Documento: Personal

Ingeniería y Gestión del Mantenimiento

Confiabilidad y Riesgo I

Esp. Ing. Franco Luis Palmieri

1
 Documento: Personal

Clase 2

2
 Documento: Personal

Definiciones

Confiabilidad (Reliability) : La habilidad de un equipo o sistema para

ejecutar un función requerida bajo determinadas condiciones, durante un
período de tiempo establecido. Se mide como la probabilidad de que un
equipo este operativo sin falla durante el tiempo de la misión.

Disponibilidad (Availability) : La habilidad de un equipo o sistema ( bajo

combinados aspectos de confiabilidad y mantenibilidad ) para estar
disponible y operativo en todo tiempo, ejecutando sus funciones
requeridas.

3
 Documento: Personal

Definiciones

Mantenibilidad ( Maintainability ): Habilidad de un equipo o sistema, bajo

determinadas condiciones de uso, para ser restablecido a su estado en el
cual puede ejecutar sus funciones requeridas, cuando su mantenimiento es
ejecutado bajo procedimientos aprobados.

Tasa de falla : Probabilidad de falla por unidad de tiempo de un

componente que haya estado funcionando hasta un instante t.

4
 Documento: Personal

Definición y formulación práctica del

parámetros MTBF

MTBF

Tiempo medio entre fallas ( Mean Time Between Failures). Promedio de los tiempos
que transcurren entre fallas sucesivas. Se aplica a sistemas reparables en los que las
fallas son corregidas mediante la reparación o reemplazo de los componentes que
fallan.

𝑇 0 −𝑇 𝑃 𝑛
𝑀𝑇𝐵𝐹 =
𝐶𝑓

5
 Documento: Personal

Definición y formulación práctica del

parámetro MTTF

MTTF

Tiempo medio para la falla ( Mean Time To Failure). Promedio de los tiempos que
transcurren entre el arranque de un equipo hasta su falla. Se aplica a sistemas no
reparables, en los componentes que fallan no son reparados.

𝑇 0𝑛
𝑀𝑇𝑇𝐹 = 𝑛

∑ 𝐶 𝑓 (𝑖 )
𝑖 =1

6
 Documento: Personal

Definición y formulación práctica del

parámetro MTTR

MTTR

Tiempo medio para Reparación ( Mean Time to Repair ). Promedio de los tiempos
desde el reporte de una falla hasta su corrección. Se incluyen los tiempos de
diagnóstico, de aprovisionamiento de repuestos, la reparación en si misma y los
tiempos de prueba.

𝑇 𝑡𝑟
𝑀𝑇𝑇𝑅=
𝐶𝑟

7
 Documento: Personal

Resumen de los parámetros

MTBF – MTTF - MTTR

𝑇 0 −𝑇 𝑃 𝑛
𝑀𝑇𝐵𝐹 =
𝐶𝑓

To : Tiempo operativo
Tpn : Tiempo de paradas no programadas
𝑇 0𝑛
𝑀𝑇𝑇𝐹 = 𝑛
Cf : Cantidad de fallas / interrupciones
∑ 𝐶 𝑓 (𝑖 ) n : Cantidad de equipos
𝑖 =1
Cr : Cantidad de reparaciones
Ttr : Tiempo total de reparaciones
𝑇 𝑡𝑟
𝑀𝑇𝑇𝑅=
𝐶𝑟

8
 Documento: Personal

Parámetros MTBF - MTTF - MTTR

MTBF : Tiempo medio entre fallas

MTTF : Tiempo medio a la falla

MTTR : Tiempo medio de reparaciones

9
 Documento: Personal

Línea de tiempo de servicio/falla

10
 Documento: Personal

Línea de tiempo servicio - falla

 Documento: Personal

Disponibilidad inherente y operacional

Disponibilidad inherente : es la calculada al considerar solamente el tiempo

requerido para mantenimiento correctivo

𝑀𝑇𝐵𝐹
𝐴= 100
𝑀𝑇𝐵𝐹 + 𝑀𝑇𝑇𝑅

Disponibilidad operacional : es la calculada con la afectación de tiempos tanto

programados como no programados de diferente índole

( 𝑻 𝟎 − 𝑻 𝑷𝒏 )
𝑨= 100
𝑻𝟎
12
 Documento: Personal

Probabilidad y Estadística

 La Probabilidad y la Estadística se encargan del estudio del azar desde el

punto de vista de las matemáticas.

 La Probabilidad propone modelos para los fenómenos aleatorios, es decir,

los que se pueden predecir con certeza, y estudia sus consecuencias
lógicas.

 La Estadística ofrece métodos y técnicas que permiten entender los datos

a partir de modelos

 El cálculo de las Probabilidades es una teoría matemática y la Estadística

es una ciencia aplicada donde hay que dar un contenido concreto a la
noción de probabilidad.

13
 Documento: Personal

Aplicación de la Probabilidad y Estadística a

decisiones de Mantenimiento

 Las decisiones relacionadas con problemas de mantenimiento

probabilístico, como decidir cuándo realizar el mantenimiento preventivo
de los equipos que están sujetos a una avería, requieren Información
sobre cuando el equipo llegará a un estado de falla.

 El ingeniero nunca sabe exactamente cuándo se producirá la transición

del equipo de un estado bueno a un estado fallido ocurre, pero
generalmente es posible obtener información sobre la probabilidad de
esta transición ocurriendo en un momento particular.

 Cuando las decisiones de mantenimiento óptimo están siendo

determinadas, el conocimiento de las estadísticas es necesario para hacer
frente a tales problemas probabilísticos.
14
 Documento: Personal

Leyes de distribución de probabilidad

 ISO define fiabilidad como la probabilidad de que un componente o

sistema, desarrolle durante un periodo de tiempo dado, la tarea que
tiene encomendada sin fallos, y en las condiciones establecidas.

 Podemos describir varias distribuciones de fallas comunes y ver qué

podemos aprender de ellas para gestionar los recursos de
mantenimiento.

 Convertimos el conocimiento ganado de ellas en acciones PROACTIVAS

de Mantenimiento y aplicarlas también en el Diseño.

15
 Documento: Personal

Leyes de distribución de probabilidad

 Distribuciones de probabilidad continua

 Distribuciones de probabilidad discretas

 La diferencia entre una distribución discreta y una distribución

continua es el número de valores que pueden tomar.

 Una distribución continua puede tomar cualquier valor

 Una distribución discreta no acepta cualquier valor sino que solo puede
tomar un número finito de valores.

16
 Documento: Personal

Leyes de distribución de probabilidad

Distribuciones de probabilidad continua

Define las probabilidades de los posibles valores de una variable aleatoria

continua. Una variable aleatoria continua es una variable aleatoria con un
conjunto de valores posibles (conocido como el rango) que es infinito y no se
puede contar.

17
 Documento: Personal

Leyes de distribución de probabilidad

Ejemplo de la distribución de pesos
La distribución normal continua puede describir la distribución del peso de hombres
adultos. Por ejemplo, usted puede calcular la probabilidad de que un hombre pese entre 160
y 170 libras.

Gráfica de distribución del peso de hombres adultos

El área sombreada debajo de la curva en este ejemplo representa el rango de 160 a 170
libras. El área de este rango es 0.136; por lo tanto, la probabilidad de que un hombre
seleccionado aleatoriamente pese entre 160 y 170 libras es de 13.6%. Toda el área por
debajo de la curva equivale a 1.0. 18
 Documento: Personal

Funciones distribución de probabilidad y

densidad utilizadas en análisis de confiabilidad

19
 Documento: Personal

Leyes de distribución de probabilidad

Distribuciones de probabilidad discretas

Una distribución de probabilidades discreta es aquella distribución que define

probabilidades de una variable aleatoria discreta. Por lo tanto esta solo puede
tomar un número finito de valores.
Las distribuciones de probabilidad discretas describen valores distintos,
normalmente números enteros, sin valores intermedios.

Tabla de probabilidad de número de quejas de

clientes

20
 Documento: Personal

Leyes de distribución de probabilidad

 El número de veces que se obtiene el número 5 al lanzar un dado

30 veces.

 El número de unidades defectuosas de un muestra de 100

productos.

 El número de veces que una persona debe hacer el examen de

conducir hasta conseguir aprobarlo.

21
 Documento: Personal

Funciones distribución de probabilidad y

densidad utilizadas en análisis de confiabilidad

22
 Documento: Personal

Leyes de distribución de probabilidad

Funciones básicas

Función inconfiabilidad

F (t)
t
 f(t): Función Densidad de Probabilidad de Fallas (PDF)
 F(t): Función Distribución Acumulada de Fallas (CDF)
 R(t): Función Confiabilidad (Reliability Function). Probabilidad que el
componente sobreviva al tiempo t.
 h(t): Función Tasa de Fallas (Hazard Function) (CHRF). Probabilidad
instantánea de fallar en el tiempo t, se calcula como h(t)=f(t)/R(t). 23
 Documento: Personal

Leyes de distribución de probabilidad

 Normal

 Exponencial

 Weibull

 Binomial

 Poisson

24
 Leyes de distribución de probabilidad
Documento: Personal

Normal - Gausiana
Karl Gauss – astrónomo y matemático del siglo XIX
Variable aleatoria continua ( valores infinitamente grande de en un intervalo dado )

1 2

𝑓 (𝑡)= ⅇ −( 𝑡 − 𝜇 ) / 2 𝜎 2
𝜎 √2 𝜋

2
𝑡 ( 𝑡− 𝜇 )
−
1
∫
2
2𝜎
𝑅 ( 𝑡 )=1− ⅇ ⅆ𝑡
𝜎 √(2 𝜋) 0

𝜇Valor esperado o media

Desviación estándar
2
𝜎 Varianza
25
 Documento: Personal

Leyes de distribución de probabilidad Poisson

Siméon Denis Poisson ( 1781 – 1840 ) Matemático Frances - 1834.

Modelo para distribución de frecuencias relativas del número de eventos anómalos que
ocurren en una unidad de tiempo, distancia, espacio, etc.
Ej : modelar número de accidentes industriales , número de reclamos de seguros en,
número de enfermedades poco habituales en un población , número de podidos recibidos
en un planta productora de bienes, número de clientes que llegan a una instalación que
brinda servicios, etc.
Puede considerarse una extensión de la distribución binomial cuando n es infinito. Puede
utilizarse para aproximar la distribución binomial cuando n > 20 y p < 0,05.

Características
1. Las consecuencias de los eventos son independientes. La ocurrencia de un evento en un
intervalo de espacio o tiempo no tiene efecto sobre la probabilidad de una segunda
ocurrencia del evento en el mismo o cualquier otro intervalo.
2. Teóricamente, debe ser posible un número infinito de ocurrencias del evento en el
intervalo.
3. La probabilidad de la ocurrencia única del evento en un intervalo dado es proporcional a
la longitud del intervalo. )
26
 Documento: Personal

Leyes de distribución de probabilidad

Poisson
La probabilidad de tener exactamente x presentaciones (ocurrencias) de eventos aleatorios :

27
 Documento: Personal

Leyes de distribución de probabilidad

Exponencial

𝑓 ( 𝑡 ) =𝜆 ⅇ− 𝜆𝑡

𝑡
𝐹 ( 𝑡 )=∫ 𝑓 ( 𝑡 ) ⅆ 𝑡=1− ⅇ
− 𝜆𝑡
f(t))

− 𝜆𝑡
𝑅 ( 𝑡 )=1 − 𝐹 ( 𝑡 )=ⅇ

En aplicaciones de confiabilidad
λ es la tasa de ocurrencia de
fallas por unidad de tiempo y 1/λ
t) corresponde al tiempo medio
entre fallas ( MTBF )
 Documento: Personal

Leyes de distribución de probabilidad

Weibull
Esta distribución es usada en estudios de confiabilidad, especialmente en sistemas
mecánicos. Tiene la ventaja de ser muy flexible, y adaptable a una variedad de
observaciones experimentales.

El análisis de Weibull es el método más popular del mundo para analizar y predecir
fallas y mal funcionamiento de todo tipo.
El método identifica la categoría del fracaso: mortalidad infantil, aleatoria, o desgaste.
El análisis de Weibull proporciona la información cuantitativa necesaria para tomar
decisiones de RCM, que a menudo son hechas desde un enfoque cualitativo.

Paul Barringer

29
 Documento: Personal

Leyes de distribución de probabilidad

Weibull ( 2 parámetros )

30
 Documento: Personal

Leyes de distribución de probabilidad

Weibull ( 3 parámetros )

31
 Documento: Personal

Leyes de distribución de probabilidad Weibull

Β parámetro de forma

Β < 1 Período infantil

Β = 1 Ley exponencial, λ cte

Β > 1 Fatiga, desgaste, deformaciones

plásticas

32
 Documento: Personal

Ejemplo de distribución Weibull

( )
𝛽
𝑡 −𝛾
−
𝜂
𝑅 ( 𝑡 )=ⅇ

33
 Documento: Personal

Weibayes

Weibayes se define como el análisis de Weibull con un parámetro beta

(pendiente) dado.
Fue desarrollado por el Dr. Robert B. Abernethy y otros ingenieros de Pratt &
Whitney Aircraft en los años setenta para resolver problemas en los que el
análisis de Weibull tradicional tiene grandes incertidumbres o no puede utilizarse
porque no se dispone de datos fiables.
Weibayes ofrece mejoras significativas en la precisión en comparación con
Weibull de muestras pequeñas.
Weibayes es la mejor práctica para muestras pequeñas y cero fallos si se dispone
de una estimación razonable de beta.
Es útil para tratar conjuntos de datos con y sin fallos.
Ambos tipos de datos pueden tener suspensiones.

34
 Documento: Personal

Leyes de distribución de probabilidad

Binomial

La probabilidad de ocurrencia de una combinación específica de eventos

independientes y mutuamente excluyentes se determina con la distribución
binomial, que es aquella donde hay solo dos posibilidades, tales como éxito
/falla o si/no.

1. Hay dos resultados posibles mutuamente excluyentes en cada ensayo u

observación.
2. La serie de ensayos u observaciones constituyen eventos independientes.
3. La probabilidad de éxito permanece constante de ensayo a ensayo, es decir el
proceso es estacionario.

Para aplicar esta distribución al cálculo de la probabilidad de obtener un número

dado de éxitos en una serie de experimentos en un proceso de Bermnoulli, se
requieren tres valores: el número designado de éxitos (m), el número de
ensayos y observaciones (n); y la probabilidad de éxito en cada ensayo (p).
35
 Documento: Personal

Leyes de distribución de probabilidad

Binomial

Esta es una distribución de probabilidad de una variable aleatoria discreta.

Describe datos de procesos con resultados discretos que son el resultado de
un experimento conocido como proceso de Bernoulli ( matemático Suizo
Jacob Bernoulli 1654-1705).

36
 Documento: Personal

Weibull Análisis ( papel )

  t    
F ( t )  1  exp     
    

 1 
ln ln     ln ( t   )   ln 
 1  F(t ) 

En la hoja de Weibull, el eje de ordenadas está en escala

lnln y en el de absisas está en escala ln
Documento: Personal
 Documento: Personal

Weibull Análisis ( papel )

1.- Numero de prueba.

2.- Elemento, maquina o componente a evaluar.
3.- Fecha.
4.- Tipo de test
5.- Promedio de tiempo de fallas.
6.- Tamaño de la muestra.
7.- B parámetro de forma.
8.- η parámetro de escala o vida característica.
9.- Gamma, parámetro de posición.
10.- Punto de referencia para graficar nuestras rectas en el grafico,
39
con este punto de referencia para hallar los valores de Pu y B.
 Documento: Personal

Weibull Análisis

Failure Ranked Hours Median Rank

Number at Failure Cum % Failed
(i) (ti ) F(t )
1 300 6.7 Median Rank Bernard = ( i- 0.3 ) / ( n+ 0.4)
2 410 16.2
3 500 25.9 i = 1 ..10
4 600 35.5
5 660 45.2 n = 10
6 750 54.8
7 825 64.5
8 900 74.1
9 1050 83.8
10 1200 93.9
 Documento: Personal

2.4
Estimación de 720 830
0
Parámetros

Minimum Life, 
Shape Factor, 

Characteristic Life, 

Mean Life, 

Bq Life

41
 Documento: Personal

Weibull Análisis

Bq Life

f(t)

 = 2.4
50%

time
B50 life = 720
 Documento: Personal

Weibull Análisis

Characteristic Life, 

f(t)

 = 2.4
63.2%

 = 830 time
 Documento: Personal

Weibull Análisis

Mean Life, 

f(t)

 = 2.4
52.7%

 = 740 time
 Documento: Personal

Resultados calculados Weibull

Probabilidad de fallo en función del tiempo: La probabilidad de que una unidad falle
en un momento determinado. La probabilidad de fallo también se conoce como "falta
de confiabilidad" y es el recíproco de la confiabilidad. Por ejemplo, hay un 12% de
posibilidades de que la unidad falle tras 3 años de funcionamiento (probabilidad de
fallo o falta de confiabilidad) y un 88% de posibilidades de que funcione correctamente
(confiabilidad).
Vida media: El tiempo medio que se espera que las unidades de la población
funcionen antes de fallar. Esta métrica suele denominarse "tiempo medio hasta el
fallo" (MTTF) o "tiempo medio antes del fallo" (MTBF).
Vida útil confiable (tiempo de garantía). El tiempo estimado en el que la confiabilidad
será igual a un objetivo especificado. Por ejemplo, el tiempo estimado de
funcionamiento es de 4 años para una confiabilidad del 90%.
Vida B(X): El tiempo estimado en el que la probabilidad de fallo alcanzará un punto
especificado (X%). Por ejemplo, si se espera que el 10% de los equipos/partes fallen a
los 4 años de funcionamiento, entonces la vida B(10) es de 4 años. Equivale a una vida
de 4 años para una confiabilidad del 90%.
 Documento: Personal

Resumen fórmulas de funciones de

distribución de probabilidad

La función densidad de probabilidad de falla f(t) nos da la probabilidad de que un

componente está funcionando en ese instante t.
La función distribución acumulada de falla F(t) nos da la probabilidad de que el componente
haya sufrido una falla desde que empezó a funcionar hasta ese instante incluido.
La función conf R(t) nos da la probabilidad de que un componente haya llegado a ese
instante t sin falla alguna.
La tasa de falla o probabilidad condicional de falla λ(t), h(t) es la probabilidad de fallo por
46
unidad de tiempo de un componente que haya estado funcionando hasta el instante t.
 Documento: Personal

Resumen gráficos de funciones de

distribución de probabilidades

47
 Documento: Personal

Patrones de falla A-B

Lo planteado por Nowlan y Heap con respecto a la edad y la fiabilidad, es que si

la probabilidad condicional de fallo de un componente crece con la edad, mostrando una
zona de incremento rápido del deterioro, entonces sería oportuno asociar una “edad
límite” de uso y lograr ejecutar alguna acción antes que el componente entre en la zona
de deterioro (wearout zone).

Esto con “el objetivo de reducir la tasa de fallo general” (overall failure rate). En este
contexto, el deterioro (wearout) que se refleja con el incremento de la probabilidad
condicional de fallo “describe el efecto adverso de la edad en la fiabilidad y no
necesariamente implica cambios físicos”. Nowlan y Heap afirman en su report que solo un
6% de los componentes de aviones estudiados presentaban una pronunciada “wearout
zone” (curvas A y B) y una “edad límite” debería ser aplicable a esos componentes.

48
 Documento: Personal

Patrones de falla D-E-F

Del estudio de Nowlan y Heap, resultó que el 89% de los componentes de aviones
estudiados estaban representados por curvas de probabilidad condicional de fallo
constante (curvas de la C a la F) ─que no mostraban una zona con crecimiento de la
probabilidad condicional de fallo asociada con una cierta edad y por ello no sería
recomendable establecer una “edad límite” para realizar alguna acción de reemplazo.
Sin embargo, si habría que determinar hasta qué edad la probabilidad de fallo del
componente que se analiza sería aceptable para continuar operando sin intervenciones de
mantenimiento. En este punto, el análisis fiabilístico y el mantenimiento preventivo
predeterminado y según condición (donde pueda ser aplicable y valer la pena) tienen
espacio para su aplicación con éxito. A este propósito, hay que decir que ya Nowlan y
Heap le llamaban "on condition task" e incluían al "mantenimiento predictivo" como
parte de las "on condition tasks", exactamente como esta estándarizado hoy en la norma
europea EN 13306 Terminología de mantenimiento.

49
 Documento: Personal

Métodos de cálculo para diferentes

arquitecturas estáticas y/o arreglos dinámicos
Modelo redundantes estáticos
Sistema serie

A E1e E2
E B

R1 y R2 , confiabilidad de los equipos 1 y 2

𝑛
𝑅 ( 𝑡 )=∏ 𝑅𝑖 ( 𝑡 )
𝑖 =1

50
 Documento: Personal

Métodos de cálculo para diferentes

arquitecturas estáticas y/o arreglos dinámicos
Modelo redundantes estáticos
Sistema serie

51
 Documento: Personal

Métodos de cálculo para diferentes

arquitecturas estáticas y/o arreglos dinámicos

Modelo redundantes estáticos

Sistema paralelo

E1

A E2 B

E3

𝑛
𝑅 ( 𝑡 )=1 − ∏ ( 1 − 𝑅 𝑖 ( 𝑡 ) )
𝑖=1
 Documento: Personal

Métodos de cálculo para diferentes

arquitecturas estáticas y/o arreglos dinámicos
Modelo redundantes estáticos
Sistema paralelo
 Documento: Personal

Métodos de cálculo para diferentes

arquitecturas estáticas
Modelo redundantes estáticos
Sistema serie-paralelo

Confiabilidad de uno de los conjuntos de equipos en paralelo 𝑅 𝑗 ( 𝑡 ) =1− ∏ ( 1− 𝑅𝑖𝑗 ( 𝑡 ) )

𝑖=1

𝑁
Confiabilidad total del sistema 𝑅 ( 𝑡 )=∏ 𝑅𝑗 ( 𝑡 )
˙𝑗 =1

54
 Documento: Personal

Métodos de cálculo para diferentes

arquitecturas estáticas
Modelo redundantes estáticos
Sistema paralelo-serie

𝑁
𝑅
Confiabilidad de una rama ( serie de equipos ) 𝑗 ( 𝑡 ) = ∏ 𝑅 𝑖𝑗 ( 𝑡 )
𝑗=1

( )
𝑘 𝑁
Confiabilidad total del sistema 𝑅=1− ∏ 1− ∏ 𝑅𝑖𝑗 ( 𝑡 )
𝑖=1 𝑗=1

55
 Documento: Personal

Configuración paralela k de n ( n oo m )

La configuración k-de-n es un caso especial de redundancia paralela. Este tipo de

configuración requiere que al menos k componentes tengan éxito del total de n
componentes paralelos para que el sistema tenga éxito.
Ej . El diseño del avión es tal que se requiere que al menos dos motores funcionen para que
el avión siga en el aire. Esto significa que los motores tienen una configuración de
confiabilidad k de n, donde k = 2 y n = 4.

56
 Documento: Personal

Arquitecturas con redundancias

Modelo redundantes pasivos
El sistema funciona mientras el sistema principal funciona correctamente o si es
suplido cuando falla por el dispositivo redundante en stand by que entra en servicio
y es capaz de substituirlo en su misión.

A
𝜆𝐴
Redundancia pasiva ʎ diferentes
− 𝜆 𝐴𝑡
𝑅 𝑠 ( 𝑡 ) =ⅇ + [ ⅇ − 𝜆 𝐵𝑡 − ⅇ − 𝜆 𝐴𝑡 ]
𝜆 𝐴− 𝜆 𝐵
B

𝜆
Redundancia pasiva ʎ iguales

57
 Documento: Personal

Arquitecturas con redundancias

Modelo redundantes activos

m equipos requeridos de un total de n n = cantidad total de equipos
n= cantidad total de equipos r = cantidad de equipos que no pueden fallar
r = cantidad de equipos a fallar

Rs = Rs =

E1

3 2 2 3
E2 2/3 𝑅 𝑠 = 𝑅 +3 𝑅 (1 − 𝑅 )= 3 𝑅 − 2 𝑅

E3

58
 Documento: Personal

Arquitecturas con redundancias

Ley de distribución de probabilidad Binomial
Probabilidad de falla de “n” equipos en un grupo de “m” equipos, todos iguales.
P : probabilidad de éxito
q: probabilidad de fracaso
p + q =1

Probabilidad de fracaso de “ n “ equipos específicos:

Probabilidad del éxito de “m-n” equipos específicos:

La probabilidad conjunta de falla de “n” equipos y éxito de “m-n” equipos :

Combinación de “n” equipos en “ m “ :

Probabilidad de falla de “n” equipos de un grupo de “m” :

59
 Documento: Personal

Teorema de Drenick

60
 Documento: Personal

Teorema de Drenick

Bajo ciertas condiciones, los sistemas constituidos por un gran número de

subcomponentes, incluso no exponenciales, tienden a comportarse de
manera exponencial.

Condiciones :
a) Los subcomponentes están en serie
b) Los subcomponentes fallan independientemente
c) Un subcomponente fallado se reemplaza inmediatamente
d) Los subcomponentes reemplazados son idénticos a los retirados.

Nivel 1 Sistema

Nivel 2 Subsistema

Nivel 3 Equipo

Nivel 4 Componente
61
 Documento: Personal

Modos de falla / ISO 14224

62
 Documento: Personal

ISO 14224

63
 Documento: Personal

Fronteras/ ISO 14224

64
 Documento: Personal

Ejemplo fronteras / ISO 14224

65
 Documento: Personal

Códigos/ ISO 14224

66
 Documento: Personal

Componentes mantenibles / ISO 14224

67
 Documento: Personal

Modos de falla / ISO 14224

68
 Documento: Personal

Modos de falla / ISO 14224

69
 Documento: Personal

Fallas / Definiciones ISO 14224

70
 Documento: Personal

Fallas evidentes y ocultas

Modos de fallas

 Forma en la que un activo pierde la capacidad de desempeñar su función, la forma

en que un activo falla.

 Indisponibilidad de la instalación.

 Clasificación por estado paramétrico: oculta y evidente.

 Documento: Personal

Fallas evidentes y ocultas

Ejemplo de falla evidente

 Una válvula que no actúa y debe hacerlo como parte de un proceso.

 Falta de fluido en un tanque elevado evidencia la falla en el sistema de bombeo de

la cisterna.

En los ejemplos dados, la falla será evidente a los usuarios independientemente del
tiempo transcurrido para que se manifieste la consecuencia.

Este tipo de falla hace que la perdida de la función se haga evidente por si sola a los
operadores en circunstancias normales.
 Documento: Personal

Fallas evidentes y ocultas

Fallas ocultas

Se consideran un modo de falla oculto si, suponiendo que es el único que se produce,
no se hace evidente a los operadores durante la operación normal del sistema.

Ocurren casi exclusivamente en dispositivos redundantes y de protección.

 Falta de presión de aire en un neumático de auxilio, el estado de falla se evidenciará

cuando lo necesite por el daño de uno de los neumáticos principales ( se asume que
no se chequea el neumático de auxilio ).

 Falla en detectores de humo, se hará evidente la falla si al producirse un incendio no

actúan.
 Documento: Personal

Fallas evidentes y ocultas

Mantenimiento Detectivo

 Son aquellas tareas que tienen por fin identificar fallos ocultos que ocurren en
dispositivos redundantes o de protección.

 Se realizan con chequeos periódicos de funcionamiento o a través de la evolución

de variables.

 Un dispositivo redundante o de protección tiene en general más de un modo de

falla, las tareas deben contemplar todos estos modos.

 Posibilidad de chequeos del sistema completo. ( sensor, cableados, interruptor,

lógica, actuador )

 Pruebas en “caliente “ , chequeo total de la función.

 Documento: Personal

Fallas simultáneas
Fallas simultáneas

Se presenta y tiene verdadero impacto cuando hay una combinación de fallas ( falta de
disponibilidad ) del equipo redundante o de protección y la del equipo que se desea
resguardar.

Función o equipo protegido

100 % Disponibilidad

Equipo de protección
o redundante 100 % Disponibilidad

Período de medición
 Fallas y control de proceso
Documento: Personal

Falla
Función o equipo protegido

Equipo de protección 100 % Disponibilidad

Período de medición

No hay falla simultanea, proceso controlado

Falla
Función o equipo protegido

Equipo de protección Falla

Período de medición

Falla simultanea proceso no controlado

 Documento: Personal

Fallas simultáneas

Pfs = Pds x Pfp

Pfs =Probabilidad de falla simultánea

Pds =Probabilidad de falla del dispositivo de protección
Pfp =Probabilidad de falla de la función protegida

• La frecuencia entre inspecciones debe garantizar la disponibilidad requerida en los

dispositivos redundantes o de protección para así disminuir la probabilidad de falla
simultánea.

• Verificar regularmente la disponibilidad de la función oculta

 Documento: Personal

OREDA (Offshore and Onshore Reliability Data)

Insertar valores tipicos de tasa de falla y otros….

78
 Documento: Personal

OREDA (Offshore and Onshore Reliability Data)

79
 Documento: Personal

OREDA (Offshore and Onshore Reliability Data)

80
 Documento: Personal

OREDA (Offshore and Onshore Reliability Data)

81
 Documento: Personal

OREDA (Offshore and Onshore Reliability Data)

82
 Documento: Personal

OREDA (Offshore and Onshore Reliability Data)

83
 Documento: Personal

OREDA (Offshore and Onshore Reliability Data)

84
 Documento: Personal

OREDA (Offshore and Onshore Reliability Data)

85
 Documento: Personal

OREDA (Offshore and Onshore Reliability Data)

86
 Documento: Personal

OREDA (Offshore and Onshore Reliability Data)

87
 Documento: Personal

OREDA (Offshore and Onshore Reliability Data)

88
 Documento: Personal

OREDA (Offshore and Onshore Reliability Data)

89
 Documento: Personal

Ejemplos de valores de tasas de fallas

90
Análisis Weibull en presencia de
Documento: Personal

datos con censura

No siempre los datos disponibles son completos. Trabajar con datos completos es
mucho más sencillo que con datos que no lo son.
Cuando se trabaja con datos de vida, con frecuencia puede suceder que al terminar la
prueba, algunos elementos todavía no han fallado o si fallaron, no se conoce el tiempo
de falla exacto. Estos datos se llaman datos censura. Básicamente, existen 3 tipos de
datos censura: censura a derecha, censura a izquierda y censura de intervalo.

1. Datos completos : Se llaman así puesto que todos los elementos sometidos a la
prueba de duración han fallado antes de su finalización y sus tiempos de falla fueron
registrados en forma exacta.
91
 Documento: Personal

Análisis Weibull en presencia de

datos con censura

2. Censura derecha : Caso que se da más habitualmente. Estos se refieren a unidades

que aún no han fallado a la finalización de la prueba. El término “derecha” se debe a
que el tiempo de falla real de un elemento clasificado con censura derecha se encuentra
a la derecha del tiempo final del experimento

92
 Documento: Personal

Análisis Weibull en presencia de

datos con censura

3. Censura de intervalo: Refleja incertidumbre en cuanto a los tiempos de falla exactos

de unidades que fallaron dentro de cierto intervalo de tiempo. Este caso es habitual en
pruebas o situaciones donde las unidades no son constantemente monitoreadas.

93
 Documento: Personal

Análisis Weibull en presencia de

datos con censura
4. Censura izquierda : Es un caso particular de la censura de intervalo. Se da cuando
sólo conocemos que la unidad ha fallado antes de cierto tiempo pero no sabemos
exactamente cuándo. Se dice que es un caso particular de la censura de intervalo
porque el tiempo de inicio del intervalo a considerar es cero, o sea cuando se inició la
prueba.

94
 Documento: Personal

Análisis Weibull en presencia de

datos con censura
El análisis de los datos censura a derecha debe ser considerado cuando se
presentan las siguientes situaciones

• Análisis de las unidades disponibles antes de la finalización de la prueba.

• Se presentan modos de falla diferentes al contemplado para la prueba y como

consecuencia las unidades deben ser retiradas de ella.

• Análisis de un modo de falla único y el conjunto actual de datos está integrado

por muchos modos de falla.

• Un análisis de garantía debe ser realizado sobre todas las unidades que se
encuentran en el campo, es decir en su ámbito de acción. Se toma en cuenta
todas las unidades, las falladas y las no falladas. La información de éstas últimas
son datos censura a derecha.
95
 Documento: Personal

Ejercicios

https://reliabilityanalyticstoolkit.appspot.com/
96
 Análisis Weibull en presencia de
Documento: Personal

datos con censura

Valores de la 5ta columna

siendo n = tamaño de la muestra = nro. de elementos fallados + nro. elementos censurados

97
 Documento: Personal

Consideraciones especiales en la utilización del MTBF y tasa de

falla como índice de desempeño.

Las herramientas de ingeniería de confiabilidad son en su mayoría cuantitativas y

predicen un rendimiento cuantitativo ( confiabilidad, disponibilidad operativa, tasa de
fallas y tiempo medio entre fallas (MTBF).
La tasa de falla constante y el MTBF se definen básicamente como un índice de
rendimiento debido a la simplicidad de dicho índice. A pesar de su simplicidad, dicho
índice no describe el rendimiento de los equipos y componentes como si lo hace la
confiabilidad.

PDF lognormal : el MTBF se disloca del

momento más probable de falla (Weibull
PDF: b = 1.2 y h = 17.520 h).
Tomar decisiones basado en MTBF en este
caso es que el tiempo para realizar
acciones preventivas será posterior al
tiempo de fracaso y muy probablemente la
falla ocurrirá antes del mantenimiento
preventivo.
98
 Documento: Personal

CONSIDERACIONES ESPECIALES EN LA UTLIZACIÓN DEL

MTBF Y TASA DE FALLA COMO ÍNDICE DE DESEMPEÑO

99
 Documento: Personal

CONSIDERACIONES ESPECIALES EN LA UTLIZACIÓN DEL

MTBF Y TASA DE FALLA COMO ÍNDICE DE DESEMPEÑO

En el caso de la PDF exponencial, el MTBF también es una referencia más pobre porque la falla
puede ocurrir en cualquier momento. La mejor opción es vigilar el estado del equipo, realizar
una inspección o realizar una prueba para comprobar si el componente está disponible.
100
 Documento: Personal

Análisis Weibull con tres parámetros ( γ≠ 0 )

• Por definición, la función de densidad de probabilidad de la distribución

de Weibull es cero para t ≤ γ. Es decir, no hay riesgo de fallo antes de γ,
que por tanto se denomina parámetro de localización o periodo libre de
fallos de la distribución.
• En la práctica, γ puede ser negativo, en cuyo caso el equipo puede haber
sufrido un proceso de rodaje o haber estado en uso antes de t = 0

101
Weibull con γ > 0.
 Documento: Personal

Análisis Weibull con tres parámetros ( γ≠ 0 )

102
Análisis Weibull con tres parámetros ( γ≠ 0 )
Documento: Personal

103
Análisis Weibull con tres parámetros ( γ≠ 0 )
Documento: Personal

104
 Documento: Personal

Intervalo de confianza : Definición

El intervalo de confianza describe la variabilidad entre la medida obtenida en un

estudio y la medida real de la población .

Corresponde a un rango de valores, cuya distribución es normal y en el cual se

encuentra, con alta probabilidad, el valor real de una determinada variable.

Esta «alta probabilidad» se ha establecido por consenso en 95%. Así, un intervalo de

confianza de 95% nos indica que dentro del rango dado se encuentra el valor real de
un parámetro con 95% de certeza.
buscada (con una determinada probabilidad).

105
 Documento: Personal

Análisis Weibull - Intervalo de confianza

El intervalo de confianza describe la variabilidad entre la media obtenida en un estudio y

la media real de la población ( el valor real ).
Después de 4.5 horas, en un 90% de pruebas similares, entre el 16% y el 64% de las
baterías habrán dejado de funcionar.
O podemos decir que tenemos un 90% de confianza que la confiabilidad después de 4,5
horas de funcionamiento no será inferior al 36%. 106