INDICE

I. INTRODUCCIÓN....................................................................................................................2
1.- Modelos de Decisión en Mantenimiento............................................................................2
2.- Riesgo, un indicador para el Diagnóstico Integrado............................................................3
3.- Estimación de Riesgo...........................................................................................................4
3.1.- Estimación de la Probabilidad de Fallas y/o la Confiabilidad........................................5
4.- Estimación de Consecuencias..............................................................................................9
5.- El Diagnóstico Integral en el Proceso de Confiabilidad......................................................10
II. EXCEL..................................................................................................................................12
III. CONCLUSIÓN Y RECOMENDACIONES.............................................................................19
IV. BIBLIOGRAFÍA.................................................................................................................20

1
 I. INTRODUCCIÓN

Se define “Diagnóstico proactivo e integrado” como un proceso que busca caracterizar

el estado actual y predecir el comportamiento futuro de equipos, sistemas y/o
procesos, mediante el análisis del historial de fallas, los datos de condición y datos
técnicos, con la finalidad de identificar las acciones correctivas y proactivas que
puedan efectivamente optimizar costos a través de la sistemática reducción de la
ocurrencia de fallas y eventos no deseados, y minimizar en consecuencia, su impacto
en el negocio medular. Adicionalmente, se destaca a la Ingeniería de Confiabilidad
como el marco teórico-conceptual en el que conviven las metodologías y técnicas para
lograr este fin; y adicionalmente se define Confiabilidad Operacional como un proceso
de mejora continua, que incorpora, en forma sistemática, avanzadas herramientas de
diagnóstico, metodologías basadas en confiabilidad y el uso de nuevas tecnologías, en
la búsqueda de optimizar la planificación y la toma de decisiones.
1.- Modelos de Decisión en Mantenimiento

En años recientes, grandes corporaciones especialmente del sector de hidrocarburos y de la

industria de procesos, han volcado su atención hacia el modelo de decisión “Costo Riesgo”,
debido a que el mismo permite comparar el costo asociado a una acción de mantenimiento
contra el nivel de reducción de riesgo o mejora en el desempeño debido a dicha acción.; en
otras palabras, el modelo permite saber “cuanto obtengo por lo que gasto”.

El modelo Costo-Riesgo es el indicado para resolver el conflicto previamente mencionado,

dado que permite determinar el nivel óptimo de riesgo y la cantidad adecuada de
mantenimiento, para obtener el máximo beneficio o mínimo impacto en el negocio.

La figura 1 muestra gráficamente el modelo mencionado, y en el mismo pueden destacarse

tres curvas que varían en el tiempo:
- La curva del nivel de riesgo (riesgo = probabilidad de falla x consecuencia), asociado a
diferentes periodos de tiempo o frecuencias de mantenimiento.

- La curva de los costos de mantenimiento, en la cual se simulan los costos de diferentes

frecuencias para la acción de mantenimiento propuesta

2
La curva de impacto total, que resulta de la suma punto a punto de la curva de riesgos y la
curva de los costos de mantenimiento. El “mínimo” de esta curva, representa la frecuencia
para la cual las sumas de los costos de la política de mantenimiento con el nivel de riesgo
asociado a esta política son mínimos; es decir hay el “mínimo impacto posible en el negocio”
Este mínimo está ubicado sobre el valor que puede traducirse como el periodo o frecuencia
óptima para la realización de la actividad de mantenimiento. Un desplazamiento hacia la
derecha de este punto implicaría “asumir mucho riesgo” y un desplazamiento hacia la
izquierda del mismo implicaría “gastar demasiado dinero”.

La dificultad para el uso del modelo, se centra en la estimación o modelaje de la curva del
riesgo, ya que la misma requiere la estimación de la probabilidad de falla (y su variación con el
tiempo), y las consecuencias En la próxima sección, se detallan las herramientas para lograr el
correcto modelaje y estimación del riesgo.

2.- Riesgo, un indicador para el Diagnóstico Integrado

El riesgo R(t), base fundamental del modelo de decisión descrito en la sección anterior, es un
término de naturaleza probabilística, que se define como “egresos o pérdidas probables
consecuencia de la probable ocurrencia de un evento no deseado o falla”, y comúnmente se
expresa en unidades monetarias. Matemáticamente, el riesgo se calcula con la siguiente
ecuación:

Riesgo(t)=Probabilidad de Falla(t) x Consecuencias

El análisis de la ecuación del riesgo, permite entender el poder de este indicador para el
diagnóstico y la toma de decisiones, debido a que el mismo combina probabilidades o
frecuencias de fallas con consecuencias, permitiendo la comparación de unidades como los
equipos rotativos, que normalmente presentan alta frecuencia de fallas con bajas
consecuencias, con equipos estáticos, que normalmente presentan patrones de baja
frecuencia de fallas y alta consecuencia.

La figura 2, refleja gráficamente lo expresado en el párrafo anterior

3
El mantenimiento moderno, sustentado en la Ingeniería de Confiabilidad, requiere de un
cuidadoso proceso de diagnóstico de equipos y sistemas. El diagnóstico, basado en el “riesgo”,
puede entenderse entonces como un proceso que busca caracterizar el estado actual y
predecir el comportamiento futuro de equipos y sistemas.

Para el logro de un diagnóstico integrado, el riesgo debe calcularse usando toda la información
disponible; es decir, debe incluir el análisis del historial de fallas, los datos de condición y datos
técnicos. De esta forma, se podrán identificar las acciones correctivas y proactivas que puedan
efectivamente optimizar costos y minimizar su impacto en el negocio medular.

La figura 3, muestra el proceso de “Diagnóstico Integrado”

Entendiendo entonces que el “riesgo” es el indicador para un diagnóstico integrado, se

analizará a continuación en detalle, el proceso para estimarlo.

3.- Estimación de Riesgo

Como se mencionó en el punto 2, el cálculo del riesgo, involucra la estimación de la

Probabilidad de Fallas y/o la Confiabilidad, (Confiabilidad = 1 – Probabilidad de Fallas), y de las
Consecuencias. La figura 4 muestra la descomposición del indicador “riesgo” en sus
componentes fundamentales. En ella se muestra claramente que para calcular riesgo, deben
establecerse dos (2) vías, una para el cálculo de la confiabilidad y/o la probabilidad de fallas, en
base a la historia de fallas o en base a la condición; y otra para el cálculo de las consecuencias.

4
3.1.- Estimación de la Probabilidad de Fallas y/o la Confiabilidad.
Para la estimación de la confiabilidad o la probabilidad de fallas, existen dos métodos que
dependen del tipo de data disponible; estos son:

 Estimación Basada en Datos de Condición, altamente recomendable para equipos

estáticos, que presentan patrones de “baja frecuencia de fallas” y por ende no se tiene
un “historial de fallas” que permita algún tipo de análisis estadístico.

 Estimación Basada en el Historial de Fallas: recomendable para equipos dinámicos, los

cuales, por su alta frecuencia de fallas, normalmente permiten el almacenamiento de
un historial de fallas que hace posible el análisis estadístico.

3.1.1.- Estimación de Confiabilidad Basada en Condición

El análisis tradicional de confiabilidad, basado en el análisis estadístico del tiempo para la falla,
ha sido exitosamente utilizado para mejorar el mantenimiento preventivo y traer los equipos y
sistemas hasta los actuales niveles de desempeño. Sin embargo, buscando la mejora continua
de sus procesos, en las tres últimas décadas, algunas industrias han hecho grandes esfuerzos
en la recolección de data diferente a la data de falla, a través de programas de monitoreo de la
condición (mantenimiento predictivo) con la finalidad de optimizar las frecuencias de
mantenimiento de sus equipos y tomar acciones proactivas para evitar la ocurrencia de la falla.

a. Análisis Carga-Resistencia

El análisis Carga-Resistencia tiene como premisa el hecho de que las fallas son el resultado de
una situación donde la carga aplicada excede la resistencia. Carga y Resistencia son usados en
el sentido más amplio de la palabra; es decir, la carga pudiera ser la presión de operación,
mientras la máxima presión de operación permisible sería la resistencia. Similar análisis se
hace para cualquier otro parámetro relevante de la condición como vibración para equipos
dinámicos, o reducción de espesor para el caso de equipos estáticos.

En todos los casos existirá un valor actual de la condición que se monitorea, el cual
representará la carga, y un valor límite de la condición que representará la resistencia. Esta
última normalmente está regulada por normas y estándares de la ingeniería.

Contrario a la creencia general, en la mayoría de los casos ni la carga ni la resistencia son

valores fijos, por el contrario, sus valores son estadísticamente distribuidos. Cada distribución
tiene su valor medio, denotado por μY para la carga y μX para la resistencia y sus desviaciones
estándar σY y σX respectivamente. Esto es ilustrado en la figura 5.

5
Cuando la distribución de la condición medida o monitoreada en el equipo tiene algún solape
con la distribución de la condición límite o criterio de rechazo, en ese momento existe
probabilidad de falla. Esta situación es mostrada en la figura 6.

La confiabilidad de un elemento bajo la aplicación de una carga es la probabilidad de que su

resistencia exceda la carga. Dicha confiabilidad puede calcularse con la siguiente expresión:

Confiabilidad = Probabilidad (Resistencia>Carga)

Donde μY y μX son las medias de las distribuciones de la resistencia o criterio límite y el

esfuerzo o condición monitoreada respectivamente, y σY y σX las respectivas desviaciones
estándar.

NOTA: El operador “Φ”, indica que con el resultado obtenido de la ecuación entre paréntesis,
debe buscarse el valor de probabilidad correspondiente en una tabla de la distribución normal

b. Estimación de la confiabilidad basada en la condición

Un parámetro de condición (PC) es cualquier variable física que revele información acerca de
las características de desempeño de un equipo o componente. Un Parámetro Relevante de
Condición (PRC) es un parámetro cuyo valor numérico caracteriza y cuantifica la condición de
un equipo o componente en cualquier instante de su vida operativa.

Para que un PC sea un PRC, debe cumplir con los siguientes requisitos:

 Caracterizar la condición del equipo.

 Ajustar su valor continuamente durante su vida operativa.
 Describir numéricamente la condición del equipo o componente.

Un buen ejemplo de un PRC es el espesor de pared “E”, el cual es comúnmente usado en la

industria petrolera para caracterizar el proceso de deterioro debido al fenómeno Erosión-
Corrosión en tuberías en general y en algunos recipientes a presión. Otros PRC famosos en la
industria del gas y del petróleo son:

 Nivel de Vibración (Equipos Dinámicos)

 Partículas Metálicas disueltas en el aceite (Equipos Dinámicos)
 Velocidad de Declinación (Pozos y Yacimientos)
 Presión Estática de Fondo (Yacimientos)

6
3.1.2 Predicción del Número de Fallas Basado en el Historial de Fallas

En este punto, se presenta la metodología y la plataforma matemática para predecir la

disponibilidad en sistemas reparables, a través del tratamiento estadístico de su historial de
fallas y reparaciones. En otras palabras, los equipos son caracterizados usando su distribución
probabilística del “tiempo para fallar” y el “tiempo para reparar”.

Este tipo de análisis es particularmente valioso para equipos dinámicos, los cuales tienen una
frecuencia de falla relativamente alta. Normalmente, la data de fallas y reparaciones está
disponible.

Para equipos reparables existen cinco posibles estados en los que ellos pueden quedar, una
vez reparados después de una falla:

1. Tan bueno como nuevo

2. Tan malo como antes de fallar.
3. Mejor que antes de fallar, pero peor que cuando estaba nuevo.
4. Mejor que nuevo.
5. Peor que antes de fallar.

Los modelos probabilísticos tradicionalmente usados en análisis de confiabilidad, se basan en

los estados 1 y 2 (estados límites), sin tomar en cuenta los estados 3, 4 y 5 a pesar de que el
estado 3 es más realista en la práctica. La razón para esto radica en la dificultad de desarrollar
una solución matemática para modelar este estado
Este trabajo muestra el modelo probabilístico desarrollado, el cual se denomina “Proceso
Generalizado de Restauración” (PGR). Este modelo elimina las limitaciones antes mencionadas
porque toma en cuenta todos los posibles estados de un equipo después de una reparación.
Esto da como resultado una nueva plataforma conceptual para análisis de confiabilidad en
equipos reparables, la cual se ajusta en mayor grado a lo que sucede en la realidad, eliminando
las desviaciones derivadas del uso de los análisis tradicionales, especialmente en cuanto a la
predicción del número esperado de fallas y el tiempo para la próxima falla.

Formulación Matemática del PGR:

Las ecuaciones básicas del PGR tienen su base en distribuciones probabilísticas de Weibull
condicionales, y son las siguientes:

7
A partir de estas ecuaciones básicas y de la data de fallas [(ti)=tiempos de operación entre
fallas sucesivas] se calculan los parámetros “α”, “β” y “q”, cuyo significado es:

α:” parámetro de escala”

β:” parámetro de forma”
q:” parámetro de efectividad de la reparación”. Este parámetro puede interpretarse, según su
valor, de la siguiente forma:
q = 0 tan bueno como nuevo
0 < q < 1 mejor que como estaba, pero peor que cuando era nuevo
q = 1 tan malo como estaba
q < 0 mejor que nuevo
q > 1 peor que como estaba

Para obtener los parámetros con este método existen dos alternativas dependiendo del
momento de ejecución del análisis.

a. Método de estimación de la Máxima Probabilidad de Ocurrencia (MPO), para aquellos

casos en los cuales hay suficiente data disponible para el ciclo en análisis.
b. Teorema de Bayes para aquellos casos en los que no hay suficiente data disponible del
ciclo en análisis.

Una vez estimados los parámetros de PGR es posible predecir el número esperado de fallas
Λ(t), usando un proceso iterativo basado en simulación de Montecarlo. El diagrama de flujo
para este proceso iterativo se muestra en la figura 7.

8
Los resultados de las estimaciones hechas con el PGR son mucho más certeros que las
predicciones tradicionales. Como puede observarse en la figura 7.1, se generaron tres líneas de
predicción basados en el 25% de los datos de fallas (puntos de falla encerrados con un cuadro)
usando las tres teorías de predicción del número de fallas:

 Proceso de Renovación Ordinario, basada en la asunción de un estado “tan bueno

como nuevo” después de la reparación.

 Proceso No Homogéneo de Poisson, basada en la asunción de un estado “tan malo

como estaba” después de la reparación.

 Proceso Generalizado de Restauración (PGR) que considera estados intermedios.

De las tres, solo la correspondiente al PGR coincide con gran precisión con las fallas que
ocurrieron subsecuentemente.

4.- Estimación de Consecuencias.

En esta sección se presenta una metodología para estimar las consecuencias totales que
resultan de la falla de un equipo y/o sistema. El modelo básico que soporta el trabajo aquí
propuesto es el de “Impacto Total en el Negocio” desarrollado por John Woodhouse.

Modelo Propuesto:

El modelo divide las consecuencias asociadas con una falla particular en cuatro grandes
categorías: Pérdidas de producción, costos de reparación, impacto ambiental e impacto en
seguridad.

a. Pérdida de Producción:

9
En este paso, las pérdidas de producción debido a tiempo fuera de servicio son estimadas
usando la siguiente ecuación: PERDIDA DE PRODUCCIÓN = PP * RF * TTR
Donde PP es el precio del producto ($/Unid), RF es la reducción de flujo (Unid/Hr) y TTR, el
tiempo para reparar (Hrs). La variabilidad del costo del producto se incluye con la asunción de
una distribución normal.
Reducción de flujo: La reducción puede ser total o parcial, dependiendo de otros factores tales
como diseño, redundancias, cargas compartidas o stand by y/o severidad de la falla (critica o
degradación). Para representar todos los posibles valores de esta reducción se definió una
distribución normal.
Tiempo de reparación: En lo que respecta al tiempo de reparación, es su valor promedio
(MTTR) el considerado para representar la distribución de esta variable.

b. Costos de reparación: La distribución de los costos de reparación debe incluir el espectro de

todos los posibles costos, los cuales varían dependiendo de la severidad de la falla. Durante los
ciclos de vida (tiempo entre overhauls), estos costos tienden hacia una distribución normal.

c. Impacto Ambiental e Impacto en Seguridad: Las distribuciones de estos impactos, en la

mayoría de los casos, son difíciles de construir, pues no es fácil encontrar datos y
fundamentalmente requieren ser construidas en base a la opinión de expertos.

5.- El Diagnóstico Integral en el Proceso de Confiabilidad

Como se ha estado describiendo en este trabajo, el diagnóstico integral es un proceso que

implica el uso de avanzadas técnicas de cálculo para predecir fallas y eventos no deseados e
inferir sus consecuencias; es decir permite estimar el riesgo siguiendo el esquema de la figura
4 y también permite el uso de modelos de decisión como el Modelo Costo Riesgo explicado en
el punto 1.

Hasta este punto, se han descrito brevemente las técnicas de la Ingeniería de Confiabilidad que
permiten hacer estos cálculos.

El proceso conocido como “Confiabilidad Operacional”; es un enfoque metodológico donde el

diagnóstico integrado se combina con otras metodologías tradicionales del área de
confiabilidad, tales como: Análisis de Modos y Efectos de Fallas, Análisis Causa Raíz e
Inspección Basada en Riesgo, entre otras; con la finalidad de:
10
  Inferir probabilísticamente todos los escenarios de producción factibles, a través de la
predicción de los periodos de operación normal y de ocurrencia de eventos o
escenarios no deseados, basados la configuración de los sistemas, la confiabilidad de
sus componentes y la filosofía de mantenimiento
 Identificar acciones concretas para minimizar y/o mitigar la ocurrencia de estas fallas o
eventos no deseados y llevar el riesgo a niveles tolerables
 Explorar las implicaciones económicas de cada escenario de riesgo posible y diseñar
planes y estrategias óptimas para el manejo del negocio.

La figura 9, muestra el esquema de integración del Diagnostico Integrado con otras

metodologías en el enfoque de Confiabilidad Operacional.

II. EXCEL
11
 1. DATOS APLICABLES

HISTORIA DE FALLAS BOMBAS GEHO

Proyecto Toromocho - Minera Chinalco
EQUIPO: 255PP057 BOMBA GEHO TPZM 2000
Fecha inicio historial: 01/07/2016 Fecha terino historial: 31/01/2017
Horomet
TAG Horomet MTT MTB
Fecha Cama Descripci Estad ro Duraci
Bom ro R F
falla ra on falla o Instalaci on Hrs.
ba Cambio Hrs. Hrs.
on
05/12/20 Ring Nuev
5 17360 17324 36 2 38
16 57 valve o
19/01/20 Ring Nuev
1 18217 18177 40 3 43
17 57 valve o
06/01/20 Ring Nuev
3 17963 17877 86 1 87
17 57 valve o
01/07/20 Ring Nuev
6 14603 14512 91 2 93
16 57 valve o
17/08/20 Ring Nuev
6 15552 15445 107 3 110
16 57 valve o
31/12/20 Ring Nuev
3 17877 17766 111 1 112
16 57 valve o
03/07/20 Ring Nuev
1 14695 14555 140 1 141
16 57 valve o
03/09/20 Ring Nuev
6 15695 15552 143 2 145
16 57 valve o
05/07/20 Ring Nuev
2 14684 14524 160 2 162
16 57 valve o
17/08/20 Ring Nuev
1 15552 15388 164 3 167
16 57 valve o
13/09/20 Ring Nuev
6 15861 15695 166 1 167
16 57 valve o
05/09/20 Ring Nuev
1 15724 15552 172 3 175
16 57 valve o
06/07/20 Ring Nuev
4 14704 14512 192 3 195
16 57 valve o
17/01/20 Ring Nuev
3 18171 17963 208 3 211
17 57 valve o
26/01/20 Ring Nuev
3 18382 18171 211 1 212
17 57 valve o
09/08/20 Ring Nuev
1 15388 15175 213 1 214
16 57 valve o
19/08/20 Ring Nuev
3 15608 15395 213 2 215
16 57 valve o
19/01/20 Ring Nuev
2 18217 18003 214 1 215
17 57 valve o
09/01/20 Ring Nuev
2 18003 17766 237 1 238
17 57 valve o
13/07/20 Ring Nuev
3 14835 14580 255 2 257
16 57 valve o
30/01/20 Ring Nuev
3 18695 18382 313 3 316
17 57 valve o
12
08/07/20 Ring Nuev
5 14744 14410 334 3 337
16 57 valve o
26/12/20 Ring Nuev
1 17774 17368 406 2 408
16 57 valve o
27/01/20 Ring Nuev
4 18400 17981 419 3 422
17 57 valve o
27/06/20 Ring Nuev
1 15175 14695 480 1 481
16 57 valve o
31/07/20 Ring Nuev
6 15225 14744 481 1 482
16 57 valve o
14/09/20 Ring Nuev
2 15896 15404 492 3 495
16 57 valve o
10/08/20 Ring Nuev
3 15395 14835 560 1 561
16 57 valve o
15/11/20 Ring Nuev
1 16989 16392 597 2 599
16 57 valve o
07/01/20 Ring Nuev
4 17981 17366 615 3 618
17 57 valve o
07/10/20 Ring Nuev
1 16392 15724 668 3 671
16 57 valve o
12/08/20 Ring Nuev
5 15445 14744 701 3 704
16 57 valve o
10/08/20 Ring Nuev
2 15404 14684 720 3 723
16 57 valve o
11/08/20 Ring Nuev
4 15424 14704 720 1 721
16 57 valve o
09/12/20 Ring Nuev
6 17411 15861 1550 2 1552
16 57 valve o
25/12/20 Ring Nuev
2 17766 15896 1870 2 1872
16 57 valve o
03/12/20 Ring Nuev
5 17324 15445 1879 2 1881
16 57 valve o
06/12/20 Ring Nuev
4 17366 15424 1942 3 1945
16 57 valve o
24/12/20 Ring Nuev
6 19518 17411 2107 2 2109
16 57 valve o
2009
SUMA 20013 81
4

2. FUNCION WEIBULL

13
 Edad
de
iten %F(t) LN (t) LN(LN(1/1-F(t))) (t-ϒ) LN(t-ϒ) LN(LN(1/1-F(t)))
fallas
(hrs)

14
 1 86 1.87% 4.454 -3.969 6 1.792 -3.969
2 91 4.55% 4.511 -3.068 11 2.398 -3.068
3 107 7.22% 4.673 -2.591 27 3.296 -2.591
4 111 9.89% 4.710 -2.262 31 3.434 -2.262
5 140 12.57% 4.942 -2.008 60 4.094 -2.008
6 143 15.24% 4.963 -1.800 63 4.143 -1.800
7 160 17.91% 5.075 -1.622 80 4.382 -1.622
8 164 20.59% 5.100 -1.467 84 4.431 -1.467
9 166 23.26% 5.112 -1.329 86 4.454 -1.329
10 172 25.94% 5.147 -1.203 92 4.522 -1.203
11 192 28.61% 5.257 -1.088 112 4.718 -1.088
12 208 31.28% 5.338 -0.980 128 4.852 -0.980
13 211 33.96% 5.352 -0.880 131 4.875 -0.880
14 213 36.63% 5.361 -0.785 133 4.890 -0.785
15 213 39.30% 5.361 -0.695 133 4.890 -0.695
16 214 41.98% 5.366 -0.608 134 4.898 -0.608
17 237 44.65% 5.468 -0.525 157 5.056 -0.525
18 255 47.33% 5.541 -0.445 175 5.165 -0.445
19 313 50.00% 5.746 -0.367 233 5.451 -0.367
20 334 52.67% 5.811 -0.290 254 5.537 -0.290
21 406 55.35% 6.006 -0.215 326 5.787 -0.215
22 419 58.02% 6.038 -0.142 339 5.826 -0.142
23 480 60.70% 6.174 -0.068 400 5.991 -0.068
24 481 63.37% 6.176 0.004 401 5.994 0.004
25 492 66.04% 6.198 0.077 412 6.021 0.077
26 560 68.72% 6.328 0.150 480 6.174 0.150
27 597 71.39% 6.392 0.224 517 6.248 0.224
28 615 74.06% 6.422 0.300 535 6.282 0.300
29 668 76.74% 6.504 0.377 588 6.377 0.377
30 701 79.41% 6.553 0.458 621 6.431 0.458
31 720 82.09% 6.579 0.542 640 6.461 0.542
32 720 84.76% 6.579 0.632 640 6.461 0.632
33 1550 87.43% 7.346 0.730 1470 7.293 0.730
34 1870 90.11% 7.534 0.839 1790 7.490 0.839
35 1879 92.78% 7.538 0.966 1799 7.495 0.966
36 1942 95.45% 7.571 1.129 1862 7.529 1.129
37 2107 98.13% 7.653 1.381 2027 7.614 1.381

β 1.237 β 0.862
η 550.89 η 490.64 DIAS
ϒ 0 ϒ 80 DIAS
R 0.9263 R 0.9865

15
 R IDEAL 1 R IDEAL 1
DELTA R 0.0737 DELTA R 0.0135
1+1/β 1.8082 Tiempo Calculo Confiabilidad
1+1/β 2.1603
ITEM
(DIAS) exponente R(t)
MTBF 514.29 MTBF 609.27 DIAS
1 5 1
2 10 1
3. 3 15 1 GRAFICAS
4 20 1
5 25GRAFICO WEIBULL 1
2.000 6 30 1
7 35 1
1.000
8 40 1
0.000 9 45 1
4.000 4.500
10 5.000 50 5.500 6.000 6.500 1 7.000 7.500 8.000
LN(LN(1/1-F(t)))

-1.000 11 55 1
12 60 1
-2.000
13 65 1
-3.000 14 70 1
15 75 1
-4.000 16 80 0.3408 0.7112
17 85 0.3965 0.6727
-5.000
18 90 0.4547 0.6346
19 95 LN (t)
0.5155 0.5972
20 100 0.5786 0.5607 WEIBULL
21 105 0.6440 0.5252
22 110 0.7115 0.4909
GRAFICO WEIBULL
2.000 23 115 0.7812 0.4579
24 120 0.8529 0.4262
1.000 25
f(x) = 125
0.861836855867545 x − 0.9266
5.18628559338835 0.3959
R² = 0.973097933269102
26 130 1.0021 0.3671
27 135 1.0796 0.3397
LN(LN(1/1-F(t)))

0.000
1.000 2.000 3.000 4.000 5.000 6.000 7.000 8.000
28 140 1.1588 0.3139
-1.000 29 145 1.2398 0.2894
30 150 1.3226 0.2665
-2.000 31 155 1.4070 0.2449
32 160 1.4930 0.2247
-3.000
33 165 1.5807 0.2058
34 170 1.6699 0.1883
-4.000

-5.000
LN(t-ϒ)

4. DATOS TOMADOS PARA LA GRAFICA DE CONFIABILIDAD

16
5. GRAFICA DE CONFIABILIDAD

17
 GRAFICO CONFIABILIDAD R(t)
1.2
1
0.8
0.6

R(t)
0.4
0.2
0
0 20 40 60 80 100 120 140 160 180

Tiempo (DIAS)

6. DATOS TOMADOS PARA LA GRAFICA DE INFIABILIDAD

TIEMP CALCULO CONFIABILIDAD INFIABILIDAD

ITEM
O (Dias) EXPONENTE R(t) F(t)
1 0 1.0000 0.0000
2 5 1.0000 0.0000
3 10 1.0000 0.0000
4 15 1.0000 0.0000
5 20 1.0000 0.0000
6 25 1.0000 0.0000
7 30 1.0000 0.0000
8 35 1.0000 0.0000
9 40 1.0000 0.0000
10 45 1.0000 0.0000
11 50 1.0000 0.0000
12 55 1.0000 0.0000
13 60 1.0000 0.0000
14 65 1.0000 0.0000
15 70 1.0000 0.0000
16 75 1.0000 0.0000
17 80 0.3408 0.7112 0.2888
18 85 0.3965 0.6727 0.3273
19 90 0.4547 0.6346 0.3654
20 95 0.5155 0.5972 0.4028
21 100 0.5786 0.5607 0.4393
22 105 0.6440 0.5252 0.4748
23 110 0.7115 0.4909 0.5091
24 115 0.7812 0.4579 0.5421
25 120 0.8529 0.4262 0.5738
26 125 0.9266 0.3959 0.6041
27 130 1.0021 0.3671 0.6329
28 135 1.0796 0.3397 0.6603
29 140 1.1588 0.3139 0.6861
30 145 1.2398 0.2894 0.7106
31 150 1.3226 0.2665 0.7335
32 155 1.4070 0.2449 0.7551

7. GRAFICA DE INFIABILIDAD
18
 GRAFICO INFIABILIDAD F(t)
1.2000

1.0000

0.8000

0.6000
F(t)

0.4000

0.2000

0.0000
0 20 40 60 80 100 120 140 160 180

TIEMPO (Dias)

III. CONCLUSIÓN Y RECOMENDACIONES

19
1. La metodología de diagnóstico propuesta, basada en la estimación del riesgo, integra
herramientas reconocidas de la Ingeniería de Confiabilidad, en una sola plataforma que
permite:

Realizar diagnósticos integrales sustentados en toda la información disponible de un equipo

(data histórica, data de condición y data técnica).
Hacer seguimiento al estatus de confiabilidad y riesgo de los equipos, subsistemas y sistemas
con la finalidad de tomar las decisiones correctas en el momento adecuado.
Comparar el costo asociado a una acción de mantenimiento contra el nivel de reducción de
riesgo o mejora en el desempeño alcanzado debido a dicha acción.

2. El Proceso Generalizado de Restauración (PGR) usando simulación de Montecarlo para

obtener el número esperado de fallas, representa una excelente herramienta para hacer
predicciones de fallas en sistemas reparables. Los resultados obtenidos con esta herramienta
son más reales que aquellos obtenidos con los métodos tradicionales basados en la asunciones
“tan bueno como nuevo” y “tan malo como antes de fallar”. Este punto tiene gran potencial de
aplicación en el área presupuestaria.

3. El método propuesto para el cálculo de confiabilidad basado en datos de monitoreo del

deterioro o “datos de condición”, ofrece un método alternativo al tradicional método basado
en la “historia de fallas”; que resulta particularmente útil para equipos y sistemas con tasas de
falla muy bajas; tales como los equipos estáticos y provee además, una vía para incluir estas
confiabildades en los modelos generales de plantas y sistemas; fortaleciendo los criterios para
el diseño de políticas y estrategias de mantenimiento a las instalaciones.

Lecciones aprendidas

1. “Generalmente, no existen problemas complejos con soluciones sencillas”. El análisis de

confiabilidad y riesgo en las instalaciones de procesos no es un problema sencillo, por ende,
requiere de herramientas y metodologías de cálculo con complejidad acorde a la complejidad
del problema. El uso de indicadores de confiabilidad sustentados en simplificaciones para dar
mayor practicidad a su uso, con mucha frecuencia conduce a estimaciones y predicciones
alejadas de la realidad, con el respectivo impacto en el negocio.
2. El proceso de diagnóstico de equipos, sistemas y/o procesos es una etapa de vital
importancia en la mejora de la confiabilidad operacional, debido a que permite identificar las
acciones proactivas que puedan efectivamente optimizar los costos y minimizar el impacto de
los mismos en el negocio medular.

3. La ingeniería de Confiabilidad es una herramienta poderosísima para agregar valor a una

empresa o proceso productivo; ya que una de las formas mas importantes de agregar valor, es
evitar que se destruya.

20
 IV. BIBLIOGRAFÍA

Yañez, Medardo – Gómez de la Vega, Hernando, Valbuena Genebelin, Ingeniería de

Confiabilidad y Análisis Probabilístico de Riesgo – ISBN 980-12-0116-9 - Junio 2003
Woodhouse, John, “Managing Industrial Risk”, Chapman and Hall, Oxford, UK, 1993.
Yañez, Medardo - Joglar, Fancisco - Modarres Mohammad, Generalized Renewal Process for
analysis of Repairable Systems with limited failure experience – Reliability Engineering and
System Safety Analysis Journal – ELSVIER – USA 2002
Yanez, Medardo – Gómez de la Vega, Hernando, Valbuena Genebelin, Gerencia de la
Incertidumbre – ISBN 980-12-0115-0 - Marzo 2003
Roush M.; Webb W., “Applied Reliability Engineering”, vol I, The Center for Reliability
Engineering, University of Maryland. College Park. 1999.

21