Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Mantenimiento,
Reemplazo
y confiabilidad
Teoría y aplicaciones
Segunda edicion
Machine Translated by Google
Machine Translated by Google
Mantenimiento,
Reemplazo y
confiabilidad
Teoría y aplicaciones
Segunda edicion
Andrew KS Jardine
Albert Hc Tsang
Prensa CRC
Grupo Taylor y Francisco
6000 Broken Sound Parkway NW, Suite 300
Boca Ratón, FL 334872742
Este libro contiene información obtenida de fuentes auténticas y de gran prestigio. Se han hecho esfuerzos razonables para publicar datos e información confiables,
pero el autor y el editor no pueden asumir responsabilidad por la validez de todos los materiales o las consecuencias de su uso. Los autores y editores han
intentado localizar a los titulares de los derechos de autor de todo el material reproducido en esta publicación y se disculpan con los titulares de los derechos de
autor si no se ha obtenido el permiso para publicar de esta forma. Si no se ha reconocido algún material con derechos de autor, escríbanos e infórmenos para que
podamos rectificarlo en cualquier reimpresión futura.
Excepto según lo permitido por la Ley de derechos de autor de EE. UU., ninguna parte de este libro puede ser reimpresa, reproducida, transmitida o utilizada de
ninguna forma por ningún medio electrónico, mecánico o de otro tipo, ahora conocido o inventado en el futuro, incluidas fotocopias, microfilmaciones y grabación,
o en cualquier sistema de almacenamiento o recuperación de información, sin el permiso escrito de los editores.
Para obtener permiso para fotocopiar o utilizar material electrónicamente de este trabajo, acceda a www.copyright.com (http://www. copyright.com/) o comuníquese
con Copyright Clearance Center, Inc. (CCC), 222 Rosewood Drive, Danvers, MA 01923, 9787508400. CCC es una organización sin fines de lucro que proporciona
licencias y registros para una variedad de de usuarios. Para las organizaciones a las que la CCC les ha concedido una licencia de fotocopia, se ha dispuesto un
sistema de pago independiente.
Aviso sobre marcas comerciales: Los nombres de productos o corporativos pueden ser marcas comerciales o marcas comerciales registradas y se utilizan
únicamente para identificación y explicación sin intención de infringirlas.
Dedicación
Albert HC Tsang
A BANAK (menos una A), sus cónyuges y sus
hijos (Callum, Cameron, Lachlan, Meghan y Andrew).
Andrew KS Jardine
Machine Translated by Google
Machine Translated by Google
Contenido
Prefacio a la primera edición................................................ ........................................xv
Prefacio de la segunda edición.... ................................................. ....................... xvii
Agradecimientos por la Primera Edición .................. ................................................ xix
Agradecimientos por la Segunda Edición ................................................. ........... xxi
Autores.................................... ................................................. ......................... xxiii
Resumen................................. ................................................. ........................................xxv
viii
Machine Translated by Google
vehículos a tener en un
Flota (como una flota de mensajería) ................................. 212 5.7 La
decisión de comprar o arrendar .. ................................................ 213 5.7.1 Planteamiento
del
problema ......................................... 213 5.7 .2 Solución del
Problema................................................ 213 5.7.2.1 Uso de utilidades
Apéndice 12: Tabla de rangos del cinco por ciento.................................... ................. 319
Apéndice 13: Tabla de rangos del noventa y cinco por ciento................................... ....... 321
xvi
Machine Translated by Google
Este libro se puede utilizar como libro de texto para un curso de pregrado o posgrado de un semestre
de duración sobre análisis de decisiones de mantenimiento. Al final de cada capítulo se proporcionan
conjuntos de problemas con respuestas que presentan las herramientas de decisión. Hay recursos
adicionales disponibles para respaldar el uso de este libro. Estos incluyen un extenso conjunto de
diapositivas de PowerPoint que cubren los distintos capítulos y Apéndices 1, 2 y 6, y un manual de
soluciones para los problemas del libro. Los instructores que adopten el libro pueden obtener estos
recursos comunicándose con Susie Carlisle en susie.carlisle@taylorandfrancis.com.
Si el libro se utiliza como texto didáctico, muchas de las secciones de “Comentarios adicionales”
deberían generar suficientes ideas para que el lector especifique problemas diferentes a los presentados
en el texto, de modo que luego pueda practicar la construcción de modelos matemáticos.
El libro también se puede utilizar para un curso de desarrollo profesional continuo de 3 a 4 días para
profesionales de mantenimiento y confiabilidad. Es posible que dichos estudiantes deseen omitir los detalles
sobre la formulación de los modelos y centrarse únicamente en las secciones de “Aplicaciones”. Se les
aconseja profundizar en los modelos sólo cuando estén dispuestos a invertir el tiempo y el esfuerzo
necesarios para comprender las teorías subyacentes (para tomar prestada una declaración formulada por
un profesor anónimo de secundaria: "El modelado matemático no es un deporte para espectadores").
Las aplicaciones del mundo real dadas en los Capítulos 2 a 5 resaltan los usos prácticos de las
herramientas de decisión presentadas en este libro. Los lectores interesados en explorar la posibilidad de
aplicar estas herramientas o sus extensiones para abordar problemas específicos pueden encontrar útil
consultar la lista ampliada de aplicaciones que figura en el Apéndice 7.
Con una gran cantidad de datos disponibles, a menudo nos encontramos en la desconcertante posición
de ser ricos en datos pero pobres en información. Es posible que tengamos todos los datos sin procesar
que necesitemos al alcance de nuestra mano. Sin embargo, a menos que podamos interpretar y utilizar
dichos datos de manera inteligente, son de poca utilidad. Para transformar los datos en información útil
para la toma de decisiones, necesitamos las herramientas adecuadas, como las que se presentan en este libro.
Cuanto más haces, más puedes hacer. Sugerimos que los profesionales de mantenimiento y
confiabilidad apliquen inicialmente el conocimiento adquirido en este libro para abordar
un simple problema de mantenimiento dentro de su organización. De esta manera, pueden ganar confianza
al utilizar las herramientas que se presentan en este libro y luego aplicarlas en situaciones más desafiantes.
xvii
Machine Translated by Google
gestión de activos, y (3) problemas de gestión de datos, incluidos los casos en los que los datos no
están disponibles o son escasos. El capítulo 2 analiza ahora cómo se pueden priorizar los candidatos
para el reemplazo de componentes utilizando el diagrama Jackknife. Tres nuevos apéndices
respaldan las herramientas presentadas en el libro: Estimador de máxima verosimilitud (MLE),
cadenas de Markov y procedimientos de obtención de conocimiento basados en un enfoque
bayesiano para la estimación de parámetros. Los materiales de aprendizaje electrónico ahora
complementan dos apéndices anteriores (Statistics Primer y Weibull Analysis). Finalmente, hemos
actualizado el apéndice "Lista de aplicaciones de modelos de optimización de decisiones de mantenimiento".
El libro será un valioso libro de texto para cursos de pregrado o posgrado sobre análisis de
decisiones de mantenimiento; Al final de cada capítulo se proporcionan conjuntos de problemas
con respuestas, y hay recursos adicionales disponibles, incluido un extenso conjunto de diapositivas
de PowerPoint y un manual de soluciones. Los instructores que adopten el libro pueden obtener
estos recursos en el sitio web del editor. El libro también es apropiado para cursos de desarrollo
profesional continuo de tres a cuatro días para profesionales de mantenimiento y confiabilidad.
Fuera del aula, esperamos que los estudiantes de ingeniería de nivel superior y los estudiantes de
posgrado de administración que se enfocan en la gestión de operaciones y los estudiantes de
posgrado de ingeniería que abordan temas de ingeniería de mantenimiento y confiabilidad utilicen
el libro como referencia, al igual que los ejecutivos responsables de la construcción. , gestión y
disposición de todas las clases de activos (como plantas, equipos y activos de TI), consultores
responsables de optimizar las decisiones del ciclo de vida para los clientes y profesionales de
mantenimiento y confiabilidad dentro de una organización.
Agradecimientos a la
Primera Edición
Deseamos agradecer el apoyo financiero brindado por la Universidad Politécnica de Hong Kong
y el Consejo de Investigación de Ingeniería y Ciencias Naturales de Canadá (NSERC) que permitió
a los autores reunirse de vez en cuando, tanto en Canadá como en Hong Kong, mientras el libro
desarrollado.
Los lectores pueden reconocer algunos de los modelos que aparecen en este libro porque
aparecieron por primera vez en Mantenimiento, reemplazo y confiabilidad, un texto de uno de los
autores. Al utilizar ese libro en los cursos que impartimos, mantuvimos nuestro gran interés en la
optimización del mantenimiento. Agradecemos el apoyo y los conocimientos de muchos colegas
actuales y anteriores, estudiantes de investigación, estudiantes y participantes de nuestros cursos,
con quienes hemos interactuado en debates y enseñanza sobre optimización del mantenimiento,
para contribuir a la creación de los nuevos materiales de esta publicación. Nuestro agradecimiento
también se extiende a aquellas industrias que apoyaron proyectos que supervisamos o que
patrocinaron a participantes para que asistieran a cursos/seminarios/talleres posteriores a la
experiencia impartidos por nosotros en muchos países, cubriendo todos los continentes (África,
Asia, Australia, Europa, América) excepto la Antártida. . Las aplicaciones citadas en el libro, con
una excepción, se basan en estudios que hemos realizado. En todos estos casos, los datos se
han desinfectado para mantener la confidencialidad de la fuente. Agradecemos al difunto John D.
Campbell por las oportunidades de consultoría brindadas por su Centro Internacional de Excelencia
en Gestión de Mantenimiento en PricewaterhouseCoopers, y posteriormente por el Centro de
Excelencia en Gestión de Activos de IBM, algunas de las cuales dieron como resultado las aplicaciones citadas en
El apoyo de muchos colegas ha sido fundamental para finalizar con éxito este libro. En
particular, deseamos agradecer a: Dragan Banjevic y Darko Louit, quienes brindaron su valioso
apoyo en la preparación de la Sección 2.11 (Provisión de repuestos: repuestos para seguros);
Baris Balcioglu, Dragan Banjevic, Renyan Jiang, Darko Louit, Diederik Lughtiheid, Daming Lin, Neil
Montgomery, Emanuel Bernhard y Ali Zuashkianu, quienes revisaron varios capítulos del libro a
medida que se desarrollaba; Eric Wing Kin Lee, Jesús Tamez Navarro y Wai Keung Tang, quienes
crearon los códigos de programa de WeibullSoft, Workshop Simulator y Crew Size Optimizer;
Peter Lau por empaquetar las herramientas MORE (Optimización de mantenimiento e ingeniería
de confiabilidad), el conjunto de herramientas de software que los usuarios de este libro pueden
descargar de la Web; Diane Gropp, asistida por Susan Gropp, quien preparó todo el texto y los
dibujos en su forma final para cumplir con los requisitos del editor; Samantha Chan, que transcribió
un primer borrador del libro; y Peter Jackson, quien hizo la corrección para asegurar la coherencia
del estilo en la prosa. También agradecemos a los colegas que sugirieron entradas en las
referencias y listas de lecturas adicionales del libro. Además, Andrey Pak tuvo la poco envidiable
tarea de revisar cuidadosamente el texto completo y preparar el extenso Manual del Instructor.
Hizo un buen trabajo y cualquier error que quede debe considerarse como nuestro.
xix
Machine Translated by Google
Se ha obtenido permiso para incluir los siguientes materiales protegidos por derechos de autor
en el libro:
• Figura 5.5: Gráfico de colas de Wilkinson de Bell System Technical Journal, 32(2), Copyright
© 1953 de John Wiley & Sons, Inc. Reimpreso con el permiso de John Wiley & Sons, Inc.
• Figuras 2.43 y 2.44: Gráficos de Glasser de Journal of Quality Technology, 1(2), 1969.
Reimpreso con autorización de ASQ.
• Apéndices 8 y 9: Tablas de J. Murdoch y JA Barnes, Statistical Tables for Science,
Engineering, Management and Business Studies, 2ª ed., 1970, Macmillan. Reproducido
con autorización de Palgrave Macmillan.
• Apéndice 10: Tabla de valores de la función gamma en probabilidad aplicada para ingenieros
y científicos por Ephraim Suhir, Copyright © 1997 de McGrawHill, página 555. Reimpreso
con permiso de McGrawHill.
• Apéndice 14: Tabla de valores críticos para la estadística de KolmogorovSmirnov en el
Manual de procedimientos estadísticos paramétricos y no paramétricos, 3ª ed., por David
Sheskin, Copyright © 2004 de Chapman & Hall/CRC, página 1167. Reimpreso con
permiso de Chapman & Salón/CRC.
Agradecimientos por
la Segunda Edición
Nos gustaría agradecer a todos los que nos ayudaron a actualizar este libro, incluida la Universidad
Politécnica de Hong Kong y el Consejo de Investigación de Ingeniería y Ciencias Naturales de
Canadá (NSERC); Gracias a su generoso apoyo, pudimos visitarnos durante el proceso de
reescritura.
Varias personas también desempeñaron un papel importante. Una es Cindy Carelli, editora
senior de adquisiciones de CRC Press; esta segunda edición no se habría materializado tan
rápidamente sin su entusiasta apoyo. Nuestro agradecimiento también a Dragan Banjevic, que ha
sido generoso con sus sugerencias para mejorar los contenidos técnicos. Gracias a Ali Zuashkiani
quien desarrolló el Problema 3 en el Capítulo 3; Además, su presentación en la Conferencia MARTS
de 2011 proporciona un ejemplo ilustrativo en el Apéndice 5. Los estudiantes de posgrado de C
MORE, Universidad de Toronto, que leyeron y comentaron las revisiones fueron: Maliheh Aramon,
Erik Bjarnason, Laurent Caudrelier, Soroush Sharifi, Janet Sung, Stephan Trusevych, Clayton Von
Valkenburg y Lorna Wong. Apreciamos enormemente su voluntaria contribución. Los generosos y
meticulosos consejos editoriales de Elizabeth Thompson nos ayudaron a mejorar la legibilidad del
texto. Finalmente, MF Chan y Peter Lau prepararon las nuevas cifras y revisaron las antiguas.
Desde su publicación en 2006, el libro se ha utilizado como texto de referencia en los cursos
de optimización de decisiones de mantenimiento que hemos impartido en todo el mundo. Nuestras
numerosas interacciones con los participantes en estos cursos, así como las comunicaciones que
hemos recibido de los lectores del libro, nos ayudaron a detectar errores y ambigüedades. Estamos
muy agradecidos por este valioso aporte. Los errores que queden en esta publicación son nuestros.
Por último, pero no menos importante, queremos agradecer a los profesionales que conocimos
en congresos y cursos. Nos ayudaron a identificar problemas de decisión de gestión de activos
nuevos y emergentes que pueden abordarse mediante la optimización. También son fuentes de
datos del mundo real para el análisis y la creación y prueba de modelos propuestos. Por lo tanto,
¡también deberíamos agradecer al mundo real!
xxi
Machine Translated by Google
Machine Translated by Google
Autores
Andrew KS Jardine es Director del Centro de Optimización del Mantenimiento e Ingeniería de
Confiabilidad (CMORE) de la Universidad de Toronto, donde la atención se centra en la
investigación del mundo real en gestión de activos de ingeniería en las áreas de
mantenimiento basado en condiciones, gestión de repuestos, protección dispositivos, contratos
de mantenimiento y reparación, e intervalos de búsqueda de fallas para dispositivos de
protección. Los detalles se pueden encontrar en http://www.mie.utoronto.ca/cmore. El Dr.
Jardine también es profesor emérito del Departamento de Ingeniería Mecánica e Industrial de la Universidad d
El profesor Jardine estudió en el Royal College of Science and Technology de Escocia y
obtuvo su licenciatura y maestría en Ingeniería Mecánica de la Universidad de Strathclyde,
Escocia. Obtuvo su doctorado
en Ingeniería de Producción por la Universidad de Birmingham, Inglaterra.
El profesor Jardine escribió el libro "Mantenimiento, reemplazo y confiabilidad", publicado
por primera vez en 1973 y ahora en su sexta edición. Es coeditor con JD.
Campbell del libro publicado en 2001 "Excelencia en el mantenimiento: optimización de las
decisiones sobre el ciclo de vida de los equipos". Fue coautor con el Dr. AHC Tsang del libro
“Maintenance, Reemplazo & Reliability: Theory and Applications”, publicado por CRC Press,
2006. El profesor Jardine coeditó con John D. Campbell y J. McGlynn “Asset Management
Excellence: Optimizing Decisiones sobre el ciclo de vida”, publicado por CRC Press, 2010.
Además de escribir, investigar y enseñar, el Dr. Jardine ha sido, durante años, muy solicitado
como consultor independiente para corporaciones y gobiernos de todo el mundo, en asuntos
relacionados con el uso óptimo de sus activos físicos.
El Dr. Jardine ha obtenido una impresionante variedad de premios, honores y homenajes,
incluido el de haber sido el orador eminente de la Sociedad de Ingeniería de Mantenimiento de
Australia, así como el primer ganador del Premio en Memoria de Sergio Guy de la Asociación
de Ingeniería y Mantenimiento de Plantas de Australia. Canadá en reconocimiento a
su destacada contribución a la profesión de mantenimiento. En 2008, el Dr. Jardine recibió el
Premio al Mejor Trabajo, presentado en la categoría de Desarrollos Académicos, y patrocinado
por la Fundación Salvetti, en la conferencia bianual de la Federación Europea de Sociedades
Nacionales de Mantenimiento, en Bruselas. Está incluido en Quién es quién en Canadá.
xxiii
Machine Translated by Google
XXIV Autores
Además de ser miembro desde hace mucho tiempo de la Universidad Politécnica de Hong
Kong, el Dr. Tsang es muy activo en la promoción de la calidad y la confiabilidad en Hong
Kong. Es consejero nacional de la Sociedad Estadounidense para la Calidad en Hong Kong,
ex presidente, miembro fundador y miembro de la Sociedad para la Calidad de Hong Kong
(HKSQ). Ha desarrollado y dirigido cursos de capacitación personalizados sobre diversos
aspectos de la gestión de calidad e ingeniería para muchas organizaciones y organismos
profesionales en Hong Kong, el sur de China, Canadá, Medio Oriente, Sudáfrica y América
del Sur. También ha brindado servicios de consultoría a organizaciones de diversos sectores
en temas relacionados con calidad, confiabilidad, mantenimiento y gestión del desempeño.
Abstracto
El mantenimiento centrado en la confiabilidad (RCM) determina el tipo de tácticas de mantenimiento que se
aplicarán a un activo para preservar la función del sistema. Si bien responde a la pregunta de "¿Qué tipo de
acción de mantenimiento se debe tomar?" Aún queda por abordar la cuestión de cuándo realizar la acción
de mantenimiento recomendada que producirá los mejores resultados. Desde una perspectiva a más largo
plazo, tenemos que tomar decisiones sobre el reemplazo de activos en el mejor interés de la organización
y determinar los requisitos de recursos de la gestión de activos que satisfarán las necesidades del negocio.
de las organizaciones de manera rentable. Este libro muestra cómo se pueden utilizar procedimientos y
herramientas de gestión de activos basados en evidencia para abordar estas importantes cuestiones de
optimización en la búsqueda de la excelencia en la gestión de activos por parte de la organización.
Al principio se presenta un marco que organiza las áreas clave de las decisiones de mantenimiento y
reemplazo, preparando el escenario para la variedad de problemas cubiertos en el libro. A esto le siguen
discusiones que resaltan los principios asociados con la optimización, la construcción de modelos y el
análisis. Las áreas problemáticas estudiadas incluyen intervalos de reemplazo preventivo, frecuencias de
inspección, acciones de mantenimiento basadas en la condición, reemplazo de equipos de capital y
requisitos de recursos de mantenimiento. Los modelos presentados están firmemente arraigados en la
realidad, ya que se basan en los resultados de investigaciones y aplicaciones del mundo real. En los
apéndices se dan las estadísticas relevantes, las herramientas de análisis de Weibull, las teorías de
probabilidad, el procedimiento de obtención de conocimiento y los conceptos del valor del dinero en el tiempo
que respaldan la formulación de modelos de mantenimiento.
Existe una demanda creciente en universidades, colegios y organismos profesionales de cursos en las
áreas generales de Confiabilidad/Mantenibilidad/Gestión de Activos Empresariales/Gestión de Activos
Físicos/Ingeniería de Confiabilidad y Mantenibilidad. Este libro desempeñará un papel importante en dichos
cursos. También satisfará la creciente demanda de los profesionales de mantenimiento y confiabilidad en
ejercicio de conocimiento de las herramientas que pueden usarse para optimizar sus decisiones de
mantenimiento y confiabilidad.
xxvi
Machine Translated by Google
Machine Translated by Google
1 Introducción
Las dos reglas del buen modelado:
—John Harte
1
Machine Translated by Google
La sabiduría convencional de adoptar el concepto de economía de escala está perdiendo adeptos. Un número
cada vez mayor de organizaciones ha adoptado programas de manufactura esbelta, producción justo a tiempo
y seis sigma. Estas tendencias resaltan un cambio de énfasis del volumen a la respuesta rápida, la eliminación
del desperdicio, la reducción del almacenamiento y la prevención de defectos. Con la eliminación de las reservas
en entornos tan exigentes, las averías, la pérdida de velocidad y el rendimiento errático de los procesos crearán
problemas inmediatos en el suministro oportuno de productos y servicios a los clientes.
La instalación de los equipos e instalaciones adecuados, la optimización del mantenimiento de estos activos y el
despliegue efectivo de personal para realizar actividades de mantenimiento son factores cruciales para respaldar
estas estrategias operativas.
Existe una aceptación generalizada, especialmente en los países desarrollados, de la necesidad de preservar
los servicios esenciales, proteger el medio ambiente y salvaguardar la seguridad y la salud de las personas.
Como resultado, en estos países se ha promulgado una amplia gama de regulaciones para controlar la
contaminación industrial y prevenir accidentes en el lugar de trabajo. La chatarra, los defectos y el uso ineficiente
de materiales y energía son fuentes de contaminación. A menudo son el resultado de operar plantas e
instalaciones en condiciones que no son óptimas.
Las averías de equipos de misión crítica interrumpen la producción. En los procesos de producción química,
una causa común de contaminación es el material de desecho producido durante el período de puesta en marcha
después de las interrupciones de la producción. Además de producir material de desecho, las fallas catastróficas
de las plantas y maquinaria operativas también son una causa importante de interrupciones de servicios básicos,
accidentes industriales y riesgos para la salud. Mantener las instalaciones en óptimas condiciones y prevenir
fallas críticas son medios eficaces para gestionar los riesgos de interrupciones del servicio, contaminación y
accidentes industriales. Estas son parte de las funciones principales de PAM.
La tecnología siempre ha sido un importante impulsor del cambio en diversos campos. Ha estado cambiando a
un ritmo vertiginoso en las últimas décadas, sin signos de desaceleración en el futuro previsible. El mantenimiento
está inevitablemente bajo la influencia de rápidos cambios tecnológicos. Ensayos no destructivos, transductores,
medición de vibraciones,
Machine Translated by Google
Introducción 3
La sostenibilidad es un concepto que exige que todos los desarrollos sean sostenibles en el sentido
de que “satisfagan las necesidades del presente sin comprometer la capacidad de las generaciones
futuras para satisfacer sus propias necesidades” (Informe de la Comisión Brundtland 1987).
Hay tres pilares de sostenibilidad que representan demandas ambientales, sociales y económicas;
Estos también se conocen como resultados triples. Sostenibilidad
está ganando importancia en el entorno empresarial actual. En respuesta a este imperativo
empresarial, las empresas se dan cuenta de que centrarse únicamente en la excelencia operativa
ya no será suficiente para seguir siendo competitivos; necesitan abordar las demandas de
sostenibilidad como cuestiones críticas para el negocio. Las regulaciones, la conciencia y
responsabilidad social, los estándares y la ciudadanía corporativa son algunas de las muchas
fuerzas que están empujando a las empresas a ser más sostenibles. En el sector manufacturero, el mantenimiento
se está convirtiendo en una competencia crucial para lograr una sociedad sostenible, especialmente
al considerar todo el ciclo de vida de productos y activos. Como resultado, el papel
de PAM ha evolucionado. Las empresas que tienen éxito en sus esfuerzos de sostenibilidad adoptan
un enfoque holístico para gestionar sus activos, en el que PAM no se aborda de forma aislada, sino
en el contexto del negocio respaldado por estos activos. El costo total de propiedad, el desempeño
del ciclo de vida, el consumo de energía, la eliminación de activos y la seguridad son parámetros
que pueden optimizarse efectivamente mediante la aplicación de medidas apropiadas.
Machine Translated by Google
Metodologías y herramientas para PAM. Por ejemplo, el enfoque de mantenimiento correcto puede agregar
valor a la organización al permitir que quienes toman las decisiones de mantenimiento planifiquen intervenciones
que consideren las demandas de sostenibilidad. En consecuencia, en PAM se enfatiza cada vez más la
integración de factores relacionados con la sostenibilidad. Como tal, lo “sostenible” está consagrado como uno
de los principios y atributos clave de una gestión exitosa de activos en PAS 55, un marco para la gestión
optimizada de activos físicos, que se presentará en la Sección 1.4.
Una encuesta realizada por la revista Plant Engineering and Maintenance (Robertson y Jones 2004) indicó que
los presupuestos de mantenimiento oscilaban entre el 2% y el 90% del presupuesto operativo total de la planta,
siendo el promedio del 20,8%. Se puede razonar que las operaciones y el mantenimiento representan un
elemento de costo importante en las operaciones industriales con uso intensivo de equipos. Estas operaciones
pueden lograr ahorros significativos en costos de operación y mantenimiento al tomar las decisiones de
mantenimiento correctas y oportunas. Desafortunadamente, el mantenimiento es a menudo el proceso
empresarial que no se ha optimizado. En lugar de ser una responsabilidad de las operaciones comerciales,
lograr la excelencia en el mantenimiento generará enormes dividendos a través de la reducción de desperdicios
y la maximización de la eficiencia y la productividad, mejorando así los resultados. La excelencia en el
mantenimiento significa muchas cosas, bien hechas. Sucede cuando:
• Una planta funciona según sus estándares de diseño y el equipo funciona sin problemas cuando
es necesario.
• Los costos de mantenimiento están dentro del presupuesto y la inversión en nuevos activos es
razonable
Introducción 5
Saltos cuánticos
Proceso
rediseñar
Fiabilidad
Continuo
Autónomo mejoras
mantenimiento
Táctica Medidas
Control
Datos Planificación y Materiales
gestión gestión de programación
1.3.1.1 Estratégico
Primero, debes dibujar un mapa y establecer un rumbo hacia tu destino. El mapa comprende una
visión del desempeño de la gestión de activos que se debe lograr y una evaluación del nivel actual de
desempeño; la diferencia entre los dos se conoce como brecha de desempeño. La estrategia de
gestión de activos adoptada por la organización informa el curso de acción para cerrar la brecha.
También es necesario considerar las necesidades de recursos y el calendario al desarrollar los planes
de acción. Estas actividades de gestión proporcionan liderazgo para el esfuerzo de mantenimiento y
se representan como la primera capa en la Figura 1.1.
1.3.1.2 Táctico
Con los activos instalados para respaldar las operaciones, necesita un sistema de gestión del trabajo
(planificación y programación) y un sistema de gestión de materiales para controlar los procesos de
mantenimiento. Se seleccionan tácticas para gestionar el riesgo de fallos de activos. Las opciones
incluyen acciones de mantenimiento basadas en el tiempo, descarte basado en el tiempo, CBM,
ejecución hasta fallar, pruebas de búsqueda de fallas y rediseño de procesos o equipos. Se deben
documentar y controlar los datos relacionados con los historiales de los equipos, la garantía y los
requisitos reglamentarios, así como el estado de las órdenes de trabajo de mantenimiento.
Normalmente, dichos datos se gestionan mediante un sistema computarizado de gestión de
mantenimiento (CMMS) o un sistema de gestión de activos empresariales (EAM).
Indicadores de desempeño relacionados con diversos aspectos del servicio de mantenimiento.
se rastrean para evaluar el desempeño de la gestión de activos (ver, por ejemplo, Wireman
Machine Translated by Google
1999). Idealmente, el sistema de medición debe ser holístico y, además de proporcionar información
para el control de procesos, también debería influir en el comportamiento de las personas para que
sus esfuerzos estén alineados con la intención estratégica de la gestión de activos de la organización.
El cuadro de mando integral (Kaplan y Norton 1996) proporciona un enfoque de medición de este tipo
y se desarrolla sobre la noción de que ninguna medida por sí sola es suficiente para indicar el
desempeño total de un sistema. Traduce la estrategia de mantenimiento de la organización en
medidas operativas en múltiples dimensiones (como financiera, seguridad, usuarios, procesos
internos y desarrollo organizacional) que colectivamente son indicadores críticos de los logros
actuales, así como poderosos impulsores y predictores del desempeño futuro de los activos. . Se
pueden encontrar ejemplos de cuadros de mando integrales para medir el desempeño de la gestión
de activos en los trabajos de Niven (1999) y Tsang y Brown (1999).
Introducción 7
Ofrece un marco para un enfoque holístico y sistemático para optimizar la gestión de los activos
físicos. Está previsto que se convierta en la familia de normas ISO 55000 en 2014. PAS 55 tiene
dos partes, a saber,
• PAS 551 Gestión de Activos Parte 1: Especificación para la gestión optimizada de activos
físicos (BSI 2008a). Una versión actualizada de este documento se convertirá en ISO
55001: Requisitos para buenas prácticas de gestión de activos.
• PAS 552 Gestión de Activos Parte 2: Directrices para la aplicación de PAS 551 (BSI
2008b). Una versión actualizada de este documento se convertirá en ISO 55002: Guía
de interpretación e implementación para un sistema de gestión de activos.
PAS 551 especifica los requisitos para procesos apropiados y efectivos que se encuentran en
el sistema de gestión de activos físicos de una organización. Siguiendo los principios generales
de las normas ISO para sistemas de gestión, prescribe lo que se debe hacer, no cómo hacerlo.
Las justificaciones de las prácticas adoptadas deben documentarse y la evidencia de lo que se
está haciendo debe estar disponible para auditorías independientes. Como su título lo indica, PAS
552 proporciona orientación sobre la implementación de sistemas de gestión de activos que
cumplen con PAS 551.
PAS 55 no es un sector específico; más bien, es aplicable a organizaciones con cualquier tipo
o distribución de activos físicos y estructura de propiedad de activos. En otras palabras, también
se aplica a organizaciones con funciones de gestión de activos subcontratadas. Los principios
rectores incluidos en los requisitos incluyen objetivos organizativos claros, una alineación buena
y sostenible de la inversión de activos, la utilización y el cuidado de estos principios. Para tener
éxito, la gestión de activos debe ser holística, sistemática, sistémica, basada en riesgos, óptima y
sostenible, implementada en una organización con el compromiso de la alta dirección y respaldada
por empleados competentes y empoderados. La gestión de activos debe ser holística en el
sentido de que deben cubrirse todos los elementos del marco. La excelencia en un área no
compensa las diferencias en otras.
Aunque el alcance de PAS 55 es la gestión de activos físicos, su diseño debe considerar un
contexto más amplio con otros tipos de activos, incluidos activos humanos, de información,
intangibles y financieros (BSI 2008b).
TABLA 1.1
Configuración y ajuste
Velocidad reducida
Defectos en el proceso
Rendimiento reducido
Para lograr cero averías, los defectos ocultos de la máquina deben exponerse y corregirse antes
de que se hayan deteriorado hasta el punto de causar el
máquina para averiarse. Esto se puede lograr manteniendo el equipo en
buenas condiciones básicas a través de una limpieza adecuada y una lubricación efectiva, restaurando
el estado de las piezas deterioradas y mejorando las habilidades de operación, configuración,
inspección y mantenimiento de los operadores. Tradicionalmente, estas funciones quedan fuera de las
responsabilidades del operador de la máquina, cuya función no es otra que operar la máquina; cuando
se estropea, el deber del operador es solicitar mantenimiento para repararlo. Así, el TPM implica una
reestructuración del trabajo relacionado con el mantenimiento de los equipos.
Los operadores de máquinas están autorizados a realizar inspecciones, servicios y reparaciones
menores de rutina. Este concepto de participación del operador en la mejora del bienestar del equipo
se conoce como mantenimiento autónomo. Se cultiva a través de 5S y CLAIR.
Las 5S son una herramienta para iniciar el viaje hacia una competitividad de clase mundial. Es un
Esfuerzo de equipo que involucra a todos en la organización para crear un lugar de trabajo productivo
manteniéndolo seguro, limpio y ordenado. 5S significa:
• Clasificación
• Separar lo necesario de lo no necesario
• Identifique los artículos que utiliza con frecuencia. Clasificar, etiquetar y desechar los
elementos innecesarios.
• Simplificando
• Un lugar para cada cosa y cada cosa en su lugar
• Una vez que hayas determinado lo que necesitas, organízalo y estandarízalo.
su uso para aumentar su efectividad
• Limpieza sistemática
• Preparar las cosas para la inspección
• La limpieza regular ayuda a resolver los problemas antes de que se vuelvan demasiado
graves al identificar las fuentes y las causas fundamentales. Tener un lugar de trabajo
limpio y bien organizado también hace que el trabajo sea más eficiente y productivo.
ya sea en la línea de producción o en el servicio al cliente
• Estandarización
• Crear métodos comunes para lograr coherencia
• Sostenimiento
• Mantenimiento, mejora y comunicación constantes.
Machine Translated by Google
Introducción 9
Convertir a los operadores en socios activos del mantenimiento y la ingeniería para mejorar el
rendimiento general y la confiabilidad del equipo es un concepto revolucionario. Por lo tanto, la
capacitación, los lemas y otros medios promocionales (paneles de actividades, lecciones de un solo
punto, fotografías, caricaturas) se utilizan típicamente para crear y sostener el cambio cultural.
Una discusión completa sobre TPM está fuera del alcance de este libro. Los lectores interesados en
el tema pueden consultar Dillon (1997), Nakajima (1988), Tajiri y Gotoh (1992) y Tsang y Chan (2000).
RCM es una metodología estructurada para determinar los requisitos de mantenimiento de un activo
físico en su contexto operativo. El activo puede ser parte de un sistema más grande.
El objetivo principal de RCM es preservar la función del sistema en lugar de mantener un activo en
servicio. La aplicación del RCM requiere una comprensión completa de las funciones de los activos
físicos y la naturaleza de las fallas relacionadas con estas funciones. Reconoce que no todas las fallas
son iguales y que algunas fallas no se pueden prevenir mediante una revisión o un reemplazo preventivo.
Por lo tanto, no se realizarán acciones de mantenimiento que no sean rentables para preservar el
funcionamiento del sistema.
Machine Translated by Google
• Aclarar las funciones que desempeñan los operadores y mantenedores en la fabricación de equipos.
más confiable y menos costoso de operar
• Hacer que el equipo sea más seguro, más respetuoso con el medio ambiente, más productivo, más
fácil de mantener y más económico de operar.
• Fabricación
• Reducción de los requisitos de mantenimiento preventivo de rutina en un 50 % en una planta de
confitería.
• Aumento de la disponibilidad de la línea de envasado de cerveza en un 10% en un año
• Utilidad
• Costos de mantenimiento reducidos entre un 30% y un 40%
• Aumento de la capacidad en un 2 %
• Reducción del mantenimiento de rutina en un 50 % en transformadores de 11 kV
• Minería
• Reducción de los costos anuales de reemplazo del filtro de aceite en la flota de camiones de acarreo al
$150,000
• Reducción de las averías de los camiones de transporte en un 50 %
• Militar
• La disponibilidad de los barcos aumentó del 60 % al 70 %.
• Reducción de los requisitos de mantenimiento del barco en un 50 %.
La metodología RCM desarrolla las tácticas de mantenimiento adecuadas mediante un proceso de decisión
exhaustivo y riguroso, como se muestra en la Figura 1.2.
Introducción 11
Los resultados de los análisis realizados en los pasos 2 a 5 se documentan en una hoja de trabajo de análisis de
modo de falla, efecto y criticidad* (Stamatis 2003).
Paso 6: seleccione tácticas de mantenimiento
Se realizan acciones de mantenimiento para mitigar fallas funcionales. Se utiliza un árbol de lógica
de decisión para seleccionar las tácticas de mantenimiento adecuadas para las diversas fallas
funcionales. Antes de finalizar la decisión táctica, es necesario considerar las otras alternativas
técnicamente viables para determinar cuál es la más económica. La figura 1.3 resume la lógica de
RCM. Si se ha seleccionado una intervención de mantenimiento basada en el tiempo o una
inspección periódica, es necesario determinar la frecuencia de dicha tarea para lograr resultados
óptimos. Esto se discutirá en los capítulos siguientes de este libro.
*
Además del análisis del modo de falla, el efecto y la criticidad, existen otras metodologías para evaluar y gestionar
los riesgos relacionados con la operación y el mantenimiento de activos físicos. Éstas incluyen
estudios de peligros y operabilidad (Kletz 1999), análisis de árbol de fallas (CAN/CSAQ63693 1993) y, en el
caso de las industrias petroquímicas, inspección basada en riesgos (ASME 2003).
Machine Translated by Google
Seleccionar equipo
Mantenimiento bajo
condiciones Sí No
¿Es técnica y económicamente viable que una reparación
restablezca el rendimiento del artículo y esto reducirá el riesgo
de FALLA?
Mantenimiento
basado en el tiempo Sí No
Descarte basado
en el tiempo Sí No
Acción
predeterminada como rediseño
Introducción 13
Probabilidades y estadísticas Procesos estocásticos Valor temporal del dinero Simulación de teoría
(Análisis de Weibull (para optimización CBM) (Flujo de caja descontado) de colas
incluyendo software
WeibullSoft)
Los administradores de activos que deseen optimizar el valor del ciclo de vida de los activos
físicos y humanos de la organización deben considerar cuatro áreas de decisión clave, que se
muestran como columnas en la Figura 1.4. La primera columna trata sobre la sustitución de
componentes; la segunda columna trata de las actividades de inspección, incluido el seguimiento
de las condiciones; la tercera columna trata de la reposición de bienes de capital; y la última
columna cubre las decisiones relativas a los recursos necesarios para el mantenimiento y su ubicación.
La figura 1.4 forma el marco de los Capítulos 2 a 5. Estos capítulos están dedicados a la
construcción de modelos matemáticos que son apropiados para diferentes situaciones
problemáticas. El propósito de estos modelos matemáticos es permitir que las consecuencias de
decisiones de mantenimiento alternativas se evalúen con bastante rapidez para determinar
decisiones óptimas en relación con un objetivo. Las áreas problemáticas cubiertas son las siguientes:
Introducción 15
En los Capítulos 2 a 5, utilizamos un formato común para presentar cada modelo de optimización
de decisiones. Primero, proporcionamos un enunciado del problema de decisión. Luego se presenta
un modelo que representa la esencia del problema de decisión. A esto le sigue un ejemplo numérico
para ilustrar el uso de este modelo. Para evitar complicaciones innecesarias en el desarrollo del
modelo analítico, se hacen varios supuestos que, en la práctica, pueden no ser aplicables en algunas
situaciones. Debido a que los supuestos utilizados en la construcción del modelo están claramente
establecidos, se espera que el lector pueda ampliar el modelo simple para que se ajuste a problemas
específicos. Para ello, aportamos comentarios sobre una mayor ampliación del modelo para
representar más detalles de la realidad, si se considera necesario. Para cada modelo, con algunas
excepciones, también proporcionamos uno o más ejemplos de aplicaciones del mundo real.
Algunos de estos modelos de optimización de decisiones están disponibles como programas de
software que se pueden descargar desde el sitio web del editor. En tales casos, el uso del programa
de software en el análisis de decisiones se explica con al menos un ejemplo ilustrativo.
Los apéndices 1 a 6 se incluyen en el libro para brindar una breve introducción a ciertos
conceptos y herramientas básicos que deben comprenderse antes de que podamos proceder a
determinar los procedimientos de mantenimiento óptimos. Debido a que abunda la incertidumbre en
el área de mantenimiento (por ejemplo, incertidumbre sobre cuándo fallará el equipo), se requiere
conocimiento de estadística y probabilidad. En el Apéndice 1 se ofrece una introducción a las estadísticas pertinentes
Modelar el riesgo de falla es un paso crucial para optimizar el reemplazo de componentes sujetos a
fallas. El análisis de Weibull, una poderosa herramienta para modelar tales riesgos, se presenta en
el Apéndice 2. El estimador de máxima verosimilitud es otro enfoque ampliamente utilizado para
estimar parámetros de distribución, pero implica operaciones computacionalmente intensivas. Este
enfoque se presenta en el Apéndice 3. El Apéndice 4 presenta las cadenas de Markov, que es una
herramienta importante utilizada en la creación del modelo de decisión para la optimización de las
decisiones de mantenimiento basadas en condiciones. El concepto de obtención de conocimientos
utilizado para estimar el parámetro de una distribución cuando los datos son escasos se presenta en el Apéndice.
5. El Apéndice 6 trata del concepto de valor presente. Al tomar decisiones de reemplazo de bienes
de capital, tomamos en cuenta el hecho de que el valor de una suma de dinero que se gastará o
recibirá en el futuro es menor que si se gastara o recibiera ahora. Para cubrir este hecho se utiliza el
concepto de valor presente. Aunque las aplicaciones de las herramientas presentadas en cada
capítulo se destacan en los Capítulos 2 a 5, en el Apéndice 7 se proporciona una lista ampliada de
dichas aplicaciones. Sirve para ilustrar la amplitud de las aplicaciones reales que utilizan los modelos
o procedimientos presentados en el libro, o sus extensiones.
Machine Translated by Google
dieciséis
Mantenimiento, reemplazo y confiabilidad
Para optimizar las decisiones de mantenimiento y reemplazo se necesitan datos oportunos y de buena
calidad. Esta necesidad se describe como la base del marco que se muestra en la Figura 1.4. Estos datos
normalmente se mantienen en la base de datos de CMMS, EAM o planificación de recursos empresariales (ERP).
Los lectores interesados en debates sobre CMMS, EAM y ERP en el contexto de PAM pueden consultar los
artículos publicados en sitios web como www.plantmaintenance.com y www.reliabilityweb.com.
• Volar
• En mantenimiento
• Disponible para volar
F+A
S=
F+A+M
Machine Translated by Google
Introducción 17
donde F, A y M son los tiempos promedio que una aeronave pasó en los estados de vuelo,
disponible para volar y mantenimiento, respectivamente. Un examen más detenido del problema
reveló que por cada hora de vuelo, se requerían dos horas de mantenimiento.
Utilizando esta información, es posible determinar que para alcanzar un objetivo de 75% de
capacidad de servicio, solo el 12,5% del tiempo de una aeronave se dedica a volar, el 25% se
dedica a mantenimiento y el 62,5% a estar disponible. Sin embargo, si la capacidad de servicio se
reduce a un tercio, entonces un tercio del tiempo de la aeronave se dedica a volar, dos tercios de
su tiempo se dedican al mantenimiento y el 0% en el estado disponible.
Así, simplemente aspirando a una capacidad de servicio de un tercio, las horas de vuelo podrían
aumentar considerablemente. Claramente, en el escenario en el que operaban los aviones del
Coastal Command, el objetivo aceptado de mantenimiento, es decir, una alta capacidad de servicio,
estaba equivocado. Sin embargo, para otros escenarios, como el caso en el que las aeronaves son
utilizadas sólo en situaciones de emergencia, un objetivo de alta capacidad de servicio bien puede
ser relevante.
Como resultado del análisis anterior, se dieron instrucciones de que, siempre que fuera posible,
la aeronave debería estar en estado de vuelo, duplicando así con creces la cantidad de tiempo de
vuelo después de realizar tales cambios en el objetivo de mantenimiento.
El estudio también mencionó que una alta tasa de capacidad de servicio tal vez fuera relevante
para las aeronaves solicitadas sólo en caso de emergencia. Esto enfatiza el punto de que el objetivo
para el cual se opera un sistema puede cambiar con los cambios en las circunstancias. En el
contexto de los procedimientos de mantenimiento, la forma en que se mantiene el equipo cuando
ya está funcionando a plena capacidad puede muy bien ser diferente de la forma en que se debería
mantener durante una crisis económica.
En los capítulos 2 a 5, los modelos de diversos problemas de mantenimiento se construyen de
tal manera que se puedan identificar los procedimientos de mantenimiento que están orientados a
permitir maximizar las ganancias, minimizar los costos totales de mantenimiento, etc.
Sin embargo, se debe enfatizar que al determinar los procedimientos de mantenimiento óptimos,
se debe tener cuidado para garantizar que el objetivo que se persigue sea el adecuado.
Por ejemplo, no será adecuado que el departamento de gestión de activos aplique una política
diseñada para minimizar el tiempo de inactividad de los equipos si la organización requiere una
política diseñada para maximizar las ganancias (como en medio de una crisis económica). El
Machine Translated by Google
De hecho, dos políticas pueden ser idénticas, pero no necesariamente es así. Este punto se demostrará
con un ejemplo en la Sección 3.3.
1.8.2 MODELOS
Una de las principales herramientas del enfoque científico para la toma de decisiones de gestión es la
construcción de un modelo evaluativo, generalmente matemático, mediante el cual se pueden evaluar una
variedad de decisiones alternativas. Cualquier modelo es simplemente una representación de
el sistema en estudio. En la aplicación de técnicas cuantitativas a problemas de gestión, el tipo de modelo
utilizado es frecuentemente un modelo simbólico en el que los componentes del sistema se representan
mediante símbolos y las relaciones de estos componentes se describen mediante ecuaciones matemáticas.
Un problema de tiendas
Un controlador de tienda desea saber cuántos artículos pedir cada vez que el nivel de existencias
de un artículo llega a cero. El sistema se ilustra en la Figura 1.5.
El conflicto en este problema es que cuantos más artículos pida el controlador en cualquier
momento, más disminuirán los costos de pedido porque habrá que realizar menos pedidos, pero
los costos de almacenamiento aumentarán. Estos costos contradictorios se ilustran en la Figura
1.6.
El controlador de la tienda quiere determinar la cantidad del pedido que minimice el costo
total. Este costo total se puede representar gráficamente, como se muestra en la figura 1.6, y
usarse para resolver el problema. En este caso particular, el costo total se minimiza cuando la
cantidad del pedido está en la intersección de la curva de costos de mantener y la curva de
costos de ordenar. Sin embargo, esto no debería generalizarse; por ejemplo, consulte la Figura
1.8. Sin embargo, una solución mucho más rápida al problema podría ser
Orden
xiN
saicneltesvie d
e
Tiempo
Introducción 19
Coste total
stioneC
uit
Cantidad de pedido
/osoiorpatm
óptima
Costo de tenencia
Costo de pedido
Ordene la cantidad
obtenido mediante la construcción de un modelo matemático. Se pueden definir los siguientes parámetros:
Q cantidad de pedido
Costo de pedido conjunto por pedido
Ch costo de almacenamiento por artículo por año
Costo de pedido/año
DCo
=
q
Costo de existencias/año
= Número promedio de artículos en stock por año (asumiendo una disminución lineal del stock) costo de
= control de
calidad 2
h
Machine Translated by Google
Por lo tanto, el costo total por año, que es función de la cantidad del pedido y se denota C(Q), es
DCo qch
C(Q) = + (1.1)
Pregunta 2
La ecuación 1.1 es un modelo matemático del problema que relaciona la cantidad de pedido Q
al costo total C(Q).
El controlador de la tienda quiere que la cantidad de artículos a ordenar minimice el costo total, es
decir, minimice el lado derecho de la ecuación 1.1. La respuesta viene derivando la ecuación con
respecto a Q, la cantidad de pedido, e igualando la derivada a cero de la siguiente manera:
CC(Q) DCo Ch
= + =0
dQ Q2 2
Por lo tanto,
DCo = Ch
Q2 2
2DCo
Q = (1.2)
Ch
C(Q) = DCoCh
2 1000 5
Q = = 200 artículos
0,25
Por lo tanto, cada vez que el nivel de existencias llega a cero, el controlador de la tienda debe ordenar
200 artículos para minimizar el costo total por año de realizar pedidos y mantener existencias.
Tenga en cuenta que en el modelo de inventario presentado se han hecho varias suposiciones
que, en la práctica, pueden no ser realistas. Por ejemplo, no se ha tenido en cuenta
Machine Translated by Google
Introducción 21
Intuitivamente, uno podría sentir que el procedimiento 2 sería preferible porque se basa en el
uso del artículo (evitando así que un artículo casi nuevo sea reemplazado poco después de su
instalación después de una falla anterior, como sucedería con el procedimiento 1).
Para estas diferentes políticas de mantenimiento, que se pueden adoptar para el mismo
equipo, se pueden construir modelos, como se hace en el Capítulo 2, y, para cada política, se
puede determinar el procedimiento óptimo. Sin embargo, al utilizar un procedimiento de
solución gráfica, se puede trazar el costo de mantenimiento de cada política, como se ilustra en
la figura 1.7, y el gerente de mantenimiento puede ver exactamente el efecto de las políticas
alternativas sobre el costo total. Bien puede darse el caso de que, desde el punto de vista de la
recopilación de datos, una política implique mucho menos trabajo que la otra, y aun así tener
casi el mismo costo total mínimo. Esto se ilustra en la Figura 1.7, en la que los costos totales
mínimos son aproximadamente los mismos para los procedimientos 1 y 2.
Machine Translated by Google
iorptatnm
ooe
/otneimin lsaio
ta t$m
)n
e oC
di(t
u 4
3
Procedimiento 1
2 Procedimiento 2
0
0 1 2 3 4 5 6
FIGURA 1.7 Comparación de los costos totales de mantenimiento de dos reemplazos preventivos
procedimientos.
Por supuesto, para diferentes costos, distribuciones de averías, tiempos de falla y reemplazo
preventivo, etc., los costos totales mínimos y los intervalos de reemplazo pueden diferir mucho entre
diferentes políticas de reemplazo. El punto es que una ilustración gráfica de las soluciones a menudo
ayuda al gerente a determinar la política a adoptar. Además, ese método de presentar una solución suele
ser más aceptable que una afirmación como “la política x es la mejor”, que puede presentarse junto con
matemáticas complicadas.
En la Sección 2.2.4 se dan más comentarios sobre los beneficios del trazado de curvas en relación
con el problema de determinar el intervalo de reemplazo óptimo para el equipo, cuyo costo operativo
aumenta con el uso.
Uno de los avances en los procedimientos numéricos que han sido posibles gracias a las
computadoras es la simulación. Una aplicación de este procedimiento se ilustrará en un problema.
en el Capítulo 5, que se relaciona con la determinación del número óptimo de máquinas a instalar en un
taller.
La función principal del mantenimiento es controlar el estado de los activos. Algunos de los problemas
asociados con esto incluyen la determinación de:
• Frecuencias de inspección
• Intervalos de revisión, es decir, parte de una política de mantenimiento preventivo.
• Si hacer reparaciones, es decir, tener una política de mantenimiento de averías o no.
• Reglas de reemplazo de componentes
• Normas de sustitución de bienes de capital (quizás teniendo en cuenta la tecnología).
cambios nologicos
• Si el equipo debe modificarse
• El tamaño del equipo de mantenimiento
• Composición de máquinas en un taller.
• Normas para el suministro de repuestos.
Machine Translated by Google
Introducción 23
El Apéndice 7 proporciona una lista de aplicaciones del mundo real de modelos de optimización de
decisiones de mantenimiento en diferentes industrias.
Los problemas dentro de estas áreas pueden clasificarse como deterministas o probabilísticos.
Los deterministas son aquellos en los que se supone que las consecuencias de una acción de
mantenimiento no son aleatorias. Por ejemplo, después de una revisión se conoce la tendencia futura
de los costes operativos. Un problema probabilístico es aquel en el que el resultado de la acción de
mantenimiento es aleatorio. Por ejemplo, después de la reparación del equipo, el tiempo hasta la próxima falla es incierto
Para resolver cualquiera de los problemas mencionados anteriormente, a menudo existen muchas
decisiones alternativas. Por ejemplo, para un artículo sujeto a una falla repentina, es posible que
tengamos que decidir si reemplazarlo mientras está en estado operativo, o solo en caso de falla; si se
deben reemplazar componentes similares en grupos cuando solo uno ha fallado; etcétera. Por lo tanto,
la función del departamento de gestión de activos se ocupa, en gran medida, de determinar el efecto
de diversas decisiones para controlar la condición de los activos.
activos para el cumplimiento de los objetivos de la organización.
Como se indicó anteriormente, muchas acciones de control están abiertas al gerente de
mantenimiento. El efecto de estas acciones no debe considerarse únicamente desde su efecto en el
departamento de gestión de activos porque las consecuencias de dichas acciones pueden afectar
seriamente otras unidades de la organización, como la producción o las operaciones.
Para ilustrar las posibles interacciones de la función de gestión de activos en otros departamentos,
considere el efecto de la decisión de realizar sólo reparaciones y no realizar ningún mantenimiento
preventivo, como revisiones generales. Esta decisión bien puede reducir el presupuesto para la gestión
de activos, pero también puede causar un tiempo de inactividad considerable en la producción o en las
operaciones. Para tener en cuenta las interacciones, con frecuencia se requieren técnicas sofisticadas,
y aquí es donde el uso de modelos matemáticos puede ayudar al gerente de mantenimiento y reducir la
tensión que a menudo ocurre entre el mantenimiento y las operaciones.
La Figura 1.8 ilustra el tipo de enfoque adoptado mediante el uso de un modelo matemático para
determinar la frecuencia óptima de revisión de una parte de la planta al equilibrar los insumos (costo de
mantenimiento) de la política de mantenimiento con su producción (reducción del tiempo de inactividad).
El ejemplo anterior es muy simple y, en la práctica, debemos considerar muchos factores incluso en
el contexto de una sola decisión de mantenimiento. Por ejemplo, si el objetivo de una decisión de
mantenimiento es minimizar los costos totales (optimización de costos más bajos), se deben considerar
los costos del componente o activo, la mano de obra, la pérdida de producción y tal vez incluso la
insatisfacción del cliente por entregas retrasadas.
Cuando el desgaste del equipo o de los componentes es un factor, el costo más bajo posible
generalmente se logra reemplazando las piezas de la máquina lo suficientemente tarde como para
obtener un buen servicio, pero lo suficientemente temprano como para lograr una tasa aceptable de
fallas en el trabajo (para alcanzar un tipo cero, probablemente tendríamos que sustituir piezas todos los
días). En otro escenario en el que se quiere maximizar la disponibilidad, hay que conseguir el equilibrio
adecuado entre sacar de servicio los equipos para realizar mantenimiento preventivo y sufrir paradas
por averías. Si la seguridad es el factor más importante, podríamos optimizar para obtener la solución
más segura posible, pero con un efecto aceptable en el costo. Si se quieren optimizar las ganancias,
tendríamos en cuenta no sólo los costos sino también el efecto sobre los ingresos a través de una mayor
satisfacción del cliente (mejores ganancias) o entregas retrasadas (menores ganancias).
El ejemplo mostrado en la Figura 1.8 debería ser suficiente para mostrar que el enfoque cuantitativo
adoptado en este libro tiene que ver con determinar el mantenimiento apropiado.
Machine Translated by Google
Política óptima
stioneC
oo/iorpatm uit
Costo de mantenimiento
política
0
0
Política de mantenimiento (por ejemplo, frecuencia de revisiones)
decisiones mediante el estudio de las relaciones matemáticas y estadísticas entre las decisiones
a tomar y las consecuencias de estas decisiones. Los comentarios anteriores sobre el uso de
modelos para analizar problemas de mantenimiento son muy breves, pero se desarrollarán en los
capítulos siguientes de este libro.
Los datos son insumos esenciales para construir modelos de decisión que respalden la gestión de
activos basada en evidencia. Hay que reconocer que los modelos matemáticos por sí solos no
garantizan que se tomarán las decisiones correctas si los datos utilizados no tienen la calidad
requerida. En Tsang et al. se presenta una discusión sobre los requisitos de datos para la creación
de modelos en el contexto de la optimización del mantenimiento. (2006).
Cuando los datos no están disponibles o son escasos, la creación de un modelo que caracterice
el riesgo de falla aún se puede lograr mediante la obtención de conocimientos entrevistando a los
expertos en el dominio del activo. La metodología relacionada, así como un ejemplo ilustrativo, se
proporciona en el Apéndice 5.
REFERENCIAS
COMO YO. 2003. Métodos basados en riesgos para la gestión de la vida útil de los equipos. Nueva York: americana
Sociedad Internacional de Ingenieros Mecánicos.
Informe de la Comisión Brundtland, Naciones Unidas, 1987.
Campbell, JD 1995. Tiempo de actividad: estrategias para la excelencia en la gestión del mantenimiento.
Portland, Oregón: Prensa de productividad.
Campbell, JD, AKS Jardine y J. McGlynn, eds. 2011. Excelencia en la gestión de activos:
Optimización de las decisiones sobre el ciclo de vida de los equipos. Boca Ratón, FL: CRC Press.
CAN/CSAQ63693. 1993. Gestión de la calidad: directrices y requisitos para los métodos de análisis de confiabilidad.
Toronto: Asociación Canadiense de Normas.
Machine Translated by Google
Introducción 25
Robertson, R. y A. Jones. 2004. Día de pago. Ingeniería y mantenimiento de plantas 28(9), 18–25.
SAE JA1011. 1999. Criterios de evaluación para el mantenimiento centrado en la confiabilidad (RCM)
Procesos. Warrendale, PA: Sociedad de Ingenieros Automotrices.
Smith, AM y GR Hinchliffe. 2004. RCM: Puerta de entrada al rendimiento de clase mundial. Boston: Elsevier Butterworth
Heinemann.
Stamatis, DH 2003. Análisis modal de fallos y efectos: FMEA desde la teoría hasta la ejecución. 2da ed. Milwaukee, WI:
Prensa de calidad ASQ.
Tajiri, M. y F. Gotoh. 1992. Implementación de TPM: un enfoque japonés. Nueva York:
McGrawHill.
Tsang, AHC 2002. Dimensiones estratégicas de la gestión del mantenimiento. Revista Internacional
de Gestión de Calidad y Confiabilidad 8(1), 7–39.
Tsang, AHC y WL Brown. 1999. Gestión del desempeño del mantenimiento de una empresa de servicios eléctricos
mediante el uso de cuadros de mando integrales. Nueva revista de ingeniería 2(3), 22–29.
Tsang, AHC y PK Chan. 2000. Implementación de TPM en China: un estudio de caso. Internacional
Revista de gestión de calidad y confiabilidad 17 (2), 144–157.
Tsang, AHC, AKS Jardine, JD Campbell y JV Picknell. 2000. Mantenimiento centrado en la confiabilidad: una clave para
la excelencia en el mantenimiento. Hong Kong: Universidad de la ciudad de Hong Kong.
Tsang, AHC, WK Yeung, AKS Jardine y BPK Leung. 2006. Gestión de datos para la optimización de CBM. Revista de
Calidad en Ingeniería de Mantenimiento 12(1), 37–51.
Wireman, T. 1999. Desarrollo de indicadores de desempeño para la gestión del mantenimiento. 1ª edición.
Nueva York: Prensa industrial.
Machine Translated by Google
Machine Translated by Google
2 Componente
Decisiones de reemplazo
—Vic Oro
2.1 INTRODUCCIÓN
El objetivo de este capítulo es presentar modelos que se pueden utilizar para optimizar las decisiones
de reemplazo de componentes. El interés en esta área de decisión se debe a que un enfoque común
para mejorar la confiabilidad de un sistema o equipo complejo es mediante el reemplazo preventivo de
componentes críticos dentro del sistema. Por lo tanto, es necesario poder identificar qué componentes
deben considerarse para el reemplazo preventivo y cuáles deben dejarse en funcionamiento hasta que
fallen. Si el componente es candidato a reemplazo preventivo, entonces la siguiente pregunta a
responder es: ¿Cuál es el mejor momento? El objetivo principal abordado en este capítulo es hacer
que un sistema sea más confiable mediante el reemplazo preventivo. En el contexto del marco de las
áreas de decisión abordadas en este libro, nos referimos a la columna 1 del marco, como se destaca
en la Figura 2.1.
27
Machine Translated by Google
Probabilidades y estadísticas Procesos estocásticos Valor temporal del dinero Simulación de teoría
(Análisis de Weibull (para optimización CBM) (Flujo de caja descontado) de colas
incluyendo software
WeibullSoft)
Reemplazo
peC
setion
arpatrm
/ovoiotio oit
u
Tiempo
TABLA 2.1
Correa trapezoidal en empaquetadora automática utilizada en una planta de dulces para envolver tabletas: la productividad disminuye a medida que se afloja la correa trapezoidal
Módulo de freno y embrague en prensa estampadora: la productividad disminuye a medida que el módulo envejece
Moldes para la producción de vidrio: la productividad disminuye a medida que envejecen los moldes
TABLA 2.2
Sello de punta del adaptador de carga de aire acondicionado (A/C) en el equipo de evacuación y llenado del aire acondicionado en el automóvil
fabricación
se toman medidas, como la inspección. Este aspecto de la incertidumbre es muy relevante para los
equipos, a menudo denominados dispositivos de protección, utilizados en situaciones de emergencia.
Un ejemplo de dicho dispositivo de protección es una válvula de seguridad de presión en un campo de
petróleo y gas: si está inactiva, esperando entrar en servicio cuando se produzca un nivel de presión inaceptable.
Su estado sólo puede determinarse mediante una inspección. Estos problemas se cubrirán en el Capítulo
3.
En los problemas probabilísticos de este capítulo supondremos que sólo hay dos condiciones
posibles del equipo, buena y fallida, y que la condición siempre se conoce. Esto no es irrazonable porque,
por ejemplo, con equipos en funcionamiento continuo que producen algún tipo de bienes, pronto
sabremos cuándo el equipo ha llegado al estado de falla porque los artículos pueden producirse fuera
de los límites de tolerancia especificados o el equipo puede dejar de funcionar.
Para determinar cuándo realizar un reemplazo, nos interesa la secuencia de momentos en que deben
realizarse las acciones de reemplazo. Cualquier secuencia de tiempos es una política de reemplazo,
pero lo que nos interesa determinar son las políticas de reemplazo óptimas, es decir, aquellas que
maximizan o minimizan algún criterio, como la ganancia, el costo total y el tiempo de inactividad, o
garantizan que se cumpla un período de seguridad específico. o no se supera el criterio medioambiental.
los mismos servicios que el equipo que acaba de ser sustituido cuando era nuevo. Al hacer este
supuesto, estamos implicando que diversos costos, distribuciones de fallas, etc. utilizados en el
análisis no cambian de un reemplazo a otro. Una excepción a esta suposición serán los problemas en
los que el artículo que se reemplaza no se reemplaza por uno que pueda considerarse estadísticamente
como nuevo. Si este es el caso, a menudo estamos ante un componente reparable: estos problemas
se abordarán en la Sección 2.9.3.
A lo largo de este capítulo, las acciones de mantenimiento como la revisión y la reparación pueden
se considerará equivalente al reemplazo, siempre que sea razonable suponer que dichas acciones
también devuelven el equipo a su condición de nuevo. En la práctica, esto suele ser una suposición
razonable y, por lo tanto, los siguientes modelos pueden usarse a menudo para analizar problemas
de revisión/reparación. Si no es razonable hacer tal suposición, entonces los modelos presentados en
la Sección 2.9.3, junto con el modelo asociado con el mantenimiento basado en la condición en el
Capítulo 3, pueden ayudar.
La sección 2.2 aborda un problema determinista común de reemplazo de componentes.
Los problemas estocásticos se tratan en las secciones 2.3 a 2.9.
Algunos equipos funcionan con excelente eficiencia cuando son nuevos, pero a medida que envejecen,
su rendimiento se deteriora. Un ejemplo es el filtro de aire de un automóvil. Cuando es nuevo el
consumo de gasolina es bueno, pero a medida que se ensucia el filtro de aire aumenta el consumo
de gasolina por kilómetro. La pregunta entonces es: ¿Cuándo, en la tendencia de aumento de costos,
es económicamente justificable reemplazar el filtro de aire, reduciendo así el costo operativo del
automóvil? En general, los reemplazos cuestan dinero en términos de materiales y salarios, y se
requiere un equilibrio entre el dinero gastado en reemplazos y los ahorros obtenidos al reducir el costo
operativo. Por lo tanto, deseamos determinar una política de reemplazo óptima que minimice la suma
de los costos de operación y reemplazo por unidad de tiempo.
1.2
1 Coste total
0,8
Costo operacional
ioniC
atste
iorm
o/p T
u
0,6
0,2
0
Intervalo entre reemplazo, tr
tr óptimo
1. c(t) es el costo operativo por unidad de tiempo en el momento t después del reemplazo.
2. Cr es el costo total de un reemplazo.
3. La política de reemplazo es realizar reemplazos en intervalos de longitud tr.
La política se ilustra en la Figura 2.4.
4. El objetivo es determinar el intervalo óptimo entre reemplazos para minimizar el costo total de
operación y reemplazo por unidad de tiempo.
El costo total por unidad de tiempo C(tr), para el reemplazo en el momento tr, es:
= c (t) dt + Cr
0
Reemplazo
Un ciclo de reemplazo
0 tr
t _r
1
C(tr ) = (2.1)
c(t) dt +Cr .
tr
0
Este es un modelo del problema que relaciona el intervalo de reemplazo tr con el costo total por
unidad de tiempo C(tr), y el desarrollo del modelo se ilustra gráficamente en la figura 2.5.
El intervalo de reemplazo óptimo tr es aquel valor de tr que minimiza el
lado derecho de la Ecuación 2.1, que puede demostrarse mediante cálculo que ocurre cuando
c(tr) = C(tr).
Por lo tanto, el momento óptimo de reemplazo es cuando la tasa de costo operativo actual es igual
al costo total promedio por unidad de tiempo. En otras palabras, el momento óptimo para reemplazar
es cuando el costo marginal equivale al costo promedio.
De hecho, si la tendencia de los costos operativos es lineal, c(t) = a + bt, entonces el valor óptimo
el intervalo de reemplazo t* es
t = 2Cr
.
b
Para utilizar la ecuación c(tr) = C(tr) se requiere que la tendencia de los costos operativos sea
una función creciente, lo que en la práctica es un supuesto muy razonable. Si eso es
no es el caso, y a medida que pasa el tiempo, el costo operativo de un componente se vuelve menor,
entonces la Ecuación 2.1 debe resolverse utilizando el cálculo clásico (si la tendencia del costo es
simple); de lo contrario, se requerirá una solución numérica.
Si la tendencia en los costos operativos no es continua, sino discreta, entonces el momento
óptimo de reemplazo es cuando el costo operativo del siguiente período es igual o mayor que el
costo promedio actual de reemplazo en ese momento. Es decir, reemplazar cuando el costo marginal
de operación sea mayor que el costo promedio hasta la fecha.
cr
ioniC
atste
iorm
o/p T
u
Connecticut)
t
tr
c(t) = A – B exp[–kt]
r
t_
1
C(tr ) =
tr (100 − 80 exp[−0.21t])dt +100 .
0
En este caso, no se puede obtener una solución analítica (forma cerrada) utilizando el
resultado c(tr) = C(tr) . Se requiere una solución numérica o se puede utilizar el tiempo
discreto. En la Tabla 2.3 se ofrece una evaluación del modelo anterior para diferentes
valores de tr , lo que indica que el valor óptimo de tr es a las 5 semanas.
aname/$
s
c(t) = A–Be–kt
Tiempo (semanas)
TABLA 2.3
tr
0 c (t) dt + Cr .
C(tr ) = (2.2)
tr + tr
Un ciclo de reemplazo
Operación Reemplazo
0 tr tr + tr
7000
C(tr )
5000
3000 t
0 2 4 6 8 10 r
curvas similares a la Figura 2.9, que demuestran, en este caso, que aunque Cr varía, no
influye mucho en los valores óptimos de tr. De hecho, hay una superposición, lo que indica
una buena solución independiente del valor real de Cr (siempre que este valor esté dentro
de los límites especificados por las dos curvas). Si los cambios en Cr alteraran drásticamente
la solución desde el punto de intervalo de reemplazo y costo total mínimo, entonces estaría
claro que se requeriría un estudio cuidadoso para identificar el verdadero valor de Cr que se
usará al resolver el modelo. (Por ejemplo, ¿Cr incluye sólo costos de materiales y mano de
obra? ¿O incluye costos de producción perdida? O costos asociados con tener que utilizar
una planta menos eficiente, horas extras o contratistas, etc., para compensar las pérdidas
incurridas como resultado de la ¿Reemplazo?) La decisión que se puede tomar (en este
caso con respecto al intervalo entre reemplazos) esencialmente puede permanecer
constante dentro de la región de incertidumbre controlada por la sensibilidad. Esto no
significa necesariamente que los verdaderos costos totales tendrán más o menos el mismo
valor numérico dentro de la región de superposición. Sin embargo, desde el punto de vista
de la toma de decisiones, esto no importa porque es el intervalo entre reemplazos el que
está bajo el control de quien toma las decisiones. Los costes totales son consecuencia de la decisión tomad
Por lo tanto, la verificación de sensibilidad brinda orientación sobre qué información es importante
desde el punto de vista de la toma de decisiones y, en consecuencia, qué información debe recopilarse
en un esquema de recopilación de datos. La afirmación “basura que entra = basura que sale”, que
frecuentemente se hace con referencia a los requisitos de datos de las técnicas cuantitativas,
También se ha demostrado que no es necesariamente correcto. La validez de la afirmación “basura
que entra = basura que sale” depende de la sensibilidad de la solución a una basura en particular. Por
lo tanto, tenga en cuenta que la basura que entra no necesariamente equivale a la basura que sale,
por lo que nuestros requisitos de información para el uso de técnicas cuantitativas pueden no ser tan
severos como a menudo se afirma.
2.2.5 APLICACIONES
2.2.5.1 Reemplazo del filtro de aire en un automóvil
¿Cuál es el tiempo económico de reemplazo del filtro de aire en un automóvil?
El precio de compra de un filtro de aire es de $80. El conductor de un automóvil recorre 2.000 km/
mes. La gasolina cuesta $0,75/L. Cuando el filtro de aire es nuevo, durante el primer mes de
funcionamiento, el rendimiento del automóvil es de 15 km/L; por lo tanto, el costo operativo del primer
mes es de $100,00. A medida que el filtro envejece, se produce un deterioro en el número de kilómetros
que se pueden recorrer con 1 litro de gasolina. La tendencia al deterioro se muestra en el Cuadro 2.4.
Usando la Ecuación 2.1, en forma discreta, obtenemos la Tabla 2.5, de la cual vemos que la edad
óptima de reemplazo es 4 meses y el costo asociado por mes es $131.88.
La gráfica asociada del costo por mes versus tiempo se presenta en la figura 2.10, que incluye un
cálculo que muestra el uso del criterio de optimización c( t) = C(tr) cuando se discretiza la tendencia en
el costo operativo.
Por lo tanto, reemplace al final del mes 4 porque las operaciones del próximo período y
El costo de mantenimiento, c(t = 5), es mayor que el costo promedio hasta la fecha ($131,88).
TABLA 2.4
TABLA 2.5
180 180
M
C(
160
)$
otss/eo
140 143,57
134,57 135.50
131,88
120
100
0 1 2 3 4 5 t (mes)
producido hasta la fecha del reemplazo. Davidson (1970) ofrece un estudio detallado de este
problema, quien lo analiza utilizando un modelo de programación dinámica.
1. El costo total del reemplazo debe ser mayor después de la falla que antes (si el costo es el
criterio apropiado; de lo contrario, se sustituye el costo por un criterio apropiado, como el
tiempo de inactividad). Esto puede ser causado por
una mayor pérdida de producción porque el reemplazo después de una falla no está
planificado o la falla de una pieza de la planta puede causar daños a otros equipos.
Por ejemplo, el reemplazo de un anillo de pistón en un motor de automóvil antes de que
falle el anillo puede implicar solo el costo de un anillo de pistón más un cargo de mano de
obra, mientras que después de la falla, su costo de reemplazo también puede incluir el
costo de un cilindro rectificado.
2. La tasa de peligrosidad del equipo debe estar aumentando. Para ilustrar este punto,
podemos considerar equipos con una tasa de peligro constante. Es decir, las fallas ocurren
según la distribución exponencial negativa o, equivalentemente, la distribución de Weibull,
en la que el parámetro de forma β = 1,0. Cuando este es el caso, el reemplazo antes de la
falla no afecta la probabilidad de que el equipo falle en el siguiente instante, dado que
ahora está en buen estado. En consecuencia, se desperdicia dinero y tiempo si se aplica
el reemplazo preventivo al equipo que falla según la distribución exponencial negativa.
Obviamente, cuando el equipo falla según la distribución hiperexponencial o la distribución
de Weibull cuyo valor β es menor que 1,0, su tasa de riesgo está disminuyendo y
nuevamente no se debe aplicar el reemplazo preventivo de componentes.
En la práctica, es útil apreciar que la tasa de riesgo del equipo debe estar aumentando antes de
que valga la pena el reemplazo preventivo. Muy a menudo, cuando el equipo se estropea con
frecuencia, la reacción inmediata del profesional de mantenimiento es que se debe aumentar el nivel
de reemplazo preventivo. Si la distribución de fallas de los componentes que se reemplazan se
hubiera identificado mediante la realización de un análisis de Weibull (Apéndice 2), quedaría claro si
dicho reemplazo preventivo era aplicable. Bien puede ser que el procedimiento apropiado sea permitir
que el elemento falle antes de realizar un reemplazo, y esta decisión se puede tomar simplemente
obteniendo estadísticas relevantes para el equipo y no implica la construcción y solución de un modelo
para analizar el problema. Si se requiere una mayor confiabilidad del sistema, entonces se requiere
un rediseño. Esto puede incluir la introducción de componentes redundantes.
Machine Translated by Google
Un artículo, a veces denominado unidad o pieza reemplazable en línea, está sujeto a fallas
repentinas y, cuando ocurre la falla, el artículo debe ser reemplazado. Debido a que la falla
es inesperada, no es descabellado suponer que un reemplazo defectuoso es más costoso
que un reemplazo preventivo. Por ejemplo, se planifica un reemplazo preventivo y se hacen
arreglos para realizarlo sin demoras innecesarias, o quizás una falla pueda causar daños a
otros equipos. Para reducir el número de fallas, se pueden programar reemplazos
preventivos a intervalos específicos. Sin embargo, se requiere un equilibrio entre la cantidad
gastada en los reemplazos preventivos y sus beneficios resultantes, es decir, reemplazos
reducidos por fallas. Las consecuencias conflictivas de los costos y su resolución al identificar
la curva de costo total se ilustran en la Figura 2.12.
Reemplazo de falla
costo/semana
aname/$
s
Reemplazo preventivo
costo/semana
tp
Valor óptimo de tp
El costo total esperado por unidad de tiempo para el reemplazo preventivo en intervalos de longitud
tp denotado C(tp) es
= Cp + Cf H(tp )
Reemplazo preventivo
Reemplazos de fallas
0 t pag
un ciclo
Por lo tanto,
Cp + CfH(tp )
C(t ) = . (2.3)
pag
tp
Este es un modelo del problema que relaciona el intervalo de reemplazo tp con el costo total C(tp).
Diferenciando el lado derecho de la Ecuación 2.3 con respecto a tp y equiparando
ponerlo a cero da el resultado optimizado:
Nuevo Testamento)
Sr.
t t t t r +1
1 2 3
0 1 2 3 r t r +1
Ahora,
Por lo tanto,
f (s) . (2.5)
H (s) =
s[1− f (s)]
El problema entonces es determinar H(t) a partir de H*(s). Esto se hace determinando f(t) a
partir de f*(s), un proceso denominado inversión. La inversión generalmente se hace con
referencia a tablas que dan transformadas de funciones de Laplace y dan f(t) correspondiente
a formas comunes de f*(s).
* Si f(t) es la función de densidad de probabilidad de una variable aleatoria no negativa T, la transformada de Laplace
f*(s) se define por f *(s) = E exp[−sT] = exp[−st]f (t)dt. La principal importancia de las transformadas de Laplace.
0
En la teoría de la renovación está asociado con las sumas de variables aleatorias independientes. Para más detalles sobre la
teoría de la renovación, véase Cox (1962).
Machine Translated by Google
Ejemplo
Si f(t) = λe –λt, entonces de las tablas, f*(s) = λ/(λ + s). De la Ecuación 2.5,
/( + s)
H(s) = = /s 2.
s[1− /( + s)]
H(t) = λt.
t 2
−
2
H(t) +
2
(2.6)
2
2
donde μ y σ son la media y la varianza de f(t), respectivamente.
Ejemplo
2 = 1. Si el intervalo
Un ítem falla según la distribución normal con μ = 5, σ
entre reemplazos preventivos es t = 1000 semanas, luego de la Ecuación 2.6,
1000 125
H(1000) + = 199,5 fracasos.
5 50
0 1 2 3 4
Cuando comenzamos en el momento cero, la primera falla (si la hay) ocurrirá durante la primera,
segunda, tercera o cuarta semana de operación. Teniendo este hecho en mente, obtenemos lo
siguiente:
H(4) = número de fallas esperadas que ocurren en el intervalo (0, 4) cuando la primera falla
ocurre en la primera semana × probabilidad de que la primera falla ocurra en el
intervalo (0, 1)
+ Número de fallas esperadas que ocurren en el intervalo (0, 4) cuando la primera falla
ocurre en la segunda semana × probabilidad de que la primera falla ocurra en el
intervalo (1, 2)
+ Número de fallas esperadas que ocurren en el intervalo (0, 4) cuando la primera falla
ocurre en la tercera semana × probabilidad de que ocurra la primera falla en el
intervalo (2, 3)
+ Número de fallas esperadas que ocurren en el intervalo (0, 4) cuando la primera falla
ocurre en la cuarta semana × probabilidad de que ocurra la primera falla en el intervalo
(3, 4)
Suponga que no puede ocurrir más de una falla en cualquier intervalo semanal. Esto no es
restrictivo porque la duración de cada intervalo se puede hacer tan corta como se desee. Si este es
el caso, entonces
Número de fallas esperadas que ocurren en el intervalo (0, 4) cuando ocurre la primera falla
ocurre en la primera semana
= el fallo que ocurrió en la primera semana
+ el número esperado de fallas en las 3 semanas restantes
= 1 + H(3)
Tenga en cuenta que usamos H(3) porque tenemos equipo nuevo como resultado del reemplazo
del componente defectuoso en la primera semana, y tenemos 3 semanas antes de que ocurra el
reemplazo preventivo. Por definición, el número esperado de fallas en las 3 semanas restantes,
comenzando con el nuevo equipo, es H(3).
1
1 2
Obviamente, H(0) = 0. Es decir, faltando cero semanas, el número esperado de fallas es cero.
Machine Translated by Google
yo+1
3
con H(0) = 0.
En general,
T 1 yo+1
(2.7)
H(T) = [1+ H(T − i −1)] f (t)dt,T 1
yo=0
i
con H(0) = 0.
La ecuación 2.7 se denomina relación de recurrencia. Como sabemos que H(0) = 0, tenemos
Puede obtener H(1), luego H(2), luego H(3), y así sucesivamente, a partir de la ecuación 2.7.
Ejemplo
1
Supongamos f (t) =
6
,0 t 6. Esto se ilustra en la figura 2.16 y se denomina uniforme.
o distribución rectangular. Queremos determinar la cantidad esperada de fallas si se
realizan reemplazos preventivos cada 2 semanas.
En este caso, queremos H(2). De la Ecuación 2.7,
1 yo+1
pie)
f (t) = 1/6
t
0 6
Ahora,
H(0) = 0
1
= 6 6
0
1 1
H(2) = 1+ 1 dt +(1+ 0) 2 1 litro
6 6 6
0 1
7 1 1 +1 13
= = .
66 6 36
Dado Cp = $5, Cf = $10, queremos determinar el intervalo de reemplazo óptimo para el equipo
sujeto a la estrategia de reemplazo de la Sección 2.4. Los fracasos ocurren según la distribución
normal con una media de 5 semanas y una desviación estándar de 1 semana (Figura 2.17). De
la Ecuación 2.3, tenemos:
5 +10H(tp ) .
C(t ) = pag
tp
Los valores de C(tp) para varios valores de tp se dan en la Tabla 2.6, de la cual se ve que la
política de reemplazo óptima es realizar reemplazos preventivos cada 4 semanas.
norte(5, 1) norte(0, 1)
01 5 –4 0
TABLA 2.6
(Consulte el Apéndice 1 para obtener orientación sobre cómo leer la tabla de distribución normal
estandarizada).
De las tablas, Φ(−4) ≈ 0 y Φ(−5) ≈ 0, y ahora
Por lo tanto,
En este ejemplo, no se tuvo en cuenta el tiempo requerido para realizar reemplazos preventivos y
de falla porque se consideraron muy cortos (horas o días), en comparación con el tiempo medio
entre el reemplazo de un artículo, que puede medirse en semanas o meses. Cuando sea necesario,
las duraciones de reemplazo se pueden incorporar al modelo de reemplazo, como se requiere
cuando el objetivo es minimizar el tiempo de inactividad total o, de manera equivalente, maximizar
la disponibilidad del artículo. Esto se presentará en la Sección 2.6. Por supuesto, cualquier costo
en el que se incurra debido a las paradas por reemplazo debe incluirse como parte de Cp, el costo
total de un reemplazo preventivo, y Cf, el costo total de un reemplazo por falla.
En una operación minera a cielo abierto, la política actual era reemplazar el embrague de
dirección izquierdo de un equipo móvil sólo cuando fallaba. En esta aplicación, había una flota
de seis máquinas idénticas, todas operando en el mismo entorno. La flota había experimentado
siete fracasos. Cuando se llevó a cabo el estudio, las seis máquinas estaban funcionando en el
sitio de la mina. Para aumentar el
Con el tamaño de la muestra, se obtuvieron datos sobre las edades actuales de los embragues
de las seis máquinas actualmente en funcionamiento, por lo que los datos disponibles para el
análisis incluyeron siete fallas y seis suspensiones. Utilizando el procedimiento descrito en el
Apéndice 2 para combinar datos de falla y suspensión, el parámetro de forma de Weibull β se
estimó en 1,79 y el tiempo medio hasta la falla se estimó en 6500 h. Esto indica que existe una
probabilidad cada vez mayor de que el embrague falle a medida que envejece porque β es
mayor que 1,0.
Para determinar la edad óptima de reemplazo preventivo para minimizar el costo total es
necesario obtener los costos. En este caso, el costo total de un reemplazo preventivo se obtuvo
sumando el costo de la mano de obra (16 h, dos personas cada una a las 8 h),
Costo de piezas y equipos fuera de servicio (8 h). El costo de reemplazo de una falla se obtuvo
sumando el costo de mano de obra (24 h, dos personas a las 12 h), repuestos y costo de equipo
fuera de servicio (12 h).
Aunque la consecuencia de costo asociada con un reemplazo por falla fue mayor que la de
un reemplazo preventivo, no fue lo suficientemente grande como para justificar un cambio en la
política actual de reemplazar solo en caso de falla. Pero al menos la operación minera tuvo una
decisión basada en evidencia. Como dijo más tarde el superintendente de mantenimiento: “Una
política de funcionamiento hasta el fallo fue una conclusión sorprendente, ya que el embrague
presentaba características de desgaste. Sin embargo, las consideraciones económicas no
justificaron el reemplazo preventivo según una política de mantenimiento de tiempo fijo”.
Este problema es similar al de la Sección 2.4, excepto que en lugar de realizar reemplazos
preventivos a intervalos fijos, con la posibilidad de realizar un reemplazo preventivo poco
después de un reemplazo por falla, el momento en que ocurre el reemplazo preventivo depende
del antigüedad del artículo. Cuando ocurren fallas, se realizan reemplazos por fallas. Cuando
esto ocurre, el reloj se pone a cero y el
Machine Translated by Google
el reemplazo preventivo ocurre sólo cuando el artículo ha estado en uso durante el período especificado.
Nuevamente, el problema es equilibrar el costo de los reemplazos preventivos con sus beneficios, y lo
hacemos determinando la edad óptima de reemplazo preventivo para el artículo para minimizar el costo total
esperado de los reemplazos por unidad de tiempo.
En este problema, hay dos ciclos de operación posibles: un ciclo determinado cuando el artículo alcanza
su edad de reemplazo planificada, tp, y el otro cuando el equipo deja de operar debido a una falla que ocurre
antes del tiempo de reemplazo planificado. . Estos dos ciclos posibles se ilustran en la Figura 2.19.
Tenga en cuenta que estamos obteniendo el costo esperado por unidad de tiempo como una proporción de
dos expectativas. Esto es aceptable en muchos problemas de reemplazo porque se ha demostrado (Smith
1955) que
Falla Falla
reemplazo reemplazo
Preventivo Preventivo
reemplazo reemplazo
tp tp
0
Tiempo
Reemplazo
preventivo Reemplazo de falla
Operación Operación
o
0
tp M(tP )
Ciclo 1 Ciclo 2
donde K(t) es el costo esperado acumulado debido a una serie de ciclos en un intervalo (0, t).
K(t)/t es el costo esperado por unidad de tiempo.
f (t)
t
0 tp
El tiempo medio hasta el fallo de la distribución completa es tf (t) dt, que para la distribución nor
−
Este es ahora un modelo del problema que relaciona la edad de reemplazo tp con el costo total de
reemplazo esperado por unidad de tiempo.
pie)
t
0 M(t ) Media tp
pag
Tenga en cuenta que no existe una solución simple para la ecuación 2.8, como la hay para la constante
modelo de intervalo, Ecuación 2.3. Sin embargo, la ecuación 2.8 se puede simplificar a
tp R(tp ) + tf (t)dt
−
Utilizando los datos del ejemplo de la Sección 2.4.4, determine la edad óptima de reemplazo del equipo.
La ecuación 2.8 se convierte en
tp R(tp ) + tf (t) dt
−
Para varios valores de tp, los valores correspondientes de C(tp) se dan en la Tabla 2.7.
de lo cual se desprende que la edad óptima de reposición es a las 4 semanas.
3 R(3) + tf (t)dt
−
Por lo tanto,
TABLA 2.7
tp 1 2 3 4 5 6
norte(5, 1) norte(0, 1)
R(3) =
3 5 –2 0
tp
1 tp
−(t − )2
2 dt
tf ( t) dt = t exp 2
2
− −
t t− t−
pag
+ pag
tf (t) dt = −
3−5 3−5
tf (t) dt = − +5 = −0,0540 + 5 0,0228 = 0,0600
3
1 1
−
5 0,9772 + 10 0,0228
C(3) = = $1.70 por semana.
3 0,9772 + 0,0600
Un cojinete crítico en una máquina agitadora de una fundición se reemplazaba sólo cuando
fallaba (Jardine 1979). Se sabía que el coste de una avería era aproximadamente el doble del
coste de sustituir el rodamiento en condiciones preventivas. Se conocían datos sobre las seis
edades de falla más recientes (Figura 2.23) y, a partir de ese pequeño tamaño de muestra,
se realizó un análisis de Weibull para estimar la distribución de fallas. Las mejores estimaciones
utilizando el criterio de máxima verosimilitud para el parámetro de forma (β) y la vida
característica (η) fueron 2,97 y 17,55 semanas, respectivamente. Utilizando el modelo de
reemplazo de edad (Ecuación 2.8), la edad de reemplazo preventivo óptima se identificó como 14 semanas.
La Figura 2.24 es un gráfico del costo total en función de diferentes edades de reemplazo.
Vale la pena mencionar dos puntos sobre esta aplicación.
12 23 9 13 19
Hoy
C(tp )
1050
1000
eD
mló
/sneara
a S
950
Preventivo óptimo
edad de reemplazo
900
tp
6 8 10 12 14 dieciséis 18
La definición del problema es idéntica a la Sección 2.5, excepto que en lugar de asumir que la falla y los
reemplazos preventivos se realizan instantáneamente, se toma en cuenta el tiempo requerido para realizar
estos reemplazos.
La edad óptima de reposición preventiva del artículo se toma nuevamente como esa edad.
lo que minimiza el costo total esperado de reemplazos por unidad de tiempo.
Como fue el caso del problema de la Sección 2.4, hay dos ciclos posibles de operación, y se ilustran en la
Figura 2.26.
El costo total de reposición esperado por unidad de tiempo, denotado C(tp), es
Falla
reemplazo Reemplazo de falla
Reemplazo
preventivo
tf tp tp tf
t
0
Reemplazo
preventivo Reemplazo de falla
Operación tp Operación tf
o
Ciclo 1 Ciclo 2
tp + tp M(tp ) + Tf
FIGURA 2.26 Ciclos de reemplazo basados en la edad, incluidas las duraciones de los reemplazos.
= Cp × R(tp) + Cf [1 − R(tp)]
Este es un modelo del problema que relaciona la edad de reemplazo preventivo, tp, con el costo total esperado
de reemplazo por unidad de tiempo.
Para los datos de la Sección 2.5, a saber, Cp = $5, Cf = $10, f(t) = N(5, 1) y tiempos de reemplazo de Tp y Tf
= 0.5 semanas, determine la edad óptima de reemplazo del equipo. .
Machine Translated by Google
TABLA 2.8
tp
−
tf (t) dt
Porque M(tp ) = , La ecuación 2.9 se convierte
en 1 − R(tp )
Para diversos valores de tp, los valores correspondientes de C(tp) se dan en la Tabla 2.8.
de lo cual se desprende que la edad óptima de reposición preventiva es de 4 semanas.
5 0,9772 + 10 0,0228
=
3,5 0,9772 + 0,06 + 0,5 0,0228
= 5,1140/3,4916
El objetivo de los problemas de las secciones 2.4 a 2.6 es minimizar el costo total por unidad de
tiempo. En algunos casos, digamos, debido a dificultades para determinar los costos o al deseo de
obtener el máximo rendimiento o utilización del equipo, la política de reemplazo requerida puede ser
una que minimice el tiempo de inactividad total por unidad de tiempo o, de manera equivalente,
maximice la disponibilidad. El problema en esta sección es determinar los mejores tiempos en
Machine Translated by Google
qué reemplazos deben ocurrir para minimizar el tiempo de inactividad total por unidad de tiempo. A medida que
aumenta la frecuencia de reemplazo preventivo, hay un aumento en el tiempo de inactividad debido a estos
reemplazos, pero una consecuencia de esto es una reducción del tiempo de inactividad debido a reemplazos
fallidos, y deseamos obtener el mejor equilibrio entre ellos.
El tiempo de inactividad total por unidad de tiempo, para el reemplazo preventivo en el momento
tp, denotado como D(tp), es:
Tiempo de inactividad esperado por fallas + tiempo de inactividad por reemplazo preventivo
D(t ) =
Duración del ciclo
pag
Tiempo de inactividad debido a fallas = número de fallas en el intervalo (0, tp) × tiempo requerido para
realizar un reemplazo de falla = H(tp) × Tf
Por lo tanto,
H(tp )Tf + Tp
D(t ) = . (2.10)
pag
tp + tp
Este es un modelo del problema que relaciona el intervalo de reemplazo tp con el tiempo de
inactividad total D(tp).
Falla Preventivo
reemplazos reemplazo
tf tf tp
tp
un ciclo
El tiempo de inactividad total por unidad de tiempo para reemplazos preventivos una vez que
el artículo alcanza la mayoría de edad tp es:
Duración esperada del ciclo (Sección 2.5.2) = (tp + Tp) R(tp) + [M(tp) + Tf] [1 − R(tp)]
Por lo tanto,
Este es un modelo del problema que relaciona la edad de reemplazo con el tiempo de inactividad total.
La tabla 2.9 proporciona valores de D(tp) para varios valores de tp. Aquí se puede observar que el
intervalo de reemplazo óptimo es tp = 4 semanas.
TABLA 2.9
Intervalo de reemplazo preventivo óptimo: minimización del tiempo de inactividad
tp 1 2 3 4 5 6
Por lo tanto,
TABLA 2.10
De la Sección 2.5.3,
Por lo tanto,
Con referencia al modelo 1, siempre que el tiempo requerido para un reemplazo por falla sea pequeño en
relación con los intervalos que se consideran para el reemplazo preventivo (por ejemplo, 0,07 en lugar de 4),
es razonable utilizar la formulación H(T ) de Sección
2.4.3 para determinar el número esperado de fallas en el intervalo (0, tp). En rigor, se debe tener en cuenta
el hecho de que el tiempo disponible entre los reemplazos preventivos por fallas se reduce debido al tiempo
de inactividad que se produce al realizar los reemplazos de fallas.
Tenga en cuenta también que aunque el intervalo de reemplazo y la edad de reemplazo para minimizar el
tiempo de inactividad son ambos de 4 semanas, la política basada en la edad ofrece una reducción en el
tiempo de inactividad del 10,5 % para las cifras utilizadas en el ejemplo en comparación con la política basada
en intervalos.
2.7.5 APLICACIONES
A veces vale la pena reemplazar artículos similares en grupos en lugar de hacerlo individualmente
porque el costo de reemplazar un artículo en condiciones de reemplazo grupal puede ser menor; es
decir, hay economías de escala. Quizás el ejemplo clásico de este tipo de situación sea el
mantenimiento de las farolas. Teniendo en cuenta el costo de transportar al personal de mantenimiento
de un departamento de iluminación hasta una sola farola averiada y los descuentos asociados con la
compra de farolas al por mayor, puede ser económicamente justificable reemplazar todas las farolas
de una calle en lugar de sólo las averiadas.
Este tipo particular de problema es prácticamente idéntico al de la Sección 2.4, excepto
que aquí estamos tratando con un grupo de elementos idénticos y no con elementos individuales.
Una gran cantidad de artículos similares están sujetos a fallas. Siempre que un artículo falla, se
reemplaza por uno nuevo; no asumimos un reemplazo grupal (es decir, reemplazar todos los artículos
al mismo tiempo) en tales condiciones. También existe la posibilidad de que el reemplazo de grupo se
pueda realizar en intervalos de tiempo fijos. Se supone que el costo de reemplazar un artículo en
condiciones de reemplazo grupal es menor que el de reemplazo por falla. Cuanto más frecuentemente
se realice el reemplazo de grupo, menos reemplazos por fallas ocurrirán, pero se requiere un equilibrio
entre el dinero gastado en reemplazos de grupo y la reducción de los reemplazos por fallas.
El modelo desarrollado para este problema se basa en el supuesto de que la política de reemplazo
es realizar reemplazos grupales en intervalos de tiempo fijos, y los reemplazos por fallas se realizan
según sea necesario. Deseamos determinar el óptimo
Machine Translated by Google
intervalo entre los reemplazos del grupo para minimizar el costo total esperado de reemplazo por unidad
de tiempo.
El costo total de reemplazo esperado por unidad de tiempo para el reemplazo del grupo en el momento
tp, denotado como C(tp), es
Costo total esperado en el intervalo (0, tp) = costo de reemplazo del grupo en el momento tp + costo
esperado de los reemplazos por fallas en el intervalo (0, tp) = NCg + NH(tp)Cf, donde H(tp) es el número
esperado de veces un elemento falla en el intervalo (0, tp). El método para determinar H(tp) se proporciona
en la Sección 2.4.3. Por lo tanto,
C(t ) = (2.14)
pag
tp
Este es un modelo del problema de reemplazo grupal que relaciona el intervalo de reemplazo tp con el
costo total.
0 tp
un ciclo
y suponiendo que hay 100 elementos en el grupo, se puede construir la tabla 2.11.
Da valores de C(tp), el costo total de reemplazo por unidad de tiempo, para varios valores de tp, el intervalo
de reemplazo del grupo, de lo cual se ve que el intervalo óptimo entre reemplazos de grupo es de 4 semanas.
Por lo tanto,
Como se señaló antes del planteamiento del problema de esta sección, el intervalo óptimo de reemplazo
grupal para el ejemplo anterior es idéntico al intervalo óptimo de reemplazo preventivo para un solo artículo,
como se indica en la Sección 2.4. El costo total mínimo de reemplazo para el reemplazo de un grupo es el
mismo que para una sola unidad, multiplicado por la cantidad de artículos en el grupo.
Actualmente, en un compresor de la industria del petróleo y del gas se sustituye un grupo de 40 válvulas
cada 9.000 h. El examen de la base de datos de mantenimiento de la empresa indica que en estos intervalos
de 9000 h, ocasionalmente hay una falla de la válvula y, cuando esto ocurre, se reemplaza la válvula
defectuosa.
TABLA 2.11
A partir de esta fuente de datos, es posible estimar la distribución de fallas de una válvula en ese
entorno operativo como Weibull con los siguientes parámetros: forma (β) = 2, ubicación (γ) = 3600 horas,
vida característica (η) = 138,118 horas, y tiempo medio hasta el fallo (μ) = 126.000 horas.
El costo asociado con la falla del compresor debido a un problema de válvula se estima en
$94,024, y por reemplazo preventivo del grupo de 40 válvulas es de $24,256.
Usando el modelo de intervalo constante, Ecuación 2.3, el tiempo óptimo de cambio de la válvula se
identifica como 84 000 horas con un costo asociado de $0,66/hora, en comparación con el costo bajo la
política actual de $2,65/hora. Así, se produce una reducción de costes del 76%.
Sin embargo, dados los datos limitados que estaban disponibles para el análisis, es posible que no
adoptemos inmediatamente el intervalo de reemplazo de 84.000 horas. El análisis revela que la curva de
costo total es bastante plana alrededor del intervalo de reemplazo óptimo y, además, al duplicar el intervalo
de reemplazo actual a 18.000 horas, se podría esperar un ahorro muy sustancial en comparación con la
práctica actual porque se reduciría el costo por hora. a $1,41/hora, logrando un ahorro del 47%.
Nivel 1
N1 artículos
por artículo = C1
Etapa 2
N2 artículos
Fallos en la etapa 2
Costo de reemplazo
por artículo = C2
La estrategia de dos etapas se amplía en un artículo de Naik y Nair (1965) para abordar
la posibilidad de definir varias etapas en un sistema, definiendo cada etapa por su costo de
reposición. Robinson (1974) ofrece una aplicación de la estrategia de dos etapas a la
planificación de recursos.
Frecuentemente, un artículo deja de funcionar no por su propia falla sino porque hay una
parada de producción por algún motivo. Cuando esto sucede, es posible que el especialista
en mantenimiento tenga que decidir si aprovechará la oportunidad del tiempo de inactividad
para realizar un reemplazo preventivo.
Woodman (1967) analizó esta clase de problema y construyó un modelo para cubrir
pólizas opcionales (llamadas así porque la decisión de aprovechar o no la oportunidad de
tiempo de inactividad es opción del especialista en mantenimiento). Básicamente, el modelo
tiene en cuenta los costos de reemplazo de fallas, el costo de reemplazo durante el tiempo
de inactividad, la distribución de fallas del equipo sujeto a reemplazo y el
Frecuencia con la que ocurren las oportunidades de reemplazo. La solución del modelo da
como resultado la determinación de límites de control, que permiten al especialista
determinar si aprovechar la oportunidad, dependiendo de la antigüedad del equipo. Esta
política se ilustra en la Figura 2.30. Si ocurre una falla en el equipo, se reemplaza.
Si se presenta una oportunidad de reemplazo y la antigüedad del equipo excede el límite
de control, se realiza un reemplazo preventivo; de lo contrario, el equipo se deja durante la
oportunidad y se le permite continuar operando. Kaspi y Shabtay (2003) presentes
Machine Translated by Google
0
Control
límite
0 0
0
Tiempo
modelos que utilizan el enfoque de modelado de reemplazo opcional para máquinas herramienta
en un entorno de fabricación.
Hasta ahora en el capítulo, se ha asumido que la renovación del ítem ocurrió en el momento de la
acción de mantenimiento. Si esto no es aceptable, entonces necesitamos modelos aplicables a
sistemas reparables. Un libro clásico que aborda estos problemas es el de Ascher y Feingold (1984),
en el que se introduce el concepto de sistemas evasivos, felices y tristes. La Figura 2.31 ilustra
estas descripciones de sistemas utilizando los cinco conjuntos de datos de fallas de rodamientos
que se introdujeron por primera vez en la Sección 2.5.5. Antes de proceder a utilizar los modelos
de intervalo y edad presentados, es necesario que las fallas sean lo que se denomina idénticas y
distribuidas independientemente, es decir, la distribución de fallas de cada nuevo ítem sea idéntica
a la anterior, y cada tiempo de falla sea independiente del el anterior. Para comprobar que este es
el caso, se puede realizar una prueba de tendencia sobre los tiempos de fallo ordenados
cronológicamente (consulte la prueba de tendencia de Laplace descrita en la Sección A2.12 del
Apéndice 2). La Figura 2.31 ilustra que los momentos de evasión no tienen una tendencia clara,
mientras que ese no es el caso de los momentos que se presentan en las filas identificadas como
“felices” o “tristes”. Por supuesto, en la práctica, las tendencias pueden no ser tan fáciles de
detectar, pero siempre se debe tener cuidado antes de proceder a realizar un análisis Weibull de
los datos, para garantizar que no exista una tendencia subyacente de confiabilidad.
12 25 9 13 19 Evasivo
sistema
9 12 13 19 25 Feliz
sistema
Triste
25 19 13 12 9
sistema
crecimiento (el sistema feliz) o degradación de la confiabilidad (el sistema triste), que es común
en los sistemas reparables. Lhorente et al. (2004) proporcionan un ejemplo de un sistema triste.
Desde que se publicó el libro de Ascher y Feingold, muchas ideas de investigación
Se han publicado estudios sobre la mejor manera de manejar la optimización de las decisiones
de mantenimiento asociadas con sistemas reparables. En esta literatura se utilizan con
frecuencia los términos reparación mínima y general. La figura 2.32 ilustra estos dos términos.
Aquí, se ve que una reparación mínima puede considerarse como una acción de mantenimiento
muy pequeña (como reemplazar una correa de ventilador rota en un automóvil) que devuelve
el equipo/sistema al mismo estado de salud que tenía justo antes de la reparación. acción de
mantenimiento menor. Una reparación general mejora el estado del sistema, mientras que una
renovación devuelve completamente el equipo a su condición estadísticamente nueva.
El concepto de era virtual se ha introducido para modelar problemas de mantenimiento de
sistemas reparables. Malik (1978) y Kijima (1989) presentaron el concepto de edad virtual al
modelar sistemas reparables. Jiang et al. (2001) sugirieron un límite de reparación utilizando el
concepto de edad virtual al decidir qué acción de mantenimiento debería realizarse en el
momento de una falla de mantenimiento. El enfoque se ilustra en la Figura 2.33.
Aquí se puede ver que la edad real (tiempo de ejecución) de un elemento está en el eje y en la
parte superior de la figura y la edad virtual está en el eje x. Así, en la primera intervención de
mantenimiento, cuando el equipo tiene edad X1, el equipo pasa a tener edad V1 después de la
acción de mantenimiento. Una vez que el equipo ha operado durante un período adicional X2
para llevar su edad de funcionamiento a X1 + X2, se produce otra acción de mantenimiento que
lleva la edad virtual del equipo a V2.
La pregunta clave que debe abordarse es la siguiente: Cuando es necesario realizar una
intervención de mantenimiento, ¿qué medidas se deben tomar? ¿Reparación mínima, reparación
general (cuanto más dinero se gasta en una reparación general, más se acerca el equipo a su
condición de nuevo) o renovación completa? Para abordar esta pregunta, podemos ver el
concepto de límite de reparación en la Figura 2.33 a través del costo en el eje y en la mitad
inferior del diagrama.
tiempo de renovación
Tiempo
Tiempo de ejecución X
Límite para
preventivo
X1
reemplazo
Aceptable
X2 X3
operando
región
V0 V1 V2 Era virtual V
C2
Coste de la reparación
Si el costo estimado de mantenimiento está entre cero y el límite C0, entonces se realiza una
reparación mínima. Si el costo está entre C0 y el límite de costo, entonces se realiza una reparación general.
En la figura, el coste asociado a la primera intervención de mantenimiento es C1, por lo que se debe
realizar una reparación general en lugar de una renovación completa y, en consecuencia, se mejora la
salud del equipo respecto a su estado previo a la reparación.
Si el costo excede la curva límite, entonces implica que se debe realizar una renovación completa.
De manera similar, si el tiempo de funcionamiento del equipo alcanza el límite para el reemplazo
preventivo, entonces se debe realizar una renovación completa.
En un estudio sobre reparación versus reemplazo de transformadores (Kallis 2003), se estableció que
se podía comprar un transformador nuevo por 150.000 dólares. Los componentes clave que experimentaron
fallas fueron los devanados primario y secundario, cada uno instalado sobre un núcleo de hierro laminado,
los medios aislantes internos y el tanque principal y los bujes.
Otros incluyeron el sistema de refrigeración, cambiador de tomas fuera de circuito, cambiador de tomas
bajo carga, transformadores de corriente y potencial y armarios de mecanismos.
La optimización de los sistemas reparables requiere la identificación del grado de mejora en el
desempeño de un componente después de la reparación. Para los devanados se concluyó que el grado
de reparación fue del 80%. Así, cambiar el núcleo y los devanados del transformador redujo la edad del
transformador en un 80%.
Machine Translated by Google
2.10.1 INTRODUCCIÓN
El estudio se llevó a cabo en una mina subterránea para establecer los tiempos de cambio óptimos
para cuatro componentes principales (motor, eje delantero, eje trasero y transmisión) y 695 componentes
menores, llamados piezas de artículo (como la unidad de aire acondicionado y alternador) para una flota
de 14 activos móviles.
Se analizaron los datos de las órdenes de trabajo relacionados con el equipo subterráneo que se
habían recolectado durante 3 años. El conjunto de datos de órdenes de trabajo que consta de
aproximadamente 70.000 filas se extrajo del sistema de información de mantenimiento.
Los problemas de validez y limpieza de los datos representaron gran parte del esfuerzo realizado
en este estudio.
Cuando se "limpiaron" los datos, se analizaron para obtener la frecuencia de las fallas, el tiempo de
inactividad por fallas y los costos asociados con todos los componentes. Herramientas gráficas—
Los histogramas de Pareto y los diagramas de dispersión jackknife (Knights 2001) revelaron información
importante sobre costos y prioridades.
Después de los análisis gráficos, se realizó un análisis de tendencias de confiabilidad de los datos.
El análisis de tendencias determina si la falla de un componente tiene una tendencia de confiabilidad
significativa (ya sea de crecimiento o de deterioro). Esta verificación es un requisito previo, como se
explica en la Sección 2.9.3, antes de realizar el análisis de Weibull.
Con las distribuciones de falla ajustadas obtenidas, se calcularon los intervalos de reemplazo
preventivo óptimos para minimizar el costo total de mantenimiento (correctivo y preventivo) de estos
componentes.
La aplicación de políticas óptimas de reemplazo preventivo a la mayoría de las piezas de los artículos
generó un ahorro de costos del 10% al 20%. Para muchas de las piezas reconstruidas, se identificó el
“funcionamiento hasta el fallo” como la política de reemplazo adecuada.
Establecer tiempos de cambio óptimos para los cuatro componentes principales (motor, eje delantero,
eje trasero y transmisión) fue bastante sencillo utilizando el enfoque de la Sección 2.5. Dadas las
distribuciones de fallas de estos componentes y los costos asociados
Machine Translated by Google
Tanto para los reemplazos preventivos como para los de falla, los tiempos de cambio óptimos se identificaron
con una precisión de 1000 horas como:
Tenga en cuenta que estos resultados no deben generalizarse, ya que son específicos del sitio y dependen de
los costos.
El mayor desafío fue el número de piezas (un total de 695). Un enfoque común para decidir dónde empezar a
analizar un gran conjunto de datos es crear un diagrama de Pareto que resalte los elementos que causan el mayor
costo o el mayor tiempo de inactividad cuando fallan. La Figura 2.34 es el diagrama de Pareto basado en el tiempo
de inactividad para las primeras 30 piezas de los 695 que causan el mayor tiempo de inactividad. Se puede crear
un cuadro similar para el costo.
Número de pieza. 6429024 es el que más contribuye al tiempo de inactividad durante los tres años de recopilación de datos
período: por lo tanto, puede considerarse la parte del artículo que debe examinarse primero.
Knights (2001), sin embargo, señala que un diagrama de Pareto no logra distinguir qué partes son las más
problemáticas, teniendo en cuenta tanto la frecuencia como la duración de las fallas. Por ejemplo, en la Figura
2.34, la parte no. 6429024 solo falló una vez durante el período de 3 años, lo que provocó un tiempo de inactividad
total, ¿o se debió a muchas fallas, cada una de ellas de corta duración? Para abordar esta limitación, Knights
desarrolló el diagrama jackknife.
La Figura 2.35 es un diagrama jackknife para el conjunto de datos representado en la Figura 2.34.
En el diagrama de navaja, los ejes son logarítmicos con la frecuencia de fallas durante el período de
recopilación de datos (en este caso, 3 años) en el eje x y la duración promedio de cada tiempo de inactividad en el
eje y.
Cada parte del artículo se traza en el diagrama jackknife; cada uno muestra la frecuencia de fallas y el tiempo
de inactividad promedio (o el costo promedio de reparación) durante el período de recopilación de datos de 3 años.
Los elementos que resultan en reparaciones prolongadas en cada ocasión de falla se clasifican como agudos.
problemas; Las fallas que se repiten con frecuencia se consideran problemas crónicos. Por tanto, podemos dividir
el diagrama de dispersión en cuatro cuadrantes como se muestra en la Figura 2.35. Los límites de umbral que
definen los límites de estos cuadrantes pueden ser determinados por la política de la empresa, o pueden ser
valores como la frecuencia media (o mediana) y la media (o mediana) de la duración promedio de cada tiempo de
inactividad. Las líneas diagonales con una pendiente de −1 en el diagrama de navaja representan un tiempo de
inactividad acumulativo constante (o un costo acumulativo constante).
La determinación de las prioridades de mantenimiento está influenciada por los imperativos comerciales.
Cuando los artículos bajo consideración requieren máxima disponibilidad, el costo de oportunidad de la pérdida de
producción excederá con creces el costo directo de reparación y mantenimiento.
En tales situaciones, mejorar la confiabilidad debería tener mayor prioridad que mejorar la mantenibilidad; El
diagrama de navaja que se muestra en la Figura 2.36 ayuda a identificar estos problemas de mayor prioridad.
Machine Translated by Google
35.000 100%
90%
30.000
80%
25.000
70%
60%
20.000
ae
tlcae
dadoivpim inT
to dti
50%
oedjaatlnuemcurocP
a
15.000
40%
10.000 30%
20%
10%
50000 0%
FIGURA 2.34 Diagrama de Pareto para el tiempo de inactividad de las piezas de un artículo.
Machine Translated by Google
10.000
100
10
Crónico
1
1 10 100 1000
Frecuencia de falla
10.000
Agudo B
oim
dadoivp m
inT
a)eh
itdce d(i
100
10 Crónico
1
1 10 100 1000
Frecuencia de falla
FIGURA 2.36 Diagrama Jackknife para artículos que funcionan con máxima disponibilidad.
Machine Translated by Google
En otro escenario, cuando la alta disponibilidad de los artículos no es crítica, o cuando el retorno de
la producción es bajo, la reducción del costo directo de reparación y mantenimiento se convertirá en el
principal foco de atención. En tales circunstancias, se debe dar mayor prioridad a los problemas de
mantenibilidad que a los problemas de confiabilidad; El diagrama de navaja que se muestra en la Figura
2.37 identificará estos problemas de mayor prioridad.
Tenga en cuenta que ninguna de las dos partes del ítem identificadas en el cuadrante agudo y
crónico es el ítem 6429024, identificado en el diagrama de Pareto (Figura 2.34) como el que debe
abordarse primero. La parte 6429024 aparece en la categoría crónica A en la Figura 2.35.
Para cada parte del ítem, se realizó una prueba de tendencia como se describe en el Apéndice 2,
Sección A2.12. Siempre que se identificaba una tendencia de deterioro para una parte de un ítem, como
la ilustrada en la Figura 2.38, se rechazaba para el análisis de Weibull porque las fallas no estaban
distribuidas de manera idéntica e independiente (Sección 2.9.3). Se tomó la misma decisión para
cualquier parte del artículo que mostrara una tendencia de crecimiento de confiabilidad como se ilustra en la Figura
2.39. Las edades óptimas de reemplazo preventivo se obtuvieron sólo para piezas de artículos con
fallas distribuidas de manera idéntica e independiente, es decir, cuando era apropiado ajustar un modelo
de Weibull a los datos de fallas (Figura 2.40).
10.000
1000
Agudo Agudo y crónico
a)ehm
itdce
oim
dadoivp inT
d(i
100
Crónica A
10
Crónico B
1
1 10 100 1000
Frecuencia de falla
FIGURA 2.37 Diagrama Jackknife para escenarios en los que la minimización de costos es la máxima
prioridad.
Machine Translated by Google
25
20
le
laaú
oresm oN
tladft
15
10
0
0 500 1000 1500 2000 2500 3000 3500 4000
Tiempo de ejecución (h)
35
30
25
le
laaú
oresm oN
tladft
20
15
10
0
0 0,5 1 1.5 2 2.5 3 3,5 4 4,5 5
Tiempo de ejecución (h) × 104
90
70
63.2
50
30
20
rP(
dadilibab)o%
10
5
3
2
0,5
0.3
0,2
0.1
1 2 34567891 2 3 4 5 6 7 8 910
× 101 × 102
Edad (h)
Se identificaron edades óptimas de reemplazo preventivo para piezas clave junto con los ahorros de
costos asociados en comparación con las prácticas actuales. Estos ahorros de costos oscilaron entre
cero y poco menos del 50%.
Aplicar las políticas óptimas de sustitución preventiva a la mayoría de piezas de artículos.
produjo un ahorro de costos del 10% al 20% en comparación con las prácticas actuales.
modelo que se puede utilizar para pronosticar el número esperado de repuestos necesarios durante un
período específico, como un año, para una determinada política de reemplazo preventivo.
En este caso, el enfoque a seguir es calcular el tiempo esperado hasta el reemplazo (ya sea preventivo o
por falla) y dividir este tiempo en el horizonte de planificación, T. Esto da:
t
EN(T, tp ) = tp
R(tp ) + M(tp ) [1− R(tp )]
t
EN(T, tp ) =
tp R(tp ) + M(tp ) [1− R(tp )]
Una vez más, si hubiera 40 componentes similares en una flota, el número esperado de
las reposiciones por año serían 537,6; por tanto, se necesitarían 538 repuestos.
Una vez pronosticada la demanda, surge la cuestión de adquirir la cantidad esperada de piezas
de repuesto. Existe una gran cantidad de literatura que trata el área del control de inventarios, por
ejemplo, Tersine (1988), en el que hay modelos disponibles para ayudar a establecer una política
de adquisición óptima, incluida la posibilidad de aprovechar descuentos por cantidad.
Una culata de cilindro para un motor cuesta $1946 y la política empleada fue reemplazar las
culatas de ocho cilindros en un motor como grupo a las 9 000 h de edad, más el reemplazo en
caso de falla según sea necesario durante el ciclo de 9 000 h. En la planta había 86 motores
similares en servicio. Por lo tanto, durante un período de 12 meses, hubo una utilización total de
componentes de 8 × 86 × 8760 = 6,026,880 h de trabajo.
Al estimar la distribución de fallas de una culata de cilindro y tomar el costo consecuencia de
un reemplazo de falla como 10 veces mayor que el de un reemplazo preventivo, se estimó que
con la política de reemplazo de intervalo constante, el número esperado de culatas de repuesto
requeridas por año para dar servicio a toda la flota fue de 849 (576 por reposición preventiva y 273
por reposición de averías).
2.12.1 INTRODUCCIÓN
servicio confiable, es posible que se mantengan algunas unidades de repuesto en stock. La pregunta que se
debe abordar en esta sección es: ¿Cuántos repuestos críticos se deben almacenar?
Para responder a la pregunta, es necesario especificar si el repuesto es uno que se desecha después de
una falla (un repuesto no reparable) o si puede repararse y renovarse después de su falla y volver a ponerse
en stock (un repuesto reparable). Y finalmente, es necesario entender el objetivo. En esta sección, se
considerarán cuatro criterios para establecer el número óptimo de repuestos reparables y no reparables. Ellos
son:
Los modelos matemáticos detallados detrás de los siguientes análisis se proporcionan en Louit et al. (2005).
Fallos
Tiempo
Existencias
k metro
Pr(N(T,m) k) = Pr(S(k,m) T) = 1 − T _
(2.16)
m k
donde Φ(∙) es la distribución normal estándar acumulativa. De esta manera, es posible calcular el
número de repuestos requerido dada una cierta confiabilidad de stock deseada,
pag. A partir de la ecuación, Pr(S(k, m) > T) = p, k se puede calcular como
Z Z 2
k= pag
+ Tm (2.17)
+
pag
2 2
ai −un
Pr(norte(T, metro) = yo) = mi (2.18)
¡i!
donde a es el número esperado de fallas en el intervalo [0, T]. Para un componente, el número
esperado de fallas en [0, T] es T/μ; por lo tanto, para m componentes, a = mT/μ.
Ahora es posible calcular k, para lo cual
k ai
Pr(N(T,m) k) = Pr(S(k +1,m) T) = mi−un pág. (2.19)
¡i!
yo=0
Machine Translated by Google
El valor obtenido de k será el nivel mínimo de stock que asegure una confiabilidad p (probabilidad de
no tener un desabastecimiento; es decir, no hay demanda cuando no hay repuesto en stock). Tenga en
cuenta que la ecuación 2.18 supone que a no es un número muy grande.
• Fiabilidad instantánea o puntual: los repuestos están disponibles bajo demanda (no debemos
quedarnos sin repuestos en un momento dado).
• Fiabilidad de intervalo: los repuestos están disponibles en todo momento durante un intervalo
de tiempo determinado (no debemos quedarnos sin repuestos en ningún momento durante
un intervalo específico, por ejemplo, durante 12 meses). Esta situación es obviamente más
exigente que el caso de la confiabilidad instantánea.
Fallos
Tiempo
Existencias
Unidades reparadas
Reparar
comercio
A continuación se presenta un breve resumen del modelo detrás del cálculo de confiabilidad
instantánea: el enfoque de confiabilidad puntual significa que determinamos el número de componentes
de repuesto de tal manera que, en cualquier momento dado, la probabilidad de no quedarse sin
repuestos sea mayor que la confiabilidad requerida p. Sea μ el tiempo promedio hasta la falla para
cada uno de los m componentes en uso. Entonces, para cada componente, la tasa promedio de fallas
(es decir, llegadas al centro de reparación) es equivalente a 1/μ, y para m componentes, es equivalente
a m/μ. Sea el tiempo promedio de reparación μR y, por lo tanto, la tasa de reparación promedio para i
componentes es i/μR. Sea M(t) el número de componentes en reparación en el momento t . Tenemos
que encontrar la probabilidad de no quedarnos sin repuestos en t, es decir, Pr[M(t) ≤ s].
s
ai
− un
Pr[M(t) s] = mi
(2.20)
¡i!
yo = 0
donde a = (μRm)/μ es el número esperado de fallas que llegan durante una reparación.
Entonces, a representa la cantidad promedio de repuestos necesarios para cubrir fallas durante una
reparación. Ahora el nivel de existencias, s, puede calcularse como el valor más pequeño de s tal que
Pr[M(t) ≤ s] ≥ p.
La ecuación 2.20 se puede aplicar cuando t es grande, es decir, en estado estacionario, si m es
grande, p es grande y a no es grande.
A continuación se presenta un breve resumen del modelado detrás del cálculo de confiabilidad
del intervalo: sea s el número de repuestos en el sistema , con i unidades en reparación al comienzo
del intervalo [0, t]. sea p s (t) es la probabilidad de tener exactamente j unidades en
yo
reparación al final del intervalo [0, t] y no tener un retraso en la producción debido a la escasez de
repuestos (puede que no tengamos repuestos, pero tampoco demanda). Tenga en cuenta que i y j
son menores o iguales que s. Entonces, la probabilidad de que no haya retraso durante el intervalo [0,
t], dadas i unidades en reparación al principio, es:
s (t) =
pagi pag s (t). (2.21)
yo
j=0
Esto se puede hacer utilizando las tasas de transición para los estados de un proceso de Markov.
que representa el número de unidades en reparación en el momento t. Por ejemplo, la tasa de
transición del estado i al estado j = (i + 1), donde i ≤ s es simplemente la tasa a la que ocurre una
nueva falla, es decir, (m/μ). (Tenga en cuenta que m componentes están en operación y cualquiera
de ellos puede fallar en el momento t.) Si Q es la matriz de tasas de transición para el proceso de
Markov y Q(s) es esa misma matriz truncada en s [usando solo el primero ( s + 1) filas y columnas],
entonces tenemos:
La exponenciación matricial no se analiza aquí; véase, por ejemplo, Bhat y Miller (2002) para más detalles.
Una suma de las filas de Ps (t) da las confiabilidades para el intervalo [0, t] para cada número inicial de
unidades en reparación, i.
El número requerido de repuestos, s, para un intervalo de confiabilidad dado, p, se puede obtener de la
Ecuación 2.21 estableciendo P s (t) = p. Eli cálculo es numérico intensivo y requiere programación informática
(consulte la Sección 2.12.4).
La escasez de repuestos puede provocar un tiempo de inactividad prolongado que puede tener importantes
implicaciones de costos para la empresa. Por otro lado, mayores existencias implican mayores costos de
mantenimiento de inventarios. En Louit et al. se proporcionan modelos que incorporan los costos de adquisición
y tenencia de repuestos y el costo del tiempo de inactividad debido al desabastecimiento. (2005).
En muchas aplicaciones, es probable que el costo de un componente varíe considerablemente
dependiendo de las condiciones de adquisición. Normalmente, el coste es menor si no hay urgencia para
recibir el artículo, mientras que es muy probable que se apliquen primas en situaciones de emergencia.
Se ha desarrollado un paquete de software llamado Software de Gestión de Repuestos (SMS) basado en los
modelos de demanda de repuestos presentados en este capítulo. Permite determinar políticas de
almacenamiento óptimas de acuerdo con los criterios de optimización establecidos en la Sección 2.12.1. Se ha
descubierto que esta herramienta es de gran valor para las empresas que operan en industrias caracterizadas
por el uso intensivo de activos físicos.
Los resultados se obtienen para supuestos de repuestos reparables y no reparables, como se muestra en
las Tablas 2.13 y 2.14. Tenga en cuenta que en la situación de los componentes no reparables, se consideran
dos casos: (1) estrictamente aleatorio (tasa de llegada constante; por lo tanto,
existe un proceso de llegada de Poisson para las fallas) y (2) no estrictamente aleatorio (la tasa de llegada no
es constante, pero la distribución de fallas está dada por una media y una desviación estándar).
Además, en el caso de los componentes reparables, se asumió una capacidad de reparación ilimitada, lo cual
era realista debido al número de motores que se esperaba que estuvieran en reparación simultánea.
Machine Translated by Google
TABLA 2.12
Parámetros de ejemplo para el sistema de transportadores
Parámetro Valor
obtención)
obtención)
Costo de mantenimiento de un repuesto $4.11 por día (10% del valor de la pieza por año)
Costo del tiempo de inactividad del transportador para un solo motor. $1000 por día
* El horizonte de planificación podría ser mucho más corto y, por ejemplo, acercarse a la reparación media.
tiempo de un componente porque es posible que desee asegurarse con una alta probabilidad de no quedarse sin
stock mientras se repara un componente.
Algunos comentarios sobre los resultados son los siguientes: en el caso no reparable se
observará que si bien la confiabilidad requerida fue del 95%, la confiabilidad asociada en cada
caso fue mayor, 95,61% en un caso y 97,63% en el otro. La razón de esto es que el nivel de
existencias resultante tiene que ser un número entero, y para el caso de falla aleatoria, si el nivel
de existencias se estableciera en 47, en lugar de 48, entonces se alcanzaría la confiabilidad requerida del 95%.
TABLA 2.13
Nota: Entonces es necesario decidir cuál es la mejor manera de adquirir los repuestos durante los cinco años de planificación.
horizonte.
TABLA 2.14
no se han logrado. Se requieren al menos 48 ítems y, con 48, la confiabilidad asociada es del
95,61%.
En el ejemplo de repuestos reparables, se observará que para lograr una disponibilidad del
95%, el nivel de existencias requerido es cero. La razón de este resultado se debe a que el tiempo
de reparación de un motor averiado, 80 días, es muy corto en comparación con el tiempo medio
hasta la avería de un motor, 8 años.
2.13.1 INTRODUCCIÓN
Glasser (1969) escribió un artículo en el que presentó dos gráficos que pueden usarse para
identificar rápidamente el tiempo óptimo de reemplazo preventivo (intervalo, llamado bloque por
Glasser, o edad) de un artículo, siempre que se pueda suponer que el artículo tiene tiempos de
falla. que puede describirse mediante una distribución de Weibull, y que el objetivo es minimizar el
costo total. Los gráficos se proporcionan en las Figuras 2.43 y 2.44.
Además, los gráficos de Glasser proporcionan una indicación de los beneficios económicos de
cambiar el artículo en el momento óptimo de reemplazo, en contraposición a una política de
ejecución hasta el fallo. Debido a que Weibull es tan flexible (Apéndice 2), los gráficos de Glasser
son muy útiles para identificar rápidamente el mejor momento de cambio de un artículo y establecer
los ahorros que pueden resultar de la implementación de la política. Si el ahorro económico merece
la pena, entonces puede resultar ventajoso utilizar uno de los modelos de sustitución clásicos para
determinar con mayor precisión el tiempo de sustitución económico. Otro beneficio de utilizar el
modelo es que proporciona una imagen muy clara de la forma de la curva de costo total alrededor
de la región en la que se encuentra la solución óptima. Como se mencionó anteriormente (Sección
2.2.4), este conocimiento puede ser muy valioso para la gerencia al tomar una decisión final. (El
uso de los gráficos de Glasser sólo puede proporcionar dos puntos de costo en la curva de costo
total: dado el costo de una falla o reemplazo preventivo, se puede calcular el costo asociado con el
tiempo óptimo de reemplazo, al igual que el costo asociado con un reemplazo de solo reemplazo).
política en caso de falla (RooF).)
Machine Translated by Google
(z)
–1,0 –1,5 –2,0 –2,5 –3,0 –3,5 –4,0 –4,5 –5,0
100
50
( )
0.0 5
20
0.1 0
nósicoatsle)eokR
dc(
10
5 0,2 0
0.3 5
2 0,5 0
Reemplazar
solo en 0,7 5
falla
0,9 0
1
1 2 5 10 20 50 100
FIGURA 2.43 Gráfico de Glasser: políticas óptimas bajo reemplazo de bloques: distribución de
Weibull. (Reimpreso con autorización de ASQ).
(z)
–1,0 –1,5 –2,0 –3,0 –3,5 –4,0 –4,5 –5,0
100
50
(ρ)
0.0 5
20
0.1 0
okR
nósicoatsle)e d
c(
10
5 0,2 0
0.3 5
2 0,5 0
0,7 5
0,9 0
1
1 2 5 10 20 50 100
FIGURA 2.44 Gráfico de Glasser: políticas óptimas bajo reemplazo por edad: distribución de
Weibull. (Reimpreso con autorización de ASQ).
Utilizando los mismos datos utilizados en la Sección 2.4.4 (reemplazo de intervalo) y la Sección 2.5.3
(reemplazo de edad), es decir, Cp = $5, Cf = $10, y una distribución de falla normal, es decir, f(t) ~
N(5 , 1), determine el intervalo de reemplazo preventivo óptimo para minimizar el costo total.
Tenga en cuenta que aunque la distribución se especifica como normal, la distribución de Weibull
puede servir como una buena aproximación a la distribución normal si β = 3,5. Por tanto, podemos
proceder a utilizar la gráfica de Glasser.
Machine Translated by Google
Solución:
1. k = Cf/Cp = 10/5 = 2
2. ν = µ/σ = 5/1 = 5
3.Z = –1,2
4. tp = μ + Zσ = 5 + (–1,2) × 1 = 3,8 semanas
Esto equivale a 4,0 semanas si se redondea hacia arriba, que es la misma respuesta obtenida
en la Sección 2.4.4 (tenga en cuenta que en la Sección 2.4.4, el problema se resolvió
numéricamente utilizando sólo valores enteros).
Se observará que en el lado derecho de las gráficas de Glasser hay una escala ρ en el eje y. El
valor ρ identifica el costo de la política óptima como una fracción decimal del costo asociado con
seguir una política Techo.
El valor de ρ se obtiene nuevamente a partir de la intersección de una línea horizontal desde
k y una línea vertical desde ν, y luego siguiendo una línea de puntos hacia la derecha,
interpolando si es necesario. En este ejemplo, ρ se estima a partir del gráfico como 0,85. Por lo
tanto, la póliza óptima de tp = 3,8 semanas cuesta el 85% de una póliza Techo.
Como se sabe que Cf = $10, entonces
El costo óptimo de la póliza es 0,85 × 2 = $1,70 por semana y el ahorro como porcentaje es del
15%. Esto se ilustra en la Figura 2.45.
Ahorros
1,70
0,85*2 = $1,70/semana
3.8
tp en semanas
2.14.1 INTRODUCCIÓN
En lugar de resolver los modelos matemáticos para el intervalo o la edad de reemplazo preventivo de
componentes, a partir de los primeros principios de la sección anterior, hemos visto cómo se puede
utilizar una solución gráfica. Una desventaja de las soluciones gráficas es la falta de precisión en
comparación con el uso de un modelo matemático. El software con modelos programados proporciona
una forma muy sencilla de resolver los modelos y un alto nivel de precisión.
Uno de esos paquetes es OREST (Reemplazo óptimo de equipos a corto plazo), que se desarrolló
basándose en el material de este libro.
OREST tomará los tiempos de falla y suspensión del artículo (para una definición y descripción de
las suspensiones, consulte la Sección A2.7 del Apéndice 2) y ajustará una distribución Weibull a los
datos. Para estimar los parámetros de la distribución de Weibull, OREST utiliza el enfoque del análisis
de regresión de rango mediano. No es el propósito de este libro.
abordar los diversos criterios que pueden utilizarse para estimar los parámetros de distribución
en detalle, pero lo más común, desde la perspectiva de un ingeniero, sería utilizar el análisis de
regresión (este es el enfoque presentado en el Apéndice 2), mientras que desde el punto de vista de un
estadístico, la máxima verosimilitud (consulte el Apéndice 3 para una discusión sobre este enfoque para
el análisis de parámetros). estimación) sería el criterio preferido. En la práctica, si el conjunto de datos
que se analiza es grande, habrá poca diferencia en las estimaciones de los parámetros.
Una vez estimados los parámetros de Weibull, OREST brindará la opción de establecer el intervalo
óptimo de reemplazo preventivo o la edad óptima. OREST
tiene otras características, como analizar posibles tendencias en los datos (ver Sección A2.12, Apéndice
2) y pronosticar la demanda de repuestos. Se remite al lector interesado a http://www.crcpress.com/
product/isbn/9781466554856, donde se puede descargar la versión educativa de OREST de forma
gratuita.
Al ingresar estos valores en OREST se obtienen las estimaciones de los parámetros de Weibull β =
2,67 y η = 17,57, según análisis de regresión. En la Tabla 2.15 se proporciona una captura de pantalla
de la estimación de parámetros.
Si es necesario, OREST también ajusta un Weibull de tres parámetros a los datos y el resultado se
puede comparar con la distribución estándar de dos parámetros.
Utilizando los valores de β = 2,67 y η = 17,57, obtenemos la función de costos representada en la
Figura 2.46 y el informe de reemplazo preventivo basado en la edad que se muestra en la Tabla 2.16,
del cual se ve que la edad óptima de reemplazo preventivo es 6,39 semanas.
Aunque esta edad de reemplazo preventivo puede parecer pequeña en comparación con
el tiempo de falla más corto observado de 9 semanas, el análisis de Weibull ha asumido que, en la
práctica, una falla del rodamiento podría ocurrir poco después de la instalación, por lo que un
Machine Translated by Google
TABLA 2.15
Estimaciones de parámetros de OREST Weibull
200
180
160
140
120
te$oC
lsaroo
)anoatm ps(t
100
80
60
40
20
0
0 10 20 30 40 50 60
TABLA 2.16
Se ha utilizado Weibull de dos parámetros. Además, las consecuencias de una falla son bastante
graves ($1000) en comparación con el costo de un reemplazo preventivo ($100). Si fuera necesario,
podríamos usar un Weibull de tres parámetros y excluir la posibilidad de que ocurra un tiempo de falla
corto.
Una vez más, cabe destacar que un software como OREST permite realizar muchas
comprobaciones de sensibilidad, de modo que podamos establecer una recomendación sólida sobre
el momento óptimo de cambio de un artículo.
Esta sección se ha sumergido muy brevemente en un paquete de software que se puede utilizar para
optimizar los tiempos de reemplazo preventivo de un componente. Otros incluyen WinSMITH
(www.barringer1.com/wins.htm) y Weibull++ (weibull.reliasoft.com).
PROBLEMAS
3. Se analizaron las fallas de las baterías de los camiones y, mediante el uso de una
prueba estadística de bondad de ajuste, se concluyó que se puede suponer que las
fallas de las baterías siguen la distribución de frecuencia esperada que se muestra en
la Figura 2.47.
Se sabe que el costo promedio asociado con una falla de la batería es
$900 (incluido el deterioro de los bienes), mientras que se puede realizar un reemplazo
preventivo a un costo total de $300. Dado que Cf > Cp, la flota de camiones
TABLA 2.17
Datos de frecuencia de fallas de componentes
Miles de kilómetros hasta el fracaso 0–10 10–20 20–30 30–40
Frecuencia esperada 250 250 250 250
Machine Translated by Google
Esperado
frecuencia
0,2, 0 t 2
f (t) =
0,1, 2 t 8
5. Se analizaron las fallas de las bombas de agua de una flota de vehículos de tránsito y la
2
un χ prueba de bondad de ajuste permite aceptar la hipótesis de que las bombas fallan.
según una distribución uniforme en el rango de 0 a 20.000 km.
Se sabe que la indisponibilidad promedio asociada con fallas en las bombas de
agua es de 9 días (debido a la limitación de personal), mientras que se puede realizar
un reemplazo preventivo con solo 3 días de indisponibilidad de un vehículo en tránsito.
Machine Translated by Google
vehículo. Dado que Df > Dp, el oficial de mantenimiento desea implementar una política
de reemplazo preventivo basada en la edad utilizando el siguiente modelo:
Los problemas 6 a 11 deben resolverse utilizando los gráficos de Glasser (algunos de estos
problemas requieren que se realice previamente un análisis de Weibull sobre los datos de falla).
6. Los datos de probabilidad acumulada de la Tabla 2.18 se relacionan con fallas del radiador.
Dado que un reemplazo defectuoso es cinco veces más costoso que un reemplazo
preventivo, ¿cuál es el intervalo óptimo de reemplazo preventivo para minimizar el costo
total por 1000 km?
7. Un componente dio los tiempos de falla de la Tabla 2.19.
Si un reemplazo preventivo cuesta $50 y un reemplazo por falla $500, y el objetivo es
minimizar el costo total/tiempo unitario, ¿cuál es:
En cada caso, indique el costo de la póliza óptima como porcentaje de una póliza de
reemplazo solo en caso de falla.
TABLA 2.18
TABLA 2.19
Además, indique el costo aproximado de su póliza óptima como porcentaje de una póliza de
reemplazo fallida.
11. Una centrífuga de refinería de azúcar es una máquina compleja compuesta de muchas piezas que
están sujetas a fallas repentinas. Un componente en particular, la hoja de colocación del arado,
se considera candidato para reemplazo preventivo y usted debe determinar una política de
reemplazo óptima. La política que debe considerar a veces se denomina reemplazo de bloque o
intervalos constantes, digamos, tp, y los reemplazos por fallas se llevan a cabo cuando es
necesario. Determine la política óptima para minimizar el costo total por unidad de tiempo dados
los siguientes datos:
a. El costo de mano de obra y material asociado con un reemplazo preventivo o por falla es de
$200.
b. El valor de las pérdidas de producción asociadas con un reemplazo preventivo es de $100,
mientras que el de un reemplazo fallido es de $700.
C. La distribución de fallas de la hoja de ajuste se puede describir adecuadamente mediante una
distribución de Weibull con una media de 150 horas y una desviación estándar de 15 horas.
Además, indique el costo aproximado de su póliza óptima como porcentaje de una póliza de
reemplazo solo en caso de falla.
analizar a seis (reprobados más suspensiones). Además, requiere que el costo consecuencia de un reemplazo
por falla sea de $1000, y para el reemplazo preventivo es
$100. Todos los siguientes problemas satisfacen estas restricciones.
12. Los cojinetes de servicio pesado en una planta de forja de acero fallaron después de la cantidad de
semanas de operación proporcionadas en la Tabla 2.20.
b. El costo del reemplazo preventivo es de $100 y el costo del reemplazo por falla es de $1000.
Determinar la política de reemplazo óptima.
C. La fragua se limpia y se revisa una vez por semana. Como parte de esta actividad de
mantenimiento se puede llevar a cabo el reemplazo preventivo del rodamiento. ¿A qué edad
se debe reemplazar el rodamiento, dado que, además de las consideraciones de costo
directo, existe un argumento de seguridad para minimizar las fallas?
TABLA 2.20
8
12
14
dieciséis
24
Uno infalible a las 24 semanas
d. Hay dos plantas de forja similares y cada una trabaja durante 50 semanas al año. Calcule el número
de piezas de repuesto necesarias por año si
la póliza es de reposición preventiva a las 6 semanas de edad. ¿Cuántos reemplazos de fallas
ocurrirán por año (promedio de estado estacionario) bajo esta política?
13. Los registros de dos camiones volquete de servicio pesado muestran que ocurrieron fallas en la correa
del ventilador en las lecturas del odómetro (kilómetros, desde nuevo) que se enumeran en la Tabla 2.21.
Actualmente, los kilometrajes indicados son de 115.680 km para el camión 1 y de 132.720 km para
el camión 2.
a. Prepare los datos de confiabilidad en una forma adecuada para que OREST los analice.
b. Determine los siguientes parámetros de Weibull: parámetro de forma β, parámetro de escala η y
vida media.
C. ¿Qué tipo de patrón de falla se indica (vida temprana, aleatoria, desgaste)?
d. Crea la gráfica de probabilidad de Weibull. ¿Observas alguna tendencia, además de las dadas por
los parámetros?
mi. El costo de reemplazo preventivo es de $100 y el costo de reemplazo por falla es de $1000.
Determine la edad óptima de reemplazo preventivo, el costo de esta póliza y los ahorros de esta
póliza en comparación con una póliza de reemplazo solo en caso de falla.
F. La sustitución preventiva sólo se puede realizar con lecturas del odómetro que sean múltiplos de
5.000 km. Seleccione una edad de reemplazo preventiva adecuada. ¿Cuál es el costo ($/km) de
esta póliza? ¿Cómo se compara esto con el costo de la política óptima?
Tenga en cuenta que las respuestas a las partes (g) y (h), que siguen, también pueden ser
calculado utilizando el material de la Sección 2.11.
TABLA 2.21
Camión 1 Camión 2
51.220 45.380
68.060 103.510
Machine Translated by Google
gramo. Si la empresa tiene una flota de 30 camiones volquete similares, cada uno de los cuales tiene
un promedio de 50 000 km por año, calcule el número de correas de ventilador de reemplazo
que se necesitarán por año, según la política de reemplazo óptima.
h. Si 30 camiones volquete recorren en promedio 50 000 km por año, estime el número
de fallas en servicio de correas de ventiladores que ocurrirán, dado que la política es reemplazar
las correas de los ventiladores de manera preventiva a los 20,000 km.
14. Actualmente, el filtro de tela de una centrífuga de azúcar se reemplaza de forma preventiva si se
presenta una oportunidad adecuada y si la tela ha estado en uso durante al menos 20 horas. La tela
también se reemplaza en caso de falla.
Los datos de falla de la tela centrífuga proporcionados en la Tabla 2.22 están disponibles para
Intervalos de tiempo de vida útil de la tela de 10 h.
a. Utilice OREST para analizar las fallas y estimar los siguientes parámetros: parámetro de forma β,
parámetro de escala η y vida media.
b. ¿Es correcta la política actual? ¿Qué política recomiendas?
C. La empresa dispone de tres centrífugas, cada una de las cuales funciona una media de 400 horas
al mes. Calcule la cantidad de paños de reemplazo necesarios por mes según las políticas de
reemplazo existentes y recomendadas.
15. Una empresa de transporte metropolitano opera una flota de autobuses similares. Se han producido
fallas de motor que requieren reemplazo en los rangos de kilómetros que se muestran en la Tabla
2.23, que también muestra la cantidad de motores actualmente en funcionamiento en cada rango de
edad.
a. Utilice OREST para estimar los siguientes parámetros: parámetro de forma β, parámetro de escala
η y vida media.
b. A partir de la gráfica de probabilidad de Weibull, estime la vida útil confiable al 90%.
TABLA 2.22
TABLA 2.23
0–49 999 2 35
50 000–99 999 8 27
TABLA 2.24
C. A partir del gráfico de tasa de fallas de Weibull, estime la edad en la que la tasa de fallas
instantáneas excede por primera vez una falla por 100 000 km.
d. Se sabe que el costo de un reemplazo defectuoso es aproximadamente 10 veces mayor que el
costo de un reemplazo preventivo. Utilice la política de reemplazo de edad óptima para
responder lo siguiente:
i. Determinar la política de reemplazo óptima.
ii. Bajo la política de reemplazo óptima, ¿cuántos reemplazos ocurrirán en promedio por cada
1.000.000 de vehículoskm, y qué proporción de ellos serán reemplazos por fallas?
Tenga en cuenta que esto se puede calcular utilizando el material de la Sección 2.10.
mi. Si el costo del reemplazo preventivo es de $1 000 y el costo del reemplazo por falla es de $10
000, ¿cuál será el costo por 50 000 km de las siguientes pólizas?
16. Recientemente se lanzó un nuevo tipo de automóvil y está sujeto a garantía. Un análisis de las
reclamaciones de garantía muestra varios fallos del alternador, aunque como proporción del total
de la población, el número es bastante pequeño. Usted participa en el análisis de las reclamaciones
de garantía. El jefe de ingeniería le pregunta si los datos estadísticos son adecuados para el
análisis de Weibull y, en caso afirmativo, qué conclusiones se pueden extraer. Los datos
disponibles se proporcionan en la Tabla 2.24.
¿Qué tipo de fallo se indica?
Tenga en cuenta que esto se puede determinar utilizando el material de la Sección A2.4.
REFERENCIAS
Ascher, H. y H. Feingold. 1984. Fiabilidad de los sistemas reparables. Nueva York: Marcel Dekker.
Barlow, R. y F. Proschan. 1965. Teoría matemática de la confiabilidad. Nueva York: Wiley.
Reimpreso en 1996 por la Sociedad de Matemáticas Industriales y Aplicadas, Filadelfia,
en su serie de libros SIAM Classics in Applied Mathematics.
Bartholomew, DJ 1963. Estrategias de reemplazo en dos etapas. Investigación operativa trimestral 14.
Machine Translated by Google
Lugtigheid, D., D. Banjevic y AKS Jardine. 2004. Modelado de la confiabilidad de sistemas reparables con variables
explicativas y acciones de reparación y mantenimiento. Revista IMA de Matemáticas de Gestión 15, 89–110.
Lugtigheid, D., D. Banjevic y AKS Jardine. 2005. Reparaciones de componentes: cuándo realizarlas y qué hacer.
Trabajo presentado en el Simposio Anual de Confiabilidad y Mantenimiento.
Malik, MAK 1978. Programación confiable de mantenimiento preventivo. Transacciones AIIE R28,
331–332.
Naik, MD y KPK Nair. 1965. Estrategias de reemplazo en múltiples etapas. Investigación de Operaciones 13.
Nelson, WB 2003. Análisis de datos de eventos recurrentes para reparaciones de productos, recurrencia de enfermedades,
y Aplicaciones, Serie ASASIAM sobre Estadística y Matemática Aplicada.
Robinson, D. 1974. Estrategias de reemplazo de 2 etapas y su aplicación a la planificación de mano de obra.
Serie B de Ciencias de la Gestión: Aplicación 2, 199–208.
Smith, WL 1955. Procesos estocásticos regenerativos. En actas de la Royal Statistical
Sociedad A 232, 613.
Ayudas Técnicas y de Ingeniería a la Gestión (TEAM). 1976. Ayudas técnicas y de ingeniería para la gestión 4,
Winter.
Tersine, RJ 1988. Principios de gestión de inventarios y materiales. Ámsterdam: Elsevier.
Wong, JYF, DWC Chung, BMT Ngai, D. Banjevic y AKS Jardine. 1997. Evaluación de necesidades de repuestos
mediante técnicas estadísticas y de análisis de probabilidad. Actas
de Ingeniería Mecánica, IEAust 22, 77–84.
Woodman, RC 1967. Políticas de reemplazo de componentes que se deterioran. Investigación operativa trimestral
18.
Machine Translated by Google
3 Decisiones de inspección
Todos los negocios se basan en creencias o juicios de probabilidades, y no en certezas.
—Charles W. Eliot
3.1 INTRODUCCIÓN
El objetivo de este capítulo es presentar modelos que se pueden utilizar para determinar cronogramas de inspección
óptimos, es decir, los momentos en los que se debe llevar a cabo la acción de inspección.
El propósito básico de una inspección es determinar el estado del equipo. Una vez que se hayan especificado
los indicadores, como el desgaste de los cojinetes, las lecturas de calibre y la calidad del producto, que se utilizan
para describir el estado, y se haya realizado la inspección para determinar los valores de estos indicadores, se
pueden tomar algunas medidas de mantenimiento adicionales, dependiendo sobre el estado identificado. El
momento en que se debe realizar la inspección debe estar influenciado por los costos de la inspección (que estarán
relacionados con los indicadores utilizados para describir el estado del equipo) y los beneficios de la inspección,
como la detección y corrección de defectos menores antes de los mayores. se produce la avería.
El objetivo principal abordado en este capítulo es hacer que un sistema sea más confiable mediante la
inspección. En el contexto del marco de las áreas de decisión abordadas en este libro, nos ocupamos de la columna
2 del marco, como se destaca en la Figura
3.1. Una clase especial de problema que también se considera en este capítulo es la de asegurar con una alta
probabilidad que el equipo utilizado en circunstancias de emergencia, a menudo llamado dispositivos de protección,
esté disponible para entrar en servicio si surge la necesidad.
En este capítulo se examinan tres clases de problemas de inspección:
El equipo se estropea de vez en cuando, lo que requiere materiales y comerciantes para repararlo. Además,
mientras se repara el equipo, se produce una pérdida en la producción.
101
Machine Translated by Google
Probabilidades y estadísticas Procesos estocásticos Valor temporal del dinero Simulación de teoría
(Análisis de Weibull (para optimización CBM) (Flujo de caja descontado) de colas
incluyendo software
WeibullSoft)
Decreciente
sistema
fracasos
Modo de falla 2
Modo de falla 1
Modo de falla 3
Modo de falla 5
Modo de falla 4
Creciente
inspección
frecuencia
Inspecciones y
mantenimiento menor
1. Las fallas de los equipos ocurren según la distribución exponencial con tiempo medio hasta la falla
(MTTF) = 1/λ, donde λ es la tasa media de llegada de fallas. (Por ejemplo, si el MTTF = 0,5 año,
entonces el número medio de fallas por año = 1/0,5 = 2, es decir, λ = 2.)
λ(0)e –λ(0)t
λ(1)e –λ(1)t
t t
1/λ(0) 1/λ(1)
Frecuencia
de inspección
óptima
Beneficio/unidad de tiempo
stioneC
oo/iorpatm uit
Valor de producción
perdido debido a inspecciones
Frecuencia de inspección, n
=V (n)/
Tenga en cuenta que λ(n)/μ es la proporción de tiempo unitario que dedica un trabajo a repararse.
= Vn/i
=R (n)/
= En/yo
V (n) Vn R (n) En
P(norte) = V −
− − − (3.1)
i i
Machine Translated by Google
Este es un modelo del problema que relaciona la frecuencia de inspección n con el beneficio P(n). A
Para obtener una respuesta aproximada, asumimos que P(n) es una función continua de n, por lo que
V+I
(n) =− . (3.2)
yo V+R
Tenga en cuenta que la constante k puede interpretarse como la tasa de llegada de averías por unidad de
tiempo cuando se realiza una inspección por unidad de tiempo.
Sustituyendo la Ecuación 3.3 en la Ecuación 3.2, el valor óptimo de n es
ik V+R
norte = .
V+I
Dejar
Por tanto, el número óptimo de inspecciones por mes para obtener el máximo beneficio es 3.
Machine Translated by Google
La sustitución de n = 3 en la ecuación 3.1 dará, por supuesto, la ganancia esperada por unidad
de tiempo resultante de esta política. La inserción de otros valores de n en la ecuación 3.1 dará la
ganancia esperada resultante de otras políticas de inspección. Se pueden hacer comparaciones
con los ahorros de la política óptima sobre otras posibilidades y sobre la política actualmente
adoptada para el equipo.
El objetivo era desarrollar un modelo que relacionara la frecuencia de las inspecciones con las
ganancias. La forma en que se desarrolló el modelo fue tal que si el objetivo hubiera sido establecer
la frecuencia de inspección óptima para minimizar el costo total, se hubiera obtenido el mismo
resultado. Cabe señalar, sin embargo, que no todas las soluciones que apuntan a maximizar las
ganancias dan como resultado la misma respuesta que aquellas que apuntan a minimizar los costos.
El punto más importante a tener en cuenta de este problema es que se trata de identificar el
mejor nivel de mantenimiento preventivo (en forma de inspecciones y las consiguientes revisiones
y reemplazos menores) cuando la tasa de fallas del equipo es constante. Con equipos complejos,
la distribución de fallas es exponencial, aunque algunos componentes individuales del equipo
pueden presentar características de desgaste.
El efecto de las inspecciones es que se identificarán ciertas fallas potenciales de los componentes
que, si se descuidan, provocarían la falla del equipo en su conjunto. Si se les presta atención, los
componentes seguirán provocando fallas en el equipo y la distribución general de fallas del equipo
en la mayoría de los casos seguirá siendo exponencial, pero con una tasa de falla reducida. La
Figura 3.5 ilustra que el efecto de realizar inspecciones es reducir el nivel de la tasa de fallas. En
efecto, el problema es identificar la mejor tasa de fracaso.
0 Inspección
r (t ) 2
norte
FIGURA 3.5 Efecto de la frecuencia de inspección sobre la tasa de falla del sistema.
Machine Translated by Google
Antes de dejar este problema, vale la pena señalar que en la práctica puede resultar difícil relacionar
la tasa de fallas del equipo con la frecuencia de la inspección. Un método de ataque consiste en que una
empresa realice experimentos con su propio equipo. Alternativamente, si varias empresas tienen el
mismo tipo de equipo que realiza gran parte del mismo tipo de trabajo, la colaboración entre las
empresas puede resultar en la determinación de cómo la tasa de fallas se ve influenciada por diversas
políticas de inspección. Otro enfoque más sería
ser simular diferentes frecuencias de inspección. Hacer esto requeriría una comprensión detallada de
las diversas formas en que el equipo podría fallar y conocer la duración de los numerosos síntomas que
indicarían una falla inminente. Christer (1973) describió inicialmente esta duración como lapso de tiempo;
Posteriormente, Christer y Waller (1984) lo describieron como tiempo de retraso. Moubray (1997) lo
denominó intervalo PF .
El problema de esta sección es análogo al de la Sección 3.2.1: el equipo se estropea de vez en cuando,
y para reducir las averías se pueden realizar inspecciones y las consiguientes modificaciones menores.
Sin embargo, la decisión ahora es determinar la política de inspección que minimice el tiempo de
inactividad total por unidad de tiempo incurrido debido a averías e inspecciones, en lugar de determinar
la política que maximice la ganancia por unidad de tiempo. La figura 3.6 ilustra el problema.
El tiempo de inactividad total por unidad de tiempo será función de la frecuencia de inspección,
n, denotado como D(n). Por lo tanto,
Óptimo
frecuencia
Tiempo de inactividad debido a
+
yo
La ecuación 3.4 es un modelo del problema que relaciona la frecuencia de inspección n con el tiempo de
inactividad total D(n).
Utilizando los datos del ejemplo de la Sección 3.2.3 y suponiendo que D(n) es una función continua
de n,
(n) norte
k 1
D (n) =− + = 0.
norte 2 yo
De este modo,
ki 3 0,033
norte = = = tres inspecciones/mes.
0.011
Se observará que la frecuencia de inspección óptima para minimizar el tiempo de inactividad para el
ejemplo anterior es la misma que cuando se requiere maximizar las ganancias (Sección 3.2.3).
Este no es siempre el caso. Los modelos utilizados para determinar las frecuencias son diferentes
(Ecuaciones 3.1 y 3.4), y sólo debido a las cifras de costos específicas utilizadas en el ejemplo
anterior las soluciones son idénticas para ambos ejemplos.
Tenga en cuenta también que si el problema de esta sección hubiera sido determinar la
frecuencia de inspección óptima para maximizar la disponibilidad, esto equivaldría a minimizar el
tiempo de inactividad (porque disponibilidad/tiempo unitario = 1 – tiempo de inactividad/tiempo
unitario). Así, en el ejemplo anterior, en el que el valor óptimo de n = 3, el tiempo de inactividad total
mínimo por mes es (de la Ecuación 3.4)
3
re(3) = 0,033 + 3 0,011 = 0,066 mes 3
Montreal Transit opera una de las flotas de autobuses más grandes de América del Norte, con
aproximadamente 2000 autobuses en su flota. Los autobuses, como la mayoría de los equipos,
tanto fijos como móviles, suelen estar sujetos a una serie de inspecciones; algunos quedan a
discreción del operador, mientras que otros pueden ser legales. La política en Montreal era
inspeccionar sus autobuses a intervalos de 5.000 km, en los cuales se realizaba una inspección
de profundidad A, B, C o D. La política se ilustra en el Cuadro 3.1. La pregunta a abordar fue:
¿Cuál es el mejor intervalo de inspección para maximizar la disponibilidad de la flota de autobuses?
Aunque la política (representada en el Cuadro 3.1) estaba en práctica, los autobuses a veces
eran inspeccionados antes de que hubiera transcurrido un intervalo de 5.000 kilómetros, y otros
sufrían retrasos. Gracias a ello, fue posible identificar la relación entre la tasa de defectos que
requieren reparación los autobuses y los diferentes intervalos de inspección. En términos de las
tres alternativas identificadas en la Sección 3.2.4 sobre cómo establecer esta relación,
El enfoque adoptado en este estudio podría considerarse experimental. Aunque no se realizó un
experimento real porque en la práctica se utilizaban diferentes intervalos,
Se puede considerar que la conclusión es el resultado de un experimento (Jardine y Hassounah
1990).
TABLA 3.1
Tipo de inspección
Kilómetros (1000) A B C D
5 X
10 X
15 X
20 X
25 X
30 X
35 X
40 X
45 X
50 X
55 X
60 X
sesenta y cinco X
70 X
75 X
80 X
Total 8 4 3 1 Σ = 16
Machine Translated by Google
La Figura 3.7 muestra la relación entre el tiempo medio hasta la avería de un autobús –por
cualquier causa– y el intervalo de inspección. Por lo tanto, para una política de realizar inspecciones
en múltiplos de 7500 km, se encontró que la distancia media recorrida por un autobús antes de que
se informara un defecto era de 3000 km.
Utilizando una ligera modificación del modelo presentado en la Sección 3.3.2, se estableció la
curva de tiempo de inactividad total (Figura 3.8), de la cual se desprende que el tiempo de inactividad
mínimo o máxima disponibilidad se produce cuando la política de inspección se fija en 8000 km.
Tenga en cuenta, sin embargo, que la curva es bastante plana dentro de la región de 5000 a 8000 km,
6000
5000
Actual
i)dorm
osem
op e m
kiT
tlnla e(f
Predecir ed
4000
3000
2000
3.5
Reparar
2.5
Inspección
2
soú
da/d arte
t)aolco
ivpsbim e
u
ñinT
to
la%
o h(ti
d
a
Total
1.5
0,5
0
4000 5000 6000 7000 8000 9000
Equipos como extintores de incendios y muchas armas militares se almacenan para su uso en
caso de emergencia. Si el equipo puede deteriorarse mientras está almacenado, existe el riesgo
de que no funcione cuando se ponga en uso. Para reducir la probabilidad de que el equipo deje de
funcionar cuando sea necesario, se pueden realizar inspecciones, a veces denominadas verificación
de pruebas, y si se descubre que el equipo está en mal estado, se puede reparar o reemplazar,
devolviéndolo así a su estado original. condición. La inspección y la reparación o reemplazo toman
tiempo y el problema es determinar el mejor intervalo entre inspecciones para maximizar la
proporción de tiempo que el equipo está en estado disponible. La Tabla 3.2 proporciona una lista
de dichos elementos, a menudo denominados dispositivos de protección.
El tema de esta sección es establecer el intervalo de inspección óptimo para dispositivos de
protección, y este intervalo se denomina intervalo de búsqueda de fallas (FFI). La metodología
RCM aborda esta forma de mantenimiento. Moubray (1997, 172) ha dicho:
La búsqueda de fallas se aplica sólo a fallas ocultas o no reveladas. Los fallos ocultos, a su vez, sólo
afectan a los dispositivos de protección.
Si RCM se aplica correctamente a casi cualquier sistema industrial moderno y complejo, no es inusual
encontrar que hasta el 40% de los modos de falla caigan en la categoría oculta.
TABLA 3.2
Además, hasta el 80% de estos modos de falla requieren búsqueda de fallas, por lo que hasta un tercio de las
tareas generadas por programas de desarrollo de estrategias de mantenimiento integrales y correctamente
aplicados son tareas de búsqueda de fallas.
Un hallazgo más preocupante es que al momento de escribir este artículo, muchos programas de mantenimiento
existentes prevén que menos de un tercio de los dispositivos de protección reciban atención (y luego a intervalos
inadecuados)….
Esta falta de conciencia y atención significa que la mayoría de los dispositivos de protección en la industria
(nuestra última línea de protección cuando las cosas van mal) reciben un mantenimiento deficiente o no reciben
ningún mantenimiento.
Inspeccionar Inspeccionar
Ti Ti tr
ti ti
0 0
Ciclo 1 Ciclo 2
ti
0
tf (t) dt
ti R(ti ) + 1−
i R(t )
1 − R(ti )
ti
La duración del ciclo esperada es = (ti + Ti) R(ti) + (ti + Ti + Tr) [1 − R(ti)].
Por lo tanto,
ti
tiR(ti ) + tf (t) dt
A(t ) =
0
. (3.5)
i
ti + Ti + Tr 1− R(ti )
Este es un modelo del problema que relaciona el intervalo de inspección ti con la disponibilidad por unidad
de tiempo A(ti).
1. El tiempo hasta la falla del equipo se distribuye normalmente con una media de 5
meses y una desviación estándar de 1 mes.
2. Ti = 0,25 mes.
3. Tr = 0,50 mes.
ti
0
tiR(ti ) + tf (t) dt
A(ti ) = .
La tabla 3.3 resulta de evaluar el lado derecho de la ecuación 3.5 para varios valores de
ti. Se considera que el intervalo de inspección óptimo para maximizar la disponibilidad es de
3 meses. La Figura 3.10 muestra el resultado gráficamente. Desde una perspectiva práctica
de toma de decisiones, las representaciones gráficas son muy útiles para que la dirección
tome la decisión final.
TABLA 3.3
Intervalo de inspección versus disponibilidad
ti 1 2 3 4 5 6
100
90
80
70
60
dadilibinopsi%
D
50
40
30
20
Óptimo
10 intervalo
0
0 1 2 3 4 5 6
Cálculo de muestra:
Cuando ti = 3 meses,
tf ( t) dt = 0,0600
0
1 R(3) = 0,0228.
3 0,9772 + 0,0600
A(3) = = 0,9173.
3 + 0,25 + 0,5(0,0228)
Una suposición crucial en el modelo de esta sección es que se puede suponer que el
equipo está como nuevo después de la inspección si no se realiza ninguna reparación o
reemplazo. En la práctica, esto puede ser razonable, y ciertamente lo será si la
distribución de fallas del equipo es exponencial (porque la probabilidad condicional
permanece constante).
Machine Translated by Google
Si la suposición de que el equipo es nuevo no es realista y la distribución de fallas tiene una tasa
de fallas creciente, entonces, en lugar de realizar inspecciones a intervalos constantes, puede ser
aconsejable aumentar la frecuencia de las inspecciones a medida que el equipo envejece. Jiang y
Jardine (2005) analizan estos problemas.
En lugar de contar con un único dispositivo de protección, podemos aumentar la protección
mediante la redundancia. En O'Connor y Kleyner (2012) se presenta una discusión sobre varias
formas de redundancia (redundancia activa, mden, en espera, paralela o triple activa).
No es descabellado esperar que los dispositivos de protección sean muy fiables y que el riesgo de
fallo sea muy bajo y estrictamente aleatorio. Tampoco es descabellado suponer que el tiempo
necesario para inspeccionar un dispositivo de protección sea muy corto (medido en minutos u horas)
en comparación con el FFI óptimo (medido en meses/años). si en
En el modelo de maximización de disponibilidad de la Ecuación 3.5, dejamos que f(t) = exponencial
con MTTF = 1/λ, Ti = Tr = 0, entonces la Ecuación 3.5 se puede reducir a:
A(t ) = 1 ti .
i 2
FFI
Un = 1 . (3.6)
2M
Hay 1000 válvulas de seguridad en servicio en un campo de petróleo y gas. La práctica actual es
inspeccionarlos anualmente. Durante la visita de inspección se encuentra que el 10% de las válvulas
están defectuosas. La duración de la inspección es de 1 h. Se necesita una hora adicional para
reemplazar cada válvula defectuosa.
¿Cuál es la disponibilidad de válvulas para diferentes intervalos de inspección? Para estimar el
MTTF de una válvula, podemos utilizar la relación entre el tiempo total de prueba y el número de
fallas. Así, 1000 válvulas han estado en servicio durante 1 año, y durante ese año fallan 100 (10%).
Por lo tanto,
Debido a que los tiempos de inspección y reemplazo son muy cortos en comparación con el período de
12 meses (8760 horas), es razonable suponer que estos tiempos son cero.
Si asumimos además que las válvulas fallan exponencialmente, podemos estimar la disponibilidad de las
válvulas a partir de la Ecuación 3.6.
El Cuadro 3.4 proporciona las disponibilidades esperadas obtenidas de diferentes FFI. Así, se ve que la
práctica actual de inspeccionar las válvulas anualmente (cada 52 semanas) proporciona un nivel de
disponibilidad del 95%. Si se requiere una disponibilidad del 99,5% el FFI sería de 5 semanas. La Figura
3.11 proporciona una representación gráfica de la relación entre la disponibilidad y el FFI.
TABLA 3.4
1 99,9
5 99,5
10 99.0
15 98,6
21 98.1
52 95.0
104 90.0
100
99
98
97
96
dadilibinopsi%
D
95
94
93
92
91
90
0
0 10 20 30 40 50 60 70 80 90 100 110 120
Intervalo de búsqueda de fallos (semanas)
3.5.1 INTRODUCCIÓN
400
350
250
Advertencia > 200 ppm
ef
200
Normal < 200 ppm
150
100
50
0
40.000 45.000 50.000 55.000 60.000 65.000
Edad laboral
falla. Y concluyó: "Aparentemente, la CM puede ser al mismo tiempo muy efectiva y bastante ineficiente".
Un procedimiento estadístico valioso para estimar el riesgo de falla del equipo cuando está
sujeto a CM es el modelo de riesgos proporcionales (PHM) (Cox 1972). Un PHM puede
adoptar varias formas, pero todas combinan una función de riesgo de referencia con un
componente que tiene en cuenta las covariables que se utilizan para mejorar la predicción de fallas.
La forma particular utilizada en esta sección se conoce como Weibull PHM, un PHM con una línea de
base Weibull expresada como
t −1
m
h t,Z(t) = (3.7)
expi =1 izi (t)
donde h[t, Z(t)] es la probabilidad condicional (instantánea) de falla en el tiempo t, dados los valores de
z1(t), z2(t),…zm(t).
Cada zi(t) en la Ecuación 3.7 (i = 1, 2,…m) representa una variable de datos de condición
monitoreada en el momento de la inspección, t, como el hierro (en partes por millón) o la vibración.
Machine Translated by Google
amplitud en el segundo armónico de rotación del eje. Estos datos de condición se denominan
covariables. Los valores de γi son los parámetros de covariables que, junto con los valores de
Zi , indican el grado de influencia que cada covariable tiene sobre la función de riesgo.
El modelo consta de dos partes: la primera parte es una función de riesgo de referencia que
t −1
tiene en cuenta la antigüedad del equipo en el momento de la inspección, mientras
,
la segunda parte, exp[γ1z1(t) + γ2z2(t) ++γmzm(t)], tiene en cuenta las variables que
pueden considerarse factores de riesgo clave utilizados para monitorear la salud de los
equipos y sus pesos asociados. .
En el estudio de Anderson et al. (1982), la forma del modelo de peligro para los motores
de las aeronaves fue
4.47 t 3.47
h(t) =
24.100 24.100 exp 0,41z1 (t) + 0,98z2 (t)
* Nótese que η en este caso no toma la interpretación de que el 63,2% de las fallas ocurren antes de este tiempo,
lo cual sería el caso si el riesgo no estuviera influenciado por las covariables.
Machine Translated by Google
Trazado de datos
Datos
Edad
Trama de riesgo
PHM
Riesgo
Edad
Trama de riesgo
ignorar el riesgo
Riesgo
Nivel de
riesgo óptimo
Edad
en caso de falla
Costo/tiempo unitario
Costo mínimo
FIGURA 3.14 Establecimiento del nivel de riesgo óptimo para el reemplazo preventivo.
Machine Translated by Google
suponer que la acción de mantenimiento equivale a una sustitución, como es el caso de algunos
equipos complejos, como los motores de avión, en los que tras el mantenimiento los motores
quedan “reliferados” y tienen las mismas garantías que un motor nuevo). El costo asociado con
esta decisión (ignorando el riesgo) es el costo de un reemplazo de falla dividido por el MTTF del
equipo. Por lo tanto, obtenemos el costo de reemplazo sólo en caso de falla, como se identifica en
el gráfico de costos. A medida que se reduzca el nivel de riesgo (umbral), habrá más acciones de
reemplazo preventivo y menos reemplazos de fallas. Suponiendo que el costo de un reemplazo
defectuoso es mayor que el costo de un reemplazo preventivo, se obtendrá una función de costos
como se ilustra en el gráfico de costos. De este modo, es posible identificar el nivel de riesgo óptimo
en el que se debe reemplazar el equipo: si la tasa de riesgo es mayor que el valor umbral, se debe
realizar un reemplazo preventivo; de lo contrario, las operaciones pueden continuar con normalidad.
3.5.4 APLICACIONES
El tema de la optimización de las decisiones de CBM ha sido una investigación activa en la
Universidad de Toronto que se ha llevado a cabo durante algunos años en asociación con varias
empresas, muchas de ellas con operaciones globales (www.mie.utoronto.ca). Como consecuencia,
se han realizado y publicado estudios piloto en la literatura abierta. En las siguientes secciones se
ofrecen breves resúmenes de tres de estos estudios, cada uno de los cuales utiliza una forma
diferente de CM.
Otros estudios de caso que tratan de la optimización de decisiones de CBM en una variedad de sectores
utilizando el enfoque de optimización presentado en esta sección son los de Willets et al. (2001), para
pulpa y papel; Vlok y cols. (2002), para plantas de carbón; Jardine et al. (2003), para el reabastecimiento
de combustible de plantas nucleares; Lin et al. (2003), para vehículos militares blindados terrestres;
Monnot et al. (2004), para retroexcavadoras de la industria de la construcción; Jefferis y cols. (2004),
para motores diésel marinos; y Chevalier et al. (2004), para turbinas en una planta nuclear.
Al revisar los estudios de optimización de CBM antes mencionados que abordan la interpretación
inteligente de las señales de CM, queda claro que una organización generalmente adquiere más datos
de CM de los realmente necesarios. En estos estudios, a menudo ha sido posible obtener una buena
comprensión de las mediciones CM más importantes asociadas con la identificación del riesgo de falla
del equipo. Esto se logra mediante un análisis cuidadoso de los datos adquiridos por los especialistas
de CM, junto con la información contenida en las órdenes de trabajo.
Machine Translated by Google
Un beneficio adicional de centrarse en la medición clave como resultado del enfoque de optimización
es que puede ser posible reducir la cantidad de mediciones tomadas en el momento de la CM. Sin
embargo, se debe tener cuidado si se interrumpen las mediciones porque el PHM es aplicable al entorno
operativo desde el cual se adquirieron los datos. Si el entorno operativo cambia, por ejemplo, debido a
un cambio en las prácticas operativas o de mantenimiento, tal vez los factores de riesgo identificados ya
no sean válidos.
Una preocupación común planteada sobre el uso de métodos estadísticos formales en CBM es la
opinión de que para estimar la distribución de fallas de un artículo, se requieren datos del tiempo
transcurrido hasta la falla. La cuestión es que si la MC es eficaz, no se observará ningún fallo y, por
tanto, los procedimientos estadísticos formales son impracticables. Está claro que el objetivo de CM es
detectar cuándo un elemento está a punto de fallar y luego ser proactivo y tomar medidas preventivas,
evitando así la falla. Sin embargo, un análisis cuidadoso de varios conjuntos de datos ha demostrado
que, si bien el elemento se retira antes de que falle, la eliminación suele ser prematura y se desperdicia
gran parte de la vida útil del elemento.
Para profundizar, en un estudio de los motores Pratt & Whitney en el Boeing 707 (Anderson et al.
1982), aunque la mayoría de los motores (42 de 50) en la muestra sobrevivieron su vida útil, entre los 50
examinados, 8 habían sido retirados antes de la final de su vida útil debido a las lecturas del análisis de
aceite y enviados a Pratt & Whitney para revisión del motor. De los ocho, los informes de mantenimiento
indicaron que cuatro fueron buenas remociones, pero los otros cuatro fueron remociones prematuras (es
decir, sólo el 50% de las remociones fueron buenas).
De hecho, esta realidad es lo que impulsó los primeros trabajos sobre el posible uso del procedimiento
estadístico de PHM como un intento de manejar bien el riesgo real de que un ítem sujeto a CM fallara.
En un estudio publicado por Wiseman (2001) sobre la optimización de las decisiones de CBM
relacionadas con los motores de las ruedas en una empresa minera, no se registró ninguna falla
catastrófica en los motores de las ruedas.
Claramente, el propósito de CM es mitigar las consecuencias de las fallas. Sin embargo, en el
contexto de la optimización, siempre se examinan las compensaciones. Entonces, si bien el resultado de
CM puede resultar en una reducción sustancial en el número de fallas que se pudieron haber
experimentado antes de la implementación de CM, tal vez hasta cero, podríamos hacer esta pregunta:
¿Es esta reducción económicamente justificable?
Sin duda, el CM mejora sustancialmente la confiabilidad de la planta, pero se ha observado que a
menudo hay eliminaciones prematuras significativas debido a la mala interpretación de las señales que
emanan de diversas formas de CM. En el estudio de motores de ruedas (Wiseman 2001), hubo muchos
registros de CM asociados con los 138 motores de ruedas en una flota de camiones de acarreo en una
mina a cielo abierto. Se utilizó un análisis de aceite para monitorear la
Machine Translated by Google
salud de los motores de las ruedas y se utilizaron reglas para decidir cuándo se debía retirar el motor
de las ruedas. No se quitó ningún motor de rueda debido a una falla inesperada durante el
funcionamiento; Se retiraron 94 motores de ruedas debido a lecturas de CM. Al examinar los informes
de mantenimiento asociados con las reconstrucciones, se identificó que 32 de los motores podrían
clasificarse como fallas, es decir, habían sido removidos poco antes de que se esperara una falla. Los
otros 62 podrían catalogarse como expulsiones prematuras; les quedaba vida útil y podrían haberse
dejado en servicio con seguridad. Entonces, al construir el PHM para motores de ruedas, las 32
eliminaciones buenas se trataron como fallas y las otras 62 como suspensiones.
Una observación final: en la literatura sobre RCM se han hecho muchos comentarios sobre el hecho
de que cuando se realizó un estudio sobre aeronaves civiles (Moubray 1997), la mayoría de las fallas
de los equipos podían describirse mediante un peligro (riesgo de falla, a veces llamado probabilidad
condicional). de fracaso) que era constante. En la época del estudio al que se refiere Moubray, sólo se
medía el tiempo hasta el fallo. Para elementos complejos, es de esperar que el riesgo sea constante
porque las fallas pueden surgir por muchas causas diferentes, apareciendo así de manera completamente
aleatoria siguiendo un proceso de Poisson.
Por ejemplo, en la industria petroquímica, donde se utilizó la simulación para establecer el tamaño del
equipo de mantenimiento y los patrones de turnos, β de la distribución Weibull ajustada fue 1 para
artículos, incluyendo sistema de aporte de cemento, halogenador, coagulador, empacadora, cintas
transportadoras, envolvedora, trituradora y y así sucesivamente, y por lo tanto el peligro es constante
(SaintMartin 1985). En una estación de generación térmica de 25 años de antigüedad en la que se
utilizó simulación para establecer la mejor manera de mejorar el rendimiento de la planta mediante la
renovación, se encontró que β de la distribución Weibull ajustada era 1 para pulverizadores, sistema de
gas, paredes de agua, economizador, turbinas, transformador. , bombas de circulación, etc. (Concannon et al. 1990).
Cabe señalar que en los dos ejemplos anteriores, el riesgo de fracaso solo se estimó sobre la base
de una medida clave: la edad laboral. En el caso de la planta petroquímica la producción fue en
toneladas. Para la central, era el horario de funcionamiento.
Sin embargo, como se puede observar en esta sección, si se obtienen y utilizan otras mediciones
además de la edad en el cálculo de la tasa de riesgo utilizando el PHM, es posible identificar que la
edad de un artículo influye en su tasa de riesgo.
Con referencia al Capítulo 2, si el artículo que se examina es una unidad reemplazable en línea (una
en la que la única acción de mantenimiento realizada es equivalente a la renovación del artículo, ya sea
preventivamente o en caso de falla) y la tasa de riesgo es constante, entonces la edad no tiene
importancia. La influencia sobre la función de riesgo y el tiempo óptimo de reemplazo es infinito, es
decir, reemplazo solo en caso de falla.
Para aprovechar la teoría descrita en la Sección 3.5.3, se desarrolló un paquete de software denominado
EXAKT (www.omdec.com). Como explica Wiseman (2004), “EXAKT toma señales procesadas y las
correlaciona con fallas pasadas y eventos de fallas potenciales. Utilizando modelos, posteriormente
proporciona estimaciones de riesgo de falla y vida residual ajustadas a las consideraciones económicas
y los requisitos de disponibilidad para ese activo en su contexto operativo actual”.
La Tabla 3.5 ilustra los datos de CM que EXAKT requiere si la herramienta CM monitorea vibraciones,
como el número de identificación del equipo; antigüedad del artículo en el momento de la inspección;
Machine Translated by Google
TABLA 3.5
TABLA 3.6
Diferentes formas de datos de eventos
1. un cambio de aceite
2. Una balanza de rotor
3. Una alineación del eje/acoplamiento
4. Una corrección de pie cojo
5. Ajuste, calibración y ajustes menores que afectan los datos de condición.
6. Un reemplazo de filtro
Machine Translated by Google
TABLA 3.7
Datos de eventos de análisis de vibraciones
Un evento que proporciona información útil para la optimización de CBM puede ser cualquiera de los
siguientes tipos:
1. Un evento inicial. Esto indica el inicio de un historial (un historial incluye todos los eventos
desde la instalación hasta la eliminación de un elemento) y está designado por B.
2. Un evento de falla, designado por EF (que termina en falla).
3. Un sustituto preventivo, designado por ES (que finaliza por suspensión).
Un suceso durante un historial que afecta los datos de condición también es informativo.
Algunos ejemplos se enumeran en la Tabla 3.6.
Los datos de las Tablas 3.5 y 3.7 (aquí solo se muestran partes de las tablas completas) se utilizan
para obtener el PHM. Los mismos datos se utilizan para estimar la probabilidad de pasar de un estado
de medición de vibración a otro estado durante un intervalo específico, conocido como probabilidad de
transición, que luego se usa en combinación con datos de costos para obtener la cifra de decisión óptima
( Banjevic y otros 2001). La Tabla 3.8 es un ejemplo de la matriz de probabilidad de transición para la
medición de vibración “velocidad en la dirección axial, primer ancho de banda” cuando el intervalo para
la transición se especifica en 30 días. Por lo tanto, si la velocidad está en el rango de 0,15 a 0,22 hoy,
hay una probabilidad de 0,3779 de que el equipo esté en el mismo estado dentro de 30 días.
De manera similar, la tabla se puede utilizar para determinar que la probabilidad de que el equipo esté
en estado de falla dentro de 30 días es 0.1997. Se proporcionan probabilidades de transición para todas
las combinaciones posibles de estados.
Una matriz de probabilidad de transición es una herramienta que se puede utilizar para modelar el
comportamiento probabilístico de un proceso en términos de transiciones de un estado presente a un
estado futuro. Un proceso estocástico que tiene estados finitos se conoce como cadena de Markov. En el
Machine Translated by Google
TABLA 3.8
Matriz de probabilidad de transición
En el ejemplo dado en la Tabla 3.8, los estados de vibración que se monitorean son muy suave,
suave, áspero, muy áspero y falla. En el Apéndice 4 se proporciona una discusión sobre las
cadenas de Markov.
Finalmente, utilizando el PHM, las probabilidades de transición y los costos asociados al
reemplazo preventivo y de fallas, se obtiene la gráfica que puede usarse para la toma de
decisiones (Figura 3.15).
Así, siempre que se realiza una inspección, se obtienen los valores de los factores de
riesgo clave. En este caso, los factores de riesgo clave son la velocidad en la dirección axial,
primer ancho de banda; velocidad en la dirección axial, segundo ancho de banda; y velocidad
en la dirección vertical, primer ancho de banda. Estas medidas se multiplican por sus factores
de ponderación, 5,8312, 36,552 y 24,053, respectivamente, y luego se suman para obtener
un valor z , que está marcado en el eje y. El eje x muestra la antigüedad del artículo (un
rodamiento en este ejemplo) en el momento de la inspección. La posición del punto en el
gráfico indica la decisión óptima. Si el punto está en el área ligeramente sombreada, la
recomendación es continuar operando; con referencia al gráfico de riesgo en la Figura 3.15,
el peligro está por debajo del nivel óptimo. Si la intersección está en el área sombreada
oscura, la recomendación es reemplazarla; en este caso, el peligro es mayor que el nivel de
riesgo óptimo. Si la intersección se encuentra en el área despejada, indica que el tiempo
óptimo de cambio es entre dos inspecciones.
En el sitio web www.banakinc.com hay una explicación detallada de EXAKT.
El capítulo “Interpretación de los datos de inspección que emanan de las herramientas de
monitoreo de la condición de los equipos: método y software” en Métodos matemáticos y
estadísticos en confiabilidad (Jardine y Banjevic 2005) proporciona una descripción general
de la teoría y la aplicación del enfoque de optimización CBM presentado en esta sección.
PROBLEMAS
2. Una máquina industrial consta de dos partes, la parte A y la parte B. Cada parte
tiene su propia tasa de avería, y siempre que cualquiera de las dos partes se
estropee, se detendrá toda la máquina para su reparación. Cada avería requiere un
Machine Translated by Google
promedio de 3 días para rectificar. En las inspecciones, se inspeccionan tanto las partes A
como B y, en total, la inspección tarda 1,5 días en completarse. Los posibles defectos que se
detecten durante estas inspecciones y que puedan provocar averías en la máquina son
subsanados en su momento. Se sabe que las tasas de avería de las partes A y B están
influenciadas por la frecuencia de inspección, n, y los trabajos de mantenimiento menores
asociados, y tienen la forma que se enumera a continuación:
K1
Parte A: (n) =
1
norte
K2
Parte B: (n) =
2
norte
donde λ1(n) y λ2(n) son las tasas medias de averías por mes para las partes A y B,
respectivamente, cuando se aplica una frecuencia de inspección de n por mes.
La política de mantenimiento actual que se está adoptando para la máquina en
funcionamiento continuo es que las inspecciones se realizan una vez al mes. Como resultado de
En esta póliza el tiempo medio entre averías de las máquinas es de 2 meses.
3. Considere las bombas que se muestran en la Figura 3.16. La bomba de servicio (bomba B)
suministra agua a un tanque (tanque Y) del cual se extrae agua a una velocidad de 800 L/min
para enfriar un reactor que funciona continuamente las 24 horas del día, los 7 días de la semana.
Deber
bomba B
Y
Apoyar
X
bomba C