005 - Parametros de Mantenimiento

PARAMETROS DE
MANTENIMIENTO
PARAMETROS DE MANTENIMIENTO
ESQUEMA
OBJETIVO DEL CURSO

ANALISIS PROBABILISTICO
DEL MANTENIMIENTO
DISTRIBUCIONES DE
PROBABILIDAD
PARAMETROS DE
MANTENIMIENTO
CONFIABILIDAD
MANTENIBILIDAD
DISPONIBILIDAD
HENRY
CURSO PARAMETROS DE MANTENIMIENTO
VILLARROEL
OBJETIVOS
LLEGAR A CARACTERIZAR EL COMPORTAMIENTO DE LOS

EQUIPOS MEDIANTES PARAMETROS MEDIBLES CON EL FIN DE
DIAGNOSTICAR SU CONDICION
INGENIERIA DE MANTENIMIENTO
Es la rama de la
ingeniería responsable
de la definición de
procedimientos,
métodos, análisis de
técnicas a utilizar,
contratos, estudios de
costos y medios para
hacer el mantenimiento
incluyendo la
investigación y
desarrollo
HENRY VILLARROEL
INGENIERIA DE MANTENIMIENTO
ESTUDIO DE LA
INGENIERIA DE
MANTENIMIENTO
En base a la condición En base al estudio de la

Del Equipo y/o Sistema Estadística
•Tribología
•Confiabilidad
•Vibraciones Mecánicas •Mantenibilidad
•Ensayos No Destructivos •Disponibilidad
MODELOS PROBABILISTICOS
MODELOS MATEMATICOS
EN INGENIERIA, TRATAMOS DE REPRESENTAR LA REALIDAD A TRAVES DE

MODELOS MATEMATICOS.
NO HAY INCERTIDUMBRE ACERCA DEL

DETERMINAN UN UNICO RESULTADO
MODELOS DETERMINISTICOS
RESULTADO FINAL
“VARIABLE NO ALEATORIA”
HAY INCERTIDUMBRE ACERCA DEL

DETERMINAN UN RANGO
MODELOS PROBABILISTICOS DE “PROBABLES” RESULTADO
RESULTADOS
“VARIABLE ALEATORIA”
VARIABLES ALEATORIAS
SON VARIABLES CON ALGUN GRADO DE INCERTIDUMBRE ASOCIADO.

TAMBIEN SON CONOCIDAS COMO VARIABLES DISTRIBUIDAS.
TIEMPOS DE OPERACIÓN
VARIABLES ALEATORIAS TASA DE FALLAS

CONTINUAS TIEMPOS DE REPARACIÓN
VARIABLES DE PROCESOS (PRESION, TEMP. , ETC)
NUMERO DE ELEMENTOS DEFECTUOSOS
NUMERO DE EQUIPOS EN OPERACIÓN

DISCRETAS NUMERO DE BARRILES DE CRUDO
NUMERO DE ESTUDIANTES REPROBADOS

EXPERIMENTOS
EN INGENIERIA EN MANTENIMIENTO, PARA VALIDAR NUESTROS MODELOS

MATEMATICOS, REALIZAMOS EXPERIMENTOS DONDE SIMULAMOS LA REALIDAD
DEL COMPORTAMIENTO DEL EQUIPO Y/O SISTEMA Y MEDIMOS LOS RESULTADOS.
UN EXPERIMENTO PUEDE ENTENDERSE COMO UNA “MUESTRA DE LA REALIDAD
DEL COMPORTAMIENTO DEL EQUIPO Y/O SISTEMA” QUE PERMITE ,A TRAVES DE LA
OBSERVACION CONTROLADA, FORMULAR “UN MODELO”.
PARA FORMULAR MODELOS DE VARIABLES ALEATORIAS, (MODELOS
PROBABILISTICOS) ES NECESARIO HACER EXPERIMENTOS
POBLACION
UNIDADES DE INTERES
MUESTRA
PEQUEÑA PARTE REPRESENTATIVA DE LA POBLACION
ACCION
DATA DE CONFIABILIDAD
ANALISIS ESTADISTICO DE CONFIABLIDAD
INFORMACION
ACERCA DE LA POBLACION
MODELOS PROBABILISTICOS HENRY
VILLARROEL
EJEMPLO DE MODELO PROBABILISTICO

En la tabla siguiente se muestran las horas de operación antes de fallar de un montacargas de la
empresa Otinsa. Desarrollar un modelo probabilistico para las fallas del montacargas
Horas antes de fallar Causa de la falla

11 caucho
19 Carburación
28 Sistema hidráulico
15 Sistema de elevación
5 Sistema de dirección
2 Caucho
EJEMPLO DE MODELO PROBABILISTICO (Cont.)
X min = 2 Rango = X max − X min = 49 − 2 = 47

47
K = 1 + 3.33Log 8 ≅ 4 I= = 11.75 ≅ 12
X max = 49 4
Intervalos (horas) Fr f (t)
2 - 14 4 0.50
15 - 27 2 0.25
28 - 40 1 0.125
41 - 53 1 0.125
Grafica de f(t) montacargas
Frecuencia relativa (%) 0.6

0.5 0.5
0.4
0.3
0.25
0.2
0.1 0.125 0.125
0
O2 - 14 15 - 27 28 - 40 41 - 53
Intervalos de Clase
SE PUEDE ADOPTAR UN MODELO PROBABILISTICO EXPONENCIAL PARA MODELAR EL

COMPORTAMIENTO DE FALLA DEL MONTACARGAS.
DISTRIBUCIONES PROBABILISTICAS PARAMETRICAS
DISTRIBUCION NORMAL
DISTRIBUCION EXPONENCIAL
CONTINUAS
DISTRIBUCION DE WEIBULL
DISTRIBUCION BINOMIAL
DISTRIBUCION HIPERGONOMETRICA
DISCRETAS
DISTRIBUCION DE POISSON
MODELO PROBABILISTICO
EXPONENCIAL
Frecuencia relativa (%)

Es la distribución que
mejor modela la tasa de
falla constante o vida
útil de los equipos
Muchos componentes
electrónicos tales como Intervalos de Clase (tiempo)
circuitos, transistores
muestran un
comportamiento de falla
exponencial
EXPONENCIAL

Modelo matemático
f (t ) = λ − λt
e
R(t ) = − λt
e
F (t ) = 1 − R (t ) Intervalos de Clase (tiempo)
∞ ∞
MTBF = ∫ R (t )dt = ∫ λ − λt dt =
e 1
Tasa de Falla (%)

0 0 λ
f (t ) λ − λt
e
h(t ) = = =λ
R(t )e − λt
Intervalos de Clase (tiempo)

EXPONENCIAL
Modelo matemático
R(t ) = e − λt
1
Confiabilidad R(t)
haciendo t = MTBF =
λ 0.368
1
− λ 
R(t ) = e λ  = e − 1 = 0.368
MTBF
Intervalos de tiempo
EXPONENCIAL
R (t ) = e − λt
Linealizando la ecuación R(t)
0.368
ln R(t ) = −λt
Ln R(t)
y = bx + a
Aplicando regresión lineal, se obtiene la tasa de falla: MTBF
n.∑ t i . ln R(t ) − ∑ t .∑ ln R(t )
b = −λ = i
(
n. ∑ t i
2
) − (∑ t )i
2
EXPONENCIAL
Procedimiento para la predicción del MTBF y tasa de falla en la

distribución exponencial:
Agrupar los datos y graficar f(t) vs. Tiempo
Ordenar la información de los tiempos de operación en orden
ascendente (de menor a mayor)
Calcular la probabilidad de falla estadística por:
i i − 0 .3
F (t ) = 20 ≤ N ≤ 50 F (t ) = F (t ) =
i
N +1 N ≤ 20 N ≥ 50
N + 0 .4 N
i= numero de orden de observación

N=numero total de observaciones
Calcular la probabilidad de supervivencia R(t)=1-F(t)
Construir la recta de confiabilidad versus tiempos de operación en
papel exponencial
Determinar el MTBF con R(t)=37% aprox. en la grafica
EXPONENCIAL
EJEMPLO
En la tabla siguiente se muestran las horas de operación antes de fallar de un montacargas de la
empresa Otinsa. Se desea estimar la probabilidad que no falle a las 30 horas de operación
Horas antes de fallar Causa de la falla

11 caucho
19 Carburación
15 Sistema de elevación
2 Caucho
EXPONENCIAL
EJEMPLO DE APLICACIÓN DISTRIBUCION EXPONENCIAL (Cont.)
X min = 2 Rango = X max − X min = 49 − 2 = 47

47
K = 1 + 3.33Log 8 ≅ 4 I= = 11.75 ≅ 12
X max = 49 4
Intervalos (horas) Fr f (t) No. De h (t)

sobrevivientes
2 - 14 4 0.50 8 0.50
15 - 27 2 0.25 4 0.50
28 - 40 1 0.125 2 0.50
41 - 53 1 0.125 1 1.00
EXPONENCIAL
Grafica de h(t) del Montacargas

Grafica de f(t) montacargas
0.6
0.6
Tasa de falla (%)

0.5
0.5 0.5
0.4
0.4
0.3
0.3
0.25 0.2
0.2
0.1
0.1 0.125 0.125
0
0 2.0 - 14.0 15.0 - 27.0 28.0 - 40.0
O2 - 14 15 - 27 28 - 40 41 - 53
Intervalos de Clase
Intervalos de Clase
EXPONENCIAL
1. Ordenar en forma ascendente

i − 0 .3
2. Calculo de F (t ) =
N + 0 .4
3. Calculo de R(t)=1-F(t)
Ordinal (i) Tiempo F(t) R(t) R(t) en %

(horas)
1 2 0.0833 0.0833 8.33
2 5 0.2023 0.2023 20.23
3 7 0.3214 0.3214 32.14
4 11 0.4404 0.4404 44.04
5 15 0.5595 0.5595 55.95
6 19 0.6785 0.6785 67.85
7 28 0.7976 0.7976 79.76
8 49 0.9166 0.9166 91.66

R(t)=36.8%
MTBF=18 horas
EXPONENCIAL
Utilizando el método grafico, se obtiene el siguiente cuadro:
1 1
λ= = = 0.055
MTBF 18
−0.055(30)
R(30) = e = e−1.65 = 0.1920 ≅ 19%
EXPONENCIAL
Utilizando el método analítico de la regresión lineal, se obtiene el siguiente

cuadro:
Ordinal (i) Tiempo R(t) LnR(t)

(horas)
1 2 0.9167 -0.1165
2 5 0.7977 -0.2484
3 7 0.6786 -0.4004
4 11 0.5596 -0.5798
5 15 0.4405 -0.8209
6 19 0.3215 -1.1086
7 28 0.2024 -1.5141
8 49 0.0834 -2.2072
EXPONENCIAL
Aplicando el método analítico, se realiza un resumen estadístico:

n =8
8
∑t
8 8 8
i = 136 n.∑ ti .LnR(t i ) − ∑ ti .∑ LnR(ti )

i =1 −λ = i =1 i =1 i =1
2
 8 2  8 
8 n.  ∑ ti  −  ∑ ti 
∑t
i =1
i
2
= 3970  i =1   i =1 
(8)(−194.5880) − (136)(−6.9963)
−λ = = −0.04508
8 (8)(3978) − (136)2
∑ t LnR(t ) = −194.5880
i i MTBF = =
1 1
= 22.11 horas
i =1 λ 0.04508
8 R(t ) = e− λt
∑ LnR(t ) = −6.9963
i =1
i R(t = 30) = e−0.04508(30) = 0.2586 ≅ 26%
DE GAUSS O NORMAL
En mantenimiento
esta distribución
describe el periodo
de desgaste de los
equipos
También puede ser
utilizada para
modelar los tiempos
de reparación de los
equipos
MODELO PROBABILISTICO HENRY
DE GAUSS O NORMAL VILLARROEL
La tasa de falla
aumenta aumenta
sostenidamente
porque los elemento 1  t − µx 
2
−
del equipo sufren un  σ 
f (t ) =
1
σ 2π
. e 2
proceso de deterioro
∞
físico
R (t ) = 1 − ∫ f (t )dt MTBF = µx
Se define como una 0
variable aleatoria
continua x que es h(t ) =
f (t )
=
φ (Z )
R (t ) σ .R (t )
normalmente
distribuida con media µx
y varianza σ 2
1
1
Distribucion normal
estándar f(xi)
Dado que µx y σ determinan

f( x ) 0.5
completamente la
distribución normal, 0 0
entonces en la distribución 8
8 9
xi
10
x
11 12
12
normal existen familias de Variable Aleatoria

 z2 
distribuciones normales, una − 
 2 
de mas cuales la mas f (t ,0,1) =
1
σ . 2π
e
.  
importante es la distribución
normal estándar( µx = 0, σ =1 )  z2 
− 
z  2 
La distribución normal se F ( z) = ∫
−∞
1
σ . 2π
e
.  dt
puede estandarizar con:

 t − µx 
Z =  R( z ) = 1 − F ( z )
 σ 
Ejemplo de aplicación de la distribucion normal

En tabla adjunta que se muestra a continuación se muestran los tiempos de
reparación (datos agrupados) de las tareas de mantenimiento de la planta
eléctrica P-01. La Gerencia de mantenimiento desea estimar para planificación de
la próxima tarea de mantenimiento la probabilidad de reparar la planta eléctrica
entre 4 a 10 horas
Intervalos de Clase Acciones de f (t )
(horas) mantenimiento
1.1 - 2 5 0.06
2.1 - 4 10 0.18
4.1 - 6 16 0.37
6.1 - 8 22 0.64
8.1 - 10 14 0.81
10.1 . 12 10 0.93
12.1 - 14 5 0.06
14.1 - 16 1 0.01
σ = 3.14 horas
µ = 6.6 = MTTR horas
Histograma de Frecuencia Tiempos de Reparacion Planta Electrica
25
Frecuencia de Clase
20
15
10
0
1.1 - 2 2.1 - 4 4.1 - 6 6.1 - 8 8.1 - 10 10.1 - 12 12.1 - 14 14.1 - 16
Intervalos de Clase (horas)
Resolución del Problema t − µx ) 4 − 6.61

Z1 = ( )=( ) = −0.83
σ 3.14
M (4 ≤ T ≤ 10) Estandarizando los tiempos:
t − µx 10 − 6.61
M (Z 1 ≤ T ≤ Z 2 ) = ? Z2 = (
σ
)=(
3.14
) = 1.08
M (−0.83 ≤ T ≤ 1.08) = ?
= -
Z 2 = 1.08 −∞ Z 2 = 1.08 −∞ Z 1 = −0.83

Z 1 = −0.83
M ( −0.83 ≤ T ≤ 1.08) = φ (1.08) - φ (−0.83)

M ( −0.83 ≤ T ≤ 1.08) = 0.8599 - 0.2033
M (4 ≤ T ≤ 10) = 0.6560 (65.66%)

HENRY
VILLARROEL
HENRY
VILLARROEL
DE WEIBULL VILLARROEL
Es la distribución de vida mas

ampliamente utilizada en los
análisis para describir la tasa de
falla de los equipos, por su
versatilidad.
h(t)
Matemáticamente se define:
− (t / α )
β −1 β
βt 
f (t ) =   .
α α 
e
β
h(t ) = β tβ −1
α
R(t ) = e (
− t /α )β
β=Pendiente o parámetro de forma
α = Parámetro de escala (edad característica de falla)
Características:
β<1 tasa de falla
decreciente (Mortalidad
infantil)
β =1 tasa de falla
constante (vida útil)
β > 1 tasa de falla Casos particulares:
creciente (desgaste)
MTBF = α .Γ(1 +
1
) β =1 MTBF = α
β
1 β = 0 .5 MTBF = 2.α
Γ(1 + ) = Función Gamma
β
METODO GRAFICO PARA DETERMINAR LA DISTRIBUCION DE WEIBULL
R(t ) = e (
− t /α )β
PAPEL WEIBULL
F(t)
Haciendo:
β =1 t =α 0.6322
R (t = α ) = e−1 = 0 . 3678
F (t = α ) = 1 − R(t = α ) = 0.6322 t =α
METODO ANALITICO PARA DETERMINAR LA DISTRIBUCION DE WEIBULL
 1   1 
R (t ) = e− (t / α )
β
n.∑ Lnti .Ln( Ln ) − ∑ Lnti .∑ Ln Ln )
 R(t )   R(t ) 
β β= =b
t  n.∑ Lnt 2 − (∑ Lnti )
2
− LnR (t ) =  
α 
  1 
Ln Ln   = β .Lnt − β .Lnα  1   1 
  R (t )  ∑ Lnt .∑ Ln( Ln R(t ) ) − ∑ Lnt .Ln( Ln R(t ) )
2
i
− β .Lnα =     =a
n.∑ Lnt − (∑ Lnt )
2 2
i
y = b.x + a
a
Lnα =
−β
Aplicando Regresión Lineal a la ecuación
 a 
 
α= e −β 
Procedimiento para la predicción edad característica de falla y

modo de falla en la distribución Weibull:
Agrupar los datos y graficar f(t) vs. Tiempo
Ordenar la información de los tiempos de operación en orden
ascendente (de menor a mayor)
Calcular la probabilidad de falla estadística por:
i − 0 .3 i
F (t ) =
i F (t ) = N ≤ 20 F (t ) = N ≥ 50
20 ≤ N ≤ 50 N + 0 .4 N
N +1
i = numero de orden de observación
N=numero total de observaciones
Construir la recta de confiabilidad versus tiempos de operación
Determinar la edad característica de falla( α ) con F(t)=62.22% aprox.
en la grafica
Determinar β
EJEMPLO DE APLICACIÓN DE LA DISTRIBUCION DE WEIBULL

El gerente de mantenimiento de una planta eléctrica desea la probabilidad de que no falle a
las 200 horas de operación, el tiempo promedio entre fallas (MTBF) de un motor diesel.
Para este propósito disponen de los tiempos de operación en horas del equipo hasta fallar:
6,23,163,282,215,46,503,92,12,46,20
Intervalos de Frecuencia de Histograma de Frecuencia Motor Diesel

clase (horas) clase
10
0 – 100 9
Frecuencia de Clase
8
100 – 200 1
6
200 – 300 2
4
300 – 400 2
2
400 – 500 0
0
500 - 600 1 0 - 100 100 - 200 200 - 300 300 - 400 400 - 500
Intervalos de Clase (horas)
RESOLUCION UTILIZANDO EL METODO GRAFICO
i − 0.3 Ordinal Tiempo F(t) F(t) en %

F (t ) =
N + 0 .4 1 2 0.0523 5.23
2 6 0.1269 12.69
3 12 0.2015 20.15
4 16 0.2761 27.61
5 20 0.3507 30.07
6 23 0.4254 42.54
7 46 0.500 50.00
8 46 0.5746 57.46
9 92 0.6492 64.92
10 163 0.7239 72.39
11 215 0.7985 79.85
12 282 0.8731 87.31
13 503 0.9478 94.78
Graficar la recta de confiabilidad F(t) vs. Tiempo en papel Weibull

HENRY
VILLARROEL
62.22 %
α = 85 horas
Resultados por el método grafico:
β = 0.6 (Mortalidad infantil)

α = 85 horas
MTBF = α .Γ(1 + 1/ β )
MTBF = (85)(Γ(2.66))
MTBF = (85)(1.496) = 127.16 horas
0.6
 200 
− 
R (200) = e  85 
= 0.1880 ≅ 19%
RESOLUCION UTILIZANDO EL METODO ANALITICO DE LA REGRESIÓN LINEAL
Ordinal Tiempo F(t) R(t) Lnt Ln(Ln(1/R(t)))

1 2 0.0523 0.9477 0.6931 -2.9240
2 6 0.1269 0.8731 1.7917 -1.9972
3 12 0.2015 0.7931 2.4849 -1.4915
4 16 0.2761 0.7985 2.7725 -1.1297
5 20 0.3507 0.6493 2.9357 -0.8396
6 23 0.4254 0.5746 3.1354 -0.5944
7 46 0.5000 0.5000 3.8286 -0.3665
8 46 0.5746 0.4254 3.8286 -0.1569
9 92 0.6492 0.3509 4.5217 0.0461
10 163 0.7239 0.2761 5.0937 0.2523
11 215 0.7985 0.2061 5.3706 0.4570
12 282 0.8731 0.1269 5.6419 0.7248
13 503 0.9478 0.0522 6.2205 1.0827
Realizamos el resumen estadístico necesario para la aplicación de la regresión lineal

Resumen estadístico :
n = 13
13
∑ Lnt
i =1
i = 48.371
13
∑ ( Lnt )
i =1
i
2
= 211.37
13
∑ Ln( Ln(1/ R(t ))) = −7.123

i =1
i
13
∑ Lnt .Ln( Ln(1/ R(t ))) = −7.241

i =1
i i
13 13 13
n.∑ Lnti .Ln( Ln(1/ R (ti ))) − ∑ Lnti .∑ Ln( Ln(1/ R (ti )))
(13)(−7.241) − (48.371)(−7.123)
β= i =1 i =1 i =1
= = 0.631
 13 2 
13

2
(13)(211.37) − (48.371) 2
n.  ∑ Lnti  −  ∑ Lnti 
 i =1   i =1 
DE WEIBULL
13 13 13 13
∑ ( Lnt ) .∑ Ln( Ln(1/ R(t ))) − ∑ Lnt .Ln( Ln(1/ R(t ))).∑ Lnt
i
2
i i i i
− β .Lnα = i =1 i =1 i =1
2
i =1
 13 2 
13

n.  ∑ Lnti  −  ∑ Lntí 
 i =1   i =1 
(211.37)(−7.123) − (−7.241)(48.371)
− β .Lnα = = −2.831
(13)(211.37) − (48.371) 2
−2.831 −2.831
Lnα = = = 4.486
−β −0.631
α = e4.486 = 88.76 horas
MTBF = α .Γ(1 + 1/ β ) = (88.76).Γ(2.361) = (88.76)(1.463) = 129.85 horas

β 0.631
t   200 
−  − 
α 
R (t = 200) = e =e  88.76 
= 0.1883 ≅ 19%
PARAMETROS DE MANTENIMIENTO HENRY
INGENIERIA DE MANTENIMIENTO VILLARROEL
Estudio de l a Ingeniería
de Mantenimiento
Estudio del comportamiento del

Análisis de Falla Equipo y/o Sistema basado
En modelos Probabilísticos
•Confiabilidad
Análisis de Falla basado en
Análisis de Falla Técnico
La Estadística •Mantenibilidad
•Disponibilidad
•Diagrama de Pareto
• Diagrama Causa Efecto •Tasa de Falla
•AMEF •Análisis de Criticidad
CONFIABILIDAD VILLARROEL
Introducción
Todo equipo cumple una
determinada función que satisfaga
nuestras necesidades y
expectativas, pero inevitablemente
antes o después hemos sufrido las
consecuencias
negativas de sus fallas que pueden
traer consecuencias económicas y
de seguridad, tomemos 3 ejemplo:
Bombillo
Pastillas de freno de un vehiculo
Motor de un Avión
Surge la necesidad de estudiar en

profundidad los mecanismos a través
de los cuales se produce una falla para
así evitar su aparición o minimizar los
efectos, si es que llega a producirse,
esto implica:
Determinar las exigencias de
seguridad
Realizar tareas de mantenimiento
periódico.
En resumen se puede concluir que:
No siempre es fácil determinar el
momento en que el sistema falla.
No todas las fallas son igualmente

predecibles o evitables.
No todas las fallas producen las
mismas consecuencias
económicas operativas
No todas las fallas tienen las
mismas repercusiones sobre la
seguridad de los usuarios.
No todas las fallas tienen su
origen en las mismas causas
(Hardware, software, usuarios,
mantenedores).
La confiabilidad trata sobre el
estudio de las fallas de los
equipos y sistemas.
Confiabilidad. Concepto
Es la ciencia que se encarga de la

predicción, estimación u optimización de las
distribuciones de probabilidad de
supervivencias de los componentes o
sistemas (Elsayed, 2000)
“Habilidad de un activo en ejercer una

función en una condición establecida y por un
periodo de tiempo definido”. (Nava, 1996)
Probabilidad de que un equipo, maquinaria o

sistema realicen sus funciones
satisfactoriamente bajo condiciones
especificas dentro de cierto periodo de
tiempo, medido por MTBF”. (Mckenna, 1998)
Medición de la
Confiabilidad
Tiempo promedio entre
fallas (MTBF)
Tasa de Riesgo (h(t))
Confiabilidad en
sistemas No Reparables,
sistemas Reparables
Sistema No Reparables
Un equipo no reparables es
aquel cuya condición
operativa no puede ser
restaurada después de una
falla.
Su vida termina con una
“única” falla y debe ser
reemplazado.
Para caracterizarlo
probabilisticamente se
requiere estimar la “tasa de
falla λ(t)”
Sistema Reparables.
Un equipo reparable es aquel
cuya condición operativa puede
ser restaurada después de una
falla, por la acción de
reparación diferente al
reemplazo total del mismo.
Para caracterizarlo
probabilisticamente se requiere
estimar la “tasa de falla λ (t)” y
la tasa de reparación µ(t).
Además de la confiabilidad se
requiere calcular la
disponibilidad.
Tiempo promedio entre falla (MTBF):

Es una medida de la confiabilidad, representa el valor medio
entre falla.
No debe ser confundido con el tiempo medio a la falla MTTF
(Mean Time To Failure)
Si t es una variable aleatoria continua, el valor esperado puede
ser determinado por:
∞
MTBF = ∫0
t . f (t ) d (t )
R (t ) = 1 − F (t )
t
R (t ) = 1 − ∫ f ( t ) dt
0
dR ( t )
dt
= − f (t )
Tiempo promedio entre falla (MTBF)

∞ tdR ( t )
MTBF = − ∫ dt dt
0
∞
MTBF = − ∫ t .dR ( t )
0
Integrando por partes:
∫ u *dv = u *v − ∫ vdu
u = t ∴v = R(t) Sustituyendo:
∞
− ∫ tdR ( t ) = [t * R ( t ) ] −
∞
0
∫ R (t ) dt
0
0
Evaluando: R (∞) = 0, R (0) = 1

Tiempo promedio entre falla (MTBF)

∞ ∞
∫
0
tdR (t ) = ∫
0
R (t ) dt
∞
MTBF = ∫ R (t ) dt (Sistema Reparables)
0
∞
MTTF = ∫ R (t ) dt (Sistema No Reparables)
0
Tasa de Riesgo (Rate hazard): Es la propiedad de falla

instantánea de un equipo en un tiempo “t”.
f ( t ) = failure
h (t ) = R ( t ) = Re liability
Tasa de Falla
Mortalidad infantil Vida útil Periodo de desgate
Decrecimiento de Tasa de fallas constante Incremento de la

la tasa de falla tasa de falla
Tiempo de Operación (Edad o vida)
f ( t ) = failure
h (t ) =
No. de equipos que fallaron en un tiempo t
R ( t ) = Re liability No. de equipos que sobreviven en un tiempo t
Tasa de Riesgo h (t):
h(t) =
f (t) R (t ) = 1 − F (t )
R(t )
h(t ) = 1−fF(t()t )
Para el caso de una función de distribución de probabilidad exponencial:
− λt
f (t ) = λ e
t
F (t ) = ∫ f (t ) dt
0
t
F (t ) = ∫ λe−λt dt
0
Tasa de Riesgo h (t):

t
F (t ) = ∫ λe−λt dt
t − λt
= λ ∫0 dt
e
0
F (t ) = λ  λ e  −λt
= 1 − e −λt
t
−1
0
R (t ) = 1 − F (t ) ⇒ R (t ) = e − λ t
f (t ) λ −λt eλ = λ
h(t ) = e − t
R (t )
∞ ∞
MTTF = ∫0 R ( t ) dt = ∫0 e − λt
− e −λ t ∞ 1
MTTF = λ 0 = λ
Tasa de Riesgo h (t) de las distribuciones

De probabilidad mas comunes
Nombre f (t ) parámetros
h(t )
Exponencial
λ. e − λt λ λ
2
Normal 1  t − µx   t − µx 
− φ
1
. e 2  σ   σ 
 µx, σ
σ 2π σ .R (t )
 ln t − µx 
Log-Normal −
1  ln t − µx 
2
φ
 σ


µx, σ
2  σ 
1
σ .t. 2π
e t.σ .R (t )
Weibull βt
β −1
( )β β
  e
.
− t /α
t β −1 β ,α
α α  αβ
ANÁLISIS DE CONFIABILIDAD PARA SISTEMAS
PREGUNTAS CLAVES
ANALISIS DE CONFIABILIDAD
¿CUAL ES LA BASADO EN LA CONDICION
PROBABILIDAD DE QUE
FALLE EL EQUIPO? ANALISIS DE CONFIABILIDAD
BASADO EN HISTORIA DE FALLA
¿CUAL ES LA PROBABILIDAD
DE QUE LA FALLA DEL
EQUIPO HAGA FALLAR EL ANALISIS DE CONFIABILIDAD
SISTEMA Y AFECTE AL PARA SISTEMAS
PROCESO?
BLOQUE II
Confiabilidad del sistema: COMPRESION
Permite la estimación de la
probabilidad de falla o confiabilidad
BLOQUE 2 FALLA
de un sistema basándose en las
probabilidad de cada equipo
componente del sistema.
Se sustenta en diagramas de
bloques SIST 3 FALLA SIST 4 FALLA
Permite estimar la contribuciones de
cada equipo en la probabilidad de falla
o confiabilidad del sistema.
COMP.# 1 COMP.# 2 OPER.
FALLA SWITCH
FALLA FALLA FALLA
63
CONFIABILIDAD EN SERIE:
Si existe una independencia entre los
equipos:
R (s) = R(A).R(B).R(C)
Rs = ∏ (Ri )
n
i =1
La confiabilidad de un sistema en
Serie es mucho mas pequeña que la
confiabilidad de las unidades
individuales.
Ejemplo Confiabilidad en Serie:

Considere un sistema que consiste en 5 componentes, 3 de los cuales tienen una
tasa de falla constante λ1 = 5 x10 −6 / horas , λ 2 = 3 x10 −6 / horas , λ3 = 9 x10 −6 / horas , los otros dos
restantes componentes tienen un comportamiento de tasa de weibull con
parámetros. α 4 = 7650 horas , β 4 = 2 . 2 , α 5 = 14523 horas , β 5 = 2 . 1
Determine la confiabilidad del sistema en t =1000horas.
1 2 3 4 5
−6 −6 −6 −6 −6
λ1 = 5x10 / h λ2 = 3x10 /h λ3 = 9x10 / h λ4 = 7650x10 /h λ4 = 14523x10 /h
β 4= 2.2 β 5= 2.1
 3 2 
∑ ∑ βi
 − λit − ( t / αi ) 
Rs(t ) = e  i =1 i =1 
Ejemplo Confiabilidad en Serie (Continuación):
( −6
) ( −6 −6
) ( ) = 0.017
3 1
∑ λ it = λ λ λ t = 5 x10 + 3 x 10 + 9 x 10 * 1000 h
i =1 1+ 2 + 3
horas
βi 2 .2 2 .1
2 t   1000 h   1000 h 
∑   =   +   = 0 . 0113 + 0 . 0036 = 0 . 0149

i =1 α i   7650 h   14523 h 
( − 0 . 017 − 0 . 0149 ) − 0 . 0319

Rs (1000 ) = e = e
(
Rs 1000 ) = 0 .9686
Rs (1000 ) = 96 . 86 %
CONFIABILIDAD EN PARALELO:
Asumiendo independencia tenemos:
F= FALLA, F+R=1
Fs = F ( A ) .F( B ).F(B)
n
Fs = ∏ (1 − Ri )
i =1
La confiabilidad de un sistema de un sistema

en paralelo, entonces es:
n
Rs = 1 − ∏ (1 − Ri )
i =1
EJEMPLO CONFIABILIDAD EN PARALELO:

Considere un sistema en paralelo con 2 componentes que tienen
una tasa de falla constante de λ1 = 0 .5 x10 −6 / h , λ 2 = 0 .3 x10 −6 / h Cuál es
la confiabilidad del sistema a las 1000 horas?, ¿Cuál es la tasa de
Falla del sistema? λ 1
λ 2
( e−λit )
2
Rs ( t ) = 1 − ∏ 1 −
i =1
Rs ( t ) = 1 − (1 − e
−λ t
1
)(1 − e − λ2t
)
Rs ( t ) = 1 − (1−e )(1−e )
−0.000005(1000) −0.000003(1000)
Rs (t ) = 1 − (0.0049)(0.0029)
Rs (t ) = 0.999 ≅ 99%
CONFIABILIDAD DE SISTEMA K DE N:
Existen sistemas que no pueden ser considerados que fallan
completamente hasta que al menos K componentes de N
componentes no hayan fallado, estos sistemas son conocidos con
“K de N”.
Ejemplo de sistemas K de N:
Avión, Cables, Plantas de generación de potencia.
Asumiendo que todas las unidades tienen idénticas e
independientes las distribuciones de vida y la probabilidad que una
unidad este funcionando es P, entonces la probabilidad que
exactamente K unidades estén funcionando de n es:
R (k , n, P ) = ∑
n
 n  . P k . (1 − P )
n−k
r =k k
Ejemplo de sistema K de N:
Considere el sistema de bomba de crudo mostrado en la figura. La confiabilidad de todas las bombas son
iguales y Rp = 0.8. Adicionalmente, las válvulas de bloqueo y las válvulas check de las bombas tienen una
confiabilidad de 0.99. Finalmente la confiabilidad de la válvula de control en la descarga del sistema es de
0.98 y las válvulas del by pass y de entrada tienen una confiabilidad de 0.98. El sistema requiere que 2 de
las 5 bombas estén en funcionamiento para cumplir con el requerimiento de la empresa
Rp=0.80
RV=0.9
1 RVc=0.99 RVb=0.99
9
RVc=0.98
2
3
RV=0.9
8 4
RV=0.9
8
5
DIAGRAMA DE BLOQUE DEL SISTEMA:

Rv =0.99 Rp =0.80 Rvc =0.99 Rvb =0.99
Rv =0.99 Rp =0.80 Rvc =0.99 Rvb=0.99
Rvc =0.98
Rv =0.99 Rp =0.80 Rvc =0.99 Rvb =0.99
RV =0.98
Rp =0.80 Rvc =0.99 Rvb =0.99 Rv =0.98

Rv =0.99
Rv =0.99 Rp =0.80 Rvc=0.99 Rvb =0.99
4
Para el sistema A: Válvula de bloqueo- bomba – válvula check - válvula de bloqueo ∴ Rs = ∏i =1
Ri ,
Ra =(0.99)(0.80)(0.99)(0.99) = 0.7762
DIAGRAMA DE BLOQUE DEL SISTEMA (continuación)

Ra =0.776
Ra =0.776 Rvc =0.99
Rv =0.99
Ra =0.776
Rv =0.99
Ra =0.776
Ra =0.776
Para un requerimiento del sistema Ra, es un sistema K de n, ya que se requieren que 2 de las 5
bombas estén en funcionamiento
5
5
Rs ( 2 , 5 , 0 . 776 ) = ∑   (0 . 776 )2 (1 − 0 . 776 )3
r=2 2
5 5 5
Rs ( 2 , 5 , 0 . 776 ) =   (0 . 776 )2 (1 − 0 . 776 )3 +   (0 . 776 )3 (1 − 0 . 776 )2 +   (0 . 776 )4 (1 − 0 . 776 )1 +
2 3 4
5
  (0 . 776 ) (1 − 0 . 776 )
5 0
 
5
Rs ( 2 , 5 , 0 . 776 ) = 0 . 989
Diagrama de Bloque del Sistema ( continuación):

Rvc =0.98
2 de 5
RV =0.98 Rs =0.989
Rv =0.98
[ ] [ ][ ]
2
Rvc + by − pass = 1 − ∏ 1 − Ri (t ) = 1 − 1 − 0.98 * 1 − 0.98 = 0.996 ≅ 99.6%
i =1
Finalmente, la confiabilidad de todo el sistema de bombeo viene dada por:
R R R *R
sist .bombeo = v ( entrada ) sist .( bombas ) vc + by − pass
R 0.98 * 0.989 * 0.996 = 0.965 ≅ 96.5%

sist .bombeo =
SISTEMAS COMPLEJOS DE CONAFIABILIDAD
• Existen sistema que no pueden ser

modelados o son difíciles de modelar
A D
como sistema serie, paralelo, o K de N,
por ejemplos sistemas de
comunicaciones, redes de computación.
B
• La confiabilidad de estos sistemas
complejos puede ser determinada por
otros métodos, entre otros Método de la
tabla de la verdad de Booleana. C E
Método de la tabla de la verdad Booleana:

Se basa en la condición de los componentes, si funcionan o no.
Una columna es creada en la tabla de cada componente con valores de 0 y 1 para
indicar que un componente esta funcionando o no respectivamente. Cada columna en
la tabla entonces representa un estado del sistema (probabilidad de estado). La
confiabilidad del sistema es la suma de todas las probabilidades de estado donde el
sistema funciona.
Ejemplo:
Calcular la confiabilidad del sistema mostrado utilizando el método de la tabla de la verdad Booleana,
Donde R(E) = 0.6, R(A) = 0.7, R(B) = 0.8, R(C) = 0.9 y R(D) = 0.78
A B C
D
El número de probabilidades de estado (PE) viene dado por la siguiente ecuación:
PE = 2 n
Donde n representa en número de componentes del sistema, para este caso: n=5
PE = 25 = 32
El siguiente paso es encontrar las diferentes combinaciones de equipos en estado

operativo (1) o de falla (0) en el sistema funcione (1), donde se encontrará la
probabilidad de estado que es el productos de las diferentes probabilidades, las
suma de todas las propiedades de estado donde el sistema esta funcionando será
la confiabilidad del sistema.
A B C D E Estado Probabilidad de estado (PE)

del
sistema
1 0 1 0 0 0 0
1 0 0 1 1 1 R(A)F(B)F(C)R(D)R(E)=(0.7)(0.2)(0.1)(0.78)(0.6)=0.0065
1 0 0 1 0 0 0
1 0 0 0 1 1 R(A)F(B)F(C)F(D)R(E)=(0.7)(0.2)(0.1)(0.22)(0.6)=0.0018
1 0 0 0 0 0 0
0 1 1 1 1 1 F(A)R(B)R(C)R(D)R(E)=(0.3)(0.8)(0.9)(0.78)(0.6)=0.1010
0 1 1 1 0 1 F(A)R(B)R(C)R(D)F(E)=(0.3)(0.8)(0.9)(0.78)(0.4)=0.0673
0 1 1 0 1 0 0
0 1 1 0 0 0 0
Continua…
A B C D E Estado Probabilidad de estado (PE)

del
sistema
1 1 1 1 1 1 R(A)R(B)R(C)R(D)R(E)=(0.7)(0.8)(0.9)(0.78)(0.6)=0.2358
1 1 1 1 0 1 R(A)R(B)R(C)R(D)F(E)=(0.7)(0.8)(0.9)(0.78)(0.4)=0.1572
1 1 1 0 1 1 R(A)R(B)R(C)F(D)R(E)=(0.7)(0.8)(0.9)(0.22)(0.6)=0.0665
1 1 1 0 0 1 R(A)R(B)R(C)F(D)F(E)=(0.7)(0.8)(0.9)(0.22)(0.4)=0.0443
1 1 0 1 1 1 R(A)R(B)F(C)R(D)R(E)=(0.7)(0.8)(0.1)(0.78)(0.6)=0.0262
1 1 0 1 0 0 0
1 1 0 0 1 1 R(A)R(B)F(C)F(D)R(E)=(0.7)(0.8)(0.1)(0.22)(0.6)=0.0073
1 1 0 0 0 0 0
1 0 1 1 1 1 R(A)F(B)R(C)R(D)R(E)=(0.7)(0.2)(0.9)(0.78)(0.6)=0.0589
1 0 1 1 0 1 R(A)F(B)R(C)R(D)F(E)=(0.7)(0.2)(0.9)(0.78)(0.4)=0.0393
1 0 1 0 1 1 R(A)F(B)R(C)F(D)R(E)=(0.7)(0.2)(0.9)(0.22)(0.6)=0.0166
Continua…
A B C D E Estado del Probabilidad de estado (PE)

sistema
0 1 0 1 1 0 0
0 1 0 1 0 0 0
0 1 0 0 1 0 0
0 1 0 0 0 0 0
0 0 1 1 1 1 F(A)F(B)R(C)R(D)R(E)=(0.3)(0.2)(0.9)(0.78)(0.6)=0.0252
0 0 1 1 0 1 F(A)F(B)R(C)R(D)F(E)=(0.3)(0.2)(0.9)(0.78)(0.4)=0.0168
0 0 1 0 1 0 0
0 0 1 0 0 0 0
0 0 0 1 1 0 0
0 0 0 1 0 0 0
0 0 0 0 1 0 0
0 0 0 0 0 0 0
15
Rs = ∑ PEi = 0.8715
i =1
MANTENIBILIDAD VILLARROEL
Mantenibilidad
Probabilidad de un
equipo, maquinaria o
sistema pueda ser
restaurado a
condiciones normales
de operación dentro de
un periodo de tiempo
dado cuando su
mantenimiento ha sido
realizado de acuerdo a
procedimientos
establecidos
Tiempo fuera de servicio
Tiempo activo de mantenimiento Tiempo en demoras logísticas Tiempo en demoras administrativas
Mantenimiento Correctivo Mantenimiento Preventivo
Tiempo de Tiempo de Tiempo de Tiempo de

Reparación Inspección Servicio Checkout
Reparación del
elemento en sitio
Verificación de
Reensamble Ajuste,
Reparación del Localización y Desensamblaje condiciones
del equipo calibración o
Mantenimiento aislamiento de del equipo Reemplazo del (Checkout
alineación, etc.
elemento fallado con
falla repuesto
MANTENIBILIDAD
Medición de la
Mantenibilidad
Medición basada en tiempo
(Tiempo promedio de
Reparación, MTTR)
Medición basada en carga de
trabajo (Horas hombres de
mantenimiento, Horas
hombres por acciones de
mantenimiento)
Medición basada en costos
de las tareas (Costo
promedio de la tarea, costo
anual)
Medición de la mantenibilidad basada en tiempo

La función mantenibilidad es una distribución de la variable
aleatoria del Tiempo medio a reparar MTTR (Mean Time To Repair),
que representa el tiempo de ejecución de una tarea de
mantenimiento cualquiera, ya sea preventiva o correctiva:
t
M ( t ) = P ( MTTR ≤ t ) = ∫ m ( t ) dt m(t)= La función de densidad

de la variable aleatoria MTTR
0
En este curso trabajaremos con dos tipos de distribuciones

que mejor simulan la mantenibilidad:
- La distribución de Gauss o Normal
- La distribución Weibull
- La distribución de Gumbel Tipo I
- La Exponencial
Distribución Normal:
Tienen aplicación en tiempos de
reparaciones de los equipos mecánicos y
electromecánicos.
Definición: Es una variable aleatoria
continua x que esta normalmente
distribuida con la media µ χ y varianzaσ 2
1  t−µ χ 2
− *  
1 2  σ
f (t ) = * e 
σ 2π
∞
MTTR = µ χ
M (t ) = ∫
0
f ( t ) dt
EJEMPLO DE APLICACIÓN
En la tabla 1 se muestran los tiempos en minutos de las actividades de mantenimiento
correctivo de un montacargas. Se desea determinar las siguientes interrogantes:
a)¿Cuál será la probabilidad de presentarse una falla de hacer la tarea de mantenimiento
correctivo entre 52 y 72 minutos?
b)¿Cuál es el tiempo por debajo del cual se comportaran el 85% de las tareas de
mantenimiento correctivo?
Tabla 1
51 71 75 67 86 58 52 64 41 74
48 55 43 72 30 39 64 45 63 37
70 37 48 71 69 83 57 83 46 72
33 59 97 66 93 76 68 50 65 63
75 63 51 69 75 64 54 53 59 92
Ejemplo de aplicación (Continuación)
Frecuencia de Mantenimeinto Correctivo del M ontacargas

Intervalos de Frecuencia de
clases Clase
14
30 - 39.5 5
Frecuencia de Clase
12
40 – 49.5 6 10
8
50 – 59.5 11
6
60 - 69.5 12 4
70 - 79.5 10 2
0
80 - 89.5 3
30 - 39.5 40 - 49.5 50 - 59.5 60 - 69.5 70 - 79.5 80 - 89.5 90 - 99.5
90 - 99.5 3 Intervalos de Clase en Minutos

n χ i 3096
a. µ χ = MTTR = ∑ = = 61 .92 min
i =1 n 50
2
∑ ( xi − µ x ) 12138
σ = = = 15 . 74 min
n −1 49
(52 − 61 .92 ) (72 − 61 .92)
Z1 = = −0.63 Z2 = = 0.64
15 .74 15 .74
φ(Z1 ) = 0.2643(tabla) φ (Z2 ) = 0.7389(tabla)
M ( Z1∠X∠Z 2 ) = φ ( Z 2 ) − φ ( Z1 )
= 0.7384 − 0.2643
M (52∠X∠72) = 0.4741 ≡ ( 47.41%)
Z1 Z2

b. 0.85 = M (t = ?) ⇒ 0.85 = φ ( z )
Por tabla A3
φ ( z = ?) = 0.8508 ⇒ Z = 1.04
 tmc − µx 
Z =  ⇒ tmc = Z.σ + µx ⇒ tmc = 78.26min
 σ 
Función acumulativa de Gumbel I

Distribución de probabilidad de
e − a (t − u )
Gumbel I P( t ) = e −
La distribución de Gumbel I es u= Media o edad característica para reparar

utilizada en mantenimiento para
1
predecir la mantenibilidad de los a= Inverso de la pendiente de la recta de
equipos, ya que los tiempos de m mantenibilidad
reparación de los equipos obedecen t = Tiempo estimado para el próximo trabajo
a la ley del efecto proporcionado.
a, u = Coeficientes de la distribución Gumbel I
La Ley del efecto proporcionado a= Parámetro de dispersión
expresa que en si el cambio de una
variable en cualquier paso del u= Parámetro de posición
proceso es una porción al azar del MTTR = Tiempo promedio de reparación del equipo
valor previo de la variable.
0.5778
MTTR = u +
a
Los tiempos de reparación de un

equipo están compuestos por:
Enfriamiento
Ubicación de las fallas
Reparación de la falla
Puesta en funcionamiento.
El tiempo de reparación será la suma
de los dos tiempos parciales del
proceso
Modela:
Situaciones de pocas paradas de
corta duración
Se presta para cálculos analíticos
Los parámetros a y u son los mas importantes en esta distribución.

Para la estimación de estos parámetros existen 2 métodos de
resolución: Método Gráfico y el Método Analítico.
Método Analítico
− a ( t−u )
P (t ) = e −e Aplicando logaritmos a la ecuación
LnP ( t ) = − e − a ( t − u )
Ln [ − LnP ( t )] = − a ( t − u )
Ln[− LnP(t )] = +au − at Ecuación linealizada
y = b + ax
Aplicando regresión lineal
n.∑ ti .Ln[− LnP (t )] − ∑ ti .∑ Ln[− LnP (t )]

−a =
n * ( ∑ ti ) − ( ∑ t i ) 2
2
∑ t .∑ Ln[− LnP(t )] − ∑ t .Ln[− Ln * P(t )].∑ t

2
a.u = i i i
n.(∑ t ) − (∑ t )
2 2
i i
Se determinan las constantes a , u

Método Gráfico:
Ordenar los datos, (tiempos fuera de servicio) en orden ascendiente
Numerar los valores observados de 1 en adelante
Calcular la probabilidad de ocurrencia
i
Pf =
n +1
i = numero de orden de la observación
n = numero total de observaciones
Utilizar el papel probabilístico de Gumbel I para valores extremos
Ajustar la curva
Determinar los valores de a y u gráficamente
−e − a ( t −u )
Para determinar u, se hace que t =u en la ecuación: P(t ) = e
P (t = u ) = e −1 = 0.37 Se obtiene la edad característica de reparar, u
Método Grafico (continuación)

Para obtener a , se calcula la pendiente de la recta
t ( x ) − t0 Pendiente de la recta de mantenibilidad

m=
VR( x ) − VR0 (donde VR = Variable reducida)
1
a =
m
0.5778
MTTR = u +
a
EJEMPLO DE APLICACIÓN
La empresa Otinsa esta programando un mantenimiento preventivo a una bomba centrifuga
P-04 utilizada para el bombeo de agua de alimentación de la planta. La gerencia de
mantenimiento, desea estimar el tiempo promedio de reparación de la bomba en la próxima
parada. Los tiempos de reparaciones anteriores (en horas) se enumeran a continuación :
85, 118, 68, 78, 71, 106, 92, 74, 138
ORDINAL(i) TIEMPO (en

Pf (t ) Pf (t ) (%)
horas)
1 68 0.10 10
2 71 0.20 20
3 74 0.30 30
4 78 0.40 40
5 85 0.50 50
6 92 0.60 60
7 106 0.70 70
8 118 0.80 80
9 138 0.90 90
Método Grafico
Ajustando los datos en el papel Gumbel
Pf = (37%) → t0 = u = 78horas
VR1 = 1 → ti = 106horas
VR2 = 0 → t0 = 78horas
t1 − t0 106 − 78 28
m= = = = 28
VR1 − VR0 1− 0 1
1 1
a= = = 0.0357
m 28
0.5778 0.5778
MTTR = u + = 78 + = 94.18horas
a 0.0357
Método analítico
ORDINAL(i) TIEMPO “t”
en horas
Pf (t ) (
Ln − LnP ( t )
f
)
1 68 0.10 0.8340 n=9
∑ t = 830
2 71 0.20 0.4758
3 74 0.30 0.1856 i
4
5
78
85
0.40
0.50
-0.87421
-0.3665
∑ Ln [ − LnP ( t )] = − 4 . 4113
f
∑ t = 81118
2
6 92 0.60 -0.6717 i
∑ t .Ln [ − LnP ( t )] = − 592 ,54

7 106 0.70 -1.0309
8 118 0.80 -1.4999 i f
9 138 0.90 -2.2503

Método analítico (continuación)
n.∑ ti .Ln[− LnPf (t )] − ∑ ti .∑ Ln(− LnPf (t ))

−a =
n.(∑ ti ) − (∑ ti )2
2
9(−592.34) − (830) * (−4.4113)

−a =
9 * (81118) − (830)2
− a = −0.04056 ⇒ a = 0.04056
∑ t .∑ Ln (− LnP (t )) − ∑ t .Ln (− LnP (t )).∑ ti

2
a.u = i f i f
n.( ∑ t ) − ( ∑ t )
2 2
i i
(81118 )( −4.4113 ) − ( −592 .34 )(830 )

a.u =
9 * (81118 ) − (830 ) 2
3.2507
a.u = 3.2507 ⇒ u = ⇒ u = 80 .14 horas
a
u + 0.5778
MTTR = = 94.38horas
a
Distribución Exponencial
− µt µ = tasa de reparación
f ( t ) = µ .e
−µt Probabilidad que el equipo sea
M (t ) = 1 − e reparado en un tiempo t
1
MTTR =
µ
CARACTERISTICAS
Modela mecanismos de reparación de:
- Equipos relativamente sencillos
- Equipos que requieren ajustes frecuentes de muy poca
duración
Es muy útil para cálculos analíticos
f(x)
DISTRIBUCION LOG-NORMAL
1 Lnx−µx 2
b 1 − ( )
2 σ
f (t ) = ∫ e dx
a σ 2π
1 y−µ
Lnb 1 − ( x )2 Lnb− µx Lna− µx
2 σ
f (t ) = ∫ e dy = φ( ) − φ( )
Lna 2πσ σ σ
x
0 2 4 6 8 10 12
CARACTERISTICAS
Aplica en los mismos casos que la distribucion de Gumbel
No se presta para cálculos analíticos
DISPONIBILIDAD VILLARROEL
DISPONIBILIDAD
La disponibilidad, del termino en
ingles availability puede ser definida
como la probabilidad de que un equipo
este operando o este disponible para
su uso, durante un periodo de tiempo
determinado.
Es una función que permite estimar
en forma global el porcentaje de
tiempo total que se puede esperar,
que un equipo este disponible para
cumplir la función para la cual fue
diseñado.
MANTENIBILIDAD
Tiempo de Tiempo de Tiempo de
operación operación operación
MTBF
Tiempo de CONFIABILIDAD Tiempo de MTTR

reparación reparación
DISPONIBILIDAD
Ti Di Ti+1
Sea:
Ti = tiempo de duración del i periodo de funcionamiento (V. Aleatoria)
Di = tiempo de duración del i periodo de reparación o reemplazo (V. Aleatoria)
(t) = función densidad de probabilidad de reparación o reemplazo del equipo (g1, g2, g3)
W(t) = función densidad de probabilidad de falla del equipo (w1, w2, w3)
A(t) = función de convulación entre la función w(t) , g(t)
L { A ( t )} = L { w ( t )}. L { g ( t )}
1 − W (s)
donde A(s) =
s .[ 1 − W ( s ). g ( s )]
1 − w(s)
A(s) =
s * [1 − w ( s ) * g ( s )]
A ( t ) = L−1 { A ( s )}
A(t) = Es definida como la probabilidad de que el componente este

disponible (funcionando) apropiadamente en el tiempo t, es también llamada la
disponibilidad instantánea en un tiempo aleatorio t.
EJEMPLO
Calcular la disponibilidad de un equipo en el cual la función densidad de
probabilidad de falla w(t) y la función densidad de probabilidad de reparación
g(t) son de carácter exponencial (tasa de falla y reparación constante).
w (t ) = λe − λt donde λ = tasa de falla

− µt donde µ = tasa de reparación
g (t ) = µe
1 − w( s ) s+λ −λ
A( s ) = (s + λ )
S * [1 − w( s ) * g (t )] A(s) =
( s + λ )( s + µ ) − λµ
w( s ) = L{w(t )} s[
( s + λ )( s + µ )
]
g ( s ) = L{g (t )} s
w( s ) = L{λe−λt } = λ . L{e−λt } (s + λ )
A(s) =
λ s + s µ x + λ s + λµ − λµ
2
s[ ]
w( s ) = ( ) ( s + λ )( s + µ )
s+λ
s
µ
g (s) = ( ) (s + λ )
s+µ A(s) =
s ( s + ( λ + µ ))
λ s[
( s + λ )( s + µ )
]
1− ( )
A( s ) = s+λ s ( s + λ )( s + µ )
λ µ A(s) =
s[1 − ( ).( )] s [ s ( s + ( λ + µ )]( s + λ )
s+λ s+µ (s + µ )
A(S ) =
s [ s + ( λ + µ )]
µ
4.- A(s) =
(s + µ ) 5.- A= ∴ B = 1− A
s [ s + ( λ + µ )] (λ + µ )
Aplicando fracciones parciales µ λ
B =1− =
(λ + µ ) (λ + µ )
(s + µ ) A B µ λ
= +
(s + µ ) (λ + µ ) (λ + µ )
s[ s + (λ + µ )] s s + (λ + µ ) = +
s[ s + ( λ + µ ) s s + (λ + µ )
(s + µ ) A[ s + (λ + µ ) + sB µ λ
=
s[ s + (λ + µ )] s[ s + (λ + µ )] −1 ( λ + µ )
A(t ) = L {
−1
}+ L {
(λ + µ )
}
s s + (λ + µ )
( s + µ ) = sA + A(λ + µ ) + sB
µ λ
A (t ) = + e −(λ + µ )t
1= A+ B (λ + µ ) (λ + µ )
µ = A(λ + µ )
µ λ
A (t ) = + e − ( λ + µ ) tA(t)
(λ + µ ) (λ + µ )
t → ∞
µ
A (t ) = MTBF
MTBF+MTTR
(λ + µ )
t
MTBF µ
A(t → ∞) = =
MTBF + MTTR (λ + µ )
Disponibilidad Inherente o de estado estable
MTBF
A=
MTBF+ MTTR
Incluye solamente el mantenimiento correctivo del sistema (el tiempo de reparar o
reemplazar componentes fallados) y excluye las paradas de mantenimiento
preventivo, tiempos logísticos tiempos de espera o administrativos.
Disponibilidad Alcansada
MTBM
Aa = __
MTBM + M
Esta incluye las paradas de mantenimiento preventivo que impliquen la__

disponibilidad del sistema (tanto correctivas y algunas preventivas) y M es el
tiempo de parada (tanto de acciones correctivas como de preventivas).
Disponibilidad operativa:
MTBM
A0 = __ ∴ RLM = Retrazo logístico
MTBM + M + RLM
Incluye los rasgos logísticos por falta de repuestos, personal, equipos de apoyo.
Es la medida de disponibilidad mas apropiada para medir la disponibilidad ya que incluye
la mayoría de los elementos presentes del sistema.
Importancia de la Disponibilidad:
A través del estudio de los factores que influyen sobre la disponibilidad, MTBF y MTTR es
posible gerenciar y evaluar distintas alternativas de acción para lograr aumentos necesarios
de disponibilidad:
Aumentar el MTBF
Reducción del MTTR
Aumentar el MTBF y reducir el MTTR simultáneamente
Ejemplo de aplicación de Disponibilidad.

La empresa BASERCA esta interesada en un estudio de disponibilidad de una
planta de compresión de gas durante los 161 días correspondiente al primer
semestre del año. En la tabla adjunta se muestran los registros de horas de
operación y de reparación durante este semestre.
La gerencia de Mantenimiento esta interesada en conocer:
El MTTR
El MTBF
La disponibilidad inherente
Corrida Fecha de inicio Horas de Operación Horas de Reparación
1 Enero 26 14 34
2 Enero 28 82 7
3 Febrero 2 95 18
4 Febrero 7 27 1
5 Febrero 9 6 8
6 Febrero 13 103 17
7 Febrero 18 53 10
8 Febrero 21 107 32
9 Febrero 27 134 34
10 Marzo 5 40 60
11 Marzo 10 185 13
12 Marzo 19 250 12
13 Marzo 30 120 25
14 Abril 10 280 2
15 Abril 22 320 47
16 Mayo 8 578 3
17 Junio 2 450 28
18 Junio 22 375 23
19 Julio 9 120 5
Número Horas de Operación
1 6
Ordenando los tiempos de operación en orden
ascendente, se obtiene la tabla 1. 2 14
3 27
Se agrupan los datos con el fin de obtener la 4 40
función densidad de probabilidad más 5 53
conveniente: 6 82
n = 19 7 95
Números de intervalos aproximados 8 103
9 107
K = 1 + 3.33Log19 = 5.25 ≈ 5
10 120
Rango de datos 11 134
12 185
R = X max − X min 13 230
14 250
R=578-6=572 horas 15 280
16 320
R
Tamaño de los intervalos de clase: I= 17 375
K
18 450
572
I= = 114.4 ≅ 114 19 578
5
Tabla 1
Tabla de datos agrupados Histograma de fallas de Operación
Intervalos Frecuencia 12
Frecuencia de Falla
10
6 – 120 10 8
6
121 – 235 3
4
236 –350 3 2
0
351 – 465 2 6 - 120 121 - 235 236 - 350 351 - 465 466 - 580
Intervalos de Clase (Horas)
466 – 580 1
Del grafico anterior se puede suponer un comportamiento de distribución de probabilidad de falla exponencial
F (t ) R (t )
Ordinal (i) Tiempo (t) Ln ( t i ) t 2i (t)
t .LnR
i
1 6 0.036 0.964 -0.0366 36 -0.2116
Utilizando el método de la regresión lineal
para determinar el MTBF, se determina la 2 14 0.087 0.913 -0.0910 196 -1.2740
probabilidad de falla, utilizando la siguiente 3 27 0.139 0.861 -0.1496 729 -4.0392

expresión: 4 40 0.190 0.810 -0.2107 1600 -8.4280
5 53 0.242 0.758 -0.2770 2809 -14.6810

i − 0 .3 R(t ) = 1 − F (t )
F (t ) = 6 82 0.293 0.707 -0.3467 6724 -28.4294
N + 0 .4
7 95 0.345 0.665 -0.4231 9025 -40.1945
8 103 0.396 0.604 -0.5041 10609 -51.9223

Por regresión lineal se obtiene la tasa de
falla λ
9 107 0.448 0.552 -0.5942 11449 -63.5794
10 120 0.500 0.500 -0.6931 14400 -83.1720
n.∑ t i . ln R(t ) − ∑ t .∑ ln R (t ) 11 134 0.551 0.449 -0.8007 17956 -107.2938

−λ = i
( ) − (∑ t )
12 185 0.603 0.397 -0.9238 34225 -170.9030
n. ∑ t i
2 2
i 13 230 0.650 0.346 -1.0613 52900 -244.0990
Realizando un resumen estadístico se 14 250 0.706 0.294 -1.2241 62500 -306.0250

obtiene: 15 280 0.757 0.243 -1.4146 78400 -396.0880
19 16 320 0.809 0.191 -1.6554 102400 -529.7280

∑t
i =1
i = 3449 17 375 0.860 0.140 -1.9661 140625 -737.2875
19 18 450 0.912 0.088 -2.4304 202500 -1093.6800

∑ LnR (t ) = −18.6393 i
i =1
19 578 0.963 0.037 -3.2968 334084 -1905.5504
19
∑t = 1083167
2
i
1
19
∑t
1
i .LnR (t ) = −5786.5941
Sustituyendo para obtener la tasa de falla
(19).(−5786.5941) − (3449).(−18.6393)
−λ =
(19).(1083167 ) − (3449) 2
− λ = −5.2574x10 −3
1 1
MTBF = =
λ 5.2574 *10 − 3
MTBF ≅ 190 horas

Ordinal Tiempo Pf (t ) Ln (− Ln ( Pf )) t 2i t i .Ln ( − Ln ( Pf ))

(i) (t)
Aplicando el método de Gumbel I para
los tiempos de reparación para obtener 1 1 0.05 1.0971 1 1.0971
MTTR 2 2 0.10 0.8340 4 1.6680
3 3 0.15 0.6403 9 1.9209

n.∑ ti.Ln(− Ln( P (t )) − ∑ ti.∑ Ln(− Ln( P (t ))
−a = 4 5 0.20 0.4758 25 2.3790
n.(∑ ti ) − (∑ ti )
2 2
5 7 0.25 0.3266 49 2.2862
6 8 0.30 0.1856 64 1.4848
a.u =
∑ ti .∑ Ln(− Ln( P(t )) − ∑ ti.Ln(− LnP(t )).∑ ti
2 7 10 0.35 0.0486 100 0.4848
n.(∑ ti ) − (∑ ti )
2
8 12 0.40 -0.0874 144 -1.0488
2
9 13 0.45 -0.2250 169 -2.9250
10 17 0.50 -0.3665 289 -6.2305
11 18 0.55 -0.5144 324 -9.2592

Realizando un resumen estadístico de regresión 12 23 0.60 -0.6717 529 -15.4491
lineal para determinar las constantes 13 25 0.65 -0.8421 625 -21.0525
14 28 0.70 -1.0309 784 -28.8652

n = 19 15 32 0.75 -1.2458 1024 -39.8656
19
∑t
i =1
i = 378 16 33 0.80 -1.4999 1089 -49.4967
17 34 0.85 -1.8169 1156 -61.7746
19 18 47 0.90 -2.2503 2209 -105.7641

∑ Ln(− LnP(ti )) = −9.913
i =1
19 60 0.95 -2.9701 3600 -178.2060
19
∑t
i =1
i
2
= 12194
19
∑ t .Ln(− LnP(t )) = 508.615

i =1
i i
Sustituyendo en las ecuaciones de a y a.u se obtiene:
(19).(−508.615) − (378).(−9.913)
−a =
(19)(12194) − (378) 2
− a = −0.0666
(12194).(−9.913) − (−508.615)(378)
a.u =
(19).(12194) − (378) 2
0.8037 0.8037
u= = = 12.06 horas
a 0.0666
0.5778 0.5778
MTTR = u + = 12.06 + = 20.73 horas
a 0.0666
MTTR ≅ 21 horas
MTBF
A=
MTBF + MTTR
190
A=
190 + 21
A = 0.90 = 90%
VILLARROEL
¿Alguna pregunta?

005 - Parametros de Mantenimiento

Cargado por

Información del documento

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

005 - Parametros de Mantenimiento

Cargado por

Copyright:

Formatos disponibles

PARAMETROS DE

OBJETIVO DEL CURSO

LLEGAR A CARACTERIZAR EL COMPORTAMIENTO DE LOS

En base a la condición En base al estudio de la

EN INGENIERIA, TRATAMOS DE REPRESENTAR LA REALIDAD A TRAVES DE

NO HAY INCERTIDUMBRE ACERCA DEL

HAY INCERTIDUMBRE ACERCA DEL

SON VARIABLES CON ALGUN GRADO DE INCERTIDUMBRE ASOCIADO.

VARIABLES ALEATORIAS TASA DE FALLAS

VARIABLES DE PROCESOS (PRESION, TEMP. , ETC)

NUMERO DE ELEMENTOS DEFECTUOSOS

NUMERO DE EQUIPOS EN OPERACIÓN

NUMERO DE ESTUDIANTES REPROBADOS

EN INGENIERIA EN MANTENIMIENTO, PARA VALIDAR NUESTROS MODELOS

ANALISIS ESTADISTICO DE CONFIABLIDAD

EJEMPLO DE MODELO PROBABILISTICO

Horas antes de fallar Causa de la falla

EJEMPLO DE MODELO PROBABILISTICO (Cont.)

X min = 2 Rango = X max − X min = 49 − 2 = 47

Intervalos (horas) Fr f (t)

Grafica de f(t) montacargas

Frecuencia relativa (%) 0.6

SE PUEDE ADOPTAR UN MODELO PROBABILISTICO EXPONENCIAL PARA MODELAR EL

DISTRIBUCIONES PROBABILISTICAS PARAMETRICAS

Frecuencia relativa (%)

Frecuencia relativa (%)

Tasa de Falla (%)

Intervalos de Clase (tiempo)

Procedimiento para la predicción del MTBF y tasa de falla en la

i= numero de orden de observación

Horas antes de fallar Causa de la falla

EJEMPLO DE APLICACIÓN DISTRIBUCION EXPONENCIAL (Cont.)

X min = 2 Rango = X max − X min = 49 − 2 = 47

Intervalos (horas) Fr f (t) No. De h (t)

Grafica de h(t) del Montacargas

Tasa de falla (%)

1. Ordenar en forma ascendente

Ordinal (i) Tiempo F(t) R(t) R(t) en %

2 5 0.2023 0.2023 20.23

3 7 0.3214 0.3214 32.14

4 11 0.4404 0.4404 44.04

5 15 0.5595 0.5595 55.95

6 19 0.6785 0.6785 67.85

7 28 0.7976 0.7976 79.76

8 49 0.9166 0.9166 91.66

Utilizando el método grafico, se obtiene el siguiente cuadro:

Utilizando el método analítico de la regresión lineal, se obtiene el siguiente

Ordinal (i) Tiempo R(t) LnR(t)

Aplicando el método analítico, se realiza un resumen estadístico:

i = 136 n.∑ ti .LnR(t i ) − ∑ ti .∑ LnR(ti )

Dado que µx y σ determinan

normal existen familias de Variable Aleatoria

puede estandarizar con:

Ejemplo de aplicación de la distribucion normal

Histograma de Frecuencia Tiempos de Reparacion Planta Electrica

Resolución del Problema t − µx ) 4 − 6.61

Z 2 = 1.08 −∞ Z 2 = 1.08 −∞ Z 1 = −0.83

M ( −0.83 ≤ T ≤ 1.08) = φ (1.08) - φ (−0.83)

M (4 ≤ T ≤ 10) = 0.6560 (65.66%)

Es la distribución de vida mas

METODO GRAFICO PARA DETERMINAR LA DISTRIBUCION DE WEIBULL

METODO ANALITICO PARA DETERMINAR LA DISTRIBUCION DE WEIBULL

Procedimiento para la predicción edad característica de falla y

EJEMPLO DE APLICACIÓN DE LA DISTRIBUCION DE WEIBULL