Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Artículo de investigación
Períodos óptimos de mantenimiento preventivo para reducir el
tiempo de inactividad esperado y su impacto en la mejora de la
confiabilidad
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 donde t representa los tiempos de falla, f (t) es la función de
funcionen continuamente con un beneficio considerable densidad de probabilidad para los tiempos de falla, y R (t)
detrás de su potencia productiva y reduciendo el costo de es la función de confiabilidad.
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 2.2. Media (MTTR). MTTR es el tiempo promedio
trabajo de mantenimiento se considera una de las requerido para reparar el vehículo después de una avería. El
principales razones del alto costo de producción, las bajas mayor valor de este promedio indica la baja disponibilidad
ganancias y una de las principales causas de desperdicio. de los vehículos y la baja eficiencia del personal de
Muchos científicos se ocuparon de determinar los períodos mantenimiento.
óptimos para realizar las operaciones preventivas de
diferentes maneras, por ejemplo, [12-19], sin centrarse en el 2.3. Tasa de fallos (h(t)). La tasa de falla es la probabilidad
efecto de realizar operaciones de mantenimiento preventivo de mantener la operación de un vehículo en particular hasta
en la función de confiabilidad, la tasa de fallas y el tiempo que ocurra la falla. El concepto de la tasa de falla se utiliza
promedio entre las fallas. Esta investigación tiene como para distinguir entre las diversas distribuciones, y se llama
objetivo determinar los períodos óptimos para llevar a cabo "tasa de riesgo" en los estudios de confiabilidad [20].
operaciones de mantenimiento preventivo para reducir el
tiempo esperado de fallas. Y luego explicar la mejora que
h(t) ̄(2)
se produce a las máquinas después de realizar operaciones
2.4. Disponibilidad. La disponibilidad es la relación entre el
de mantenimiento preventivo calculando la función de
tiempo promedio entre fallas (MTBF) y el total (tiempo
confiabilidad, la tasa de fallas y el tiempo promedio entre
promedio entre fallas más el tiempo promedio de
fallas de las máquinas antes y después de realizar
reparación) [21].
operaciones de mantenimiento preventivo. Con el fin de
aclarar la sensibilidad del modelo con respecto a los valores MTBF
subjetivos, se realizó un análisis de sensibilidad del modelo Disponibilidad = (3)
con respecto a estos valores. El alcance del impacto de esos MTBF + MTTR'
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 3. Distribución de Weibull
reparar fallas y el tiempo de inactividad requerido para
llevar a cabo actividades de mantenimiento preventivo) en Un estudio de los fallos de funcionamiento y las paradas de
el modelo para reconocer el alcance de su impacto en los maquinaria de fábrica específica debe describir la vida útil
períodos estándar con el fin de llevar a cabo las operaciones de esas máquinas, tal como se expresa en un conjunto de
de mantenimiento preventivo para esas máquinas. Luego, datos que representa la vida útil de cada máquina. Por lo
los valores se insertaron en el modelo para reconocer el tanto, es preferible utilizar distribuciones estadísticas como
alcance de su impacto en los períodos estándar con el fin de modelos que describan las vidas útiles y estudien las
llevar a cabo las operaciones de mantenimiento preventivo funciones de confiabilidad. Entre las distribuciones más
de esas máquinas. importantes se encuentran la distribución exponencial, la
distribución de Weibull, la distribución gamma, la
distribución normal, la distribución logarítmica, etc. El
2. Medición de la fiabilidad estudio de la distribución de probabilidad de tiempo a fallo
A continuación se analizan los indicadores mediante los de cualquier vehículo tiene gran importancia porque a
cuales se puede medir la fiabilidad. través de la tasa de fallos, se conocen las características de
la máquina.
La tasa de fallos de cualquier vehículo durante su vida
2.1. Tiempo medio entre fallos (MTBF). MTBF es el operativa es de dos formas. La primera forma es una tasa de
tiempo promedio entre fallas de funcionamiento que falla constante con el tiempo, y en este caso, la máquina
ocurren en el vehículo o una de sus partes reparables e está en su etapa de vida útil. Por lo tanto, la distribución
irreparables. Así, cuanto mayor sea el valor de esta media, exponencial es el modelo de falla que describe esta etapa.
mayor será la disponibilidad de los vehículos, lo que indica La segunda forma es la tasa de fallas dependiente del
la alta eficiencia del personal de mantenimiento. MTBF se tiempo, y la distribución de Whipple es uno de los modelos
puede encontrar de la siguiente manera [10]: de falla que describen esta etapa.
La distribución de Weibull es una de las distribuciones
MTBF = E(T) = tf (t)dt continuas comúnmente utilizadas en los estudios de
(1 confiabilidad por su capacidad para describir todas las fases
) R (t)dt, 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: 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
= exp otro; y RPM (t): representa la función de fiabilidad del
%IML
(13) sistema después del mantenimiento preventivo.
La función de fiabilidad de la máquina se puede calcular
_ PMLtPMLFIML después de realizar operaciones de mantenimiento
preventivo de la siguiente manera:
1 Ecuación (18), es evidente que los períodos óptimos para
T
̄ IML lograr operaciones de mantenimiento preventivo (K) no
LMP 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 >
4. Mantenimiento preventivo K) después de completar el proceso de mantenimiento
preventivo en el período (K) donde el efecto acumulativo
Es un conjunto de pasos que se toman para evitar
de consumo y
interrupciones que resulten en una pérdida importante para
obsolescencia en el
la empresa. El mantenimiento preventivo significa
período anterior (K) está ausente.
OS t<K, donde R (K) representa la función de fiabilidad después de con(18) la canalización de N Por
lo tanto,
de los períodos de mantenimiento preventivo y R (t — RpM(t) = - K)) ICs t<2K,
la
comprender y conocer las necesidades a realizar a través de fórmula general para la función de confiabilidad después de
una realización temprana del estado de diseño de la realizar operaciones de mantenimiento preventivo es
maquinaria y el equipo. Y luego las comprobaciones
periódicas son donde F (K) indica el número esperado de RpM(t) (R (B -NIC)); I)KN = O,
fallos de funcionamiento de la máquina o dispositivo (19)
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:
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:
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)
Weibull - 95% Cl
2-4
99
0.1110
Weibull - 95% Cl
2-4
99
0.1110 100
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 Computacional Inteligencia y Neurociencia
la mejora en la máquina. La probabilidad de que esta operaciones de mantenimiento preventivo que vuelven
máquina funcione durante 9 días sin falla es igual a a valor cero después de cada mantenimiento
0.5148, durante 19 días sin una falla igual es de preventivo realizado. Esto se muestra en las Figuras 6
0.2208, y así sucesivamente hasta que la confiabilidad y 7.
alcance 0.1364 cuando la máquina funcione durante En cuanto al tiempo medio entre fallos (MTBF)
25 días sin una falla. Esto se refleja en las tasas de para esta máquina tras finalizar las operaciones de
fallos antes y después de realizar el mantenimiento preventivo, alcanzó los 12,8167 días,
mientras que en cuanto a la
TABLA 5: Función de fiabilidad y tasas de fallo antes y después de realizar el mantenimiento preventivo de la máquina Alba 26.
t (tiempo) k — nk)
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 Computacional Inteligencia y Neurociencia
Probabilidad, vol. 10, pp. 665-675, 2021. habilidad Ingeniería, Editorial MC. Graw-Hill, Boston, FL,
[8] N. Lewaherilla, Estados Unidos. Pasaribu, H. Husniah, y USAF, 1997.
A. K. Supriantna, "Un mantenimiento preventivo y mínimo [26] E. E. Lewis, Introducción a la ingeniería de confiabilidad,
John Wiley
modelo de costos de reparación con tasa de interés", en Actas de la & sons, Hoboken, NJ, USA, 1996.
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. aspectos en el grupo LASSO modificado utilizando el ángulo
mínimo
[9] F. Sgarbossa, I. Zennaro, E. Florian y M. Calzavara, "Age" algoritmo de regresión y contracción", Ciencias de la Información
política de reemplazo en el caso de No data: the effect of Cartas, vol. 10, pp. 527-536, 2021.
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