Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTEGRANTES:
DISTRIBUCIONES
ESTADSTICAS
MODELOS BSICOS DE
CONFIABILIDAD
Los datos de falla pueden ser clasificados de varias maneras, por ejemplo si se
agrupan o no, y si tienen censura o no.
Ocurre censura cuando los datos son incompletos porque se han detenido
componentes antes de su falla o porque el ensayo ha terminado antes de
que fallen todas las unidades. Se puede categorizar la censura segn:
1.
Datos censurados una vez. Todas las unidades tienen el mismo intervalo de ensayo, y el
ensayo se concluye antes de que fallen todas las unidades.
Censura tipo I: El ensayo es terminado despus de un intervalo fijo de tiempo, t*.
Censura tipo II: El ensayo es terminado despus de que ha ocurrido un nmero fijo de
fallas, r.
2.
B) Mtodos no paramtricos
El objetivo de este tipo de mtodos es derivar, directamente de los datos de falla, la distribucin de falla, la
funcin confiabilidad, y la tasa de fallas. Se aplican cuando ninguna distribucin terica se ajusta
adecuadamente a los datos.
1. Datos completos no agrupados
Dado que los instantes de falla estn ordenados en orden creciente
ti < ti+1
Se tiene que en el instante ti quedan n i unidades operando.
2. Datos completos y agrupados
Los instantes de falla que han sido organizados en intervalos de tiempo, son referidos como datos
agrupados.
Sean n1, n2,...,nk, el nmero de unidades que operan tras los instantes t1, t2,...,tk, respectivamente
3. Datos censurados no agrupados
Se ensayan n unidades hasta que ocurran r fallas. La curva de confiabilidad estimada est truncada a la
derecha en el instante en el que termina el test.
A) Modelos covariables
Nuestro inters es desarrollar distribuciones de falla que incluyan uno o ms
covariables o variables explicatorias. El enfoque consiste en definir los parmetros
de la distribucin en funcin de las variables explicatorias.
Un covariable puede ser:
Voltaje
Corriente
Temperatura
Humedad
Otras medidas ambientales o de carga.
0.006
2.36
0
1
0.54
1
60
0.67
Donde:
1 + 460
2.023 + 1.029 0.0647 2
< 0.002
Modelos de localizacin-escala
Otra familia de modelos covariables es referida como la de modelos de localizacin-escala, que se obtienen al parametrizar la media
segn
=0
Caso lognormal
En este caso
=1
ln
=0
Ejemplo: El MTTF (horas de operacin) de un conector elctrico sigue una distribucin lognormal con parmetro de forma s = 0,73. Las
fallas estn relacionadas con la temperatura de operacin y el nmero de contactos. Se ha estimado el siguiente modelo covariable:
5000 = 1
ln 5000 10.46
0.73
B) Modelos estticos
En muchas situaciones no es apropiado asumir que la confiabilidad
es una funcin del tiempo. Esta seccin considera una carga
aplicada a un sistema durante un periodo relativamente corto de
tiempo. Una falla ocurre si la carga excede la resistencia del sistema.
La resistencia del sistema es la mxima carga que el sistema puede
soportar sin fallar. Por tanto, la confiabilidad es vista de una manera
esttica (no dependiente del tiempo).
= ( )
Ejemplo: La carga ejercida sobre un motor tiene la siguiente funcin de densidad de probabilidad:
2
= 1125
0
0 15
Y se ha estimado a travs de ensayos de laboratorio que la base del motor tiene una tolerancia fija de 14 Lbf. Luego, su
confiabilidad esttica es:
= ( 14)
14
=
0
1125
= 0.813
Ejemplo: La resistencia de un nuevo pegamento sigue una distribucin aleatoria que depende de las mezcla de
compuestos usados en el proceso de manufactura.
10
10
= 2
0
=
12
10
= 0.833
= ( )
=
0
()
y como
= ()
se tiene que
=
0
()
La confiabilidad depende de la regin de las dos curvas en las cuales las colas se superponen, o interfieren una con la
otra. Por esta razn el anlisis de carga vs resistencia es tambin conocido como teora de interferencia.
C) Modelos dinmicos
Si una carga es aplicada repetidamente en el tiempo sobre un sistema, entonces, bajo
ciertas condiciones, se puede estimar la confiabilidad dinmica. Se discutirn dos casos. En
el primero la carga es aplicada peridicamente al sistema. En el segundo caso, la carga es
aplicada en intervalos aleatorios que siguen una distribucin de Poisson. En ambos casos se
asumir que ni la resistencia ni la carga son funciones del tiempo (proceso estacionario). Ello
excluye situaciones donde el envejecimiento y el desgaste son relevantes.
1) Cargas peridicas
2) Cargas aleatorias
Aunque no existe un enfoque bien definido para desarrollar un modelo fsico, se pueden
identificar varios pasos:
1. Identificar modos de falla y mecanismos;
2. Construir modelos matemticos;
3. Estimar la confiabilidad para las condiciones de operacin y ambientales presentes y
para las caractersticas dadas de los componentes;
4. Determinar la vida de servicio;
5. Redisear para incrementar la vida de servicio de diseo.
Mecanismos que han sido modelados:
Fatiga
Friccin
Corrosin
Contaminacin
Esfuerzo mecnico
Ejemplo 1:
Relacin emprica para medir la deformacin como una funcin del tiempo y de la temperatura sometida a esfuerzo constante, resultando
eventualmente en fractura:
= 0 1 + 3
Donde:
deformacin en el instante t
0 deformacin inicial
, k constantes
Si mx es la deformacin de fractura, este modelo permite estimar la vida de diseo con respecto al creep.
Ejemplo 2:
La vida til de las herramientas de corte, puede ser modelada por la geometra y las caractersticas operacionales del corte, as como la dureza del
material. Se pueden identificar varios modos de falla incluyendo fractura, deformacin plstica, desgaste gradual. Respecto de este ltimo modo de
falla:
=
Donde
F: avance en pulgadas/diente;
Usualmente
>>>m
Lo que indica que la vida de la herramienta es ms sensible a la velocidad de corte, luego el avance, la profundidad de corte, y finalmente la dureza
del material.