distribución durante la etapa de explotación de las máquinas.
Esta es la ley que más frecuentemente se usa ya que es muy fácil de operar,
sencilla y con ensayos relativamente cortos se obtienen buenos resultados
fiables.
Tiene su campo de aplicación en:
f x (6.1)
ex
Para la condición de “” positivo (>0) y de valor constante.
ex
0
R x 1 F x (6.3)
ex
Se x aumenta → R(x) disminuye.
x 2 1
D x f xdx
x (6.5)
Ex
2
0
x 1
(6.6)
V x
x 1
(6.7)
1
E x 1
Por este resultado se puede plantear que cuando V (x) está alrededor de 1 se
puede plantear como hipótesis la LDE.
F Ex 1 eE
x *
1
(6.8)
1 e
0,63
Resulta un valor superior a 0,5 y significa que falla el 63% de la muestra al cabo
de la esperanza matemática. La representación gráfica de la función de densidad
se puede observar en la figura 6.2
f(x)
x
Fig. 6.2 Representación gráfica de f(x) para la LDE
R(x) Curva de
1 supervivencia
0 x
Fig. 6.3- Representación gráfica de R(x) para la LDE
Entonces:
Para X= E(x)
1
RE *
x E(
x) e
e1 0.37
e
Para X= 0
R0 e0 1
e*0
1
Si X aumenta R(x) disminuye Rx
e *X
f x
x
Rx eX (x) es constante, por lo que se corresponde
eX
con un flujo estacionario (que no progresa) de sucesos aleatorios.
Es importante destacar que (x) = 1 / E(x) y que es constante, esto último implica
que cuando se analiza un articulo que se encuentra en el periodo de explotación
normal se puede suponer (hipótesis) que la ley a que se ajusta es LDE.
Resumiendo las propiedades de la LDE:
1- Es uniparamétrica (su vínculo = 1, solo depende de )
2- La LDE es asimétrica.
3- La VA toma valores de 0 → ∞
4- es constante.
5- Evaluada para x = 0 f (0) = .
Ejemplo: Si se supone que R(x) = 0.9 X = 0.1*E(x) y esto significa que para
R(x) = 0.9 (o lo que es lo mismo para F(x) = 0.1) de 100 artículos hay 10 con la
probabilidad que fallen antes de alcanzar la labor 0.1*E(x).
x.
Donde:
x 0
1- Es simétrica.
2- E(x) caracteriza la posición en el eje de la abscisa. Si se mueve por el eje de
la abscisa no cambia de forma.
3- σ (x) caracteriza la forma de la curva.
1 (6.11)
x. 2
H
Donde:
H – Altura de la campana
Si σ (x) aumenta la curva se hace más chata y ancha.
Si σ (x) disminuye la curva se hace más alta y estrecha.
Esto ocurre porque el área bajo la curva es igual a 1.
4- Esta distribución crece paulatinamente hasta alcanzar un máximo y después
decrece paulatinamente.
5- Es biparamétrica ya que los parámetros que caracterizan la ley son (E(x) y σ
(x), por lo tanto el número de vínculos es 2.
6- Para esta ley, la función de distribución evaluada en la esperanza
matemática resulta 0,5 dadas las características de simetría de la distribución.
7- Teniendo en cuenta las propiedades de simetría. La variable aleatoria está
contenida en un intervalo de ±3 σ(x) con un error relativo de 1 %.
8- E(x) = 3 σ(x)
x x
9- V x
E
x
3 x
0.33
Para facilitar el trabajo con la LDN en los textos de estadística la función de
densidad de distribución viene tabulada en función de una magnitud llamada
“cuantil” de la distribución normal (U) y que se calcula por:
x E x
x
U (6.12)
Lo cual facilita los cálculos con estas funciones algo complejas ya que las
probabilidades para los valores de U están tabuladas en las tablas de los textos
de estadística..
F(x) = θ (U) =
f U * du
Como en la LDN se cumple la propiedad de simetría entonces:
Θ (-U) = 1 – θ (U), razón por lo cual en las tablas de θ(U) se limita a valores
positivos, esto se conoce como el arreglo de simetría.
f(x)
E(X) X
Fig. 6.4 -Representación de la función de densidad en la LDN.
U
0 U -U 0 U -U 0 U -∞ U U→ ∞
Esta ley contiene a otras leyes como casos particulares en función del valor que
tome el parámetro de forma o porcentil de Weibull ¨b¨
a a
Donde:
a – Parámetro de escala (da la altura de la curva)
b – Parámetro de forma (da la forma de la curva o ley particular)
c – Parámetro de desplazamiento, de ubicación o nivel inferior de vida.
e
(6.13 - B)
aa
F x 1 e a
(
6
.
1
4
)
y su función complementaria será:
x
b
b = 1 LDE
5. b = 2 LD Reyleigh o Ley de Distribución Logarítmica-Normal.
b=2 b=3
f( x) ( x )
b=3 b=2
b=1 b=1
b= 0,5 b= 0,5
x
6.5 Comportamiento de las funciones de densidad de distribución x valores de “b”.
e intensidad de fallos para diferentes
1 b
a 11 *e
*e
*
a a a a
1 x x
1
x
0
1
f x
* * e a *e a
a a a
f x e
1 x
Entonces si
a
E x
a.K
a. 1
1
(6.17)
b
b
Donde:
“” es la función gamma de Euler tabulada.
x a. C 2 a. 1
2
(6.18)
K
b
b
b
( x)
C b a
V (6.19)
( x)
E( x)
K b
E(
x)
a
Una vez hallados los valores de “a” y “b”, a través de la función gamma se
calculan fácilmente estas expresiones.
Para la determinación de “a” y “b” existen varios métodos, entre los que se
destacan los siguientes:
1 - Método de Mennon ( NC 92 – 31):
0,577226
y
1,2825498
b a e b (6.20 y 6.21)
S y
Donde:
ln Y 2
1 n
S (6.22)
y
n 1 i1 X i
n
ln X
i
Y i 1 (6.23)
n
Donde:
“X” representa a los valores que puede tomar la variable observada.
“n” es el total de valores de la muestra.
Cuando se esté ante una serie estadística como se verá en el epígrafe 12, “Xi”
puede representar a las marcas de clases Yi y en lugar de “n” se utilizará “K”
como cantidad de intervalos de clases de la serie.
ln * ln 1 ln * ln
1
1 F X 1 F X 2
b (6.24)
ln X 1 ln X 2
a X 1
(6.25)
1
b ln
1F X 1
Para X > 0 σ>0 - ∞< E(x) > ∞
Donde:
M = 0.4343 – Coeficiente de conversión de ln a log 10.
Función de distribución.
ln x E x 2
x
x
(6.25-D)
1 2 1
F x
e
2
2
dx
x
Nota:
x .
Según el Dr. Simón Figueroa (colombiano-venezolano), 1994, en Valencia
España, las concentraciones de metales del desgaste de motores de combustión
interna diesel (según la investigación de autor) se ajustaron a una LD log-N, ya
que el origen de los metales se debió al proceso de desgaste del MCI y que llegó
el momento en que el aceite falló por un incremento de la tasa de desgaste y por
perdidas de la eficiencia u obstrucción del fi ltro que sobrepasó las
concentraciones de equilibrio de los metales en el aceite.
Se utiliza para variables aleatorias discretas, es buena para modelar los defectos
de las piezas, para esperar la cantidad de defectos de máquinas que trabajan en
condiciones y tiempos semejantes.t Su función de densidad se expresa por:
f x bx ; n ; R n1 R (6.26)
R
t
n!
n x! x!
Donde:
n – Número máximo de éxitos posibles.
Por ejemplo: Máxima cantidad de defectos en una pieza.
x – Cantidad de éxitos en un caso.
Por ejemplo: La cantidad de defectos que puede tener una pieza desde cero
hasta “n”.
R – Probabilidad de al menos un éxito.
Por ejemplo: Probabilidad de que aparezca al mano un defecto. Se puede
evaluar por:
m
N
i
R i 1 (6.27)
n*N
Donde:
mi – Cantidad de defectos en la pieza “i”
N – Cantidad total de piezas en la muestra
F x bx ; n ;
La función de distribución tiene la siguiente nexpresión:
R x
n
n
1 R
t
x R (6.28)
x0
La esperanza matemática se evalúa por:
Ex n * R (6.29)
y la desviación:
x n * R * F (6.30)
Donde:
“F” es la probabilidad de no éxito:
F1
(6.31)
R
VI - Ley de Distribución Poisson.
.
x
f x e para x = 0, 1, 2, ... n (6.32)
Donde:
x!
Ex (6.34)
(6.35)
V
(6.36)
Si al ajustar una ley binomial el valor de “R” es muy bajo, se ajusta Poisson y el
valor de “” se calcula por:
n* (6.37)
R
Otras leyes de distribución y sus características se pueden estudiar en textos
especializados de estadística.
Coma la fiabilidad es una propiedad compleja hay índices para cada una de las
propiedades que la caracterizan.
a) Índices de operatividad:
1. Probabilidad de fallo:
F(x) es la probabilidad de que se produzca un fallo durante un trabajo útil dado.
F x
f xdx
N xF
F ( x) (7.1)
n
Donde:
N(x)F : Cantidad de artículos que fallan hasta “X”
n: Cantidad de artículos de la muestra
Rx f (7.3)
xdx
x
Con los datos de la serie estadística: (7.4)
N x T
R( x)
n
Donde:
N(x)T: Cantidad de artículos que trabajan hasta “x”
Es importante tener en cuenta que sin la designación del recurso el valor de R(x)
no tiene sentido.
Nota:
3. Intensidad de fallos:
(x) es la densidad probabilística del surgimiento del fallo de un artículo no
reparable durante un trabajo útil dado, es la cantidad de fallos por unidad de labor.
Donde:
N(x)F: Cantidad de artículos que fallan en el intervalo x.
x: Intervalo alrededor del valor de “x” donde se evalúa la intensidad de fallos.
N(x)T : Cantidad de artículos en buen estado técnico al cabo de la labor x.
= a* explotación (7.7)
Donde:
a - coeficiente de seguridad, para estar por encima de lo investigado.
(x) depende del carácter del defecto y de la ley de distribución que describe su
surgimiento.
LDN → (X) aumenta al aumentar el recurso.
LDE → (X) permanece constante para todos los valores de x en el periodo de
explotación normal.
(x) cambia su carácter según la etapa de vida del artículo (ver figura 6.1).
En el periodo de asentamiento (X) disminuye.
En el periodo de explotación normal (X) permanece constante.
En el periodo de envejecimiento (X) aumenta.
Existe una ecuación que permite conocer la relación entre la intensidad de fallos
x xdx
y la probabilidad de trabajo sin fallos:
Rx e 0
(7.8)
Esta expresión es la relación general entre ambos índices de operatividad.
La relación (7.8) tiene gran importancia pues permite hallar un índice al conocer el
otro.
x MTTF (Mean Time To Failure) es el valor esperado del trabajo útil hasta el
fallo del artículo no reparable.
Donde:
f(x) - Densidad de distribución de la ley ajustada.
x i K
MTTF Yi * P(x i
i 1
MTTF (7.10)
ó
n )
I 1
Donde;
“xi”: Es la labor hasta el fallo del artículo “i”.
Yi: Son las marcas de clase de la serie estadística
f(xi) = P(xi): Frecuencia relativa del intervalo “i” o probabilidad estadística de cada
intervalo.
En los artículos no reparables la labor media hasta el fallo coincide con el recurso
medio de dicho artículo.
5-Probabilidad sectorial de trabajo sin fallo.
Entonces:
Este indicador permite conocer el número de artículos que no fallarán en una labor
∆x, sin embargo R(x) es desde el comienzo de la explotación (0→X).
Ejemplo:
Si el intervalo ∆x es el recorrido que debe hacer un ómnibus desde La Habana a
Holguín, en función del valor de R (∆x) puede decidirse a cerca de la conveniencia
de realizar o no el viaje. Si R (∆x) no es alto es preferible que el ómnibus entre a
mantenimiento.
R20230
R19500,20230
R 19500
Se determina:
a - Según la ley de distribución ajustada.
W(X) = f(x) (7.12)
Además se cumple:
x
wxdx
w x *x
Rx e 0
∴ para la Rx e
LDE
b - Estadísticamente.
w x N x
F
(7.13)
Donde: N*
x
N(x)F – Todos los fallos de los N artículos reparables, los fallos pueden ser ≥ ó
menor que N.
Ejemplo:
Caso de las grúas portuarias después del periodo de asentamiento (3000 – 4000
horas):
Se calcula de forma similar al MTTF pero con las labores entre fallos como
evento.
b- Estadísticamente.
N nk
MTBF xij (7.15)
j 1 i1
Donde:
n*
n* - número total de fallos al ensayar N artículos. (n * ≥ ó menor que N)
n
n*
i 1
Nj (7.16)
Donde:
nk – número de fallos del articulo i en la labor x de ensayo.
XiJ – labor entre 2 fallos consecutivos del i-esimo artículo.
x
I 1
i
MTB (7.17)
F nk
b) Indices de durabilidad:
¿Qué diferencia existe entre recurso técnico y plazo de servicio? R/ Ver epígrafe 2
2- Recurso gamma
XR 5- Recurso medio hasta la reparación general
3- Recurso asignado 6- Recurso medio hasta la baja.
1. Recurso medio:
( X R ) es el valor esperado del recurso técnico del artículo (vida útil media). Se
evalúa similar al MTTF (7.9, 7.10) pero definiendo el evento convenientemente.
xR xR f x R (7.18)
0
dx R
b-
Estadísticamente:
x
n
Ri XR Y i * P x R (7.19)
XR i 1 ó K
n
i 1
2-Recurso gamma:
Se emplea:
a. Para determinar el recurso de garantía de los elementos componentes de la
máqui na (durante la reparación o fabricación).
b. Para determinar la periodicidad de los mantenimientos de un artículo.
Este indicador es importante para las empresas que producen equipos o aquellas
que realizan reparaciones para plantear la garantía del artículo producido o
reparado.
Por ejemplo:
Para la LDE s e cal cula:
R X
(7.20)
R
Re
X
Si RX
100
.- (80; 90; 95...., 100)
Entonces.
e
X R
100
de donde:
X R
1 100
ln
Esto quiere decir que para una probabilidad de 0.9 el recurso gamma será de
0.105 el valor de la media en el caso particular de la LDE.
Recomendaciones de %
0.8 para artículos cuyo fallo no afectan la seguridad de explotación,
100
ejemplo, reductores, cojinetes, etc.
100 0.95 – 0.98 elementos que garantizan la seguridad.
100 1 donde el fallo no puede ocurrir.
R/ Esto significa, por ejemplo, que de unas 100 máquinas de una serie dada, 80
al menos trabajarán más de 10 000 Km, claro, no se saben cuales son, pero la
cifra es muy clara para los explotadores y muy cómoda para la planificación.
2. Recurso asignado:
XRA es el trabajo útil del artículo después del cual se suspende su utilización
independiente de su estado técnico.
Se puede determinar sobre la base del estudio de fiabilidad del artículo, sobre
todo cuando se quiere una alta seguridad.
Plazo de servicio:
XS es la expresión calendarial del trabajo útil (recurso técnico) del artículo y se
relaciona con él, a través del régimen de trabajo.
X S X R (7.21)
*KR
Donde:
KR - Coeficiente del régimen de trabajo.
Toma valores entre cero y la unidad (0 < KR .1) en (d / h)
Ejemplo:
10 h de trabajo útil en un día.
1d d
K R
0,1
10h h
Si XR = 240 h
X S 240 h . 0,1d 24 días
h
X S
es el valor esperado del plazo de servicio de un artículo.
x
n
Si
i 1
X S (7.22)
n
C) Indices de mantenibilidad.
En tanto que sean peores las cualidades de operatividad de equipo, con mayor
frecuencia tendrá que ser enviado al taller para eliminarle fallos o defectos y por
consiguiente menos trabajo útil podrá realizar.
Pero en función de la mayor o menor facilidad con que se detecten esos fallos o
defectos, menor o mayor será el tiempo necesario para eliminarlos.
Indices de mantenibilidad:
Tiempo medio de reparación eventual (
) (para eliminar el fallo).
t
Tiempo medio de restauración ( t ) (para eliminar el defecto).
1
t f t (7.23)
t dt
ti
Donde:
ti - momento de inicio de la reparación.
tF - momento final de la reparación.
tø - tiempo de reparación.
f(tø) – densidad de distribución de la reparación.
b – Estadisticamente.
n
t i
t i 1
(7.24)
n
Este es el indicador fundamental de mantenibilidad, en este indicador además de
las cualidades particulares del articulo en el influyen otros factores como el nivel
de mecanización, la organización del trabajo, la calificación de los obreros, etc,
aspectos que hay que tener en cuenta al evaluar esta propiedad.
tIdF t t (7.25)
ter B
dt
0
Donde:
tm es el tiempo empleado para la ejecución del mantenimiento al artículo y “t” es
el tiempo dado.
d) Indices de conservabilidad.
Entre los indicadores de este tipo están los que valoran la estadía de la máquina
por causas técnicas.
Kd t
t (7.27)
t
IdF
Donde
:
t - Tiempo medio entre fallo (labor →operatividad)
tIdF - Tiempo medio improductivo debido al fallo (estadía→mantenibilidad)
Otra forma muy rudimentaria pero muy extendida en las empresas de determinar
el Kd es la siguiente:
EquiposDisponibles
Kd EquiposTotales (7.28)
KUT t
0.8 (7.29)
t id tRP 0.85
t F
tMTTO
Donde:
TMTT - Tiempo de mantenimiento planificado.
TRP - Tiempo de reparación planificada.
Ed * lmd → es adimensional.
La edad del equipo también se refleja en las magnitudes del Kd y del KUT.
El empeoramiento general del estado técnico del equipo a medida que aumenta la
labor trae como consecuencia la reducción del tiempo de trabajo del mismo por
causas técnicas, lo que determina la disminución de los valores de estos
coeficientes.
N i
* KUTi
KUTPONDERAD I 1 (7.33)
O N
Donde:
KUTPONDERADO - Coeficiente de utilización ponderado
K- Grupos de equipos por edades.
Ni – Cantidad de equipos en cada grupo.
KUTi – Coeficiente de utilización técnica diferenciado para cada K grupo de
equipos.
N- Cantidad total de equipos.
La valoración del KUT con la labor debe ser considerada al planificar el trabajo de
los vehículos de una base de transporte, ya que el recorrido planificado de días de
trabajo (generalmente en año), se determina por la siguiente ecuación.
Donde:
LP – Recorrido planificado al año (volumen de trabajo anual)
DT - D ías de trabajo planificado (al año).
Lmd – Recorrido medio diario
También se emplea el KUT para el cálculo empírico del tiempo de vida útil T VU
(recurso total de una máquina) a través de la siguiente ecuación.
Donde:
P – Periodicidad del ciclo interreparatorio (Km, h, ..).
K – Factor de corrección del ciclo (09 - 0.7).
nRG – Cantidad de reparaciones generales técnicamente posible que soporta la
máquina (1 – 3)
3-Coeficiente de parada.
KP tiene en cuenta los tiempos de parada no planificada. Evalúa el tiempo de
parada de la máquina por fallos técnicos.
1 Kd
KP (7.36)
Kd
EG K (7.38)
d D
Tc
Donde:
EG - Efectividad global o total del equipo (EG).
Kd – Coeficiente de disposición técnica. (0.90).
D - Eficiencia de desempeño o de rendimiento (0.95).
TC – Tasa de calidad (0.99).
εD = CU * CACT (7.39)
Donde:
CU – Coeficiente de utilización [1].
CACT - Coeficiente de aprovechamiento de la capacidad de transportación del
automóvil.
El coeficiente de utilización muestra el tiempo de trabajo que se pierde por causas
imprevistas ajenas al equipo, o sea, refleja el aprovechamiento y el grado de
organización de las operaciones de manipulación y transportación en torno a los
equipos disponibles.
EquiposTrabajando
CU EquiposDisponible (7.41)
EquiposTrabajando
D EquiposDisponibles * CACT (7.42)
EG = CA * CACT * TC (7.45)
Donde:
CA – Coeficiente de aprovechamiento. Describe lo que ha trabajado el parque de
equipo como promedio en cada jornada durante los días laborables analizados.
Nota:
CA
tiempotrabajado (7.46)
Ft
Donde:
Ft - fondo de tiempo del parque de equipos.
Donde:
Neq : Cantidad de equipos en el parque.
tmd : Tiempo medio diario.
DT: D ías trabajo al (mes, semestre, año)
Las condiciones ideales a buscar para este coeficiente son:
b- Mean Time Between Failures (MTBF) o tiempo medio entre fallos (TMEF).
Este indica el intervalo de tiempo más probable entre un arranque y la aparición
de un fallo; es decir, es el tiempo medio transcurrido hasta la llegada del evento
“fallo”. Mientras mayor sea su valor, mayor es la confiabilidad del equipo.
Uno de los parámetros más importantes utilizados en el estudio de la confiabilidad
lo constituye el MTBF, es por esta razón que debe ser tomado como un indicador
represente de alguna manera del comportamiento de un equipo específico.
Asimismo, para determinar el valor de este indicador se deberá utilizar la data
primaria histórica almacenada en los sistemas de información.
Para un diseño dado, si las reparaciones se realizan con personal calificado y con
herramientas, documentación y procedimientos prescritos, el tiempo de
reparación depende de la naturaleza del fallo y de las mencionadas
características de diseño.
A través del estudio de los factores que influyen sobre la disponibilidad, el MTTF y
el TMPR, es posible para la gerencia evaluar distintas alternativas de acción para
lograr los aumentos necesarios de disponibilidad.
Si se tiene un artículo sin fallo, se dice que el artículo es ciento por ciento
confiable o que tiene una probabilidad de supervivencia igual a uno. Al realizar un
análisis de confiabilidad a un artículo, obtenemos información valiosa acerca de la
condición del mismo: probabilidad de fallo, tiempo promedio para el fallo, etapa de
la vida en que se encuentra el equipo.
Ejercicio No. 2
Ejercicio No. 3
Ejercicio No. 4
Ejercicio No. 5
Ejercicio No. 6
Ejemplos:
Por eso en ambos ejemplos desde el punto de vista de fiabilidad están en serie.
Queda claro que entre más artículos tenga la máquina es menos fiable o sea que
su R(x) disminuye y como R(x) ≤ 1 se puede plantear:
n
y sólo para LDE la labor media hasta el fallo del sistema será:
E x S MTTFSS n (9.4)
1
S
x
i1
i
1) La fiabilidad del sistema siempre es menor que la del artículo menos fiable.
R(x)SS < R(x)min
Ejemplo:
Los neumáticos (jimaguas) de las cuñas tractivas están duplicados, pero si se
poncha una que falla la cuña tractiva.
Aquí también queda claro que entre más artículos redundantes tenga la máquina
es más fiable
n
o sea que su F(x) disminuye por lo tanto se puede plantear:
F x SP F F x 1 * F x 2 * F (9.5)
x J x 3..........
J 1
R x SP 1 F
n
1 (1 Rx J (9.6)
xJ
n
J 1
)
J 1
R X SP 1
Lo que permite escribir
1e 1
de forma abreviada:
N
X
(9.9)
1
2
3
Fig. 9.2 Sistema Paralelo (SP)
1- La fiabilidad del SP siempre será mayor que la del artículo más fiable.
2- La fiabilidad del SP aumenta con la cantidad de artículos redundantes.
3
Fig. 9.3 Sistema Paralelo (SC)
Ejercicio No. 7.
A
Ejercicio No. 8.
10- REDUNDANCIA.
Existen tres variantes de redundancia según la concepción del diseño (fig. 10.1):
I. Redundancia cargada.
II. Redundancia aligerada.
III. Redundancia no cargada.
I - Redundancia cargada.
Se denomina al caso en que los artículos repetidos se encuentran trabajando
todos con la misma intensidad o régimen de trabajo. Presenta dos variantes:
1- Al fallar uno de los artículos, el resto satisface la función del sistema
manteniendo sus intensidades de trabajo.
Por ejemplo: caso de varios relés en paralelo para cerrar determinado circuito.
2- Al fallar uno de los elementos, los restantes deben trabajar más cargados para
satisfacer la función del sistema.
Por ejemplo: una transmisión por correas múltiples donde una de ellas falla.
Aquí trabajan ambos artículos (el 1-el principal y el 2 – la reserva), en caso que se
produzca un fallo, deja de trabajar uno continuando el otro que ahora soporta
toda la carga por lo que se gasta más.
R( t ) R( t )
1+2
1+2
2
2
t1
t1
R( t ) R( t )
2
1
2
2
1
t1 t1 t
REDUNDANC IA NO CARGADA
t
REDUNDANC IA ALIGERADA
1- Artículo principal 2 - Artículo
redundante t1 - Tiempo hasta el fallo del
elemento principal
Fig. 10.1 Diferentes tipos de redundancia.
II - Redundancia aligerada.
Es el caso en que de los elementos repetidos, uno es el más cargado mientras los
demás laboran a regímenes menores. Ante el fallo del más cargado (elemento
principal), los demás elevan su nivel de trabajo para satisfacer las funciones.
Ejercicio No 9.
Datos:
1 - Motor 1=20 * 10-5 h-1 (1=0.00020 fallo /h)
2 y 5 - Poleas 2=5=10 * 10-5 h-1
3 y 4 - Correas 3=4= 40 * 10-5 h-1
6 - Arbol 6= 2 * 10-5 h-1
7 y 8 – Cojinetes 7=8= 5 * 10-5 h-1
9 y 10 – Piedras 9=10= 15 * 10-5 h-1
Por otra parte, el fallo del motor (1), el desacople de alguna de las poleas (2 y 5) o
cualquier defecto en el conjunto árbol (6) – cojinetes (7 y 8), inutilizan el equipo y
no cumple con su función.
3 9
1 2 5 6 7 8
4 10
11 12
Fig. 10.3 Esquema estructural de la máquina afiladora.
Con línea discontinua se señalan los subsistemas redundantes (11 y 12), los que
se relacionan en serie con el resto de los elementos.
Rt SC Rt 1 Rt 2 Rt 11 Rt 5 R t 6 Rt 7 Rt 8 R t 12
Para período de explotación
Rt 11 1 (1 e *t
normal se puede asumir LDE:
) 1 (1 e )
4
2 40.105*t 2
R t 1 (1 10
*t 2
) 1 (1 e15.10 *t )2
5
12 e
R t e52.10
5
*t
SCcr e cr
*t
Donde:
cr
1 2 5 6 7 8 52 *105 h1
El árbol de fallos, como su nombre lo indica, es un gráfico tipo árbol que se utiliza
para el cálculo de fiabilidad de sistemas complejos, donde se encuentran
representadas las diferentes relaciones funcionales entre elementos y
acontecimientos (eventos).
B- Símbolos de transferencias.
1-De transmisión al interior (▬►▬) son los fallos externos que afectan al
sistema.
Ejemplo: Incendios, terremotos.
2 -De transmisión al exterior (▲▬) son los fallos del sistema que afectan el
exterior.
Ejemplo: Los que contaminan el medio ambiente.
C- Símbolos de operación lógica:
Los símbolos de operación lógica representan las relaciones funcionales que
existen entre determinada cantidad de acontecimientos y su influencia en un
acontecimiento de nivel superior.
El nivel de fiabilidad en “B” es mejor que en el nivel “A” Para que falle B tiene
que fallar A1 yn A2 (Fig. 11.2).
F
F Ai F ( A1 )* F ( (11.1)
B SP J 1 A2 )
J
Esta es la evaluación cuantitativa que coincide con el esquema estructural
El nivel de nfiabilidad “B” es peor que “A”. Para que falle B tiene que fallar A 1 o A2.
R B s R( A1 ) * R( A2 (11.2)
s )
R A i
i1
Por ejemplo:
Dos correas se relacionan en paralelo siempre que la potencia a transmitir no sea
superior a cierto valor, etc., de lo contrario podrían actuar en relación serie.
B B B
Cond.
I O
A1 A2 A1 A2 A1 A2
El acontecimiento supremo.
Los acontecimientos intermedios.
Los acontecimientos primarios del tipo que sean.
Ejercicio No 10.
Respuesta:
1- Acontecimiento supremo no deseado: No es posible afilar.
El árbol de fallo para estas condiciones se presenta en la figura 11.3. Note como
el caso del motor eléctrico se ha valorado como un artículo y por ello se utiliza un
símbolo de acontecimiento primario convencional (se pudo haber analizado el
comportamiento de sus elementos componentes).
F t
1 Rt 1 Rt ASS Rt DSS Rt FSP
SC
SC
A D F
O O I
B 5 C 6 E 9 1
0
O I O
1 2 3 4 7 8
Ejercicios propuestos:
1. Plantee otro árbol de fallo para el ejercicio 9.
2. Determine el árbol de fallo para un MCI cuyo acontecimiento supremo es ¨el
motor no arranca¨.
3. Determine el árbol de fallo de la i luminación de un local cuyo acontecimiento
supremo es ¨no hay suficiente iluminación¨.
Pasos:
1. Selección de la muestra mínima.
2. Recoger la información de las variables aleatorias del artículo o los artículos
que se estén analizando de un determinado evento.
Ejemplo: Fallos de la máquina.
3. Aplicar la Ley de Pareto para determinar los fallos críticos de la máquina si así
lo desea el investigador.
4. Ordenamiento de las variables aleatorias del fallo o de los fallos que se estén
analizando en series simples crecientes o decrecientes.
Ejemplo: Fallo de la correa de distribución.
5. Determinación de la cantidad de intervalos para la serie estadística analizada.
6. Determinación del ancho del intervalo.
7. Representación tabular de la distribución de frecuencia.
8. Cálculos de los estadígrafos.
9. Limpieza de la muestra.
10. Representación gráfica.
11. Plantear la hipótesis.
12. Cálculo de función de distribución teórica
F X .
13. Cálculo de la frecuencia relativa teórica
f X para el ajuste de curva por el
método de 2
14. Cálculo de la diferencia entre la función de distribución teórica y la función
experimental para el ajuste de curva por el método Kolmogorov- Smirnov.
15. Ejecución del ajuste de curva.
16. Determinación del intervalo de confianza.
17. Cálculo de la índices simples y complejos de fiabilidad.
18. Construcción de la curva de mortandad y/o de supervivencia
19. Cálculo del intercambio de piezas.
20. Conclusiones.
Nota: Todos los índices representados con asteriscos son valores experimentales
(de la muestra)
A-Método aproximado.
n
ln 1
teo
MIN
(12.1)
1
ln R x min
Donde:
nteo MIN - Cantidad mínima de elementos que debe tener la muestra estudiada.
1 - Nivel de significación recomendado para este cálculo (0,70 - 0,98).
A mayor 1 más muestra, por lo tanto, el experimento es más fiable.
R(x)min – Probabilidad de trabajo sin fallo mínima admisible al artículo.
Ejemplo:
Si se aspira a un nivel de significación de 0,90 y la probabilidad de trabajo sin fallo
mínima admisible para el artículo es de 0,95, entonces la muestra mínima debe
ser:
ln1 0,90 2,30
nt e o MIN ln 0.05 44,89 = 45
0,95
Pasos:
1) Se establece el error relativo del recurso medio ( =0.05 - 0.1), siendo los
menores valores para aquellos elementos constructivos que garantizan la
seguridad del vehículo.
2) Se asume el coeficiente de variación de la muestra ( V x ) según el carácter
de aparición de fallo o se determina estadísticamente.
3) Se determina la relación .
V x
*
Donde:
ε – Error absoluto. 2 PE( X ) E *
( X )
(12.4)
Donde: ε - error absoluto que se comete al estimar la media poblacional E(x) a
partir de la media muestral o estimada E*(x).
U 1
(12.5)
x 1
n
Donde:
U 11 - cuantil del grado de confianza unilateral [7, Pág. 107]
11 - grado de confianza unilateral.
21 1 (12.6)
2 1
Despejando.
1 1
2 (12.7)
1
2
U
n *
(12.8)
x 2
11
min
Ejemplo:
Dado σ = 25 h, α2 (β) = 0.95 y E( X ) E *( X ) 12h
. R/ Con α2 = 0.95 sustituyendo en (12.7) se obtiene.
2 1 0.95 1
11 2
2
0.97 5
12
U 1
* x 2 * N
d *
N 1 U * x
nMIN 1
2 (12.9)
2 1
1
Donde:
N - Tamaño de la población
d - Error muestral (0 -1)
12.2- Recoger la información de las variables aleatorias (labor entre fallos)
del artículo o los artículos que se estén analizando de un determinado
evento.
Hay que obtener con la calidad necesaria la muestra de datos que representa el
fenómeno que se quiere estudiar.
Método Activo:
Se usa cuando el método pasivo no garantiza, o las condiciones son nuevas.
Es más exacto, pero demora más tiempo su recogida en espera por el banco de
datos. Ensayos acelerados se utilizan para reducir esta desventaja.
Existen cinco posibles variantes de acuerdo con los intereses del investigador y
las características del evento estudiado:
Ejemplos:
1- Si el artículo no es reparable, no tienen mucho sentido los planes “NR”.
2-Si el objetivo es estudiar el tiempo hasta el fallo, quizás es conveniente un plan
“NUr” y ahorrar tiempo sin tener que llegar a cierto recurso “T” para todos los
elementos estudiados.
Método Pasivo:
Es a través de la documentación técnica, la información es rápida pero insegura.
Nota 3. Siempre dejar entre número de la máquina (No) una o más filas para
adicionar más variables si así se desea.
I2.3.- Aplicar la Ley de Pareto para determinar los fallos críticos si así lo
desea el investigador. (Ver epíg. 13)
a - Por la ecuación:
Donde:
k – cantidad de intervalos.
n - cantidad de elementos de la muestra.
El valor que resulta debe ser redondeado a valor entero, bien por aproximación
por exceso o por defecto.
Variar el valor de “k” puede permitir obtener una serie estadística diferente y con
ello puede mejorar o empeorar el ajuste de las leyes de distribución.
b) Asumiendo:
X X
X max
(12.11)
min
k
El valor que resulta se puede redondear ligeramente. Es criterio de especialistas
en estadística que el ancho de los intervalos puede ser cualquiera, sin embargo, a
los efectos de la utilización de las leyes de distribución teóricas que se ajusten, es
conveniente tratar de que los intervalos de la serie posean igual magnitud, ya que
en MTTO no se debe condicionar el experimento.
a - La marca de clases.
Yi (el diputado) es el punto medio del intervalo y representa al mismo en los
cálculos posteriores.
Yi X X
SUP inf (12.12)
2
b - La frecuencia absoluta.
n*i es la cantidad de valores muéstrales que corresponden con un intervalo dado.
(Tarjado o impactos en cada intervalo).
* f X
* K
E X i* i
(12.15)
Y
Donde i1
:
k – Cantidad de intervalos.
Yi – Marca de clase.
f(Xi) – Probabilidad estadística o frecuencia relativa de la variable aleatoria en el
intervalo i.
El error de la media
* X (12.16)
E* X n
E * X E * X E* (12.17)
X
2. La desviación cuadrática media (desviación Standard) constituye una forma
más conveniente para expresar la varianza pues ésta tiene unidades cuadradas.
Por ello se define como:
X D X (12.18)
D X
K Y E *
X 2 * f (12.19)
i1
i X i
(x)
V X
E(x)
(12.20)
Su valor es reflejo de la posible forma de distribución de la variable. (sirve para
plantear la hipótesis). De acuerdo con el valor de este coeficiente se puede
valorar una posible ley de distribución para representar el fenómeno estudiado.
Por ejemplo:
V(X) = 0,08 – 0.6 puede indicar Ley Normal (V(X)= 0.33 → LDN pura)
V(X) = 0.6 – 1.6 puede indicar Ley Exponencial (V(X)= 1 → LDE pura)
V(X) = 2,0 puede indicar otra variante de la Weibull
Criterios.
a- Después del cálculo de los estadígrafos se puede hacer la limpieza de la
muestra, los valores tienen que estar en el intervalo E(x) 3 , los valores
extremos que están fuera de la frontera se eliminan.
Ver anexo No 1.
En la figura 12.1 se puede observar un histograma que indica una posible ley
exponencial.
El área de cada rectángulo es la frecuencia (la probabilidad) de cada clase.
La abscisa es el ancho de cada intervalo y la ordenada puede ser f(x i) o
f(x)
Lo cual se puede hacer en función del origen del fallo, del coeficiente de variación
(5.18) o del histograma.
Se calculan los valores de las frecuencias relativas teóricas para cada intervalo
f(Xi) por la expresión:
f X F X F X
i i (12.21)
i1
12.14.- Cálculo de la diferencia entre la función de distribución teórica y la
función experimental para el ajuste de curva por el método Kolmogorov-
Smirnov.
D F F *
i X X i
(12.22)
En la fiabilidad hay que buscar la ley que tenga mayor nivel de significación, ya
que con un nivel de significación dado puede ajustarse pero no ser el mejor. A
mayor nivel de significación es mejor el ajuste pero más difícil que se cumpla.
Pasos:
a.La ley se ajusta siempre que:
2
2
ca
l
tab
b. Se calcula el parámetro Chi-cuadrado por la expresión:
2
k
2
* n f
n X
i
cal
i
1
n X i
i (12.23)
f
Donde:
n f xi = n i teorico en cada intervalo (frecuencia absoluta teórica)
c. En la tabla estadística de
2
se ofrecen su valor en función de los grados de
tab
libertad “r” y del nivel de significación 1 que se exija al ajuste.
r=k–1–S (12.24)
Donde:
“S” es la cantidad de parámetros que caracterizan a la ley de distribución
(número de vínculos):
α1 = 1 - β (12.2)
Donde:
β ( α2 ) - Grado de confianza bilateral, es la probabilidad que se cumpla la
hipótesis.
Ejemplo:
Para β = 0.1 α1 = 1 – 0.1 = 0.9 que la probabilidad de cumplirse es de un
10 % ¡Es más riguroso el experimento!
Con α1 se entran en las tablas estadísticas para el ajuste de curva por el criterio
de Chi-cuadrado (2).
Con β se entran en las tablas estadísticas para el ajuste de curva por el criterio
de Kolmogorov – Smirnov.
Pasos:
a-La ley se ajusta siempre que:
D max
D adm (12.25)
D adm (12.26)
K S
n
Donde:
El parámetro Ks se obtiene de tablas en función del nivel de significación que se
desea para el ajuste.
En la Tabla 12.2 se presentan valores de Ks en función de niveles de
significación 1.
4- Criterio de Romanoski.
2 r
3 (12.27)
2*r
r = k – 1 –s
El ICONF se define como el intervalo recorrido del valor medio de la muestra donde
puede estar ubicado el valor medio de la población o sea es la probabilidad de
que la esperanza matemática de la población se encuentre en un intervalo dado
definido por el grado de confianza.
PE * ( X )
E( X ) E * ( X ) (12.28)
Donde:
- Error de ubicación de la esperanza y que depende de la ley de distribución
ajustada (ver 12.5).
β (α2) - Es la probabilidad de que la esperanza matemática se encuentre en el
intervalo señalado (ver 12.4).
Ejemplo:
E(x) = E*x 200 50 Km.
Esto significa que el tiempo de la busqueda del fallo en el taller será como
término medio no menor de 13 minutos y no mayor de 46 minutos con una
probabilidad del 95%.
E * ( X ) U1 x E( X ) E * ( X ) U
P (12.30)
x 1 1
1 n n
Donde:
U11 - Cuantil para el grado de confianza unilateral, se determina en tabla
[6 Pág. 236] entrando con el valor de 11 (ver 12.7).
σ(x) = σ*(x) → por ser muestra grande.
Ex E * X
r E X
* (12.31)
2 (12.32)
Ex E * X
1 E * X
r
Donde:
“r1” y “r2” se tabulan en función también de “ ” y de “n”.
M P I P1 * RA (12.37)
KS l
Donde:
IP1 – Demanda de intercambio de piezas durante el 1er año.
KS – Coeficiente de seguridad (1 - 1.3) (ya que se trabaja con valores medios y
puede ser que fallen más de lo calculado).
RAL – Reserva en el almacén (Stock).
Donde:
IP11 – Son las piezas que fueron cambiadas durante el 1er año de explotación y
durante el 2do año se asume que tienen un año.
I P11 F X 1 * M 11 * (12.39)
C PIM
IP22 - Son las piezas que fueron cambiadas durante el 2do año de explotación.
IP22 = IP2 - IP1 (12.40)
IP2 - Son las piezas que iniciaron la explotación y fallaron a los 2 años
IP 2 F X 2 * * CPIM (12.41)
M
Ejercicio No 11:
Determine el módulo de correas a solicitar a ATM para el 1er año y 2do año de
los 50 automóviles del ejercicio No 2.
Ejercicio No 12:
R/ Ejercicio No. 12
Pasos.
12.1 - Selección de la muestra mínima.
Xinf Xsup
clas . ni * Relat Distrib. f*(Xi).Yi [Yi –E*(X)]2.f*(Xi)
e ABS i1 . F*(Xi)
Yi ni* f*(Xi
)
1 0 3091 1545 22 22 0,2222 0,2222 343,29 9041569,2
2 3091 6182 4636 28 50 0,2828 0,5050 1311,06 3057260,5
3 6182 9273 7272 16 66 0,1616 0,6666 1248,68 6268,98
4 9273 12364 10818 14 80 0,1414 0,8080 1529,66 1184291,1
5 12364 15455 13909 6 86 0,0606 0,8686 842,88 2170734,65
6 15455 18546 17000 5 91 0,0505 0,9191 858,5 4159912,35
7 18546 21637 20091 3 94 0,0303 0,9494 608,75 4485516,93
8 21637 25141 23389 5 99 0,0505 0,9999 1181,14 12077956,84
n = 99 E(x)=7923,96 D(x)= 36183510
D X Yi E x . f * ( i ) 36183510,55km2
2
(12.19)
x
i1
ni*
Xi
12.11- Plantear la hipótesis con V(x) y el histograma.
V * (x) 0,759 Ley de distribución exponencial
12.12 −Cálculo de la función de distribución teórica
para la LDE. F X (De la población)
x
F x f x dx 1 * yi
1e
e xi
0
1 4
Ex 1,262 *10
Se calculan los valores de las frecuencias relativas teóricas para cada intervalo
f(X i) po r l a e xpr esió n (12. 2 1):
i F F X i1
fX
X i
Ver resultados en columna 6 de tabla B.
En la tabla estadística de 2
r = k – 1 – S = 8 −1−1= 6
Para 1 = 0,10 y r = 6 X2Tabulado = 5.35
Se cumple que:
2
X ca = 4.7876 <X tab, = 5.35
l 2
F(Xi+1)] n.P( X i )
PE * ( X )
E( X ) E * ( X ) (12.28)
(x )
arg( (12.35)
) n
El nombre de Pareto fue dado por el Dr. Joseph Juran en honor del economista
italiano Vilfredo Pareto (1848-1923) quien realizó un estudio sobre la distribución
de la riqueza, en el cual descubrió que la minoría de la población poseía la mayor
parte de la riqueza.
Con esto estableció la llamada "Ley de Pareto" según la cual la desigualdad
económica es inevitable en cualquier sociedad.
Hay que buscar los rubros que más influyen o quienes provocan los problemas.
Por lo tanto, el análisis de Pareto es una técnica que separa los “pocos vitales”
de los “muchos triviales” y es una herramienta de calidad que plantea “En
cualquier negocio o industria pocos elementos son vitales, mientras que la gran
mayoría no lo son”.
Recomendación de su uso:
Para identificar oportunidades para mejoras.
Para identificar un producto o servicio para el análisis de mejorar su calidad.
Cuando existe la necesidad de llamar la atención a los problemas o causas
de una forma sistemática.
Para analizar las diferentes agrupaciones de datos.
Al buscar las causas principales de los problemas y establecer la prioridad de
las soluciones.
Para evaluar los resultados de los cambios efectuados a un proceso (antes y
después).
Cuando los datos puedan clasificarse en categorías.
Cuando el rango de cada categoría es importante.
Desde la década del 80 del pasado siglo en muchas empresas del país en el
ramo del transporte se han realizado estudios de fiabilidad encaminados a
determinar las demandas de piezas de repuestos, conocer los sistemas y piezas
que más afectan a la producción, determinar los índices de fiabilidad , organizar el
sistema de mantenimiento, realizar rediseño y/o reclamaciones a los proveedores,
estas investigaciones se realizaban en la mayoría de los casos a todas los
sistemas y piezas que fallaban en las máquinas de una empresa, en otros casos
se realizaba por experiencias apoyadas en datos estadísticos.
Al realizar la investigación y aplicar la metodología de la fiabilidad a todos las
piezas y / o sistemas que fallan en un parque de máquinas se desperdiciaba
tiempo en la realización de los cálculos de piezas no críticas, pero si además se
usaba para calcular y solicitar los módulos de piezas de repuesto también se
despilfarraba dinero en piezas que en la mayoría de los casos iban a engrosar el
inventario de piezas ociosas o piezas de bajos movimiento (según la filosofía JIT
(Just In Time) el inventario se considera un despilfarro imperdonable), ambas
provocaban gastos innecesarios que en muchas entidades podían alcanzar
sumas considerables.
La Ley de Pareto vino a solucionar esta problemática al poder ser aplicada como
herramienta para determinar las piezas criticas y determinar a cuales piezas y
sistemas de la máquina hay que prestarle más atención y por lo tanto dedicarle
los recursos financieros, materiales y humanos.
Esta metodología fue incorporada (1998) a los programas de las asignaturas de
Fiabilidad que impartía el Departamento de Ingeniería del Transporte de la
Facultad de Ingeniería Mecánica del ISPJAE tanto en pregrado como en post-
grado y ha sido empleada en el estudio del comportamiento de las piezas y
sistemas de las cuñas tractivas de CUBALSE (1998) y AUSA (2005-2009), autos
taxi Citroen en PANATAXI (2001) y en los autos Peugeot 106 y Ladas 2107 en
PANATRANS (2004).
Pasos:
1.- Determinación de los rubros que se incluirán en el programa.
2.-Construir la tabla estadística a partir de las sumas totales de las magnitudes
observadas y registradas.
3.- Resumen por clases.
4. Construcción y análisis del Diagrama de Pareto.
5. Plan de medidas.
4to – Siempre hay que tomar los datos estadísticos por el mismo método (activo o
pasivo) y en el mismo lugar.
Paso No2.-Construir la tabla estadística a partir de las sumas totales de las
magnitudes observadas y registradas.
Para confeccionar esta tabla estadística se tomaron los datos de las veces que
fallaron los 10 fallos y se colocaron en la tabla en orden descendente desde la
pieza que más falló (1) hasta la que menos falló (10), posteriormente se completó
la tabla de izquierda a derecha por medio de cálculos sencillos para determinar
las clases de los fallos.
I − Por el 20 %, serán:
Al decidir esta forma, como se observa, hay que distribuir los recursos entre más
rubros y se necesita más tiempo para las acciones que se planifiquen.
Para este ejemplo se obtienen los resultados de la tabla 13.2. Tabla 13.2
1- Hay que construir diagramas con características y períodos iguales para poder
analizar la estrategia y acciones tomadas.
2- La estrategia y acciones son dirigidas a los rubros de clase A.
3- Después del plan de medida, debe observarse el alto de las barras, si han
disminuido, las acciones son efectivas, pero si se mantienen igual o han
aumentado entonces las acciones han sido malas.
4- La disminución de la altura de las barras significa una mejora equivalente a la
magnitud de la disminución.
5- Llegará el momento en que los rubros A pasen a clase B o C y estos pasen a
clase A, lo que obligará a dirigir las acciones a los nuevos rubros de la clase A.
Lo ideal sería que la altura de todas las barras sea del mismo alto.
Se les puede aplicar técnicas diagnóstico técnico para seguir la evolución del
estado técnico de dichos artículos.
Se pueden pasar de mantenimiento preventivo a predictivo.
Darles un mejor mantenimiento, usar los mejores operarios.
Darles más atención.
Asignarles más dinero.
Asignar mejores choferes, etc.
Nota importante.
Se debe destacar que la unidad empleada en este caso no es representativa para
la empresa, ya que no refleja las pérdidas totales que representa los fallos.
Para lo cual se creó un nuevo índice a evaluar que integre todos los gastos, el
cuál fue llamado Pérdidas Representativas (todas las perdidas que provoca el
fallo) y es la unidad que se recomienda usar en el estudio de los fallos en los
medios de transporte.
Pasos:
1 – Cálculo de las pérdidas representativas (P R).
.
PR CTA CCPEST ($) (14.1)
CAM
Donde:
CTA: Costo total de los artículos i que son cambiados debido al fallo.
CAM : Costo total de la acción mantenimiento debido al fallo.
CCPEST : Costo para compensar las pérdidas por estadía que provoca el fallo.
2- Cálculo del costo total de los artículos i que son cambiados debido al
fallo.
CTA K
ni ($) (14.2)
Pai
i1
Donde:
ni : Cantidad de artículos i.
pai : Precio del articulo i a partir de listados de precios.
K: Cantidad de artículos i diferentes que son cambiados debido al fallo.
CAM
C D C I ($) (14.3)
f
Donde:
CD: Costo directo.
CI: Costo indirecto.
f: Cantidad de fallos.
oi
S B OCI LM ($) (14.5)
*Th
i1
Donde:
OCI: Cantidad de trabajadores de calificación i que participan en la acción.
LM- Labor media que deben ejecutar los trabajadores de calificación i para
garantizar la acción de mantenimiento (h / acción).
Th - Tarifa horaria del personal ($/ h).
Oi: Obreros de diferentes categorías y calificación que participan en la acción de
mantenimiento.
b- Cálculo del salario complementario (SC).
Se calcula con la misma ecuación del cálculo del costo de materiales (14.8), solo
que ahora se sitúa el costo de la unidad energética ($ / kw-h), o del litro de agua,
o del metro cúbico de vapor a tal presión con la cantidad que se necesita en la
acción.
Nota:
Los costos del artículo i que se cambia debido al fallo se tienen en cuenta en la
ecuación (14,2), por lo que no están presentes en esta fórmula. Los costos por
electricidad y otros gastos se pueden tener en cuenta en los costos indirectos.
Ci Td * S B (14.9)
Donde:
Ci :Costo indirecto.
Td :Taza de distribución de los costos indirectos.
Ejemplo. Td = 1.20
6 - Costo para compensar las pérdidas por estadía que provoca el fallo.
CCPEST : = TE * TH (14.10)
Donde:
CCPEST :Costo para compensar las pérdidas por
estadía. TE: Tiempo total de estadía de la máquina
debido al fallo. TH: Tarifa horaria de servicio del vehículo
($ / h).
_
TE E f (14.11)
Donde:
_
Ejercicio No 13:
Datos:
Tabla 15.1 Valores de la variable aleatoria continúa de la muestra (tomados de
forma pasiva a través de la documentación técnica)
2541 3083 3357 3551 4259 4775 4863 5595 5747 6039 6263
6370 6851 7861 8822 9274 9506 10738 11603 12269 13966 13980
15943 16844 18240 21006 22589 22910 24271 24859 27324 31412 32091
33796 34979 35724 38721 38938 40967 41495 42500
n = 41
R/ Ejercicio No. 13
¿Qué piden?
R/ Determinar la durabilidad del artículo para realizar su cambio en un tipo de
mantenimiento planificado, por lo tanto hay que llegar hasta el paso 16 del
procedimiento (determinación del intervalo de confianza (epig. 12)).
5- Ordenamiento de la muestra.
En este caso se recolectó un total de 45 valores de la variable aleatoria de las
cuales se realizó una limpieza para eliminar valores anormales de las mismas.
Estos valores representan los valores de los km. recorridos hasta el fallo del
artículo en estudio (ver tabla 15.1, ya los datos están ordenados).
Para n = 41
k = 6.34 7 intervalos
Se decidió k = 7 intervalos, pudo haber sido 6 intervalos, esto es una decisión del
especialista.
exp resandose :
E (x E (x) E (x) 17914.11 1940.86..Km
x (x) (x) 12427.55 1372.39..Km
x 1
5.582 105.Km 1 (por propiedad de la LDE).
E(x)
D i F X F * X
i
Con
f (x) R(x) se completa la tabla 15.3
e*Yi y e*Yi
Donde:
1.22
Dadm Ks
41 0.190 (12.26)
n
donde:
Ks
para 1 = 0.1 K s = 1.22 [de tabla 12.2]
depende..de1
Sustituyendo en 12.25.
16 - Intervalo de confianza.
n
en 12.28:
Iconf (x)
E * (x) E(x) arg ( ) E * (x) arg (12.28 – B)
( )
Para =0.90 arg (0.90) 1.65
[de tabla 12.3]
(x) 12427.55
Y E(x) 1940.86km
n 41
Sustituyendo en 12.28 - B:
I conf inf E * (x) E(x) arg ( ) 17914.11 1940,86 *1,65 17914,11 32024.Km
I conf E * (x) E(x) arg ( ) 17914.11 32024km
sup
R/ Que el recorrido medio hasta el fallo será como término medio no menor de
14 711,71 km y no mayor de 21 165,51 km con una probabilidad de un 90% o
sea la media de la población se va a encontrar en ese intervalo con una =0.90.
4 8 12 162024
MT1 MT2 MT1 MT2MT1 MT3
MT1 = 4 000 km, MT-2 = 8 000 km, MT-3 =24 000 km.
Nota 1: En este manual de usuario para el uso del programa Statgraphics plus
versión 2.1 en la fiabilidad. Este fue confeccionado tomando como referencia el
procedimiento para el experimento fiabilístico (epig. 12). De esta manera será de
mayor facilidad para el lector conocedor del algoritmo, la comprensión y uso del
programa.
Untitled:
Se utiliza para colocar el listado de la unidad del elemento analizar.
The StatAdvisor:
Está disponible para el uso con la mayoría de los análisis estadísticos. La
interpretación incluye una explicación simple de los resultados. La interpretación
varía según las variables que usted usa en un análisis.
Cuando usted pulsa el botón del icono de The StatAdvisor en la barra de
herramientas de la aplicación se despliega el menú de mando. Las órdenes son:
restaure, mueva, clasifique según tamaño, minimice, aumente al máximo, cierre.
Histogram:
Representación gráfica de una distribución de frecuencias por medio de
rectángulos, cuyos anchos representan intervalos de la clasificación y cuyas
alturas representan las correspondientes frecuencias.
Pasos:
d) Seleccione:
Average (E*(x)), Std. Desviation (σ (x)), Std Error, Min., Max., Coeff.
of Var. (V(x))
ó Kolmogorov)).
a) Debe crear una hipótesis teniendo en cuenta V (x).
En este caso para V (x) = 0.7346 se puede plantear como hipótesis LDE.
g) Para definir el tipo de ley a que se quiere ajustar la curva (en este caso LDE),
sobre la pantalla marque Click Derecho, aparece una ventana, marque
Analysis Options y en la caja de diálogo Distribution Fitting Options,
seleccione la ley que se desea ajustar (Exponencial)
En este caso
Dadm = Approximate P – Value = 0.447024
Dmax = Estimated overall statistic DN = 0.13542.
Nota: # 2
De todas formas el programa brinda una respuesta en el The StatAdvisor de la
ventana. En su último párrafo se expone una explicación y la conclusión del
ajuste.
The lowest p-value amongst the tests performed equals 0,447020. Because the p-
value for this test is greater than or equal to 0.1, we can not reject the idea that
col_1 comes from an exponential distribution with 90 % or higher confidence.
En español:
El cantidad más bajo de la probabilidad estimada para la prueba ejecutada es
igual a 0, 4470. Porque la probabilidad estimada para esta prueba es mayor o
igual a 0.1 (α1 = 0,1), no podemos rechazar la hipótesis de que se ajusta a una
LDE con un grado de confianza de β = 90 %
Nota # 3
Si necesita cambiar el nivel de confianza en la estimación, marque Click
Derecho sobre la pantalla Pane Options e introduzca el nivel de confianza
deseado en la caja de diálogo que aparece en la opción Confidence Levels.
Nota:
CDF – Cumulative Distribution of the Fitted (da la curva de mortandad o
cumulative probability).
La norma SAE JA1011 especifica los requerimientos que debe cumplir un proceso
para poder ser denominado un proceso RCM.
El RCM sirve de guía para identificar las acciones de mantenimiento con sus
respectivas frecuencias a los activos más importantes. No es una fórmula
matemática y su éxito se apoya en el análisis funcional de los activos en un
determinado contexto operacional realizado por un equipo de trabajo
multidisciplinario.
El mantenimiento solo puede lograr mejoras del funcionamiento del activo cuando
el estándar de ejecución esperado de una determinada función del activo está
dentro de los límites de la capacidad y confiabilidad inherente (de diseño) del
mismo, o sea, no la puede aumentar más allá de su nivel inherente. Desde este
punto de vista el RCM no es más que una herramienta de gestión de
mantenimiento que permitirá maximizar la fiabilidad operacional a partir de la
determinación de los requerimientos reales de mantenimiento.
En el RCM las tareas preventivas solo se especifican para los activos que lo
necesitan realmente, lo que lleva a una reducción significativa de los trabajos
rutinarios.
Por ejemplo, dos activos idénticos operando en distintas plantas, pueden resultar
en planes de mantenimiento totalmente distintos si sus contextos de operación
son diferentes. Un caso típico es el de un sistema de reserva, que suele requerir
tareas de mantenimiento muy distintas a las de un sistema principal, aún cuando
ambos sistemas sean físicamente idénticos.
1. Confiabilidad humana.
2. Confiabilidad del proceso
3. Mantenimiento del artículo.
4. Confiabilidad del artículo.
Confiabilidad humana
Involucramiento
Propiedad Interfases
Confiabilidad de equipos
Estrategias Efectividad Global Extender el MTBF
16.1.3- Funciones.
Sin embargo, la bomba puede tener otras funciones asociadas, como por
ejemplo. b-” Contener al agua (evitar pérdidas)”.
Los fallos funcionales ó estados de fallo identifican todos los estados indeseables
del sistema.
Por ejemplo, para una bomba tres estados de fallo podrían ser:
Notar que los estados de fallo están directamente relacionados con las funciones
deseadas.
Una vez identificadas todas las funciones deseadas de un activo, identificar los
fallos funcionales es un problema trivial.
Un modo de fallo es una posible causa por la cual un equipo puede llegar a un
estado de fallo.
Ejemplo:
a. “Impulsor desgastado” es un modo de fallo que hace que una bomba llegue al
estado de fallo identificado por el fallo funcional, “bombea menos de lo
requerido”.
Todos los modos de fallo asociados a cada fallo funcional deben ser identificados
durante el análisis de RCM.
La razón es que el modo de fallo listado no da una idea precisa de por qué ocurre
el fallo.
Notar que este desglose en las causas que subyacen al fallo sí da una idea
precisa de por qué ocurre el fallo, y por consiguiente que podría hacerse para
manejarlo adecuadamente (lubricación, análisis de vibraciones, etc.).
Para cada modo de fallo deben indicarse los efectos del fallo asociados. El “efecto
del fallo” es una breve descripción de “qué pasa cuando el fallo ocurre”.
Por ejemplo:
El efecto del fallo asociado con el modo de fallo “impulsor desgastado” podría ser
el siguiente:
”A medida que el impulsor se desgasta, baja el nivel del tanque, hasta que suena
la alarma de bajo nivel en la sala de control. El tiempo necesario para detectar y
reparar el fallo (cambiar impulsor) suele ser de 6 horas. Dado que el tanque se
vacía luego de 4 horas, el proceso aguas abajo debe detenerse durante dos
horas. No es posible recuperar la producción perdida, por lo que estas dos horas
de parada representan un pérdida de ventas”.
Los efectos del fallo deben indicar claramente cual es la importancia que tendría
el fallo en caso de producirse.
a. Producción.
b. Calidad del producto.
c. Servicio al cliente.
d. Medio ambiente.
e. Costo operacional.
f. Seguridad.
Para que una tarea a condición sea posible, debe existir alguna condición física
identificable que anticipe la ocurrencia del fallo.
Ejemplo:
Una inspección visual de un elemento solo tiene sentido si existe algún síntoma
de fallo que pueda detectarse visualmente.
Ejemplo:
Si se está evaluando la conveniencia de chequear ruido en los rodamientos de un
motor, entonces la frecuencia va a estar determinada por el tiempo en que el ruido
es detectable y que se produce el fallo del rodamiento. Por ejemplo, si este
tiempo es de dos semanas, entonces la tarea debe hacerse a una frecuencia
menor, para asegurarse de esta forma que el fallo no ocurra en el tiempo entre
chequeos sucesivos.
Ejemplo:
Si la vida útil de un neumático es de 80 000 km, entonces la tarea de sustitución
cíclica (cambio preventivo del neumático) debería realizarse a menos de 80.000
km, para de esta forma evitar entrar en la zona de alta probabilidad de fallo.
En una empresa, planta u otra entidad se pueden usar los distintos tipos y
filosofías de mantenimiento:
Referencias:
19 – AUTO EVALUACIÓN.
A- PREGUNTAS DE COMPROBACIÓN.
1. ¿Por qué es importante la fiabilidad en la época actual?
2. ¿Qué es la fiabilidad?
3. ¿Defina el concepto de la fiabilidad según NC 92-10?
4. ¿Qué es la teoría de la fiabilidad?
5. ¿Qué estudia la teoría de la fiabilidad?
6. ¿Qué problemas resuelve la teoría de la fiabilidad?
7. ¿Por qué por la fiabilidad hay que pagar tanto al comprar como al explotar el
articulo?
8. ¿Cómo se determina el nivel de fiabilidad de una máquina?
9. ¿Cuáles son las etapas de la fiabilidad? Explíquelas.
10. ¿Qué importancia tiene el fallo del artículo en la fiabilidad?
11. ¿Por qué el carácter de aparición del fallo es útil en la fiabilidad? Ponga
ejemplos.
12. ¿Para qué sirve conocer la clasificación del fallo según la etapa del ciclo de
vida?
13. ¿Qué diferencia hay entre defecto y fallo del artículo?
14. ¿Qué diferencia hay entre recurso técnico y plazo de servicio?
15. ¿Qué es una ley de distribución? ¿Cuáles son sus propiedades y formas de
representarlas?
16. ¿Qué es la densidad de distribución?
17. ¿Cuál es una de las expresiones (ecuaciones) más importante en la
fiabilidad?
18. ¿Cuáles son los principales estadígrafos usados en la fiabilidad y como se
determinan?
19. ¿Para que sirve el coeficiente de variación porcentual?
20. ¿Por qué la fiabilidad es una propiedad compleja?
21. ¿Qué es la operatividad y explique algunos índices que la caracterizan?
22. Ídem para durabilidad.
23. Ídem para la mantenibilidad.
24. Ídem para la conservabilidad.
25. ¿Para qué sirven los índices de la fiabilidad?
26. ¿Cómo se puede analizar conjuntamente las cualidades de mantenibilidad y
de operatividad de un artículo?
27. Mencione coeficientes complejos de fiabilidad y explíquelos.
28. ¿Qué diferencia hay entre Kd y Kut?
29. ¿Qué es el coeficiente de Efectividad Global o Total del Equipo (EG) y por
qué se utiliza en la época actual?
30. Mencione los pasos para llevar a cabo un experimento fiabilístico.
31. Mencione leyes de distribución de variables aleatorias continuas y discretas.
32. ¿Cuál es el campo de aplicación y las propiedades de la Ley de Distribución
Exponencial?
33. ¿Cómo se determina f(x), F(x) y R(x) de la LDE?
34. ¿Cuál es el campo de aplicación y las propiedades de la LDN?
35. ¿Cómo se determina f(x), F(x) y R(x) de la LDN?
36. ¿Cómo se determina el cuantil en la LDN?
37. ¿Cómo se determina el cuantil negativo de la LDN?
38. ¿Cómo se determina F(x) de la LDN a partir del cuantil?
39. Mencione y explique criterios o métodos para el ajuste de curva.
40. ¿Qué es el intervalo de confianza y cuál es su importancia en el
mantenimiento?
41. ¿Qué es la carta de fiabilidad?
42. ¿Cómo se determina el módulo de piezas de repuesto usando la fiabilidad?
43. ¿Qué es un artículo complejo?
44. ¿Qué es un esquema estructural en la fiabilidad y donde se usa?
45. ¿Cuáles son las características de un sistema serie?
46. Ídem para un sistema en paralelo.
47. ¿Cómo se analiza un sistema combinado?
48. ¿Qué es la redundancia en un sistema?
49. ¿Cuáles son las variantes de redundancia y explíquelas?
50. ¿Explique el árbol de fallos o de éxitos?
51. ¿Explique la Ley de Pareto y cómo se aplica a la fiabilidad?
52. ¿Cómo se calculan las pérdidas representativas y cual es su importancia?
53. Explique la filosofía RCM y como se relacionan con la fiabilidad.
54. Explique la filosofía Mantenimiento Proactivo y como se relacionan con
la fiabilidad.
55. Explique la filosofía TPM y como se relacionan con la fiabilidad.
56. Explique la filosofía JIT y como se relacionan con la fiabilidad.
57. ¿Por qué los inventarios se consideran un despilfarro imperdonable
para una empresa que quiera ser competitiva?
58. ¿Qué relación existe entre el Diagnóstico Técnico y la Teoría de la
Fiabilidad?
1- Por dato se sabe que es una LDN (alguien hizo la investigación), E(t) = 500 h,
σ(t) = 50 h.
4- Hay que determinar F(t), al estar en una LDN se puede usar la función de
distribución normal estandarizada y trabajar con el cuantil y tablas
estadísticas.
F(t) = ø (μ) (2)
μ = (t – E(t)) / σ (t) (3)
Sustituyendo en (3).
μ = (550 – 500) / 50 = 1
Sustituyendo en (1)
R(550) = 1- F(550) = 1- 0.84134= 0.1587
a. Por dato se sabe que es una LDN (alguien hizo la investigación y por tanto el
cálculo de los índices es por la ley ajustada).
Otros datos:
E(l) = 90 000 Km., σ(l) = 30 000 Km., La = 60 000 Km., n = 50 cadenas de .
. distribución (una por cada auto).
b. ¿Qué piden? R/ Cuántas cadenas quedarán sin fallar al cabo del 1er y 2do
año de explotación de las 50 cadenas nuevas que entraron hoy a la base con
los 50 autos nuevos.
N(l1) ? y N(l2) ?
6- Hay que determinar F(l), al estar en una LDN se puede usar la función de
distribución normal estandarizada y trabajar con el cuantil y tablas estadísticas.
F(l) = ø (μ) (3)
μ = (li – E(l)) / σ (l) (4)
Sustituyendo en (4).
Para l1 = 60 000 kms
μ1 = (60 000 – 90 000) / 30 000 = - 1
Para l2 = 120 000 kms
μ 2 = (120 000 – 90 000) / 30 000 = 1
7 - Con μ se va a la tabla 6.1.
¿Cuál columna de la tabla se escoge?
R/ La columna 4, o sea de - ∞ hasta μ ya que se está analizando en un artículo
su recurso hasta el fallo (desde que nace hasta que falla).
9 - Sustituyendo en (1)
N(60 000) = 0.84 * 50 = 42 cadenas 42 cadenas en buen estado técnico
(BET) al cabo del primer año de trabajo ( fallarán alrededor de 8).
1-Datos:
n = 100 correas (una por cada auto).
No se conoce la ley de distribución.
2-¿Qué piden?
R/ Están pidiendo 2 cosas.
3 - ¿Qué se hace?
A - Solución inmediata:
Al no conocer a que ley se ajusta la correa pero si se conoce que está en el
período de explotación normal se puede asumir LDE.
Entonces:
F(E(x)) = 0.63 por propiedad de la LDE.
Entonces:
N(xi)F = 63 correas (0.63 * 100 = 63)
B- Solución teórica:
x
1- F x f xdx 1 e *X
0
F Ex 1 e *Ex
1- Datos:
λ(x) = 0.00005 h-1 → artículo no reparable
Periodo de explotación normal → se puede asumir LDE
El artículo trabaja 8 h al día.
2- ¿Qué piden?
R/ El plazo de servicio en años (xS) hasta que falle el 20 % de los artículos.
3- ¿Qué se hace?
a. F(x) + R(x) = 1
R(x) = 1 - F(x) = 1 – 0.2 = 0.8
R(x) = 80 % de los artículos no fallan.
1. Datos:
Artículo No 1 su λ(t) = 0.00005 h-1
Artículo No 2 su λ(t) = 0.000001 h-1
X = 1000 h
2. ¿Qué piden?
R/ Que artículo tiene la menor R(t).
3. ¿Qué se hace?
R1 1000
*t
e0.00005*1000 e0.05
e
R 1000
2
e*t e0.000001*1000 e0.001
R2(1000) = 1 – 0.001 = 0.999
1. Datos:
Es un artículo reparable.
Es una LDE.
E(t) = 10 000 Km.
2. ¿Qué piden?
R/ R (20 000) y F(20 000).
3. ¿Qué se hace?
Como es un artículo reparable hay que trabajar con el flujo de fallo (es similar a
λ(x)), entonces calculando W(x) por (44) para LDE.
wl f l * e*l
Por propiedad de la 1
LDE l 1 0.0001
El 10000
R 20000 eW
l
1
*l e0.000069*20000 0.24 artículos reparable
Sustituyendo en b:
i 1
1-Datos:
M = 50 autos
CPIM = 1 correa (cantidad de piezas iguales en la máquina)
F1(60 000) = 0.16
F2(120 000) = 0.84
RAL = 0 (asumiendo la reserva en el almacén (Stock)).
2-¿Qué piden?
Módulo de piezas a solicitar al inicio del 1er y 2do año de explotación.
Sustituyendo en 12.36
IP1 = 0.16 * 50 * 1 = 8 correas.
Sustituyendo en 12.37
MP1 = 8 * 1.3 - 0 = 10.4 correas.
3-Cálculo del módulo de piezas a solicitar al inicio del 2do año de explotación.
Donde:
IP11 – Son las piezas que fueron cambiadas durante el 1er año de explotación (se
asume que al final del 2do año tienen un año de explotación).
I P11 F x1 * M 11 * (12.39)
C PIM
IP22 – Son las piezas que fallaron durante el 2do año.
Sustituyendo en 12.41
Nota:
Al principio del 2do año empezaron 42 correas de las 50 que iniciaron la
explotación (8 fallaron en el 1er año).
20 – ANEXOS.
Anexos No 1 – Organigrama del Procedimiento de Cálculo Fiabilístico.
1. SELECCIÓN
DE LA MUESTRA
MÍNIMA.
SÍ
2. RECOGER LA INFORMACIÓN NO
DE LAS VARIABLES Confiable la
ALEATORIAS Información
SI se
desea
LEY DE NO se
PARETO desea
SÍ
APLICAR NO APLICAR
5.DETERMINACIÓN DE LA CANTIDAD DE
INTERVALO PARA LA SERIE
ESTADÍSTICA.
6. ANCHO DEL
INTERVALO.
7. REPRESENTACIÓN TABULAR DE LA
DISTRIBUCIÓN DE FRECUENCIA.
SÍ
8. CÁLCULOS DE LOS
ESTADÍGRAFOS.
¿Desea otro
nmin por
NO
otro 9. LIMPIEZA DE
SÍ
método? LA MUESTRA.
NO
1 2
3
1 2 3
SÍ MUESTRA GRANDE
NO
14. Cálculo
13. CÁLCULO DE LA FRECUENCIA deTEÓRICA
RELATIVA f Xentre
las diferencia PARA
la función
EL de
distribución teórica y la función experimental para el ajuste de curva por el mé
AJUSTE DE CURVA POR EL MÉTODO DEL 2 .
SÍ
METODO 2
METODO K.S.
SÍ
Método Kolmogorov NO
-Smirnov.
NO
AJ USTE DE CURVA AJ USTE DE CURVANO Proble ma Hipótesis
NO
4
SÍ SÍ
17. Cálculo de los índices simples
16. Determinación del intervalo de confianza. 4
y complejos de fiabilidad.
20. Conclusiones.