Computacional Inteligencia

Hindawi y Neuroscienc. Hindawi

Volumen 2022, ID de artículo 7105526, 11 página:
https://doi.org/10.1155/2022/7105526

Artículo de investigación
Períodos óptimos de mantenimiento preventivo para reducir el
tiempo de inactividad esperado y su impacto en la mejora de la
confiabilidad

Fuad S. Al-Duais ,1 2 A.-B. A. Mohamed, 1 3 Taghreed M. JawaO,4 y

Neveen Sayed-Ahmed 4
1Departamento deMatemáticas, Facultad de Ciencias y Humanidades en Al-Aflaj, Universidad Príncipe Sattam Bin Abdulaziz,
Al-Kharj, Al-Aflaj 11942, Arabia Saudita
2
Departamento de Administración, Facultad de Ciencias Administrativas, Universidad de Thamar, Thamar, Yemen
3
Departamento de Matemáticas, Facultad de Ciencias, Universidad de Assiut, Assiut 71515, Egipto
4
Departamento de Matemáticas y Estadística, Facultad de Ciencias, Universidad de Taif, P.O. Box 11099, Taif 21944, Arabia
Saudita
La correspondencia debe dirigirse a Fuad S. Al-Duais; f.alduais@psau.edu.sa

Recibido el 29 de octubre de 2021; Revisado el 4 de enero de 2022; Aceptado en enero de 2022; Publicado el 3 marzo 2022
Editor académico: Alexander HosovskY

Copyright 0 2022 Fuad S. Al-Duais et al. Este es un artículo de acceso abierto distribuido bajo la Licencia de Atribución
Creative Commons, que permite el uso, distribución y reproducción sin restricciones en cualquier medio, siempre que el trabajo
original se cite correctamente.
La presente investigación tiene como objetivo principal utilizar una fórmula matemática para determinar los intervalos óptimos
para realizar operaciones de mantenimiento preventivo para máquinas para reducir el tiempo de falla esperado cuando los datos
de mal funcionamiento siguen la distribución de Weibull. La función de confiabilidad, la tasa de fallas y el tiempo promedio
entre fallas de la máquina se derivaron después de realizar operaciones de mantenimiento preventivo y antes de realizar
operaciones de mantenimiento preventivo para indicar la mejora que le sucede a las máquinas. Estos se basan en datos reales de
las operaciones de mantenimiento preventivo realizadas y el tiempo de inactividad requerido para reparar fallas de la máquina o
el dispositivo que ocurren entre los períodos de mantenimiento preventivo y el tiempo de inactividad necesario para realizar
operaciones de mantenimiento preventivo en la máquina o dispositivo. Así, el estudio concluyó que las operaciones de
mantenimiento preventivo están trabajando para aumentar la fiabilidad de la máquina y mejorarla, así como para aumentar el
periodo medio de tiempo para que la máquina funcione entre averías.
1. Introducción condiciones de trabajo para las que está diseñado el
sistema. Mediante el estudio de la fiabilidad de los
Debido al desarrollo global, particularmente en ciencia y sistemas, se puede evaluar el rendimiento y la eficacia de estos
tecnología, y el uso de sistemas complejos y sofisticados, la sistemas para delinear el tipo y el tamaño de la producción
ciencia de la confiabilidad tiene muchas aplicaciones y mejorarla mediante el desarrollo de diseños de ingeniería
potenciales en las áreas de medicina y comunicación. para estos sistemas [8-11].
Además, existe un interés en los tiempos de falla y las Una disminución en las tasas de confiabilidad indica
razones detrás de los fallos repentinos a los que están una disminución en el rendimiento de los sistemas y el
expuestos los dispositivos conducen a un aumento de los nivel de su eficiencia. Entonces es necesario
costos y la disminución de la producción vvhich que a su encontrar ,vays para mejorar el nivel de rendimiento de
vez conduce a pérdidas humanas y materiales significativas estos sistemas. Quizás uno de los medios más esenciales
[1-7]. La importancia de la fiabilidad se refiere a la para mejorar el estado de los sistemas y vehículos y
probabilidad de que un sistema en particular realice un llevarlos a la fiabilidad deseada es la operación de
trabajo particular durante un período específico en las mantenimiento que deben someterse las máquinas. El
2 Computacional Inteligencia y Neurociencia
mantenimiento es vital para garantizar que las máquinas
funcionen continuamente con un beneficio considerable
detrás de su potencia productiva y reduciendo el costo de
producción. Así, la avería de equipos y maquinaria o estar
en mal estado se considera como una de las principales
causas de baja productividad. Además, la negligencia en el
trabajo de mantenimiento se considera una de las
principales razones del alto costo de producción, las bajas
ganancias y una de las principales causas de desperdicio.
Muchos científicos se ocuparon de determinar los períodos
óptimos para realizar las operaciones preventivas de
diferentes maneras, por ejemplo, [12-19], sin centrarse en el
efecto de realizar operaciones de mantenimiento preventivo
en la función de confiabilidad, la tasa de fallas y el tiempo
promedio entre las fallas. Esta investigación tiene como
objetivo determinar los períodos óptimos para llevar a cabo
operaciones de mantenimiento preventivo para reducir el
tiempo esperado de fallas. Y luego explicar la mejora que
se produce a las máquinas después de realizar operaciones
de mantenimiento preventivo calculando la función de
confiabilidad, la tasa de fallas y el tiempo promedio entre
fallas de las máquinas antes y después de realizar
operaciones de mantenimiento preventivo. Con el fin de
aclarar la sensibilidad del modelo con respecto a los valores
subjetivos, se realizó un análisis de sensibilidad del modelo
con respecto a estos valores. El alcance del impacto de esos
valores en la solución óptima y el alcance de su importancia
en el modelo se notaron al sustituir diferentes valores por
valores subjetivos (el tiempo de inactividad requerido para
reparar fallas y el tiempo de inactividad requerido para
llevar a cabo actividades de mantenimiento preventivo) en
el modelo para reconocer el alcance de su impacto en los
períodos estándar con el fin de llevar a cabo las operaciones
de mantenimiento preventivo para esas máquinas. Luego,
los valores se insertaron en el modelo para reconocer el
alcance de su impacto en los períodos estándar con el fin de
llevar a cabo las operaciones de mantenimiento preventivo
de esas máquinas.
2. Medición de la fiabilidad
A continuación se analizan los indicadores mediante los
cuales se puede medir la fiabilidad.
2.1. Tiempo medio entre fallos (MTBF). MTBF es el
tiempo promedio entre fallas de funcionamiento que
ocurren en el vehículo o una de sus partes reparables e
irreparables. Así, cuanto mayor sea el valor de esta media,
mayor será la disponibilidad de los vehículos, lo que indica
la alta eficiencia del personal de mantenimiento. MTBF se
puede encontrar de la siguiente manera [10]:
MTBF = E(T) = tf (t)dt
(1
) R (t)dt,
donde t representa los tiempos de falla, f (t) es la función de
densidad de probabilidad para los tiempos de falla, y R (t)
es la función de confiabilidad.
2.2. Media (MTTR). MTTR es el tiempo promedio
requerido para reparar el vehículo después de una avería. El
mayor valor de este promedio indica la baja disponibilidad
de los vehículos y la baja eficiencia del personal de
mantenimiento.
2.3. Tasa de fallos (h(t)). La tasa de falla es la probabilidad
de mantener la operación de un vehículo en particular hasta
que ocurra la falla. El concepto de la tasa de falla se utiliza
para distinguir entre las diversas distribuciones, y se llama
"tasa de riesgo" en los estudios de confiabilidad [20].
h(t) ̄(2)
2.4. Disponibilidad. La disponibilidad es la relación entre el
tiempo promedio entre fallas (MTBF) y el total (tiempo
promedio entre fallas más el tiempo promedio de
reparación) [21].
MTBF
Disponibilidad = (3)
MTBF + MTTR'
3. Distribución de Weibull
Un estudio de los fallos de funcionamiento y las paradas de
maquinaria de fábrica específica debe describir la vida útil
de esas máquinas, tal como se expresa en un conjunto de
datos que representa la vida útil de cada máquina. Por lo
tanto, es preferible utilizar distribuciones estadísticas como
modelos que describan las vidas útiles y estudien las
funciones de confiabilidad. Entre las distribuciones más
importantes se encuentran la distribución exponencial, la
distribución de Weibull, la distribución gamma, la
distribución normal, la distribución logarítmica, etc. El
estudio de la distribución de probabilidad de tiempo a fallo
de cualquier vehículo tiene gran importancia porque a
través de la tasa de fallos, se conocen las características de
la máquina.
La tasa de fallos de cualquier vehículo durante su vida
operativa es de dos formas. La primera forma es una tasa de
falla constante con el tiempo, y en este caso, la máquina
está en su etapa de vida útil. Por lo tanto, la distribución
exponencial es el modelo de falla que describe esta etapa.
La segunda forma es la tasa de fallas dependiente del
tiempo, y la distribución de Whipple es uno de los modelos
de falla que describen esta etapa.
La distribución de Weibull es una de las distribuciones
continuas comúnmente utilizadas en los estudios de
confiabilidad por su capacidad para describir todas las fases
de falla que sufre una máquina, como la fase de falla
creciente (envejecimiento y consumo), el aumento de la
tasa de fallas y la disminución de la tasa de fallas. La
Computacional Inteligencia y Neurociencia 3
importancia de la distribución se destaca a través de sus
usos en la programación de actividades de mantenimiento + Yin = 0,
preventivo y el escrutinio de programación [22]. (11)
La función de densidad de probabilidad (PDF) y la
función de distribución acumulativa (CDF) de la D En L n EnI. xl
= 12 = 0.
distribución WD se dan de la siguiente manera, 71
respectivamente.
f (x; Fl,p) — —x expx > 04, p > 0, (4) El estimador de máxima verosimilitud de Fl es

IML =(12)
F
F (x; q, p) = I —expx > 011, p > 0. (5)
La función de confiabilidad se da de la siguiente n
manera. El parámetro de forma se obtiene mediante el método
(6) Newton-Raphson, ya que no se puede resolver
R (t; Q,p) = exp t 20. analíticamente.
Aquí Fl y p son parámetros de escala y forma, Utilizando de la propiedad de invariancia de MLE,
respectivamente. podemos estimar R (t), h (t) y MTBF reemplazando y p con
Además, la tasa de fallo en el tiempo t viene dada por f Y
IML y PML en las ecuaciones (S), (7) y (8) para obtener el
(t; n, p) ptp-l. (7) R (t; Fl,p) inicio, y se toman las medidas requeridas para llevar a cabo
El tiempo medio entre fallos (MTBF) para una los servicios que incluyen reemplazo de piezas de repuesto,
distribución de Weibull viene dado limpieza y trabajos de lubricación. Como resultado, se
por reduce la probabilidad de tiempo de inactividad de la
máquina y aumenta la confiabilidad de la máquina [23].
1 El procedimiento de mantenimiento preventivo depende
de conocer la tasa de fallos de la máquina estudiando los
MTBF -R(t; 11, 1 +-(8) tiempos de falla y analizándolos. Si los tiempos de falla
Para estimar la función de confiabilidad, la función de siguen la distribución exponencial, la máquina está en la
peligro y el tiempo medio entre fallas de la distribución de etapa de vida útil. En este caso, realizar una operación de
Weibull, el estimador de máxima verosimilitud se utiliza de mantenimiento preventivo no reducirá la posibilidad de un
la siguiente manera. mal funcionamiento de la máquina, sino que necesita un
Sea x = Xl, x2, x3, . . . xn ser el conjunto de n vida útil mantenimiento correctivo. Sin embargo, si los tiempos de
aleatoria al WD definido por (4); entonces, la función de falla son mayores y siguen otras distribuciones como una
probabilidad para las observaciones de muestra dadas es distribución normal, distribución de Weibull u otras
distribuciones de probabilidad, la máquina necesita
L f (X; PI, p) = exp desarrollar un enfoque científico en el mantenimiento
(9) preventivo porque en este caso es muy útil y reduce la
posibilidad de falla repentina, así como reduce el tiempo de
inactividad de la máquina al mínimo. Además, también
conduce a un aumento en la eficiencia del rendimiento de
La función log-verosimilitud de (9) es lnL = n En p — las máquinas.
n En Fl + (p — l) En - i xi. (10)
1 P
5. Determinación de los intervalos óptimos de
mantenimiento preventivo
En esta
F(K) = FF(K-i- 1)] 1<2 1, (15) parte de la
investigación, se determinarán los períodos óptimos (K)
para llevar a cabo operaciones de mantenimiento
Diferenciamos (10) con respecto a los parámetros preventivo para reducir el tiempo de inactividad total de
desconocidos e igualamos la ecuación resultante a cero de una máquina. Por lo tanto, este modelo asume que no
la siguiente manera: ocurre más de un mal funcionamiento en un período de
tiempo, y en general, el número esperado de fallas durante
ese período de tiempo (K, 0) se puede expresar de la
siguiente manera [24, 25]:
4 Computacional Inteligencia y Neurociencia
R (t) n (t) y BTBFML' según se indica:
= exp
%IML
(13)
_ PMLtPMLFIML
1 Ecuación (18), es evidente que los períodos óptimos para
T
̄ IML
LMP
4. Mantenimiento preventivo
Es un conjunto de pasos que se toman para evitar
interrupciones que resulten en una pérdida importante para
la empresa. El mantenimiento preventivo significa
OS t<K, donde R (K) representa la función de fiabilidad después de con(18) la canalización de N
de los períodos de mantenimiento preventivo y R (t — RpM(t) = - K)) ICs t<2K,
comprender y conocer las necesidades a realizar a través de
una realización temprana del estado de diseño de la
maquinaria y el equipo. Y luego las comprobaciones
periódicas son donde F (K) indica el número esperado de
fallos de funcionamiento de la máquina o dispositivo
durante el período de tiempo (0, K); K Indica el tiempo
transcurrido entre un mantenimiento preventivo y el
siguiente; y f (k) denota la función de densidad de
probabilidad para los tiempos de falla.
En cuanto a la probabilidad de ocurrencia del primer
mal funcionamiento en el primer período de tiempo, se
expresa en la siguiente fórmula:
6. Fiabilidad Mantenimiento preventivo
El siguiente modelo de fiabilidad supone que el sistema ha
sido devuelto a sus términos por mantenimiento preventivo
[26, 27].
Supongamos que RK (t) es la función de fiabilidad del
sistema antes del mantenimiento preventivo; K indica el
período de tiempo entre un mantenimiento preventivo y
otro; y RPM (t): representa la función de fiabilidad del
sistema después del mantenimiento preventivo.
La función de fiabilidad de la máquina se puede calcular
después de realizar operaciones de mantenimiento
preventivo de la siguiente manera:
lograr operaciones de mantenimiento preventivo (K) no
tienen ningún efecto sobre la fiabilidad de la máquina en el
período de tiempo (t < K) mientras que conduce a elevar y
mejorar la función de fiabilidad en el período de tiempo (t >
K) después de completar el proceso de mantenimiento
preventivo en el período (K) donde el efecto acumulativo
de consumo y
obsolescencia en el
período anterior (K) está ausente.
Por
lo tanto,
la
fórmula general para la función de confiabilidad después de
realizar operaciones de mantenimiento preventivo es
RpM(t) (R (B -NIC)); I)KN = O,
(19)

f (t)dt,(16)
que el tiempo de inactividad total por unidad de tiempo
durante el ciclo de mantenimiento preventivo se expresa de
la siguiente manera:
F (K)1Cr

(17)
Por lo tanto, D (K) representa el tiempo de inactividad
total de una unidad de tiempo; Kr representa el tiempo de
inactividad requerido para reparar fallas de máquinas o
dispositivos que ocurren entre períodos de mantenimiento
preventivo; y K representa el tiempo de inactividad
requerido para realizar operaciones de mantenimiento
preventivo en la máquina o dispositivo.
Computacional Inteligencia y Neurociencia 5
donde R(t) representa la función de fiabilidad hasta que se
realiza el primer mantenimiento preventivo y R (t — K)
representa la función de fiabilidad de las horas
extraordinarias (t — K), ya que el sistema volverá a
funcionar normalmente en el tiempo K. A través de NK)
representa la función de fiabilidad del período (t — NK)
desde el último mantenimiento preventivo.
Por lo tanto, podemos escribir la función de
confiabilidad de la distribución de Weibull después de
realizar operaciones de mantenimiento preventivo de la
siguiente manera:

RPM (t) = exp

Por lo tanto, el estimador de máxima verosimilitud de la
función de confiabilidad es

En cuanto al valor estimado del tiempo medio entre fallos (MTBF), después de realizar operaciones
de mantenimiento preventivo para la distribución de Weibull, se puede
encontrar después de reemplazar RPM (t) por R (t) en (8) de la siguiente
manera:

MTBFpM RPM (t)dt, El tiempo medio entre fallos tras realizar operaciones de mantenimiento preventivo será
Oo
RM (t)dt(22)MTBFM J
K
0R (t)dt(25)
I - R(t)

RM (K)NR (t - NIC)dt. En cuanto al mayor estimador potencial de la tasa de fallos

(DIML (t)), podemos obtenerlo en términos de la función de confiabilidad como
Con z = t — NK, encontramosfollows:
00 1
(t) = —RPM (t).
(26)
MTBFM =R (z)dz, (23)RPM
6 Computacional Inteligencia y Neurociencia
7. Campo práctico del estudio
En esta sección, se determinarán los períodos óptimos para
realizar operaciones de mantenimiento preventivo (K) para
las máquinas de modo que el tiempo total de parada de la
máquina sea el menor posible en función de datos reales
que representen los tiempos de funcionamiento de las
máquinas entre averías. Los datos de dos máquinas fueron
tomados de las máquinas de la Empresa Nacional para la
Fabricación de Esponja y Plástico en la República de
Yemen, considerando que estos tiempos representan las
horas de operación de las máquinas entre fallas para la
comida diaria que representa 24 horas de trabajo. Además,
las fallas de estas máquinas representan fallas mecánicas.
Además, los investigadores tuvieron en cuenta los tiempos
de mantenimiento en lo que respecta a la parada de las
máquinas. Los datos se recopilaron de las listas en las que
se registró el tiempo de inactividad de la máquina, llamado
"informe de producción de turnos". Debe ser evidente que
el tiempo de inactividad requerido para reparar fallas (Kr) y
el tiempo de inactividad requerido para llevar a cabo
actividades de mantenimiento preventivo (K) incluidos en
el cálculo del modelo son valores subjetivos obtenidos de la
experiencia práctica de los ingenieros de mantenimiento en
la empresa debido a la ausencia de datos documentados
sobre estos tiempos en la empresa. Así, para aclarar la
sensibilidad del modelo respecto al valor subjetivo (Kr,
Kp), se utilizó el análisis de sensibilidad del modelo de
estos valores sustituyendo diferentes valores por (Kr, Kp) y
observando en qué medida estos valores afectan a la
solución óptima y su efecto sobre los períodos óptimos para
realizar operaciones del mantenimiento preventivo (K) para
estas máquinas e indicar su importancia en relación con el
modelo. Por lo tanto, los siguientes valores incluyen los
tiempos de funcionamiento de la máquina durante las fallas
en días para las máquinas estudiadas (Tablas y 2).
7.1. Prueba de bondad deFit. Para encontrar la idoneidad de
los datos para la distribución propuesta en estudio, se
utilizó la escala estadística Anderson-Darling (AD) junto
con el valor (AD) para la máquina Crupp 21 (0.510). Por lo
tanto, no fue estadísticamente significativo a nivel de
significancia (0,05) donde alcanzó el valor de p = 0,199 <
0,05, mientras que el valor AD para la máquina Alba 26
alcanzó 0,617, por lo que no fue estadísticamente
significativo en el nivel de significancia 0,05 donde alcanzó
el valor de p = 0,199 < 0,05. Por lo tanto, los datos siguen
la distribución de Weibull, como se muestra en las Figuras I
y 2.
7.2. Resultados de la determinación de los intervalos
óptimos para realizar el mantenimiento preventivo. El
tiempo de inactividad requerido para reparar fallas (Kr) y
para realizar actividades de mantenimiento preventivo (K)
para estas máquinas representadas por horas fue (Kr = 3.75,
K = 2.25 ); los valores correspondientes en días fueron (Kr
= 0,15625, K = 0,09375), mientras que para los períodos
óptimos para la realización de operaciones de
mantenimiento preventivo (K), se calculó el número
esperado de fallos F(K) y el tiempo de inactividad total
D(K) como se muestra en la Tabla 3.
A través de la Tabla 3, se aclara que el período óptimo
para llevar a cabo operaciones de mantenimiento
preventivo en el que el tiempo de inactividad total de la
máquina es el menor posible es de 5 días para la máquina
Alba 26, mientras que para la máquina Crupp 21 es
de 7 días, y el número esperado de fallas F(K) de la
máquina Alba 26 aumenta con alta tasa debido al aumento
del tiempo periódico entre el mantenimiento preventivo y
otra caja. alcanza aproximadamente 13 fallos en 17 días. En
cuanto a la máquina Crupp 21, el número esperado de fallos
F(K) aumenta debido al aumento del tiempo periódico entre
el mantenimiento preventivo y otro hasta que alcanza
aproximadamente los 4 fallos en 17 días. En cuanto al
tiempo total de parada D(K) para las dos máquinas, se
observa que disminuye gradualmente hasta que se alcanza
la solución óptima y luego vuelve al aumento, como se
muestra en la Figura 3.
Por lo tanto, para aclarar la sensibilidad del modelo con
respecto al valor subjetivo (Kr, K) para esta máquina, se
realizó un análisis de sensibilidad, y los resultados se
muestran en la Tabla 4.
La Tabla 4 indica que el modelo es insensible con
respecto a los valores (Kr, Kp). Por lo tanto, el cambio en
estos valores no afectó a la solución óptima (K) para estas
máquinas. De acuerdo con el efecto del mantenimiento
preventivo sobre la función de confiabilidad y la tasa de
fallas de estas máquinas, se calcularon los valores de
función de confiabilidad y tasa de falla para las máquinas
antes y después de que fueron sometidas a operaciones de
mantenimiento preventivo, y los resultados se muestran en
la Tabla 5 para la máquina Alba 26 y la Tabla 6 para la
máquina Crupp 21.
Por lo tanto, las estimaciones de las indicaciones de esta
máquina fueron iguales en días (p = 1,8424, = 34,92219).
La siguiente tabla muestra los valores de la función de
fiabilidad y la tasa de fallos de la máquina antes y después
de que se someta a un mantenimiento preventivo.
La Tabla 5 muestra que la función de confiabilidad
disminuye antes y después de realizar las operaciones de
mantenimiento preventivo (t) debido al rápido aumento del
tiempo. Por lo tanto, la probabilidad de operar esta máquina
durante 8 días sin una avería es igual a 0.26695, y durante
18 días sin falla, la probabilidad es igual a 0.00278.
Continúa de manera similar hasta que alcanza 0.00005
cuando la máquina funciona durante 24 días sin una avería.
Además, al comparar (t) con la confiabilidad de la máquina
después de implementar las operaciones de mantenimiento
preventivo (t), disminuye lentamente con el aumento del
tiempo debido a la mejora en la máquina. Por lo tanto, la
probabilidad de que esta máquina funcione durante 8 días
sin una avería se convierte en 0.46195, que durante 18 días
sin falla equivale a 0.15207, y así sucesivamente hasta que
la confiabilidad alcance 0.07499 cuando la máquina
Computacional Inteligencia y Neurociencia 7
funcione durante 24 días sin mal funcionamiento. Esto se En segundo lugar, con respecto a la máquina Crupp 21,
refleja en las tasas de fallas antes y después de realizar las las estimaciones de indicaciones fueron iguales en días a (p
operaciones de mantenimiento preventivo, que vuelven a = 1.59007, q = 37.7744), y la siguiente tabla ilustra los
valor cero después de cada mantenimiento preventivo valores de la función de confiabilidad y la tasa de falla de
realizado. Esto se muestra en las Figuras 4 y 5. la máquina antes y después de ser sometida a las
En cuanto al tiempo promedio entre fallas (MTBF) para operaciones de mantenimiento preventivo.
esta máquina después de completar las operaciones de La Tabla 6 muestra que la función de confiabilidad
mantenimiento preventivo, fue de 9.77866 días mientras RAIL (t) antes de realizar las operaciones de
que alcanzó los 6.87898 días antes de realizar las mantenimiento preventivo para la máquina disminuye
operaciones de mantenimiento preventivo. con el aumento del tiempo porque la probabilidad de
TABLA 1: La máquina Alba 26/polietileno fabricante.
2.3438 9.9792 8.25 3.8854 1.9583 9.6042 6.3958 5.5625 7.7708
0.8333 11.9375 5.9167 10.9375 3.0625 4.2083 6.8333 6.8854 6.2083
12.0104 8.9167 8.3125 .4167 2.875 6.1875 6.5313 9.7708 1.2917
1 -.0625 6.7917 1.6042
3.375

TABLA 2.• La máquina Crupp 21/fabricante de inyección y soplado.

5.39582.07295.1259.833319.16672.010413.156311.979218.6354
13.42714.69799.45832.29174.062511.333312.229218.79174.6667
11.56252.833310.85420.437516.260412.20835.21886.59384.2083

Weibull - 95% Cl

2-4

99
0.1110

FIGURA 1: Diagrama de probabilidad de la máquina Alba26.

Weibull - 95% Cl

2-4

99
0.1110 100

FIGURA 2: Diagrama de probabilidad de la

máquina Crupp 21.
8 Computacional Inteligencia y Neurociencia
operar esta máquina durante 9 días sin una avería es
igual a 0.4185, que durante 19 días sin una avería es
igual a 0.0574, y así sucesivamente hasta que la
confiabilidad alcanza 0.0120 cuando la máquina opera
durante 25 días sin mal funcionamiento. Al comparar
la confiabilidad AML (t) con APM(t), que representa
la confiabilidad de la máquina después de realizar las
operaciones de mantenimiento preventivo, está claro
que disminuyó muy lentamente con el aumento del
tiempo como resultado de
Computacional Inteligencia y Neurociencia 9
TABLA 3: Determinación del período óptimo para la realización de operaciones de mantenimiento preventivo y tiempo de inactividad
total D (K).
Máquina Alba 26 Máquina Crupp 21
T (días) Cc (K)
1 0.0286 0.0898 0.0265 0.0895
2 0.1035 0.0525 0.0804 0.0508
3 0.2218 0.0415 0.1554 0.0382
4 0.3856 0.0376 0.2503 0.0325
5 0.5992 0.0368 0.3652 0.0296
6 0.8694 0.0377 0.5012 0.0282
7 1.2052 0.0398 0,6599 0.0278
8 1.6182 0.0428 O.8434 0.0279
9 2.1224 0.0468 1.0543 0.0284
2.7355 0.0516 1.2956 0.0293
10
3.4787 0.0574 1.5707 0.0306
11
12 4.3780 0.0643 1.8838 0.0321
13 0.0724 2.2396 0.0339
6.7774 0.0818 2.6433 0.0360
14
8.3612 0.0928 3.1009 0.0383
15
10.3093 0.1059 3.6303 0.0411
16
12.5770 0.1204 4.2066 0.0439
0.12

0.1

0.08

0.06

0.04

0.02

o 2 4 6 8 10 12 14 16
Hora

FIGURA 3: Los períodos óptimos para realizar las operaciones de mantenimiento preventivo y el tiempo de inactividad total D (K).

TABLA 4: Los resultados del análisis de sensibilidad para el tiempo necesario para el mantenimiento preventivo K y el tiempo utilizado
para la reparación de fallas Kr.
Kr (en horas) Kr (en días', Kp por hora) Kp (en días) T (días) para Alba 26 T (días) para Crupp
21
2.5 0.10417 1.25 0.052083 5 7
3.75 0.15625 2.25 0.093750 5 7
450 0.18750 2.50 0.104167 5 7
5.25 0.21875 3.00 0.125000 5 7
6.00 0.25000 3.50 0.145833 5 7
 10
la mejora en la máquina. La probabilidad de que esta
máquina funcione durante 9 días sin falla es igual a
0.5148, durante 19 días sin una falla igual es de
0.2208, y así sucesivamente hasta que la confiabilidad
alcance 0.1364 cuando la máquina funcione durante
25 días sin una falla. Esto se refleja en las tasas de
fallos antes y después de realizar el
TABLA 5: Función de fiabilidad y tasas de fallo antes y después de realizar el mantenimiento preventivo de la máquina Alba 26.
t (tiempo)
Computacional Inteligencia y Neurociencia
operaciones de mantenimiento preventivo que vuelven
a valor cero después de cada mantenimiento
preventivo realizado. Esto se muestra en las Figuras 6
y 7.
En cuanto al tiempo medio entre fallos (MTBF)
para esta máquina tras finalizar las operaciones de
mantenimiento preventivo, alcanzó los 12,8167 días,
mientras que en cuanto a la
k — nk)

0 1.00000 1.00000 1.00000 0.00000 0.00000

1 0.97177 0.97177 0.97177 0.05276 0.05276
2 0.90241 0.90241 0.90241 0.09460 0.09460
3 0.80513 0.80513 0.80513 0.13312 0.13312
4 0.69193 0.69193 0.69193 0.16963 0.16963
5 0.57376 0.57376 1.00000 0.20471 0.00000
6 0.45963 0.55756 0.97177 0.23870 0.05276
7 0.35606 0.51776 0.90241 0.27180 0.09460
8 0.26695 0.46195 0.80513 0.30416 0.13312
0.19383 0.39700 0.69193 0.33589 0.16963
9
0.13638 0.32920 1.00000 0.36707 0.00000
10
0.09304 0.31991 0.97177 0.39776 0.05276
11 0.06156 0.29707 0.90241 0.42801 0.09460
12
0.03953 0.26505 0.80513 0.45787 0.13312
13
14 O. 02464 0.22778 0.69193 0.48737 0.16963
15 0.01492 0.18888 1.00000 0.51653 0.00000
16 0.00877 0.18355 0.97177 0.54540 0.05276
0.00501 0.17045 0.57398 0.09460
0.90241
18 0.00278 0.15207 0.80513 0.60229 0.13312
19 0.00150 0.16963
0.13069 0.69193 0.63036
20 0.00079 0.10837 1.00000 0.65820 0.00000
21 0.00040 0.10531 0.68581 0.05276
0.97177
22 0.00020 0.09780 0.90241 0.71322 0.09460
23 0.00010 0.08725 0.13312
0.80513 0.74044
24 0.00005 0.07499 tarifas antes y 0.16963
0.69193 0.76747
después

TABLA 6: Función de confiabilidad y

mantenimiento preventivo la máquina Crupp 21.
falla
de

0 1.0000 1.0000 1.0000 0.0000 0.0000

1 0.9739 0.9739 0.9739 0.0421 0.0421
2 0.9234 0.9234 0.9234 0.0634 0.0634
3 0.8591 0.8591 0.8591 0.0805 0.0805
4 0.7867 0.7867 0.7867 0.0954 0.0954
5 0.7102 0.7102 0.7102 0.1088 0.1088
6 0.6331 0.6331 0.6331 0.1212 0.1212
7 0.5576 0.5576 1.0000 0.1327 0.0000
8 0.4856 0.5430 0.9739 0.1436 0.0421
9 0.4185 0.5148 0.9234 0.1539 0.0634
10 0.3570 0.4790 0.8591 0.1638 0.0805
11 0.3016 0.4386 0.7867 0.1733 0.0954
12 0.2525 0.3960 0.7102 0.1824 0.1088
13 0.2094 0.3530 0.6331 0.1912 0.1212
14 0.1723 0.3109 1.0000 0.1998 0.0000
15 0.1405 0.3027 0.9739 0.2081 0.0421
16 0.1136 0.2871 0.9234 0.2161 0.0634
17 0.0912 0.2671 0.8591 0.2240 0.0805
18 0.0726 0.2445 0.7867 0.2317 0.0954
 Computacional Inteligencia y Neurociencia 11

19 0.0574 0.2208 0.7102 0.2392 0.1088

20 0.0450 0.1968 0.6331 0.2466 0.1212
21 0.0350 0.1733 1.0000 0.2538 0.0000
22 0.0271 0.1688 0.9739 0.2608 0.0421
23 0.0208 0.1600 0.9234 0.2678 0.0634
24 0.0159 0.1489 0.8591 0.2746 0.0805
25 0.0120 0.1364 0.7867 0.2813 0.0954
12 Computacional Inteligencia y Neurociencia

Hora
AML (t)
kPM(t)
- k (t nk)
FIGURA 4: Función de fiabilidad de la máquina Alba 26 antes y después de realizar operaciones de mantenimiento
preventivo.

0.35

0.3

0.25

0.2

0.15

0.1

0.05

25
Tiempo
Computacional Inteligencia y Neurociencia

FIGURA 5: Tasa de fallos de la máquina Alba 26 antes y después de realizar operaciones de mantenimiento preventivo.

25
Hora

AML (t)
kPM(t)
- (t nk)
FIGURA 6: Función de fiabilidad para la máquina Crupp 21 antes y después de realizar las operaciones de mantenimiento
preventivo.
1 mantenimiento preventivo para la máquina
Alba 26 en 5 días son menores que los períodos
ideales para completar las operaciones de
mantenimiento preventivo para la máquina
Crupp 21 de 7 días.
(2) La aplicación del modelo de mantenimiento
preventivo en las máquinas estudiadas hace
evidente que los procesos de mantenimiento
preventivo funcionan para reducir las tasas de
fallos, ya que la tasa vuelve a cero después de
realizar cada proceso de mantenimiento
preventivo. Trabajos de mantenimiento
preventivo para mejorar la fiabilidad de la
5 10 15 20
máquina ya que la función de fiabilidad de la
Hora
máquina Alba 26 antes de realizar el primer
mantenimiento preventivo fue R (6) = 0,45963,
— /lML(t)
- flPM(t)
mientras que alcanzó R (6) = 0,55756 después
de realizar los procesos de mantenimiento
FIGURA 7: Tasa de fallos de la máquina Crupp 21 antes y preventivo para una mejora del 21%. Del
después de realizar operaciones de mantenimiento mismo modo, para Crupp 21, la fiabilidad de la
preventivo.
máquina antes de realizar las primeras
operaciones de mantenimiento preventivo es
tiempo promedio entre fallas para esta máquina R(8) = 0,4856 mientras que alcanzó R(8) —
antes de que se realizara el mantenimiento 0,5430 después de realizar operaciones de
preventivo, alcanzó mantenimiento preventivo, es decir, una mejora
8.8053 días. del 12%.
(3) Los resultados mostraron que las operaciones
8. Conclusión y principales conclusiones de mantenimiento preventivo condujeron a un
l) Las máquinas con mayores tasas de fallos y baja aumento en el período promedio de tiempo
fiabilidad están claramente sujetas a para que las máquinas operen entre fallas
operaciones de mantenimiento preventivo con porque el tiempo promedio entre fallas de la
períodos de cierre. Por lo tanto, los períodos máquina Alba 26 antes de la finalización de las
óptimos para completar las operaciones de operaciones de mantenimiento preventivo fue
14
de 6.87898, mientras que, después de la
finalización del mantenimiento preventivo,
alcanzó 9.77866 con un aumento del 42%. Lo
mismo ocurrió con la máquina Crupp 21,
donde el porcentaje de aumento en el período
promedio de tiempo para que la máquina
funcione después del proceso de
mantenimiento preventivo alcanzó el 46%.
(4) Los resultados relacionados con las
estimaciones de fiabilidad de las máquinas
antes de llevar a cabo las operaciones de
mantenimiento disminuyeron gradualmente con
el aumento del tiempo a diferentes velocidades
y dieron una indicación general de que no se
puede confiar en que estas máquinas funcionen
durante largos períodos sin fallas.
Los valores de (Kr, Kp) incluidos en el cálculo de
los períodos óptimos para realizar operaciones de
mantenimiento preventivo son valores subjetivos
obtenidos de la experiencia práctica de los ingenieros
de mantenimiento en la empresa, y al implementar el
modelo de mantenimiento en la empresa, se utilizarán
valores reales de (Kr, Kp) y se ingresarán como tales
en el formulario de mantenimiento.
Disponibilidad de
datos
Los datos utilizados para apoyar los hallazgos de este
estudio están disponibles del autor correspondiente
previa solicitud.
Conflictos de intereses
Los autores declaran que no hay conflictos de
intereses.
11
error en la encuesta por muestreo", Journal of Statistics Applications
Probabilidad, vol. 10, pp. 665-675, 2021.
[8] N. Lewaherilla, Estados Unidos. Pasaribu, H. Husniah, y
A. K. Supriantna, "Un mantenimiento preventivo y mínimo
modelo de costos de reparación con tasa de interés", en Actas de la
AIP Conference Proceedings, vol. 1716, núm. 1, artículo ID 20005, [27] A. A. El Sheikh, S. L. Barakat y S.M. Mohamed, "New
AIP Publishing LLC, febrero de 2016.
[9] F. Sgarbossa, I. Zennaro, E. Florian y M. Calzavara, "Age"
política de reemplazo en el caso de No data: the effect of
Weibull parameter estimation", International Journal of
Production Research, vol. 58, no. 19, pp. 5851-5869, 2020.
[10] F. Sgarbossa, I. Zennaro, E. Florian y A. Persona, "Impacts
of Weibull parameters estimation on preventive maintenance
cost", IFAC-PapersOnLine, vol. 51, no. 11, pp. 508-513,
2018.
[11] W. Gao, H. Ji, Y. Wang y T. Yang, "A nonlinear preventive
Computacional Inteligencia y Neurociencia
Reconocimientos
Este estudio fue apoyado por el Proyecto de Apoyo a
investigadores de la Universidad de Taif (TURSP-
2020/318), Universidad de Taif, Taif, Arabia Saudita.
Referencias
'H. Farhat, "Maintenance: availability and reliability",
Hiyam Farhat, Operación, mantenimiento y reparación
de turbinas de gas terrestres, Elsevier, Ámsterdam,
Países Bajos, 2021.
[2] X. Wang, L. Li y -M. Xie, "Optimal preventive
maintenance strategy for leased equipment under
successive usage-based contracts", International Journal
of Production Research, vol. 57, no. 18, pp. 5705-5724,
2019.
[3] E. 1. Basri, I. H. Abdul Razak, H. Ab-Samat y S.
Kamaruddin, "Preventive maintenance (PM) planning:
a review", Journal of Quality in Maintenance
Engineering, vol. 23, no. 2, pp. 114-143, 2017.
[4] H. Fazlollahtabar, "Online business quality of service
information analytics using artificial intelligence",
Information Sciences Letters, vol. 10, no. 1, pp. 93-100,
2021.
[5] W. A. Afifi y A. H. El-gagoury, "Optimal
multiplicative generalized linear search plan for a
discrete randomly location target", Information
Sciences Letters, vol. 10, no. 1, pp. 153-158, 2021.
[6] M. Mahmoud, M.M. Nassar y M. A. Aefa, "Parameter
estimation for a mix of inverse chen and inverse
compound Rayleigh distributions based on type-Il
hybrid censoring scheme", Journal of Statistics
Applications Probability, vol. 10, pp. 467—485, 2021.
[7] S. Kumar, S. Bhougal, V. Sharma, R. Gupta y J. P. S.
Joorel,
«Estimación del problema de la falta de respuesta y
medición
[25] E. E. Charles, An Introduction to Reliability and Maintain-
habilidad Ingeniería, Editorial MC. Graw-Hill, Boston, FL,
USAF, 1997.
[26] E. E. Lewis, Introducción a la ingeniería de confiabilidad,
John Wiley
& sons, Hoboken, NJ, USA, 1996.
aspectos en el grupo LASSO modificado utilizando el ángulo
mínimo
algoritmo de regresión y contracción", Ciencias de la Información
Cartas, vol. 10, pp. 527-536, 2021.
Computacional Inteligencia y Neurociencia

maintenance model with an environmental factor based

Weibull distribution", en Proceddimgs of the IOP conference
series: materials science and engineering, IOP Conference
Series: Materials Science and Engineering, vol. 521, no. 1, p.
012009p. 012009, mayo de 2019.
[12] D.C. Idoniboyeobu, B.C. Wokoma y V.C. Ibanibo,
"Mantenimiento preventivo para subestación con equipos
envejecidos utilizando la distribución de Weibull", American
Journal ofEngineering Research, vol. 7, pp. 95-101, 2018.
[13] F. S. Alduais, "Determinación del período óptimo para llevar
a cabo el mantenimiento preventivo para minimizar el costo
total esperado", Avances y Aplicaciones en Estadística, vol.
65, no. 2, pp. 227-246, 2020.
[14] H. Fazlollahtabar, "A business intelligence and analytics for
service oriented manufacturing resource planning",
Information Sciences Letters, vol. 9, no. 1, pp. 7-14, 2020.
[15] K. Sahu y R. K. Srivastava, "Needs and importance of
reliability prediction: an industrial perspective", Information
Sciences Letters, vol. 9, no. 1, pp. 33-37, 2020.
[16] S. El-Ferik y M. Ben-Daya, "Age-based hybrid model for
imperfect preventive maintenance", IIE Transactions, vol.
38, no. 4, pp. 365-375, 2006.
[17] D. Lin, M. J. zuo y R.C.M. Yarn, "General sequential
imperfect preventive maintenance models", International
Journal of Reliability, Quality and Safety Engineering, vol.
07, no. 3, pp. 253-266, 2000, p.
[18] A. Khatab, "Maintenance optimization in failure-prone
systems under imperfect preventive maintenance", Journal of
Intelligent Manufacturing, vol. 29, no. 3, pp. 707—717,
2018.
[19] A. Khatab, C. Diallo e I.B. Sidibe, "Optimización de la
actualización y el mantenimiento preventivo imperfecto en
sistemas de segunda mano propensos a fallas", Journal
ofManufacturing Systems, vol. 43, pp. 58-78, 2017.
[20] D. Belyi, E. Popova, D. P. Morton y P. Damien, "Bayesian
failure-rate modeling and preventive maintenance
optimization", European Journal of Operational Research,
vol. 262, no. 3, pp. 1085-1093, 2017.
[21] S.M. Shafer y J. R. Meredith, Operations Management: A
Process Approach with Spreadsheets, John Wiley & Sons,
Hoboken, , F, 1998.
[22] R. H. Yeh y C.-K. Chen, "Contrato periódico de
mantenimiento preventivo para una instalación arrendada
con tiempo de vida de Weibull", Calidad y Cantidad, vol. 40,
no. 2, pp. 303-313, 2006.
[23] S. Gasmi y N. Mannai, "Optimization problems ofcosts in a
multistate system with imperfect maintenance", Journal of
Quality and Reliability Engineering, vol. 2014, pp. 1-10,
2014,
[24] S. K. Sinha, Reliability and Life Testing, Wiley, Hoboken, NJ, EE.UU., 1986.