2012

Luffi

Sandra Rosas

[SUMARIO DE ARTICULOS DE
CONFIABILIDAD DE
MANTENIMIENTO]
ES UN COMPENDIO DE VARIOS ARTICULOS QUE HABLAS SOBRE LA CONFIABILIDAD Y EL
ESTABLECIMIENTO DE LA VIDA UTIL DE LOS EQUIPOS ASI COMO CRITERIS ESTADISTICOS APLICADO
PARA EL CALCULO DE LA CONFIABILIDAD
2

4. El Mantenimiento como Fuente de Rentabilidad
Para evaluar la gestin del mantenimiento, se han de definir claramente los objetivos que el
mantenimiento pretende conseguir. Estos objetivos se fijarn en funcin de los objetivos de
la empresa (rentabilidad, en mercados competitivos). La mejor manera de saber si dichos
objetivos se consiguen o no y cmo contribuyen a mejorar la competitividad de la empresa
es cuantificarlos en trminos monetarios.
Hoy en da, las estrategias del mantenimiento estn encaminadas a garantizar la
disponibilidad y eficacia requerida de las unidades, equipos e instalaciones, asegurando la
duracin de su vida til y minimizando los costos de mantenimiento, dentro del marco de la
seguridad y el medio ambiente.
Los factores crticos de xito de la gestin del mantenimiento son la Disponibilidad y la
Eficiencia, que van a indicarnos la fraccin de tiempo en que las unidades o equipos estn
en condiciones de servicio (Disponibilidad) y la fraccin de tiempo en que su servicio
resulta efectivo para la produccin.
La disponibilidad se ha de tener slo cuando se requiere, lo cual no quiere decir que haya
de ser por igual en todos los recursos (unidades), pues depende mucho de la criticidad de
los mismos, y esa criticidad puede variar segn las condiciones del mercado. Tener una
disponibilidad demasiado elevada en recursos (unidades) que no la necesitan slo ocasiona
un exceso de costos, al hacer un uso excesivo de los recursos de mantenimiento.
La mejora en los dos ratios de Disponibilidad y eficiencia y la disminucin de los costos de
mantenimiento suponen el aumento de la rentabilidad de la empresa y por tanto tiene
influencia directa sobre las utilidades.
4.1 Evolucin del concepto de Mantenimiento
Antes de esta mirada a aspectos del mantenimiento revisemos algunas definiciones bsicas:
Mantenimiento Preventivo: Tarea que involucra cambios/reconstrucciones de
partes/equipo bajo una base regular, sin importar el estado de las mismas.
Mantenimiento Predictivo: Busca mediante inspecciones peridicas determinar cuando
cambiar o reconstruir una parte/equipo en funcin del estado actual de los mismos.
Mantenimiento Detectivo: Busca detectar la ocurrencia de fallas ocultas en equipos de
proteccin y/o respaldo.
Mantenimiento Correctivo: Restitucin del equipo al estado operativo ptimo despus de
la ocurrencia de una falla.
Riesgo: Dado matemticamente por el producto de la probabilidad de ocurrencia de un
evento y sus consecuencias
3

El objetivo fundamental del mantenimiento, es preservar la funcin y la operabilidad,
optimizar el rendimiento y aumentar la vida til de los activos, procurando una inversin
ptima de los recursos. Este enfoque del mantenimiento es resultado de una evolucin
importante a travs del tiempo. La literatura [1] distingue entre tres generaciones diferentes
de mantenimiento. Cada una de las cuales representa las mejores prcticas utilizadas en una
poca determinada.
En los ltimos aos se ha vivido un crecimiento muy importante de nuevos conceptos de
mantenimiento y metodologas aplicadas a la gestin del mantenimiento.
Hasta finales de la dcada de los 90, los desarrollos alcanzados en la 3 generacin del
mantenimiento incluan:
Herramientas de ayuda a la decisin, como estudios de riesgo, modos de falla y
anlisis de causas de falla.
Nuevas tcnicas de mantenimiento, como el monitoreo de condicin
Equipos de diseo, dando mucha relevancia a la confiabilidad y mantenibilidad.
Un cambio importante en pensamiento de la organizacin hacia la participacin, el
trabajo en equipo y la flexibilidad
A estos usos, se han ido aadiendo nuevas tendencias, tcnicas y filosofas de
mantenimiento hasta nuestros das, de tal forma que actualmente se puede hablar de una
cuarta generacin del mantenimiento.
El nuevo enfoque se centra en la eliminacin de fallas utilizando tcnicas proactivas. Ya no
basta con eliminar las consecuencias de la falla, sino que se debe encontrar la causa de esa
falla para eliminarla y evitar as que se repita.
Asimismo, existe una preocupacin creciente en la importancia de la mantenibilidad y
confiabilidad de los equipos, de manera que resulta clave tomar en cuenta estos valores
desde la fase de diseo del proyecto. Otro punto importante es la tendencia a implantar
sistemas de mejora continua de los planes de mantenimiento preventivo y predictivo, de la
organizacin y ejecucin del mantenimiento.
A parte de estas caractersticas descritas anteriormente, existen otros dos temas importantes
dentro del mantenimiento actual cuya importancia ha aumentado de manera muy
importante en los ltimos aos:
La Gestin del Riesgo: Cada da cobra ms importancia la identificacin y control
de los posibles sucesos que presentan una baja probabilidad pero consecuencias
graves, sobre todo en organizaciones que operan en industrias con riesgo. El
mantenimiento se est viendo como un participante clave en este proceso. En el
pasado, este tipo de sucesos se controlaban simplemente con una extensin de los
Sistemas de Gestin de Seguridad y Medio Ambiente implantados en cada empresa.
Sin embargo, existe una creciente percepcin de que la aplicacin de estos sistemas
de gestin a los sucesos de baja probabilidad / consecuencias graves no es
efectiva, por lo que es necesario desarrollar otras metodologas.
4

Patrones de Falla: Las nuevas investigaciones estn cambiando muchas de las
tradicionales creencias sobre la relacin existente en una mquina entre el
envejecimiento y la falla. En particular, se ha demostrado que para muchos equipos
existe muy poca relacin entre el tiempo de operacin y la probabilidad de falla. El
enfoque inicial del mantenimiento supona que la probabilidad de que una mquina
falle aumenta segn el tiempo de operacin, siendo mayor la probabilidad de falla
en la vejez de la mquina. La segunda generacin de mantenimiento introdujo el
concepto de mortalidad infantil. De esta forma la tasa de fallas de una mquina
puede ser representada con una curva de baera, existiendo, por tanto, ms
probabilidad de falla durante el principio y el final de su vida til
Sin embargo, en el mantenimiento actual se ha demostrado que podemos definir seis
patrones diferentes de tasa de fallas, segn el tipo de mquina que estemos utilizando.
Tener en cuenta el patrn al que se ajusta cada elemento es fundamental si se quiere
conseguir una ptima planificacin del mantenimiento.
Debemos estar seguros de que el mantenimiento que ha sido planificado es el adecuado, ya
que de nada sirve realizar el trabajo planificado de manera correcta, si ste no es el ms
adecuado.

Figura 4.1: Nuevos patrones de tasas de falla.
Para los patrones de falla A, B y C, la probabilidad de falla aumenta con la edad hasta
alcanzar un punto en el que es conveniente reemplazar el componente antes de que falle y
as reducir su probabilidad de falla. En el caso de los componentes que presentan una
probabilidad de falla del modelo E, reemplazar el componente no mejorar en ningn caso
su confiabilidad, ya que el nuevo elemento tendr la misma probabilidad de falla que el
antiguo.
Si el patrn de falla al que se ajusta el componente es el F, reemplazar el elemento a
intervalos fijos por un componente nuevo, no slo no mejorar la confiabilidad, sino que
5

aumentar la probabilidad de falla, ya que en lainfancia presenta ms mortalidad que en
la vejez.
En el grfico se observa que ms del 50% de los componentes presentan fallas en la
infancia. Esto quiere decir que cada vez que se repara o reemplaza un equipo, las
posibilidades de falla prematura debido a esa operacin de mantenimiento son muy
elevadas. Alguna de las posibles explicaciones que se pueden dar a este hecho, son errores
humanos, errores del sistema, errores de diseo o errores de piezas.
Por lo visto anteriormente, est claro que el mantenimiento actual debe centrarse en reducir
las operaciones de mantenimiento provocadas por fallas que se ajustan al modelo F. Es
decir, fallas ocurridos en la infancia de los equipos. Para los elementos que ajusten su
tasa de fallas a este patrn F, un mantenimiento planificado a intervalos fijos aumentar las
posibilidades de falla, ya que el equipo nuevo presentar ms probabilidad de falla que el
antiguo. Por ese motivo existe una tendencia generalizada a mantener lo mnimo posible,
debido a que cualquier operacin de mantenimiento realizada puede aumentar la
probabilidad de falla.
Otra posibilidad, es centrarse en reducir de manera global las probabilidades de falla sobre
todos los modelos. La forma de realizar esto, es mediante la utilizacin de un
Mantenimiento Proactivo, es decir buscar la forma de eliminar los fallas, ms que eliminar
sus consecuencias.

Para eliminar las fallas, hay que eliminar sus causas, lo que implica conocerlas. Existen
herramientas como el Anlisis Causa-Raz que ayudan a identificar y eliminar las causas de
los fallas, aunque en muchas ocasiones se utiliza como una herramienta reactiva ms que
proactiva.
A modo de resumen, en las siguientes grficas se presenta como han ido evolucionando las
expectativas y tcnicas del mantenimiento durante el ltimo siglo:

Figura 4.2: Objetivos del Mantenimiento.
6


Figura 4.3: Evolucin de las Tcnicas de Mantenimiento.
4.2 Tcnicas de Mantenimiento
Hoy en da existen infinidad de diferentes herramientas, tcnicas, metodologas y filosofas
de mantenimiento. Algunas de las ms utilizadas entre otras pueden ser:
Mantenimiento Autnomo / Mantenimiento Productivo Total (TPM)
Mejoramiento de la Confiabilidad Operacional (MCO)
Mantenimiento Centrado en la Confiabilidad (RCM)// (MCC)
Mantenimiento Basado en el Riesgo (MBR)
Asset Integrity
Mantenimiento Centrado en Confiabilidad en Reversa (MCC-R)
Anlisis Causa raz (ACR)
Anlisis de Criticidad (AC)
Optimizacin Costo Riesgo (OCR)
Inspeccin Basada en Riesgo (RBI)(IBR)
En efecto los mtodos para mejorar la confiabilidad se podran dividir en dos:
Mtodos Proactivos: Buscan la mejora de la confiabilidad mediante la utilizacin
de tcnicas que permitan la paulatina eliminacin de las fallas tanto crnicas como
potenciales. Claros ejemplos son el Mantenimiento Centrado en la Confiabilidad y
el Mantenimiento Productivo Total.
Mtodos Reactivos: Buscan de una manera rpida y eficaz la solucin de
problemas cotidianos y evitar repeticin de eventos mayores. En lneas generales se
trata de mtodos sobre todo "post-morten". Actualmente su mejor exponente es el
Anlisis Causa Raz.
7

Nos referiremos a continuacin muy brevemente a algunas de ellas:
4.2.1 Mantenimiento Centrado en la Confiabilidad (RCM)
Esta tcnica surge a finales de los aos sesenta como respuesta al incremento de costos y
actividades del mantenimiento de las aeronaves (bsicamente preventivo). En esta industria
demuestra ser muy valioso, no slo bajando los costos y actividades de mantenimiento, sino
que adems mejora los niveles de confiabilidad, disponibilidad y seguridad. Estos xitos lo
hicieron apetecible a otras industrias, como la militar, petrolera y de generacin de
electricidad.
Esta tcnica se basa en seleccionar mantenimiento slo donde las consecuencias de las
fallas as lo requieren, para esto se necesita hacer un estudio exhaustivo de todas las
funciones, fallas, modos y consecuencias de las fallas, para luego decidir donde y que tipo
de mantenimiento hacer. Establece un orden de prioridades: la seguridad y ambiente,
produccin, costos de reparacin. Esto ha hecho que sea una herramienta valiosa en las
industrias que requieren elevados niveles de seguridad, generando a cambio de los
esfuerzos, buenos resultados.
Bajo su enfoque tradicional resulta muy difcil de aplicar en grandes industrias debido a que
no resuelve algunas interrogantes mayores como Cundo hacer el mantenimiento? y
Cmo generar una jerarqua de implantacin?
Es una tcnica bastante analtica, lo cual ha trado problemas de implantacin, debido a que
a veces resulta difcil pasar del papel a la realidad. Conduciendo esto a fuertes perdidas de
dinero y esfuerzos, degenerando al final en frustracin de los equipos de trabajo. Se trata de
una prctica recomendada por el Energy Power Research Institute (EPRI) para sistemas
elctricos.
4.2.2 Mantenimiento Productivo Total (TPM)
Conocido por los grandes beneficios que ha obtenido en empresas manufactureras.
Demostr su poder en Japn y ha comenzado a diseminarse a lo largo del mundo. Hace un
gran esfuerzo en el trabajo en equipos. Se apoya fuertemente en limpieza y lubricacin
como fuentes que eliminan problemas crnicos. Requiere de una profunda cultura de
trabajo en equipo y sentido de propiedad de los bienes por parte de los trabajadores.
De no poseer estos se requiere de un fuerte trabajo en el cambio cultural. Est muy ligado a
los conceptos de mejoramiento continuo de la calidad y filosofas cero defectos. Difcil de
aplicar en empresas de procesos, debido en muchos casos a lo ambiguo que resultan los
conceptos de calidad y defectos, por otra parte el problema cultural puede entorpecer la
implantacin a niveles de frustracin.
Donde se ha logrado su implantacin exitosa, se han tenido grandes logros respecto a
seguridad, ambiente, confiabilidad, disponibilidad y costos de mantenimiento. Tampoco
8

responde a las interrogantes Cundo hacer el mantenimiento? y Cmo generar una
jerarqua de implantacin?
4.2.3 Anlisis Causa Raz (ACR)
Tcnica poderosa que permite la solucin de problemas, con enfoque a corto y mediano
plazo. Usa tcnicas de investigacin bastante exhaustivas, con la intencin de eliminar las
causas de los problemas/fallas. Su valor no slo reside en la eliminacin de grandes
eventos, sino en la eliminacin de los eventos crnicos, que tienden a devorar los recursos
de mantenimiento. Al eliminar paulatinamente los problemas crnicos y pequeos, este
genera tiempo para anlisis ms profundos (RCM, por ejemplo).
4.3 Mejoramiento de la Confiabilidad Operacional (MCO)
El mejoramiento en la confiabilidad operacional desarrollada en U.K. con la intencin de
agrupar las mejores practicas de mantenimiento y operaciones con una orientacin al
negocio. Reconoce las limitaciones que el mantenimiento como funcin tiene para lograr
una confiabilidad adecuada de las instalaciones.
La figura ilustra un poco mas la idea:

Figura 4.4: Confiabilidad Operacional.
Para mejorar los 4 sectores nombrados en la grfica anterior, el MCO divide las tcnicas de
mejoramiento:
Diagnstico Aqu mediante uso de tcnicas asociadas al manejo de riesgo se
cuantifican las oportunidades a corto plazo (reactivas) y mediano largo plazo
(proactivas). Como resultado se obtiene una jerarqua de implementacin. Aqu se
hace uso de herramientas de anlisis de criticidad y de oportunidades perdidas (a
9

modo de ejemplo), estas permiten establecer las oportunidades de mejoramiento y
que herramientas de control podran usarse para capitalizar las oportunidades
halladas
Control Aqu se usa el RCM+ (que combina algunas ventajas del TPM con el
RCM) como tcnica proactiva y el ACR como tcnica reactiva, tambin se puede
hacer uso del IBR para equipos estticos. Como resultado se obtienen una serie de
tareas de mantenimiento, operaciones, rediseo a ejecutar para mejorar el
desempeo.
Estas tcnicas de control por lo general son tcnicas del tipo cualitativo y basadas en reglas
fijas para la toma de decisin (por ejemplo: diagramas lgicos).
Optimizacin Aqu mediante el uso de herramientas avanzadas de clculo costo
riesgo se hallan los intervalos ptimos de mantenimiento, paradas de planta,
inspecciones, etc.
Se trata de tcnicas del tipo numrico e involucran el modelado de los equipos y/o sistemas.
Los resultados de implementar estas herramientas de esta manera son impresionantes en
diversas industrias, logrando en algunos casos incluso la transformacin de las empresas
llevndolas a la implementacin de Gerencia de Activos (Asset Management)
Grandes resultados se han encontrado en Centrales Elctricas con la implantacin del
Mantenimiento Centrado en la Confiabilidad y con el Anlisis Causa Raz. Un requisito
que no debe dejarse de cumplir es el establecimiento previo de prioridades antes de la
ejecucin de ambas tcnicas (simultaneas). Se han desarrollado herramientas como el
anlisis de criticidad y el anlisis de oportunidades perdidas que pueden resolver dicha
inquietud eficazmente.
Por otra parte normalmente ambas tcnicas generarn soluciones que podran ser agrupadas
en:
Cambios de diseo.
Tareas preventivas.
Tareas de Inspeccin (Deteccin y Prediccin).
Tareas correctivas.
La respuesta a cuando ejecutar dichas tareas no es simple, y en muchos casos no puede ser
fijada por la ley del dedo. Grandes beneficios econmicos han sido reportados con el uso de
software, que pueden calcular el punto de ejecucin con menor costo/riesgo posible para las
tareas anteriores.
4.4 Inspeccin Basada en Riesgo
10

Un capitulo especial se abre con esta tcnica, que establece patrones de inspeccin de
equipos estticos (calderas, lneas de transmisin, etc.) en funcin de su riesgo asociado,
nuevas aproximaciones permiten usar software para tomar en cuenta tambin el estado
actual del equipo, lo que desencadena una continua optimizacin por costo/riesgo y no una
frecuencia de inspeccin fija. Los reportes econmicos han sido cuantiosos, adems de los
beneficios por disponibilidad y produccin. Tambin es posible optimizar con este tipo de
tcnicas la frecuencia de bsqueda de fallas ocultas (pesquisa de fallas, mantenimiento
detectivo), dejndose de usar entonces formulas mgicas que no generan una frecuencia
ptima por costo/riesgo, pudindose simular factores como probabilidad de xito de la
prueba y probabilidad de destruccin del equipo probado.
4.5 Modelos de Optimizacin del Mantenimiento
Los modelos de optimizacin de mantenimiento se definen [3] como aquellos modelos
matemticos cuyo objetivo es encontrar el equilibrio ptimo entre los costos y beneficios de
ste, tomando en cuenta todo tipo de restricciones. En casi todos los casos, las ventajas del
mantenimiento consisten en ahorros de costos en los cuales de otro modo se incurrira (por
ej, menor costo de fallas). Esta definicin no incluye todos los modelos de investigacin de
operaciones aplicados en el mantenimiento. La programacin de interrupciones de plantas
de energa elctrica para mantenimiento no es considerada, a menos que los aspectos de
mantenimiento tpicos (como el deterioro) sean modelados explcitamente. Se excluyen
tcnicas de direccin de proyecto, aunque algunas sean usadas en la planificacin de cierre
de instalaciones principales en la industria de proceso, cuando stos carecen de los aspectos
costo-beneficio del mantenimiento.
Tambin se excluye los modelos de reemplazo de repuestos cuando stos se enfocan
principalmente en el control de inventario.
En general, los modelos de optimizacin de mantenimiento cubren cuatro aspectos:
1. Una descripcin de un sistema tcnico, su funcin y su importancia,
2. Un modelado del deterioro del sistema en el tiempo y consecuencias posibles para
el sistema,
3. Una descripcin de la informacin disponible acerca del sistema y las acciones
dispuestas por la direccin
4. Una funcin objetivo y una tcnica de optimizacin que ayuda en el descubrimiento
del mejor equilibrio.
En [4] los modelos se clasifican segn la modelacin del deterioro en:
Modelos deterministicos
Modelos estocsticos
o En Riesgo
o Bajo Incertidumbre
11

Ellos distinguen entre un sistema simple (componente unico) y un sistema complejo. La
diferencia entre riesgo e incertidumbre es que en caso del riesgo se asume que una
distribucin de probabilidad del tiempo de falla est disponible, lo que no ocurre en el caso
de la incertidumbre. Este por lo tanto incluye modelos con polticas adaptativas. Los
mtodos de optimizacin empleados incluyen programacin lineal y no lineal,
programacin dinmica, mtodos de decisin de Markov, tcnicas de anlisis de decisin,
tcnicas de bsqueda y metodologia heurstica.
Los modelos de optimizacin de mantenimiento proporcionan varios resultados. En primer
lugar, las polticas pueden ser evaluadas y comparadas con respecto a las caractersticas de
confiabilidad y rentabilidad. En segundo lugar, los resultados pueden ser obtenidos en la
estructura de monitoreo(vigilancia) ptimas, como la existencia de una poltica optima en
los lmites de control. En tercer lugar, los modelos pueden asistir en el aspecto del tiempo:
con que frecuencia inspeccionar o mantener. Todos estos resultados se refieren al concepto
de mantenimiento; el ltimo tambin se refiere adicionalmente a la planificacin del
mantenimiento. Finalmente, los modelos tambin pueden ayudar en la determinacin
efectiva y eficiente de programas y planes, tomando en cuenta todos los tipos de
restricciones.
Cuando la direccin de un departamento de mantenimiento se encuentra en una condicin
de mantenimiento reactivo. Una de las mejores maneras de afrontar los inicios de la
gestin para pasar a la condicin de mantenimiento planificado es utilizando mtodos
sencillos de optimizacin de cadenas de valor como la teora de restricciones y los modelos
de colas La teora de restricciones [5 ]se centra, bsicamente, en la bsqueda del flujo
perfecto de bienes o servicios a travs de una cadena de valor balanceada, coordinada y
sincronizada de estaciones de trabajo, logrando as, bajar los costos de operacin, reducir
los inventarios y aumentar las ventas.
En el caso de un departamento de mantenimiento aplica todo lo anterior, ya que por un
lado, la funcin mantenimiento no es otra cosa que un conjunto ordenado de actividades
que agregan valor a un servicio prestado, desde una condicin inicial conocida hasta una
condicin final que debe cumplir con los parmetros de calidad y seguridad establecidos o
convenidos entre el ente encargado de agregar valor (Departamento de Mantenimiento) y el
que lo recibe (clientes internos) en un tiempo determinado. Siendo el servicio prestado un
bien intangible podemos tomar la solicitud de trabajo como elemento tangible del
servicio en su condicin inicial, la orden de trabajo en proceso como elemento tangible
del servicio en trnsito y la orden de trabajo culminada como elemento tangible del
servicio en su condicin final.
Por otro lado, en cuanto a los resultados esperados, podemos establecer una relacin
directa, ya que, los costos de operacin son los gastos de mantenimiento, los inventarios
estaran representados por las ordenes de trabajo (sin atender y en trnsito) y las ventas se
pueden asociar directamente con el nivel de servicio (cantidad de solicitudes atendidas en
una cantidad de tiempo determinada).
Segn la teora de restricciones, el primer paso para la implantacin es identificar los
cuellos de botella (estaciones de servicio que determinan la velocidad del flujo en el
12

sistema), luego se asignan las prioridades a los trabajos a ser ejecutados y finalmente se
balancea el sistema. Este proceso es reiterativo, ya que al cambiar las condiciones externas
o internas del sistema, van apareciendo nuevos cuellos de botella, lo que trae consigo
nuevas acciones correctivas.
4.6 Relacin entre Mantenimiento, Disponibilidad y Rentabilidad
Anlisis de un caso particular 1
Relacin entre el Mantenimiento Programado y las salidas forzadas, su impacto Econmico
en la eleccin de Metas de Disponibilidad [7].
Las tcnicas para estimar la Disponibilidad Optima Econmica (OEA) de una unidad
generadora se ha enfocado en la comparacin del costo "frontera" [8] de la unidad por el
porcentaje de mejora de su valor marginal. Aunque ha sido normalmente aceptado que la
cantidad de salidas no planeadas que una planta experimenta es, en parte, una funcin de la
cantidad del mantenimiento programado, aquella relacin no ha sido bien determinada. El
estudio [7] explora aquella relacin y examina su impacto econmico en la eleccin de
metas de disponibilidad.
Anlisis
Usando una base de datos del Edison Electric Institute (un predecesor del actual GADS
system administered by the North American Electric Reliability Council) para grandes
unidades carbn de 1971 a1978, fue deducida una relacin lineal entre la indisponibilidad
planeada y la indisponibilidad no planeada. El coeficiente de correlacin fue 0.895,
informando de una fuerte relacin. Como los datos tienen ahora ms aos y la
disponibilidad de la industria ha mejorado considerablemente desde aquel tiempo, la
constante en la ecuacin ya no es acertada o verdadera. Sin embargo, se considera que la
pendiente (slope) de la curva permanece cerca del original calculado en un valor de -0.5897
[6]. Esto significa que por cada punto porcentual adicional que aumentamos nuestras
salidas programadas (el total planeado, salidas por mantenimiento y derating equivalent)
las salidas forzadas y derating equivalent decrecern en 0.5897 puntos porcentuales.
Maximizar Disponibilidad
Como se puede ver fcilmente, a fin de maximizar disponibilidad usando la ecuacin
deducida de estos datos, se debera minimizar la cantidad de interrupciones programadas
dado que, por cada punto porcentual que se reducen las interrupciones planeadas, se podra
esperar un aumento de la disponibilidad de la unidad en 0.4103 puntos porcentuales (1-
0.5897) (Obviamente este se aplica slo dentro de los lmites de los datos; fuera de aquellos
lmites la relacin es probablemente no- lineal).
Si maximizar disponibilidad fuera la tarea de una compaa de generacin, entonces este
modelo o estrategia sera ptimo. Sin embargo, no se esta simplemente encargados de
maximizar la disponibilidad, sino mas bien de minimizar los costos de producir y distribuir
13

energia para satisfacer la demanda de los clientes (o maximizar la ganancia de la compaia
en caso de sistemas desregulados). Aunque maximizar disponibilidad ha usualmente sido
considerado sinnimo de minimizar costos, el anlisis siguiente demuestra que esta
aseveracin no es necesariamente vlida.
Minimizar Costos
Ha sido siempre reconocido que una hora o da o un porcentaje de salida programada es
normalmente mucho menos costoso (en trminos de reeplazar el costo de la energa) que
una hora o da o porcentaje de estos de salida forzada, ya que una compaa de generacin
intenta programar sus interrupciones durante perodos de demanda mnima (o de costos
minimos para la empresa- otra forma de verlo es en que lo que se deja de ganar sea
minimo). Durante muchos aos algunas compaas de generacin han estado calculando
estos costos por hora, diariamente, semanalmente y estacionalmente. Un anlisis de estos
costos ha mostrado que para grandes unidades a carbn base-carga la razon"promedio"
entre el costo de salidas forzadas y el costo de salidas programadas vara entre 3.0 y 4.5
(excepcionalmente durante condiciones ajustadas" entre la oferta y demanda esta razn
puede ser mucho ms alta y la volatilidad puede ser mucho mayor durante peaks
estacionales). Tambin, esta razn de costos para unidades cclicas y unidades de punta es
mucho mayor (al menos uno a dos rdenes de magnitud mayor).
Por lo tanto, cuando se calcula el costo de interrupciones y se usa la razn mas baja para
grandes unidades de carbn, osea 3.0 segn lo dicho anteriormente, en efecto se cambia la
pendiente de la ecuacin (en trminos monetarios, no porcentuales) en un factor de 3.0 de
modo que ahora:
Pendiente(Slope) = 3.0 x -0.5897 =-1.7691
Esto significa que por cada dlar que se "ahorra" reduciendo el mantenimiento programado,
se puede esperar gastar o pagar" un promedio de 1.7691 dlares extra por efecto de
interrupciones forzadas incrementadas. Entonces si el objetivo es minimizar el costo total
se debera obviamente aumentar la programacin y salidas por mantenimiento a efectos de
reducir nuestro costo de salidas no programadas, sin tener en cuenta el efecto que podra
tener en nuestra disponibilidad.
Nueva Medida
Algunas compaas que han identificado el problema de utilizar el Factor de Disponibilidad
Equivalente (EAF) para evaluar el rendimiento de la planta han comenzado a usar el
trmino Disponibilidad Comercial (CA), anteriormente analizado, que intenta enfrentar el
tema "ponderando o pesando" las medidas de disponibilidad tradicionales por algn
indicador de costo marginal o costo de mercado. Entre tanto se mantienen estas grandes
promesas de medir adecuadamente el verdadero impacto econmico de las interrupciones
de una planta en el rendimiento financiero (rentabilidad) de la compaa, ninguna
definicin nica ha sido adoptada por la industria y an hay otras implicaciones que no han
sido totalmente resueltas [9]y[10].
14


Anlisis de un caso particular 2
Optimizar Costos de O&M para Maximizar Rentabilidad [11]
A menudo en la proforma de una central elctrica propuesta, los costos O&M son tratados
como un commodity (activo); un nmero para ser reducido tanto como sea posible. Sin
embargo, varias estudios de la industria han mostrado que hay una correlacin directa entre
un cambio en el gasto de O&M en una central elctrica dada y el resultante desempeo de
aquella planta. El objetivo entonces, sera encontrar el nivel ptimo de gasto O&M que
minimice el coste TOTAL ($ diseo + $ O&M + $ desempeo) y que maximice la
rentabilidad.
Este proceso es muy difcil porque la relacin entre el gasto de O&M y el desempeo de la
planta no esta bien determinado o cuantificado. Varios estudios han mostrado que
numerosos factores afectan esta relacin, extendindose hacia atrs por todas partes a las
decisiones iniciales de diseo (tecnologa, equipamiento, calidad y configuracin, tipo de
combustible y calidad, etc.) y a travs de la construccin, puesta en servicio y operaciones
de ciclo de vida y mantenimiento, y decisiones de renovacin o reemplazo.
O&M es especialmente importante ya que como se mostrar, como el 75% de una variacin
en la confiabilidad de la planta es inflluido por la calidad de la O&M, slo el 25% es
inflluido por el diseo o modo de operacin. Todos estos factores interrrelacionados y la
filosofia de O&M ptimo debe tomar en cuenta todas sus influencias, incluyendo factores
near-term como ciclo de vida.
Pero, no es suficiente determinar simplemente el mejor plan de O&M una vez que el diseo
esta determinado. Debera haber un dilogo activo entre el equipo de diseo y el equipo de
O&M para encontrar la mejor combinacin que producir el mxima beneficio para
cualquier proyecto en particular.
Antecedentes
La Southern Company es una de las grandes compaias privadas de servicios en los Estados
Unidos. Establecido en Atlanta, Georgia, tiene activos por sobre los 25 mil millones de
dlares y opera aproximadamente 35.000 MW . En 1993, sus plantas generaron ms de 144
billones de kWh de electricidad con un 78 % de plantas de carbn , 17% nuclear, 14
%hidro y 1 % gas y petroleo. Sus unidades de carbn y nucleares tienen una confiabilidad
promedio de 96 % (1- Indice de Interrupcin Forzado equivalente - EFOR), este valor
experiment un incremento de 19 puntos porcentuales desde 1976 en que era de 77%.
(Figura 1a)., Muchos factores se combinaron para conseguir esta importante mejora [12],
un aumento significativo en gastos de capital en O&M y mejoras . Muchas de las plantas
ms viejas experimentaron el mismo patron en distintos grados. Esto es, que al principio se
disminuia el gasto en O&M, seguido por un deterioro en la confiabilidad; se disponia
entonces el dinero para las mejoras de la planta e invertir en incrementar la confiabilidad,
aunque amenudo los gastos se postergaban por aos. Esto condujo a analistas de la
15

Compaa en un esfuerzo por intentar cuantificar la relacin gastos/confiabilidad de las
centrales elctricas de la Southern Company.
Unidad Beanchmarking par
En 1991, el North American Electric Reliability Council (NERC) and Southern Electric
Internacional (SEI) (el brazo desregulado de la Southern Company) desarroll una
metodologa para determinar segn estadsticas las caracteristicas de diseo y operacin,
mas significativas, para comparar el desempeo de unidades de generacin similares [13]
El proceso de la unidad par beanchmarking actualmente empleado en NERC/SEI join
ventures es el resultado de una evolucin de ideas asociadas con el objetivo comn de
predecir o pronosticar el desempeo de las unidades de generacin elctrica. Los sistemas
de planificacin de las organizaciones confan en estas predicciones, y la exactitud o la
inexactitud de tales proyecciones pueden ahorrar o bien costar millones de dlares en
utilidades.
Por aos, el mtodo utilizado para hacer estas proyecciones en el Southern electric system
fue una especie de fuzzy trending, donde los datos histricos y la informacin acerca de
los planes de mantenimiento futuros de la unidad, modificaciones, y nivel de la utilizacin
estan todos considerados en la prediccin del desempeo de la unidad en el futuro. En un
paper presentado en 1988 en la American Power Conference titulado, "Trends in
Generating Unit Performance and the 1990's Power System," la General Electric Company
desarroll una ecuacin para predecir la disponibilidad de unidades trmicas basada en la
operacin histrica y en la estructura o patron de gastos de mantenimiento. Este paper nos
condujo a preguntarnos si una metodologa con una base matemtica estadstica podra
producir resultados ms exactos que el mtodo fuzzy trending usado en el pasado. La
ecuacin fue aplicada a datos a nivel de sistema del Southern electric systemcon buenos
resultados; sin embargo, los resultados eran errticos cuando la ecuacin fue aplicada a
datos a nivel de unidades. En un esfuerzo para conseguir datos mas adecuados a nivel de
unidades, el siguiente paso fue desarrollar una nueva ecuacin usando anlisis de regresin
y datos de 85 unidades termicas del Southern electric system (25,000 MW). Ms que
asumir desde el comienzo que los factores principales que afectan la disponibilidad de la
unidad eran ya conocidos, el proceso que fue desarrollado evaluaba el desempeo de la
unidad (EFOR) relativo a numerosas caractersticas de diseo y de operacin a fin de
determinar los factores ms importantes. La ecuacin de regresin que resulta incluy
algunos aos recientes y variables operacionales anteriores (EFOR, factor de servicio, y
factor de interrupciones planeadas), algunas caractersticas de diseo (tipo de combustible,
fabricante de la caldera, y fabricante de la turbina), y histricos desembolsos de O&M. Una
comparacin de la exactitud de las proyecciones hechas con el nuevo modelo matemtico
versus el viejo mtodo fuzzy trending mostr que el modelo matemtico fue superior.
Aproximadamente el 80 % de las proyecciones del viejo mtodo fueron altas, mientras que
las proyecciones con el nuevo mtodo fueron ms cercanas a valores reales tanto con
estimaciones bajas como altas. Fue alentador que aun en sus inicios, el modelo matemtico
apareci superior al mtodo previamente usado. (Fig. b y c)
16

Hasta este punto, la metodologa result en una gran ecuacin que se aplic a todas las
unidades incluidas en la base de datos. Adicionalmente, el mtodo usado para incorporar
variables nominales en el anlisis de regresin, como tipo de combustible, fabricante de la
caldera y fabricante de la turbina fue un proceso engorroso. Fue decidido que el mismo, o
an mejor, los resultados podran ser logrados subagrupando los datos por variables
nominales importantes y aplicando el anlisis de regresin a nivel de subgrupo. Este es el
punto en cual la primera generacin de unidades benchmarking pares se desarrolla. NERC y
SEI firmaron un joint ventur para dar servicio a clientes en benchmarking de desempeo de
sus unidades versus el de las unidades par. Los grupos pares para las unidades del
cliente fueron desarrollados usando el anlisis estadstico para determinar la caracterstica
que tenia el mayor impacto en el desempeo de la unidad, y dividiendo la base de datos en
subgrupos basados en esta caracterstica. El proceso fue seguido a niveles de subgrupo, con
una divisin tras otra, hasta que ninguna caracterstica restante fuera significativa para
aquella division, o hasta que el nmero de unidades de par en la division cayera a un nivel
mnimo aceptable. El resultado divide las 1213 unidades trmicas de la industria en 19
grupos de unidades par generales, con las caractersticas ms significativas que son
criticas, vintage, modo de operacin, tamao, tipo de diseo, tipo de combustible y el
fabricante de caldera (Fig d). El diseo y los datos operacionales de las unidades de clientes
fueron usados para localizar cada una de las unidades de clientes dentro de los 19 grupos de
par, y fueron proporcionadas distribuciones mostrando el desempeo de las unidades del
cliente con relacin a aquel de sus pares.
Nuevas Perspectivas
Cuando los resultados de los estudios anterior de benchmarking fueron examinados en
profundidad, nuevas relaciones fueron reveladas. Cuando los mejores exponentes (EFOR)
en cada grupo par (10 percentil ) fueron comparados uno a otro, la funcin densidad de
probabilidad resultante tena una anchura relativamente estrecha ( Fig e) en otras palabras,
la diferencia entre el mejor exponente en el mejor grupo par tena un EFOR de slo 5
puntos porcentuales ms abajo que el mejor exponente en el peor grupo par (la seleccin
del grupo par esta basada slo en parmetros de diseo o modo de operacin).
Si ahora comparamos a los exponentes ms pobres uno a otro (90 percentil) en cada grupo
par, conseguimos la funcin de densidad de probabilidad mostrada en la Fig f. Finalmente,
cuando sacamos el mejor exponente EFOR del peor exponente EFOR en cada grupo,
podemos ver el rango o la variabilidad entre el mejor y el peor (Fig g). De esta curva, se
puede ver que la diferencia entre los mejores exponentes y los peores con los mismos
factores estadisticamente significativos de diseo/modo de operacin es de
aproximadamente 20 %. Por lo tanto, la percepcin de los analstas es que slo entre el 20 y
25% de la variacin en la confiabilidad de unidades generadoras, en general puede ser
explicado debido a diferencias en el diseo o modo de operacin. El 75-80% restante de la
variacin es debido a otros factores. Se estima que la mayora de aquel impacto es debido a
la calidad de los programas de Operacin y Mantenimiento de las unidades (entrenamiento,
procedimientos, staffing lavels, herramientas, equipo, datos, etc.) as como los gastos de
O&M.
17

La relacin entre parmetros de diseo, operacin, y calidad de O&M debe ser bien
entendida a fin de determinar la mejor combinacin que conducir al costo ms bajo del
producto. Las figuras h e i muestran como esta interrelacin afecta el costo total y la
rentabilidad de las plantas.

(d)
18


(h)
19


(i)
Figura 4.5: Southern Company SystemFossil Fired Units Reliability .

(a)

(b)
20


(c)

(e)

(f)

(g)
Figura 4.6: Southern Company SystemFossil Fired Units Reliability .










21

Capturando la cantidad correcta de datos
Comentar
Ver commentarios
Imprimir

Uno de los desafos clave que enfrentan los gerentes de mantenimiento y confiabilidad es
determinar el nivel apropiado de tecnologa de de monitoreo de condicin para los activos de la
planta que se encuentran en el medio del espectro, desde el punto de vista de la criticidad en
general.
La mayora de los activos de la planta, por lo general maquinaria de bajos caballos y menos
critica, comnmente se monitorean con tecnologas predictivas porttiles.
Del mismo modo, es una decisin fcil para seleccionar soluciones de monitoreo de condicin en-
lnea para el equipo de gran caballaje que son altamente crticos para la operacin de la planta.
El dilema, a menudo, es determinar el nivel adecuado de monitoreo de condicin de los activos
que se encuentran en algn lugar entre estas dos clasificaciones.
Por lo general, el ranking de criticidad se utiliza como un criterio en el desarrollo y aplicacin de
programas preventivos y de prediccin en una poblacin amplia de los activos. Los factores
ambientales y de seguridad solos a menudo proporcionan la justificacin necesaria para una
solucin de monitoreo de condicin en particular. Sin embargo, cuando la seguridad y las
consideraciones ambientales no son una preocupacin abrumadora, un verdadero anlisis de
costo/beneficio puede ser til para apoyar el argumento empresarial para la correcta tecnologa
del monitoreo de condicin para los activos que quedan en el medio del espectro de la criticidad.
Este artculo demostrara los mtodos basados en el Anlisis de Modo de Falla y Efectos FMEA,
por sus siglas en ingls) para el anlisis de costo/beneficio de las soluciones de monitoreo de
condicin para activos y grupos especficos de equipos similares que entran en esta categora.
Estos mtodos, especialmente cuando se realiza en conjunto con anlisis de RCM, ayudan a
responder preguntas clave acerca de si o no una propuesta de solucin de monitoreo de
condicin es tcnicamente factible y vale la pena.
El Espectro de Criticalidad
Prcticamente todas las operaciones industriales se basan en los equipos considerados
fundamentales para sus procesos. Algunas de estas operaciones involucran maquinaria de gran
potencia y activos fijos que tienen un impacto significativo en la produccin de la planta, y
representan altos costos de reparacin o consideraciones de seguridad, en el caso de un fracaso.
Para estos activos, el monitoreo continuo del comportamiento de los equipos y los indicadores
del estado con transductores fijos y los sistemas de proteccin en-lnea se han considerado las
mejores prcticas durante dcadas. Con un canal dedicado de monitoreo para cada transductor,
los sistemas continuos no solo proporcionan funciones de proteccin, sino permitir un anlisis
profundo de los parmetros medidos y las capacidades de diagnstico. Las recomendaciones del
22

Fabricante Original de los equipos (OEM, por sus siglas en ingles), las mejores prcticas del
usuario final, las directrices del asegurador industrial, y las normas como API 670 han servido
para reforzar estas aplicaciones como prctica estndar para los activos crticos. Adems del
monitoreo continuo en-lnea, las mejores prcticas para los activos crticos tambin incorporan
tcnicas peridicas fuera-de-lnea, tales como tcnicas de anlisis del aceite lubricante,
termografa infrarroja, anlisis de la corriente del motor, y otros.
Hacia el otro extremo del espectro de la criticidad, pero todava por encima del umbral en el que
la estrategia de que trabaje hasta la falla (run to failure) podra ser considerada, los grupos
colectivos de maquinaria de uso general de caballaje ms pequeo y los activos fijos se suelen
manejar con programas que aplican estas tecnologas predictivas porttiles como la estrategia
principal. Sobre una base peridica, los datos son recolectados y analizados con la ayuda de los
recolectores de datos porttiles de vibraciones, cmaras de termografa infrarroja, muestreo del
aceite lubricante y anlisis, equipos de deteccin de ultrasonidos y otras tcnicas que
proporcionan las indicaciones de la condicin de los activos a un costo relativamente bajo por
cada punto cuando se aplica a travs de una base de activos de tamao regular. Los datos de la
evaluacin competitiva de una variedad de industrias dan prueba de que los programas de
mantenimiento predictivo, cuando estn diseados e integrados con las operaciones y
actividades de mantenimiento, paga dividendos importantes y recurrentes1. Una de las razones
principales para esto es que el mantenimiento realizado segn las indicaciones del estado de la
mquina suele ser ms eficaz y eficiente que el mantenimiento que se basa exclusivamente en
las estrategias reactivas o basadas en el tiempo.
La necesidad de Mtodos Basados en FMEA de justificacin de Costos
Para los bienes de equipo que se sitan entre estas dos clasificaciones, el nivel adecuado de
monitoreo de condicin puede no ser una alternativa tan clara. Una buena pregunta a la hora de
evaluar una posible solucin es cul es el rendimiento esperado de la inversin y el perodo de
recuperacin? La siguiente discusin sobre los mtodos basados en FMEA se ofrece para ayudar
a responder esta pregunta.
La mayora de los programas de mantenimiento y confiabilidad exitosos han desarrollado una
clasificacin de la criticidad global para todos los activos en sus instalaciones. Factores tpicos
utilizados en la determinacin de la criticidad del impacto potencial que podran llevar a un
fracaso:
Seguridad
Ambiental
Produccin
Costos
Calidad del Producto
23

Lo que generalmente resulta de este ejercicio es una lista de los activos clasificados en trminos
de criticidad relativa usando una escala arbitraria como 0 a 10, A/B/C, u otro rgimen
alfanumrico. Estas clasificaciones se utilizan normalmente para dar prioridad a la direccin de
recursos limitados de la administracin de activos (tanto de personas como de tecnologa), a
donde tendrn el mayor impacto. Aunque estas clasificaciones pueden incorporar puntuacin
numrica y pueden ser ms o menos vinculados a las cantidades reales, como el coste, son en
su mayor parte cualitativas, es decir, los nmeros se determinan con base en la interpretacin
subjetiva de las caractersticas relativas a los criterios de clasificacin establecidos. Esto es
totalmente apropiado cuando la tarea es determinar la criticidad relativa de varios miles de
piezas individuales del equipo de la manera ms eficiente posible.
Los resultados de criticidad desarrollados de esta manera, sin embargo, normalmente carecen
de detalles precisos y fiables que puedan apoyar de forma cuantitativa o absoluta la
determinacin de riesgo en trminos de probabilidad de un suceso real y la gravedad en
trminos financieros. Un anlisis ms cientfico que determina el riesgo financiero anualizado o el
costo probabilstico, es til para aquellos casos en donde los anlisis de costo-beneficio son
necesarios para evaluar la viabilidad de las posibles soluciones.
La necesidad del anlisis de coste/beneficio es tambin una parte importante del proceso de la
toma de decisiones del anlisis del Mantenimiento Centrado en Confiabilidad. Medidas
proactivas, incluida la aplicacin de monitoreo de condiciones, ha de ser tcnicamente viable y
que valga la pena de hacer 2. La solucin debe ser eficaz en la reduccin de riesgos y costes a
un nivel adecuado, y capaz de generar beneficios que superan a los costos para su aplicacin.
Mediante la aplicacin de conceptos de FMEA para ayudarnos a medir el grado de mitigacin del
riesgo que puede lograrse por una solucin posible, y utilizando los resultados en la ecuacin
costo/beneficio, podemos responder a estas preguntas con mucho ms seguridad.
La cuantificacin de los costos y el riesgo
El resto de este artculo examinar la forma de expresar el riesgo de tipo probabilstico,
determinar el nivel de reduccin del riesgo de que se puede lograr mediante la aplicacin de
soluciones de monitoreo de condicin, y pesar estos beneficios contra los costes de
implementacin de solucin en una forma verdadera de un anlisis de costo/beneficio en valor
presente neto.
Los costos y riesgos que representa un activo para un negocio, en trminos financieros, se
pueden derivar con varios mtodos distintos:
Mtodo A Datos Histricos
Si los datos histricos estn disponibles en un Sistema de Administracin de Mantenimiento
(CMMS por sus siglas en ingls) que tenga suficiente granularidad para vincular la produccin
perdida y los costes de mantenimiento de los modos de falla especficos, entonces la
24

determinacin de costos de probabilidad puede ser simplemente una extrapolacin de la historia
coste real de un activo especfico de una conjunto de datos, como se muestra en la Figura 1.

Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador.
Los Costos de la tabla pueden ser fcilmente ordenados por tipo de falla y convertirse en valores
equivalentes de costo anual que puede ser utilizado en un anlisis de costo/beneficio en valor
presente neto de posibles soluciones.
Mtodo B Estadsticas de Confiabilidad Publicadas
Cuando el historial de costes no est disponible porque un registro exacto no se han cumplido o
tal vez la planta todava no est en operacin, el riesgo anual, en trminos financieros, todava
se puede estimar a partir de estadsticas de confiabilidad elaboradas por una variedad de grupos
de usuarios de la industria y disponible en un nmero de fuentes publicadas. El riesgo se define
como sigue:
Riesgo = Probabilidad x Severidad
Donde:
Probabilidad = la probabilidad estadstica de que ocurra el evento
Severidad = consecuencias del evento si llega a ocurrir
La probabilidad es un valor de porcentaje que representa la probabilidad estadstica de que
ocurra un evento dentro de un tiempo de misin definido. Esto puede ser calculado a partir de la
frmula:
Probabilidad = 1 e-(t/MTBF)
25

Donde:
MTBF = Tiempo Medio Entre Fallas
t = tiempo de misin
Para simplificar, en la frmula anterior, estamos asumiendo una distribucin aleatoria de fallas
es decir, las fallas no dependen del tiempo-de-operacin. Sin embargo, para los modos de fallo
que son fuertemente dependientes del tiempo, como la mortalidad prematura o el desgaste, los
parmetros de Weibull y Eta Beta se deben utilizar en la funcin exponencial como se muestra a
continuacin para dar mayor precisin de clculo de probabilidad de falla por un tiempo de
misin determinado:
Probabilidad = 1 - e-(t/)
Donde = vida caracterstica
= parmetro de forma
Como los valores para los parmetros de confiabilidad pueden variar ampliamente, algunas
bases de datos de confiabilidad publicadas presentan parmetros de MTBF y Weibull, como
valores de porcentajes superiores e inferiores as como valores medios. Los valores superiores e
inferiores suelen representar el 5% y el 95% de puntos porcentuales dentro del rango de valores
de la base de datos. Dado que el 90% de los valores de las base de datos se encuentran entre
esos dos lmites, los clculos de confiabilidad que utilizan tanto los lmites superiores como los
inferiores producir un rango de probabilidad correspondiente a un intervalo de confianza del
90% o 90% de certeza.
El factor de Severidad que se utiliza en la definicin de riesgos, se puede expresar en unidades
financieras. Esta es la severidad o el coste esperado para el negocio en la prdida de produccin,
mano de obra, gastos de reparacin, multas o penas, y la prdida de calidad de los productos
que se producirn si se produce un fallo detectado. Si el tiempo de la misin utilizado en el
clculo de probabilidad es de un ao, y luego multiplicar Severidad X Probabilidad se obtiene la
probabilidad de gravedad del riesgo o el coste anual de probabilidad anual que representa para
la empresa por ese activo o grupo de activos.
Cuando la cuantificacin de los costes y riesgos asociados con un activo o un grupo de activos, lo
mejor es mirar a los modos de falla dominante de forma independiente. Esto es porque cada
modo de fallo tendr su propia probabilidad asociada y su severidad. El ejemplo de la Figura 2 se
obtuvo a partir del anlisis de cuatro conjuntos de motores de impulsin de bombas que tenan
un nivel intermedio de impacto en la produccin de la planta. La Probabilidad de fallo en
cualquier ao dado (tiempo de misin = horas de funcionamiento necesarios en 1 ao) se
calcularon de forma independiente para una breve lista de los modos de fallo dominantes
utilizando estadsticas de MTBF calculadas por varias fuentes. Las estadsticas del Tiempo Medio
de Reparacin (MTTR por sus siglas en ingles) se utilizaron para estimar la prdida de
produccin y las horas de trabajo de reparacin. Multiplicando los valores de probabilidad por la
26

suma de los costes previstos para la prdida de produccin, mano de obra, y las partes
asociadas con una posible falla de los rendimientos de los costes conlleva a la probabilidad de
costos, o a la exposicin anual, que estos activos representan para la empresa.

Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador.
Tenga en cuenta que varias hiptesis se utilizaron en este ejemplo para mantener los clculos
relativamente simples. En primer lugar, la distribucin de los fallos aleatorios (parmetro de
Weibull Beta = 1) fue considerado, es decir, la probabilidad de fracaso no depende del tiempo y
es bsicamente la misma ao tras ao. Este no ser el caso concreto de los modos de falla que
presentan fuerte mortalidad prematura o caractersticas de desgaste. Adems, los valores
medios de MTBF se utilizaron, los valores superiores e inferiores lmite que representan el 5% y
95% tambin podran haber sido utilizados, en su caso, llevando a la obtencin de una serie de
riesgos anuales que representa el intervalo de confianza del 90%. Las consideraciones
financieras debido a la seguridad y el medio ambiente podran haberse incluido, pero no se
aplicaron en este ejemplo.
Mtodo C Informacin del Equipo
Cuando el historial de costos o las estadsticas de confiabilidad no estn disponibles, otro mtodo
puede ser empleado que utiliza la aportacin colectiva de los miembros del equipo basndose en
su experiencia para identificar los modos de fallo dominante y determinar los costes esperados
asociados con ellos. El rango de costo se determina para las tres categoras de fallas tales como
menores, moderada y severa en trminos de prdida de produccin, piezas y mano de
obra. Los Modos de falla se clasifican por equipo en trminos de ocurrencia, a continuacin, las
tres clasificaciones de los costos se asignan a cada modo de fallo con coeficientes determinados
por el equipo. Se completa el ejercicio de matemticas al multiplicar los valores y factores de
ponderacin se obtiene un costo anual para cada uno de los modos de falla identificados que
reflejan los datos aportados por el equipo colectivo.3
27


Una variante de este mtodo, que tambin se basa en la experiencia colectiva y las aportaciones
de los miembros del equipo puede ser usado para estimar el tiempo de reparacin. Tres rangos
de tiempo estn determinados por el equipo, y las probabilidades se asignan a cada intervalo de
tiempo para cada modo de falla.4
Desarrollando Factores de Mejora
Ahora que los costos y riesgos de los modos de falla dominante se han determinado y
expresados en valores anuales, el siguiente paso es estimar con la mayor precisin posible el
nivel de mejora que se puede esperar sobre la base de la capacidad de las soluciones
recomendadas para reducir los riesgos. El concepto del Nmero de Prioridad de Riesgo (RPN, por
sus siglas en ingles) es de uso comn en FMEA y puede ser empleado en un anlisis de
antes/despus para determinar un factor de mejora para cada modo de falla analizado.
RPN = factor de Ocurrencia x factor de Severidad x factor de Detectabilidad
Donde:
- factor de Ocurrencia describe la frecuencia relativa o la probabilidad de un evento,
esencialmente relacionados con el MTBF
- factor de Severidad describe la severidad relativa de los eventos
- factor de Detectabilidad describe la capacidad relativa para detectar el evento de antemano
El clculo RPN es similar a la expresin de riesgo descrito anteriormente, con excepcin del
tercer factor de Detectabilidad que es utilizado como un modificador. El factor de Detectabilidad
es un indicador de lo bien que podemos detectar el evento con antelacin y reducir las
consecuencias a travs de una accin oportuna. Esto hace el uso del factor de Severidad ms
28

directo, clasificndolo basado en las consecuencias de un evento que pudiera pasar sin ser
detectados.

Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador.
Una escala de clasificacin genrica de 1 a 10 se utiliza comnmente para cada uno de los tres
factores de RPN con 10 siendo el riesgo ms alto, pero la ampliacin puede ser personalizada
para satisfacer las necesidades especficas de la organizacin o un anlisis particular. La escala
de clasificacin utilizada debe ser cotejada con las cantidades fsicas reales cuando sea posible,
como se muestra en la Figura 3. Una nota importante en este momento es que los factores de
mejora son una proporcin sin dimensin calculado dividiendo el riesgo inicial o valor de RPN por
el valor final o esperado de RPN para un tipo de falla en particular. Para seguir siendo vlida, el
clculo requiere que los criterios de clasificacin se aplicarn de manera uniforme en todo el
anlisis. Adems, la escala de clasificacin debe ser diseada de forma que un cambio
proporcional en uno de los factores RPN equivalga a la misma variacin proporcional en una
cantidad fsica, como los costes (Severidad), tasa de fracaso (Ocurrencia), o el porcentaje de
fracasos que no son detectadas (Detectabilidad).
29


Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador.
Los pasos siguientes describen el proceso para determinar factores de mejora y completar el
anlisis:
1) Determinar el RPN Inicial
El RPN inicial debe ser calculado observando los modos de falla dominantes para el
sistema/activo en cuestin. Para los cuatro conjuntos de bomba revisados en la figura 4, se
desarrollaron los FMEA abreviada y unos valores iniciales RPN basados en los modos de fallo
dominante. Los valores iniciales RPN mostrados se basan en las consecuencias, la frecuencia y la
detectabilidad de falla basados en el mantenimiento que se aplica actualmente y la estrategia de
confiabilidad de estas mquinas.
2) Calcular los RPN revisados
En el ejemplo de los cuatro grupos de bombas, los valores de RPN revisados se calcularon sobre
la base de los beneficios de la aplicacin de un escaneo de una condicin de monitoreo en lnea.
Esta tecnologa aprovecha la instalacin permanente de transductores de bajo costo y procesa
entradas variables conectadas a un sistema anfitrin a travs de una arquitectura de red
distribuida con capacidad inalmbrica. El sistema circula automticamente a travs de la
arquitectura de punto, recolectando datos a intervalos de tiempo lo suficientemente corto como
para ser considerado casi continuo en la mayora de los casos. Aplicado a una variedad de
maquinaria de rotacin y fija, la tecnologa de escaneo representa una solucin menos costosa
donde se requiere un seguimiento permanente y aporta muchos beneficios normalmente
asociados con los sistemas continuos en-lnea:
Deteccin temprana de fallas potenciales
30

Repetibilidad de datos
Monitoreo en tiempo real de la condicin y de los parmetros del proceso por los
Operadores
Toma de muestras automatizada segura de datos de puntos de medicin peligrosos o de
difcil acceso
Capacidad de diagnostico profundo
Cada uno de los factores que componen el clculo de RPN fue re-clasificados para cada modo de
falla basado en la mejora de la situacin. Como se muestra en la tabla en la figura 5, la
reduccin ms pronunciada en RPN se puede ver en los factores de detectabilidad para fallas de
cojinetes y sellos. Tambin note una mejora gradual en el factor de Ocurrencia, as como para
estos mismos modos de fallo dominante.
Severidad - Como se muestra en la Figura 5, el factor de Severidad permanece sin cambios.
Tenga en cuenta que el factor de Severidad, tal como se aplica aqu, es una clasificacin de las
consecuencias relativas de falla si permanece sin ser detectada. La capacidad para reducir el
riesgo general a travs de la deteccin temprana es plenamente representada por el factor de
detectabilidad. Algunos ejemplos de acciones que pueden mejorar el factor de Severidad,
aunque no considerados en este modelo en particular, es el de agregar redundancia de equipos
para minimizar el impacto sobre las operaciones y la optimizacin de planes de reparacin y
procedimientos para minimizar el costo y la duracin de tiempo de inactividad forzado.
Ocurrencia - Este ejemplo tambin muestra cmo los beneficios de la tecnologa del escaneo
del monitoreo de condicin en-lnea no se limita a la detectabilidad. Mejoras incrementales en
los factores de Ocurrencia de estas mismas fallas dominantes se muestran en la Figura 5. El
factor de Ocurrencia est directamente relacionado con MTBF. Hay una serie de factores que
repercuten MTBF, incluyendo el diseo de los activos, servicios y prcticas de mantenimiento.
Una buena alineacin, balanceo, y las prcticas de lubricacin en general, contribuyen al MTBF
extendido.
Las Prcticas del operador tambin pueden impactar dramticamente en MTBF. El
funcionamiento de una mquina en una carga o un rgimen de velocidad en detrimento del
estado de la mquina acortaran su vida - algo que normalmente ocurre cuando los operadores
no pueden ver en tiempo real cmo sus acciones afectan el comportamiento de la mquina.
Esto es especialmente cierto con los conjuntos de bombas, donde los operadores pueden
ejecutar inadvertidamente una bomba mas all de su punto de diseo y, sin saberlo, inducir a la
cavitacin que acelerar al impulsor, cojinetes, y desgaste del sello (como en el ejemplo de la
bomba mostrado en la Figura 5). La tecnologa del escaneo en-lnea del monitoreo de condicin,
permite una observacin en tiempo cuasi-real, permitiendo a los operadores ver los resultados
de sus acciones y aprender a manejar sus activos de manera ms segura y saludable. Al igual
que la mejora del balanceo, la alineacin y las prcticas de lubricacin hacen, el mejorar las
31

prcticas de Operaciones extienden la vida de la maquinaria, lo que resulta en un cambio
positivo en MTBF con en el tiempo.
Otra ventaja de permitir a los operadores que puedan observar el comportamiento de la
maquinaria en tiempo real, es evidente cuando una mquina arranca despus de una revisin.
Los Operadores reciben notificacin casi instantnea de la nueva referencia de condicin de
esa mquina tan pronto como se presione el botn de arranque. En el caso de un problema con
la alineacin, balanceo, o problemas generados por el montaje incorrecto de la maquina, los
operadores de inmediato sabrn que hay un problema. Sin tener que confiar en el equipo de
mantenimiento predictivo para tomar datos sobre arranque de mquinas, los operadores pueden
empezar a adoptar medidas para evitar poner horas de operacin en una mquina problemtica
y que la situacin sea corregida rpidamente. El resultado final es que las mquinas estarn
operando con menos fallas de funcionamiento, aumentando an ms MTBF de la poblacin a
travs del tiempo. Esto es mucho mejor que la alternativa de operar una mquina con un mal
funcionamiento, como la alineacin o un problema de acoplamiento de montaje, que conducir a
un fracaso prematuro.

Detectabilidad - Este ejemplo tambin muestra que cuando los riesgos asociados a los modos
de falla del activo demanda un monitoreo ms profundo del que puede ofrecer un programa
tpico de recolector de datos porttil, la tecnologa del escaneo del monitoreo de condicin en-
lnea ofrece varias ventajas:
Recoleccin de datos Cuasi-continua
Repetibilidad de Datos
Correlacin de datos y capacidad de diagnstico a profundidad
Un breve anlisis del intervalo de P-F es til para entender estos beneficios y el nivel de mejora
que se puede lograr con la tecnologa de monitoreo de condicin en-lnea. El intervalo P-F suele
interpretarse como el tiempo (u otra unidad de medida tal como horas de operacin) de cuando
una posible falla (P) se puede detectar primero a cuando una falla funcional real (F) occure5.
32


Como se muestra en la Figura 7, la regla de oro para el muestreo de datos peridico es que no
debe ser mayor que la mitad del intervalo de P-F. El peor caso deja tiempo para el muestreo de
datos peridico de esta manera no sera mayor que la mitad del intervalo P-F. El plazo medio
sera aproximadamente del intervalo P-F.
El Error en la comprensin del intervalo de P-F y la variabilidad natural debido a circunstancias
fuera del control del analista/recolector de datos hace que este enfoque sea una ciencia
imperfecta. Para la mayora de las aplicaciones de maquinaria de uso general, alguna perdida
puede ser aceptable. Sin embargo, cuando las fallas no detectadas son demasiado costosas e
inaceptables para el negocio, los beneficios proporcionados por la tecnologa en-lnea es mucho
ms visible. La Vibracin y los datos variables del proceso se muestran casi continuamente con
esta tecnologa, por lo que la deteccin de las fallas potenciales ser casi siempre en el punto
P. Todo lo dems es igual, esto representa una mejora del 33% en el tiempo de espera
promedio contra el muestreo de datos porttil de programas de caminatas de reconocimiento
(ver Figura 8). Esto tambin elimina la preocupacin sobre que tan bien el intervalo P-F fue
estimado en primer lugar y la desviacin de tiempo de falla real del intervalo estimado. Otra
consideracin importante es que los transductores fijos utilizados por la tecnologa del escaneo
en-lnea tambin ofrece datos muy precisos y constantes para propsitos de tendencias. Esto
elimina datos anmalos que resultan de la lectura altamente variable de los aparatos
porttiles, mejorando entonces la detectabilidad.

33

En este ejemplo, en comparacin con una estrategia peridica de recoleccin de datos o en una
mquina totalmente sin monitoreo, la suma total de los beneficios proporcionados por la
tecnologa del escaneo de monitoreo de condicin en-lnea en gran medida disminuye el factor
de detectabilidad en el clculo RPN.
El factor de detectabilidad inicial (y los otros dos tambin) debe basarse en el escenario de
referencia deseado con el fin de hacer comparaciones. Por ejemplo, la detectabilidad inicial
puede basarse en una mquina no monitoreada. O podra ser sobre la base de una mquina ya
cubierta por un programa de muestreo de datos peridicos, por lo tanto, este enfoque dara
directamente el anlisis coste-beneficio de la solucin del escaneo en-lnea sobre el programa
peridico actual para esa mquina.
3) Calcular los Factores de Mejora
Los Factores de Mejora se calculan como sigue para cada modo de fallo dominante (vea la Figura
5):
Factor de Mejora =
RPNinicial/RPNrevisado
El factor de mejora es una cantidad adimensional. Como se dijo antes, las escalas de
clasificacin utilizada para el clculo de RPN debe aplicarse de manera consistente durante todo
el anlisis para que resulte en Factores de Mejora vlidos. Las escalas de clasificacin deben ser
lineales, significando un cambio proporcional en cualquiera de los factores RPN debe
corresponder a un cambio correspondiente equivalente a una mtrica cuantitativa (por ejemplo,
una reduccin en el factor de Ocurrencia 8-4 corresponde a una reduccin del 50% en la tasa de
fracaso, o una mejora de 2X de MTBF mirando a la inversa).
4) Ahorros Derivados del Costo Anualizado y reduccin de riesgos
Ya que los factores de mejora se calculan individualmente para cada uno de los modos de falla
dominante, pueden ser aplicados al perfil de costo/riesgo desarrollado previamente para cada
modo de fallo. El costo original o el valor de riesgo anual se divide por el factor de mejora para
calcular un nuevo costo o valor de riesgo que representa el costo probabilstico nuevo. La
diferencia entre el valor de costo/riesgo original y el nuevo valor de costo/riesgo representa el
ahorro anual o la reduccin del riesgo que se puede esperar por la aplicacin de la solucin
propuesta (vase la Figura 9).
5) Desarrollar el anlisis del Valor Presente Neto
Ahora que el estimado de la reduccin de ahorros/riesgo anual se han calculado, la comparacin
del coste de aplicacin de la solucin con beneficios estimados se puede realizar en un anlisis
de Valor Presente Neto (NPV, por sus siglas en ingls). Este es un clculo sencillo que da valor
34

actual neto, tasa de rendimiento, y el periodo de recuperacin, teniendo en cuenta el valor
temporal del dinero (costo de capital).
El costo de la aplicacin de la solucin debe basarse en el suministro de una solucin que
coincida con el nivel de costo/riesgo y la reduccin utilizada en RPN y los clculos del Factor de
Mejora. En otras palabras, la solucin debe centrarse en los modos de falla dominantes
determinados y reducir los costos y riesgos, modelado en el FMEA. Una solucin de bajo precio,
que no aborda adecuadamente los modos de falla dominante tendr una recuperacin pobre. Del
mismo modo, una solucin de alto precio que ofrece, a un costo adicional, ms caractersticas y
funciones que no afectan los factores de RPN tambin pueden tener resultados ms pobres de
recuperacin. La justificacin de costo basada en mtodos de FMEA descritos en este artculo
permite el anlisis que pasara si y la capacidad de hacer comparaciones para determinar el
nivel de la solucin que proporciona rendimiento ptimo de la inversin.
El diagrama de flujo de efectivo en la Figura 10 es un ejemplo de parte de la produccin de un
anlisis NPV. El diagrama muestra un perodo de amortizacin de 1.7 aos, basado en el costo
anualizado de reduccin de riesgos de aproximadamente 20.000 dlares y una inversin inicial
de alrededor de 30.000 dlares para implementar la solucin.
Conclusion
Los mtodos de anlisis costo/beneficio basados en FMEA descritos en este artculo ayudan a
articular la justificacin financiera, cuando existe, para implementar las soluciones de monitoreo
de condicin para reducir costes y mitigar los riesgos. Como se pide en el proceso de toma de
decisiones del anlisis de RCM, la adopcin de medidas proactivas, tales como soluciones de
monitoreo de condicin deben ser tanto tcnicamente viables como que valgan la pena. Al mirar
el costo inicial y el riesgo asociado con los modos de falla dominante, y abordar la cuestin de
los costos y la reduccin del riesgo que se puede lograr por la tecnologa, un anlisis vlido de
costo/beneficio puede ser realizado que ayuda a responder preguntas acerca de la efectividad de
la solucin y el valor, y hacerlo en las unidades financieras que se utilizan habitualmente para
evaluar proyectos competitivos.
El ejemplo utilizado en este artculo tambin trae a la luz muchos de los beneficios de la
tecnologa del escaneo del monitoreo de condicin en-lnea. Esto incluye la Detectabilidad
mejorada sobre los programas de rondines de inspeccin donde un monitoreo del estado de la
maquinaria necesita ser ms profundo del que puede proporcionar un programa peridico de
muestreo de datos peridicos. El ejemplo utilizado mejora la Ocurrencia (reducida), basndose
en que los operadores puedan mejorar las prcticas de Operacin y prolongar la vida de la
maquinaria, dndoles tiempo real de los indicadores de comportamiento de la mquina y la
condicin.
Para reflexionar: Los mtodos de justificacin de costos basados en FMEA descritos en este
artculo pueden ser extendidos y ampliados para evaluar otras soluciones, independientemente
de si estn basados en la tecnologa, mejores prcticas, o combinaciones de ambos.
35

Rob Bloomquist tiene ms de 20 aos de experiencia en la entrega de soluciones de confiabilidad
y cuidado de activos para las industrias de la generacin de energa y de procesos, y
actualmente es Gerente de Capacitacin de Servicios de confiabilidad para GE Energy. Su
experiencia incluye la especificacin y desarrollo de programas de monitoreo de condicin, el
desarrollo de soluciones de confiabilidad y ejecucin, anlisis de vibraciones, alineacin y
balanceo de la maquinaria, y la capacitacin de los clientes en confiabilidad y monitoreo de
condicin. Rob tiene una licenciatura en Ingeniera Mecnica otorgado por la Universidad Estatal
de California, Chico y es un ingeniero profesional en el Estado de Colorado. Rob es un
profesional certificado de mantenimiento y confiabilidad por la organizacin SMRP.
Referencias:
1. DiStefano, Robert, The Business Case for Reliability
2. Moubray, John, Reliability-centered Maintenance RCM-II, 2nd Edition, Industrial Press,
1997.
3. Troyer, Drew, Demonstrating Financial Benefits from Equipment Reliability Projects,
Process and Power Plant Reliability Conference, Houston, TX, 2001
4. Andrews and Moss, Reliability and Risk Assessment, 2nd Edition, ASME Press
5. op. cit. 2













36

El Mtodo de Mxima Verosimilitud
por Francisco Poujol Galvn, Insituto de Investigaciones Elctricas
Comentar
Ver commentarios
Imprimir

El mtodo de mxima verosimilitud (MLE) es uno de los ms robustos y poderosos de los
mtodos modernos para obtener una aproximacin de la confiabilidad.
La evaluacin por el mtodo de mxima verosimilitud procura encontrar los valores ms
probables de los parmetros de la distribucin para un conjunto de datos. Maximizando el valor
de lo que se conoce como la funcin de verosimilitud La funcin de verosimilitud se basa en la
funcin de la densidad de la probabilidad fdp para una distribucin dada. Como ejemplo
considere una fdp genrica:

Donde x representa los datos (tiempo a la falla), y 1, 2, ...,k son los parmetros que se
estimarn y k el nmero de parmetros a evaluar. Por ejemplo para una distribucin de Weibull
de dos parmetros, beta y theta son los parmetros que se deben estimar. Para un conjunto
de datos de observacin completa, la funcin de verosimilitud es un producto de la funcin de la
densidad de la probabilidad, con un elemento por cada punto en el conjunto de datos:

R es el nmero de observaciones independientes que corresponden al tiempo a la falla en un
anlisis de ciclo de vida, xi es la isimo tiempo a la falla. Matemticamente es ms fcil
manipular esta funcin tomando su logaritmo. Luego la funcin logartmica de la verosimilitud se
expresa de la siguiente forma:

37

Por lo tanto para encontrar los valores de los parmetros 1, 2, ...,k se debe maximizar L .
Esto comnmente se hace tomando la derivada parcial de la ecuacin de para cada uno de los
parmetros e igualndolos a cero:

Esto resulta en un nmero de ecuaciones con un igual nmero de variables, las cuales pueden
resolverse simultneamente. Si existen las soluciones de forma cerrada para las derivadas
parciales la solucin puede ser relativamente simple. En las situaciones donde no se da el caso,
se necesitan emplear algunos mtodos numricos.
El mtodo de estimacin de mxima verosimilitud tiene varias propiedades que hacen atractiva
su aplicacin. Por ejemplo:
Es consistentemente asinttico, que significa que mientras que el tamao de muestra aumenta,
las estimaciones convergen a los valores correctos. Es asinttico eficiente, que significa que para
conjuntos de datos grandes produce las estimaciones ms exactas. Es asinttico imparcial, que
significa que para conjuntos de datos grandes uno espera conseguir el valor correcto en
promedio. La distribucin de las estimaciones mismas es normal, si el conjunto de datos es
bastante grande. Todas stas son caractersticas excelentes para conjuntos de muestras
grandes. Desgraciadamente, el tamao necesario de la muestra para alcanzar estas
caractersticas puede ser bastante grande: treinta a cincuenta hasta cientos de muestras de
tiempos exactos de falla, dependiendo de la aplicacin. Con pocas muestras, los mtodos
pueden ser desgraciadamente polarizados o tendenciosos. Se han conocido resultados, por
ejemplo, que la estimacin por mxima verosimilitud del parmetro de forma para la distribucin
Weibull ha sido polarizacin para tamaos de muestras pequeos, y el efecto puede aumentar
dependiendo de la cantidad de datos censurados. Esta polarizacin puede causar discrepancias
importantes en el anlisis.
En general, la recomendacin de la literatura es utilizar tcnicas de regresin (grficas de riesgo
y probabilidad) cuando la muestra de datos es pequea y sin censura. Cuando hay muchos datos
censurados y/o cuando el tamao de muestra es suficiente, Mxima verosimilitud (MLE) debe
ser preferido.
Superficie de la funcin de verosimilitud
La representacin tridimensional de la funcin logartmica de la verosimilitud para dos
parmetros, los parmetros estn en los ejes Y y X, y los valores logartmicos de la verosimilitud
en el eje Z. En la siguiente grfica es un ejemplo de la superficie de la funcin de verosimilitud
38

para una distribucin Weibull de dos parmetros. Los valores del logaritmo de la verosimilitud
estn normalizados a un valor de 100 %

En esta grfica la cima de la superficie de la funcin verosimilitud corresponde a los valores de
los parmetros que maximizan la funcin de verosimilitud.
Ejemplo de MLE para la Distribucin exponencial
Este ejemplo es para una distribucin de un solo parmetro y por lo tanto hay una sola ecuacin
diferencial a resolver. Adems esta ecuacin diferencial est en forma cerrada, debido a la
naturaleza misma de la funcin de la densidad de la probabilidad. La funcin de verosimilitud
para la distribucin exponencial se representa a continuacin:
39


Donde lambda es el parmetro a estimar. Tomamos el logaritmo natural de la funcin de
verosimilitud debido a que matemticamente es ms fcil de manipular tenemos la siguiente
expresin.

Si se deriva la ecuacin con respecto a e iguala a cero se obtiene como resultado

Reordenando los trminos o resolviendo por la expresin queda:

Esta es la solucin de forma cerrada para la estimacin de la mxima verosimilitud para la
distribucin exponencial de un solo parmetro. Obviamente, este es el ejemplo ms sencillo,
pero sirve para ilustrar el proceso. La metodologa es ms compleja para distribuciones con
mltiples parmetros o que no tengan una solucin cerrada.
Referencias
40

1. Gupta S., Order Statistics from the Gamma Distribution, Technometrics, Vol. pp 243-
262, 1962.
2. Howard, B. T. y G. A. Dodson, High Stress Aging to Failure of Semiconductor Devices,
Proceedings of the Seventh National Symposium on Reliability and Quality Control,
1961.
3. B. S. Dhillon, Design Reliability Fundamentals and Applications, CRC Press, United
States of America, 1999. TA 174.D4929
4. Schafer Ray E., Singpurwalla Nozer D., Mann R. Nancy, Methods for Statistical Analysis
of Reliability and Life Data, John Wiley & Sons.
5. Informacin general de las distribuciones: Weibull, Exponencial, Normal y Log_normal
www.itl.nist.gov/div898/handbook/.
6. Beckwith, Thomas G., Buck, N. Lewis, Maragoni, Rod D., Mechanical Measurements,
Third edition, Addison-Wesley, Reading, Massachusetts, 1981
7. http://www.weibull.com/
















41

El Costo de la Disponibilidad
por Jorge Kalocai, Profertil SA
Comentar
Ver commentarios
Imprimir

Es una prctica comn definir, al menos acotar, los presupuestos econmicos de
mantenimiento en la industria sobre la base de bench marking, por ejemplo tomando en cuenta
el muy conocido cociente entre el costo del mantenimiento y el de reposicin del activo.
Sin cuestionar este criterio globalmente aceptado, el objetivo de este trabajo es desarrollar un
enfoque posible para resolver la cuestin: Cul es el Costo de Mantenimiento asociado al logro
de un determinado objetivo de Factor de Disponibilidad, con una probabilidad de xito definida?,
en un complejo industrial.
Para comenzar con esto, vamos a homologar previamente algunos sencillos conceptos bsicos
de aplicacin:
Factor de Disponibilidad (AF): porcentaje de tiempo en que el complejo est apto para
producir (disponible) en relacin al total del tiempo calendario evaluado.
Entonces, si:
UT: Tiempo de Indisponibilidad
T: Tiempo Total Evaluado

Tasa de Fallos (): Cantidad de Fallos contabilizados en un Tiempo definido. Es una medida
histrica (hecho consumado). Est claro (y se da por descontado) que es conocido el concepto
de fallo en relacin a la funcin definida, con sus parmetros de aceptacin, conforme a la
filosofa del RCM. Se menciona asimismo que tambin consistentemente con los conceptos de
RCM, la tasa de fallos puede ser genrica (cualquier fallo) u orientada a modos de fallo
especficos, dependiendo la eleccin particular de las necesidades de aplicacin. Tambin se
asume conocido que la medicin se desarrolla tpicamente sobre una poblacin, lo que hace que
la cantidad de fallos sea el verificado en el espacio muestral definido, y el tiempo computado el
correspondiente al producto del tiempo calendario transcurrido multiplicado por el tamao de la
muestra.
Entonces, si:
FQ: Cantidad de Fallos
T: Tiempo Total Evaluado
42


Tiempo Medio entre Fallos (MTBF): inversa aritmtica de la Tasa de Fallos. Es una medida
histrica (hecho consumado).

Tiempo Medio de Reparacin (MTTR): Promedio de los perodos de tiempo insumidos para las
reparaciones, en un tiempo total de evaluacin. Es una medida histrica (hecho consumado).
Entonces, si:
TTR: Tiempos de Reparacin
T: Tiempo Total Evaluado
RQ: Cantidad de Reparaciones desarrolladas en T

A su vez, tambin se define:

Donde a se la conoce como Mantenibilidad, y que sera entonces la relacin entre la cantidad
de reparaciones desarrolladas en un perodo de tiempo total a evaluar, y la sumatoria de los
tiempos insumidos en cada reparacin, en ese perodo.
Disponibilidad (A): relacin entre el MTBF y ste ms el MTTR.

Confiabilidad (R): probabilidad matemtica de que un activo conjunto de ellos alcancen el xito
en el desempeo de su funcin definida, en un perodo de tiempo determinado. Es una
prediccin estadstica (a futuro).
Si asumimos un escenario de fallos aleatorios (como demuestran ser alrededor del 80% de los
fallos una vez superada la etapa de fallos de infancia), lo que equivale estadsticamente a
adoptar una distribucin exponencial, y si:
43

: Tasa de Fallos Aleatorios
T: Tiempo Total Evaluado

Tiempo Medio No Productivo (MDT): Promedio de los perodos de tiempo de no produccin,
en un tiempo total de evaluacin.
Entonces, si:
NPT: Tiempo de No Productivo
T: Tiempo Total Evaluado
NPPQ: Cantidad de Perodos de Tiempos No Productivos

A esta altura quedar claro que A (que es funcin de los MTBF y MTTR) se asocia a un enfoque
de mantenimiento y AF (que es funcin del tiempo de produccin) a uno productivo. Con esto en
mente, vamos a comenzar entendiendo las sensibles diferencias entre A y AF, que pondrn en la
superficie lo importante de no confundir conceptualmente uno con otro. Para evidenciarlo
pondremos las cosas en el contexto de un ejemplo numrico:
Supongamos un escenario en el que, desde una perspectiva productiva, se propone como
objetivo el logro de una cantidad mxima de 5 das no productivos, en 1 ao calendario (estos 5
das se tomarn como la medida del MDT). Esto implica:
AF= 98,63%
Si ahora tomramos este valor de AF como el de A (los forzamos iguales A=98,63%), en base
a una sencilla formulacin algebraica que no detallaremos aqu (pero que se desprende de las
expresiones bsicas mostradas), y si asumimos un MTTR del 70% del MDT (por ejemplo),
resulta que:
R (1 ao)=23,5%
Lo cual significa que, si la Disponibilidad demostrable fuese de A=98,63%, asumiendo un MTTR
del 70% del MDT, la probabilidad de alcanzar el xito productivo planteado (AF=98,63%) en el
ao siguiente es de tan slo 23,5%.
Supongamos ahora que el mismo escenario de propuesta de un objetivo de logro de una
cantidad mxima de 5 das no productivos en 1 ao calendario, se plantea alcanzarlo con una
44

probabilidad de xito de 95%. Si repetimos la premisa de un MTTR del 70% del MDT, resulta
entonces que la A que debisemos demostrar para satisfacer lo pedido es:
A=99,95%
Lo cual significa que, para lograr un AF de 98,63% (5 das no productivos en 1 ao calendario)
asumiendo un MTTR del 70% del MDT, con una probabilidad de xito del 95%, se debe trabajar
para obtener un valor de A de 99,95%.
A primera vista se podra pensar que no hay gran diferencia entre una A de 98,63% y otra de
99,95%. Veamos entonces qu significa en trminos ms evidentes, para lo cual
desarrollaremos a su vez otro ejemplo numrico.
Supongamos que un modo de fallo determinado (orientamos en este ejemplo el concepto de
fallo a modo de fallo), presenta un MTTR de 24 hs sobre un perodo de evaluacin de 1 ao
calendario. En tal contexto, una A de 98,63% implicar un MTBF de 72 aos. Si ahora
proponemos una A de 99,95% para el mismo MTTR de 1 da, el MTBF requerido se eleva a 1999
aos.
Otro camino ciertamente sera disminuir el MTTR. Ir de un A de 98,63% a otra de 99,95%
manteniendo un MTBF de 72 aos, implicara reducir el MTTR de 1 da (el planteo original) a
poco menos de 52 minutos.
No cabe duda que el ejemplo pone a las claras que, cuando hablamos de A y dado que
usualmente MTBF >> MTTR, son necesario importantes incrementos de MTBF importantes
decrementos de MTTR, para el logro de mnimos incrementos de A.
La cuestin inmediata ahora es, obviamente, cules son las acciones concretas de
mantenimiento que soportan el logro de un objetivo de A.
Como ya vimos desde su expresin algebraica, A depende de MTBF y MTTR, lo que es lo
mismo, de y de . Aumentar A implica aumentar el MTBF y disminuir el MTTR.
El control de la Tasa de Fallos se logra con un adecuado planteo de planes de mantenimiento
preventivo y predictivo (PM/PdM), mientras que el control de depender del correcto desarrollo
de los procedimientos de reparacin y estrategias de repuestos.
No es objeto de este trabajo mostrar alternativas de desarrollo de planes de mantenimiento,
procedimientos de reparacin y estrategias de repuestos, pero s se mencionar que para todo
esto es extensamente aconsejable tomar en cuenta el uso de herramientas como RCM, FMEA,
PMO, RCA, RBI, LOPA y RCS.
No se pierde de vista que obviar el desarrollo en detalle de lo mencionado en este ltimo
prrafo, no es una cuestin menor. Esto dara para pensar por ejemplo que si no se explica
cmo los planes PM/PdM permiten controlar numricamente , todo esto podra no pasar de ser
45

un bonito planteo terico. Para resolver esta duda razonable, sin entrar en profundos detalles, se
mencionarn algunos conceptos que concurren a la sabia filosofa del RCM:
Para disear un plan de mantenimiento, hay que entender previamente cules son los
fallos que se quieren manejar.
Los Modos de Fallo potenciales se deben proponer en base a la previa definicin de las
Funciones y los Fallos Funcionales, con atencin a explcitos parmetros y criterios de
aceptacin.
Un completo conjunto de Modos de Fallo para un activo determinado, se puede listar con
el auxilio de FMEA. Por otro lado y esto si fuese posible y necesario, el mismo mtodo
de puntuacin asociado al FMEA permitir una seleccin previa de los Modos de Fallo
ms importantes.
Las acciones de mantenimiento orientadas a resolver cada Modo de Fallo, deben
observar un criterio de costo-efectividad.
Las acciones predictivas y/o preventivas orientadas a resolver cada Modo de Fallo, deben
tomar en cuenta el perodo P-F del mismo a los efectos de proponer una frecuencia de
intervencin, y su contenido conceptual tendr como objetivo predecir y/o prevenir el
fallo. Se destaca: la frecuencia de intervencin est en funcin del perodo P-F y no de
, que es una confusin bastante comn.
Con todo esto en consideracin, va resultando ms claro que un plan de mantenimiento pensado
en base a los fallos que se quieren manejar, con acciones especficas y frecuencias adecuadas,
permitir tomar control sobre , en trminos de anticipacin y prevencin de la ocurrencia de la
prdida de una determinada funcin. Por supuesto, para que cualquier accin preventiva sea
ejecutable sin afectar la funcin que se quiere conservar, la arquitectura constructiva del sistema
que provee la funcin deber ser adecuada. Donde no lo fuere y se lo encuentre costo-
efectivamente conveniente, hay una oportunidad de mejora que deber ser evaluada en funcin
de su relacin costo-beneficio.
Un captulo aparte merece el mencionado LOPA (como una de la herramientas posibles), cuyo
campo de aplicacin alcanza especficamente a los sistemas de seguridad, y lo mismo para RBI
en relacin a los equipos estticos.
Una vez desarrollado lo anterior, ser necesario un conjunto de recursos de mantenimiento para
su planificacin, programacin y ejecucin.
Volviendo no obstante al primer hilo del planteo, si hablamos del logro de un objetivo de AF para
una planta completa, ciertamente hablamos de lo mismo para A (en el marco de un valor de R
como condicin de borde). Y para ir desde un planteo de A para una planta completa a los
planes PM/PdM y los procedimientos de reparacin y estrategias de repuestos, hace falta
comprender cmo la funcin de cada activo impacta sobre la funcin del complejo bajo anlisis;
y aqu es donde se propone el uso de rboles de Fallos (FTA).
46

Para alimentar los FTA, se propone la utilizacin de RCM y/o FMEA y/o RBI para la identificacin
y parametrizacin de los Modos de Fallo, cada uno con sus Causas Iniciadoras y sus
correspondientes MTBF y MTTR. La arquitectura lgica que interconecta las hiptesis de fallo
hasta llegar a lo que se conoce como Evento Tope (en el lenguaje del FTA), permitir el clculo
de la A y MTBF del mismo, que no es otra cosa que la funcin de la planta bajo estudio. Desde
ya que estos FTA se podrn componer desde una desagregacin previa en sistemas ms
pequeos, conforme lo permita el proceso involucrado y de acuerdo a la mejor conveniencia.
Y cmo se conecta esto con costos?. El desarrollo de los FTA (en base a RCM y/o FMEA y/o
RBI), permitir el diseo de los planes con el grado de detalle necesario. Tampoco es objeto de
este trabajo, pero se menciona que todas las herramientas de confiabilidad mencionadas bien
pueden armonizarse en el marco de un modelo de integracin cooperativa, donde el RCA, el
FMEA y el LOPA concurran a enriquecer las salidas de RCM, PMO y RBI. El RCS por su parte,
cumple su funcin en la definicin de los stocks de repuestos ptimos necesarios.
Es evidente a esta altura que, en trminos de aplicacin prctica, se habrn de seleccionar las
herramientas que se juzguen balanceadamente valiosas en atencin a la complejidad del
problema a resolver. Lo que s se resalta es que cualquiera sea el conjunto de tcnicas de apoyo
utilizadas, es importante el desarrollo del FTA para establecer con el grado de detalle necesario,
la relacin entre las actividades de mantenimiento y la A obtenible. Y es justamente esta
definicin detallada la que permite conectar A con los costos de mantenimiento asociados.
Para hacerlo ms claro, los planes y procedimientos diseados son los que deben permitir ganar
control sobre la tasa de fallos y la mantenibilidad , en trminos numricos. Siendo estos dos
parmetros los datos de entrada de las hiptesis de fallos en el marco del FTA cuyo clculo final
arrojar el valor de A de su Evento Tope, queda explcita la relacin de clculo entre los MTBF y
MTTR de cada hiptesis de fallo y la A del sistema considerado.
Si encadenamos todos los conceptos expuestos, vemos que el costo del mantenimiento crece
proporcionalmente con la demanda de AF. Siendo que a su vez el objetivo de AF se vincula a los
presupuestos de produccin y stos con los objetivos de ganancia de la compaa vemos que,
para un complejo dado, aumentar volmenes de produccin incrementa las ganancias slo hasta
el punto en que los costos de mantenimiento asociados al sostenimiento del AF requerido,
comienzan a hacer disminuir la ganancia final. El conocimiento del lgebra de este balance,
permite tomar decisiones de objetivos productivos consistentes con costos de mantenimiento
(que desde ya, no son los nicos que concurren al costo final).
Este planteo integral no slo permite dimensionar consistentemente un presupuesto econmico
de mantenimiento, sino que adems le da un cuerpo estructurado, hilvanado y slido a las
estrategias del rea, en base a los requerimientos productivos del complejo a mantener, en
trminos de AF y R.

47

El Futuro del Mantenimiento Predictivo
por Jack Nicholas Jr., PE, CMRP, Autor
Comentar
Ver commentarios
Imprimir

Estamos al borde de otro cambio de paradigma en las organizaciones de la manera en que
manejan sus programas de Mantenimiento Predictivo (PdM, por sus siglas en ingles).
Este sigue de los dos cambios mayores anteriores en los programas de PdM: el primero, cundo
el equipo fue de paquetes pesados transportables en carrito para la recoleccin de datos y algn
anlisis (los 80s) a los paquetes de mano basados en microprocesadores porttiles; y el
segundo, cuando las computadoras porttiles y las computadoras personales de escritorio con
programas robustos de software y capacidad substancial de memoria entraron en uso (los 90s).
Juntos transformaron la recoleccin, el almacenamiento y el anlisis de datos y, como resultado,
el mantenimiento predictivo cambio fundamentalmente.
Los originales Sistema de Granja de PdM en las plantas, donde tcnicos veteranos enseaban a
los aprendices a hacer vibracin y otras pruebas relacionadas de condicin, estn
desapareciendo. En algunas plantas, estos grupos han sido disueltos enteramente. A menudo el
experto es compartido entre otras plantas o se recurre a terceros, y ya no es un residente. En
otros lugares, menos pero especialistas ms hbiles y formalmente entrenados en PdM
comienzan a aplicar mltiples tecnologas para el anlisis predictivo de monitoreo de condicin.
Ellos llegan a ser trabajadores de conocimiento, una frase acuada y definida por el Dr. Peter
F. Drucker, en su libro titulado Seales del Maana.
Cuales son las opciones para proporcionar la misma o una mejor calidad, de informacin para el
personal que ha venido a depender de esta informacin para llevar al mximo la produccin?
Cmo podemos vencer nosotros el continuo tiempo-espacio y estar en dos, tres o cuatro
lugares al mismo tiempo? Las respuestas a estas preguntas caen, como tan a menudo lo hacen,
en la rpidamente desarrollada nueva tecnologa.
Programas de PdM Tradicionales
El Mantenimiento Predictivo y el Monitoreo de Condicin ha estado presente cerca de 50 aos,
pero ya podemos distinguir 5 programas de mantenimiento predictivo tradicionales de los viejos
tiempos de los programas ms modernos. Para la mayor parte de esos 50 aos, la recoleccin
de datos rutinaria fue realizada utilizando equipo porttil. En los primeros das de casi todas las
tecnologas, como el anlisis de vibracin y la termografa infrarroja, porttil significaba que un
equipo arrastrara o acarreara varios componentes de una serie de monitoreo que pesaba de 30
a 50 libras cada una en las reas de la planta donde el monitoreo era requerido. Esto era
incmodo y consuma mucho tiempo an antes que la recoleccin de datos pudiera ser realizada.
La llegada de los microprocesadores en los 80s, redujo estos instrumentos de recoleccin de
48

datos a porttiles. Los datos podran ser reunidos y podran ser analizados, por lo menos hasta
cierto punto, en la mquina.
En los 90s, la introduccin de sensores electrnicamente enfriados permiti a los termografistas
infrarrojos jubilar su equipo enfriado por Nitrgeno lquido. Este desarrollo, combinado con
circuitos integrados cada vez ms capaces y tecnologa digital, permiti a los practicantes de
PdM a crear imgenes intuitivamente interpretadas mucho ms vvidas que hasta un principiante
poda comprender.
La introduccin de computadoras personales a finales de los aos 80 y a las computadoras
porttiles operadas por batera con memoria suficiente a inicio de los 90s aumentaron an ms
la habilidad de los tcnicos de PdM la capacidad de realizar (con la ayuda de software cada vez
ms sofisticado) el anlisis detallado en el campo. Ms recientemente, los desarrollos en
capacidades radiofnicas de comunicacin han hecho la cobertura del campo, ya sea por
humanos o por mquinas, an ms fcil.
Hoy, para la mayora de las tecnologas, como las utilizadas en la prueba de motor, el anlisis
ultrasnico y el conteo de partcula en lubricantes y lquidos hidrulicos (en el sitio), el uso de un
paquete de monitoreo electrnico combinado con una computadora personal porttil (laptop) o
un microprocesador constituyen los ltimos adelantos. El conjunto de aplicaciones es
empacado en un portafolio o mochila y es capaz de la operacin de campo con batera para
cuatro a ocho horas cada vez. El software ms sofisticado puede ser residente en una
computadora de escritorio para el uso por el analista de PdM para realizar el anlisis ms
detallado, conclusiones de informe o en organizaciones ms avanzadas inicia rdenes de trabajo
basado en las conclusiones.
El equipo ms crtico, como un generador de turbina en una planta de Servicios, tendr instalado
un sistema de monitoreo que siente mltiples indicadores de condicin incluyendo vibracin,
espacios libres, temperaturas y muchos otros parmetros. Estos sistemas instalados
generalmente son cableados en red para proporcionar datos de anlisis y alarma al operarios
para la toma de decisiones. El costo de tales sistemas puede exceder fcilmente los USD
$100,000. El rendimiento de la inversin, sin embargo, teniendo en cuenta los valores de los
activos para ser monitoreados, invariablemente vale la pena. Parte del regreso continuo son los
ahorros en el costo de mano de obra que de otro modo sera requerido para reunir manualmente
suficientes datos en activos de valor para hacer decisiones tiles.
Uno puede ver que ha habido un cambio en la asignacin de tiempo. Equipos de conjuntos de
aplicaciones ms ligeros operados por bateras puede ser posicionado tan rpidamente como una
persona pueda llegar al sitio. Los datos pueden ser tomados en la mquina para el anlisis local.
Tambin hoy, redes de comunicaciones radiofnicas pueden transmitir (por ejemplo, Asistente
Personal de Datos - PDA, por sus siglas en ingles) informes urgentes u ordenes de trabajo justo
del mismo lugar de la mquina, un ahorro adicional de tiempo.
49

As, el programa tradicional de PdM ha evolucionado en lo que podemos llamar un enfoque
moderno basado en combinaciones disponibles comercialmente de sensores,
microprocesadores, computadoras y software, y permanentemente cableado de sistemas
instalados de monitoreo.
El profesional de PdM ha evolucionado en un trabajador de conocimiento. Tales trabajadores
no son baratos, ni son fciles de retener. Los costos de capacitacin pueden promediar nos
USD $6,000 por trabajador por ao, si un rgimen de la mejora constante en habilidades es
seguido. Aparte de la capacitacin, un trabajador en un programa interno puede costar de
USD$80,000 a $90.000 por ao, incluyendo todos los costos. La inversin de capital en las
tecnologas finales superiores (vibracin, termografa infrarroja, prueba de motor) pueden costar
USD $50,000 cada una y requerir gastos de actualizaciones y ayuda tcnica de ~15% del costo
de la inversin de capital anualmente. Algunas tecnologas muy tiles como el anlisis
ultrasnico y el equipo porttil de conteo de partcula del lubricante tienen costos ms bajos de
inversin de capital, pero casi igualan los costos anuales para el personal y la capacitacin.
Los que entran el campo del mantenimiento predictivo y del monitoreo de condicin estn entre
los mejor y ms brillantes en cualquier organizacin. Su retencin es generalmente una alta
prioridad, pero no es excepcional para ellos poder pasar a supervisin o inclusive a posiciones
gerenciales. As, ellos pueden salir detrs de las condiciones calientes y sudorosas en las que
estn la mayora de los profesionales actuales de PdM. Adems, ellos pueden salir de parte de
los aspectos ms frustrantes de su campo como el que ignoren sus informes y los resultados del
anlisis, y ser visto como el portador constante de malas noticias con respecto a las mquinas
que necesitan reparacin y que Produccin tiene que interrumpir su trabajo.
Algunas compaas, enteradas de los costos de los programas de PdM, pero no dispuestas a
prescindir de estos, comienzan a contratar terceros para su PdM. As, an en USD $75-$150,
cuando se requiere un especialista de PdM menos de tiempo completo, el recurso externo llega a
ser atractivo. Especialistas equipados en mltiples tecnologa de guardia llegan a estar
disponibles por todos los EEUU (an en vacaciones, y fines de semana cuando la mayora de las
emergencias parecen ocurrir) de compaas como Allied Reliability, una nueva compaa que
opera en este campo desde hace ocho aos.
Los siguientes Programas de PdM
Lo que nosotros acabamos de describir suena completamente moderno, y lo es. Pero esta
cambiando - y rpidamente. El cambio ser como aquel que lo fue en los 80s y en los 90s.
En un editorial en la Revista Sound and Vibration, Nelson Baxter hizo los siguientes puntos con
respecto al futuro del Mantenimiento Predictivo y al Monitoreo de Condicin:
50

Habr menos personas recolectando datos y realizando el anlisis, debido a la
competencia global, elevando los precios de la asistencia mdica, la desregulacin y
otros factores.
Donde es posible, los datos sern trados al analista, no al revs.
Los Datos de mquinas semejantes sern archivados y simplificaran la identificacin de
problema a travs de una flota de maquinas semejantes donde sea posible.
La combinacin de redes inalmbricas y el Internet permitir el movimiento fcil de
datos de la planta al analista.
Las grandes organizaciones de manufactura tendrn programas hbridos donde el equipo
ms crtico es monitoreado diario o con ms frecuencia y menos crtico menos a
menudo.
Adems de estas predicciones, enfocadas principalmente en la aplicacin del monitoreo del
sonido y de la vibracin, lo siguiente sucede realmente o comienza a suceder en el campo del
monitoreo de condicin predictivo (PCM, por sus siglas en ingles) :
Sensores nuevos y diferentes son desarrollados que tendrn aplicacin en el mercado de
PCM, aunque actualmente estos sensores no estn destinados especficamente para ese
mercado.
Plataformas Mviles, plantas de manufactura, edificios comerciales, plantas de servicios
y sus redes de distribucin asociadas, as como la infraestructura para muchas otras
aplicaciones, sern monitoreada en maneras significativamente diferente y ms
extensamente de como se hace actualmente.
Los sistemas de monitoreo sern ms baratos, ms rpidos, ms capaces y ms fciles
de utilizar, reubicar y configurar que los sistemas actuales.
Mientras la intensidad de trabajo requerida para el monitoreo de mquinas en unas
instalaciones o plataforma disminuir a causa del aumento de la productividad de los
instrumentos de apoyo y los sistemas de PCM, el nmero de aplicaciones que requerirn
monitoreo aumentar por una gran variedad de razones (principalmente econmicas).
Mientras el nmero de individuos involucrados en PCM por sitio o por flota de vehculos
disminuir, el nmero de trabajadores con conocimiento de PCM aumentar mientras
el valor de PCM llega a ser conocido por los directores, la intencin a competir
efectivamente en el mercado global.
Lo que esta ocurriendo en el mercado es que varias tecnologas que pueden afectar PdM
convergen al mismo tiempo y en el mismo lugar. La convergencia de estas tecnologas ya crea
un impacto tremendo en cmo manejamos e interactuamos con nuestros activos, productos y
entornos fsicos. Por ejemplo, hasta nuestra comprensin del Internet esta cambiando.
51

Las Naciones Unidas publico recientemente un papel que llam El Internet de las cosas. Este
es un trmino de marketing que sali del MIT, donde futuristas ven que el Internet no consistir
bsicamente en una telaraa para publicar y transmitir informacin. Ser un Internet compuesto
de mquinas, lugares, objetos y cosas. Una vendedora automtica, un refrigerador, una bomba
inteligente y otras mquinas que sern conectadas al Internet. Estas mquinas conectadas
interactuarn una con la otra y los humanos para entregar nuevos servicios y crear nuevos
mercados de servicio. Otro trmino de marketing que es asociado con esto es llamado M2M o
comunicaciones de Mquina a Mquina y Mquina a Hombre. En la actualidad, el Internet es el
medio de comunicacin estndar capaz del manejo de todos estos datos, y lo hace de una
manera costo efectiva para todos. Un Internet de las cosas inalmbrico parece destinado a
convergir con las mejores prcticas industriales de administracin de activos ahora y en el
futuro.
Mtodos de anlisis y herramientas de soporte del futuro
Nuevas maneras de analizar para el monitoreo predictivo y de condicin de mquinas tambin
entra en uso. Nos estamos alejando de la intuicin y el conocimiento humano adquirido en el
trabajo o en los cursos de la formacin profesional o a travs de textos, hacia una fusin basada
en la inteligencia humana y la computadora. Muchas veces en el pasado, los vendedores de
hardware de PCM han recomendado nuevo software integrado completamente de mltiples
tecnologas en un solo paquete de software. Lo que result realmente fueron solo plataformas de
software con mltiples mdulos que trataron con almacenamiento y el anlisis de datos de
varias tecnologas. Sin embargo, en muchos casos, los resultados de datos y anlisis todava
fueron contenidos en silos relativamente aislados. Haba poca, si es que haba, integracin de
resultados de las tecnologas diferentes que utilizan alguna cantidad significativa de anlisis
correlativo o de correlacin. 3
Por ejemplo, un sistema llamado el Sistema Integrado de Condicin de Evaluacin (ICAS por sus
siglas en ingles) esta ahora en uso en ms de 110 barcos de la Marina de los EE.UU. y muchas
aplicaciones comerciales. Con sus reglas de interfase lgica grafica de usuario programable
para poner sobre aviso a la maquinaria degradada, el sistema puede ser considerado
discutiblemente representante de los ltimos adelantos actuales en el anlisis, diagnstico y
pronstico de sistemas operativos mayores en plataformas mviles, y plantas industriales y de
servicios. ICAS ahora es sostenido por General Electric Corporation, que recientemente compr
todos los derechos sobre la propiedad intelectual del software. Junto con su adquisicin de IDAX,
Inc. (Productor del software de ICAS), General Electric tambin adquiri parte de Bentley
Nevada, un fabricante internacionalmente reconocido de hardware de monitoreo de condicin
instalado y porttil, y de software de monitoreo de condicin, mas notablemente su Sistema 1
package. Una fusin reciente de los equipos responsables de ICAS y del Sistema 1 bajo un
solo director podra llevar a la creacin de la prxima generacin de software de monitoreo
predictivo de condicin que contiene las mejores caractersticas de ambos sistemas, junto con
otras capacidades como las descritas abajo.
52

La compaa que primero origin ICAS bajo los contratos con la marina de los EEUU., Dundics
Enterprises (ahora llamada DEI Group) recientemente hizo equipo con una organizacin en el
exterior para desarrollar y aplicar, en una base de prueba, un enfoque an ms sofisticado de
anlisis en una de las aplicaciones ms difciles los motores elctricos y los trenes de impulsin
4. El Sistema de Sensor de Monitoreo de Condicin del Motor (MCM por sus siglas en ingles),
descrito por su fabricante como un detective multmetro, es el resultado de la colaboracin por
dos compaas, Artesis, Inc, y Inter Electric Electronic, ambas situadas en Turqua. El pequeo
paquete de MCM, que puede ser sostenido fcilmente en la palma de la mano, es instalado
permanentemente en el panel de la puerta principal de un centro de control motriz. Sus
sensores (SOCs) son conectados a los circuitos dentro del panel. El MCM aplica el monitoreo de
condicin del modelo basado en la planta y avisos prematuros de los algoritmos predictivos
originalmente desarrollados para la industria aeroespacial en EEUU bajo el patrocinio de la
Administracin del Espacio y Aeronutica nacional de los EEUU. El dispositivo utiliza slo las tres
fases de corrientes, voltajes y las lneas de seales (formas de onda) que son alimentadas al
motor como entradas para el anlisis. Las salidas son transmitidas por un transmisor radiofnico
separado a una red ligada a una computadora de anlisis que contiene el software del anlisis. 5
El motor clave del anlisis es una Red Bayesiana de Creencia (BBN por sus siglas en ingles) para
el motor elctrico y los componentes conducidos de la carga que utilizan informacin del MCM.
La lgica del BBN fue derivada de parmetros de MCM (8 elctricos y 12 mecnicos), todo el
resultado de interpretar la corriente y los valores del voltaje y de las formas de ondas. Estos son
organizados en hojas de clculo de modos de fracaso e indicadores relacionados, elctricos y
mecnicos. Los parmetros de MCM son medidos y son disponibles al BBN. La red entonces
calcula la probabilidad de un Modo de Falla que es VERDADERO o FALSO. Muchos productos de
software de BBN slo pueden calcular en una direccin. El Motor basado en Diagnostico de
Razonamiento de BBN desarrollado colectivamente con otro socio, Quantum Leap Innovations,
pueden calcular en ambas direcciones. Esta solucin predictiva de maquinaria soporta:
Monitoreo de Condicin y deteccin contina de anomalas de modos de falla de equipo
dominante dinmico;
Estimacin del estado actual del equipo relacionado como vida til residual y pronostico
de la probabilidad de la falla
Opciones de recomendaciones de planificacin y programacin basadas en la utilizacin
proyectada de la demanda y la disponibilidad del recurso
El software es poblado con el conocimiento especfico de la operacin aplicable del equipo de la
planta y reconocimiento de sntomas desarrollados por el personal de ingeniera de DEI Group.
Cundo aplicado, por ejemplo, a un conjunto de ventiladores de torre de refrigeracin
conducidos por cajas de engranes, el sistema reconocer anomalas de equipo que surgen de: la
degradacin del ventilador, los problemas elctricos de la lnea, la degradacin motriz, desgaste
excesivo de la caja y del cojinete, desbalanceo y desalineacin entre equipo empatados.
53

El sistema pondr sobre aviso al personal utilizando notificaciones visuales o de correo
electrnico. El sistema proporciona estimacin del estado actual del equipo y pronostica la
probabilidad de falla. As, la ltima promesa del mantenimiento predictivo puede ser cumplida
por este desarrollo, que es el resultado de un esfuerzo cooperativo internacional.
El estado del equipo, como lo relacionado a la vida til residual, es representado como un clculo
del dao cumulativo, o de envejecimiento, que el equipo ha acumulado desde nuevo, o desde la
ltima revisin. Los sistemas predictivos propuestos de administracin de maquinaria utilizarn
los resultados de la funcin del descubrimiento de anomala y el motor de protocolizacin de
riesgo para estimar un valor instantneo del estado general del equipo combinando la condicin
de modos de falla de todo el equipo en una sola representacin del estado.
Dado el estado actual del equipo, y de la utilizacin proyectada del equipo como definido por
ciclos de trabajo (las cargas durante perodos de tiempo), el sistema estima la futura conducta
del equipo relativa a la degradacin que lleva a la falla o estructural. Aqu la falla es definida
como el punto de la degradacin donde el equipo no sostiene ms los requisitos del sistema. La
informacin es demostrada como probabilidad de la falla del equipo relativa a una escala de
tiempo.
La combinacin de las capacidades diagnsticas y pronosticas de los sistemas predictivos de
administracin de maquinaria es una plataforma poderosa para ligar los problemas de equipo a
la causa raz especfica. Proporciona recomendaciones avanzadas basadas en riesgo de
mantenimiento relativas a la resolucin de la anomala reconocida. Los diagnsticos pre-
procesados y los algoritmos pronosticados almacenarn informacin computada en el historiador
de datos incluido. Esto permite utilizar las funciones incorporadas para construir la interfase del
usuario y demostrar la condicin y futuro riesgo de los modos pre-procesados de falla de la
maquinaria.
La integracin con el CMMS permite la iniciacin automatizada de la planificacin logstica
anticipada y programacin para apoyar los requisitos operacionales de la planta. El componente
de Apoyo de Decisin del Mantenimiento valora lo Siguiente:
Proyeccin de riesgo de la falla del equipo,
Disponibilidad de recursos necesarios de material y personal,
Requisitos operacionales planeados, y los horarios planeados de la falla para recomendar
el mantenimiento necesario o las actividades operacionales asociados con manejar el
riesgo predicho del equipo. Es tambin capaz de valorar el impacto de diferimiento de
mantenimiento o cambios en demandas operacionales del ciclo de trabajo
54


El resumen de todo el anlisis es una mesa completa de decisiones y probabilidades, basado en
la historia de la mquina de modos de falla y atado a datos actuales de la condicin, que rinde
una ms probable causa raz de la degradacin, como es ilustrado. El concepto total para este
muy avanzado programa de PdM, es ilustrado por un conjunto de ocho ventiladores en una torre
de refrigeracin en la Figura 2.

55

Note que la primera columna de recoleccin de datos en la Figura 2 es el cable de alimentacin
entre los motores de una torre de refrigeracin de agua al control motriz central resistente a la
intemperie. El vinculo inalmbrico est entre el MCMs o los multmetros detectives que reciben
la corriente, el voltaje y los datos de forma de onda de los sensores del cable de energa
elctrica y la computadora que analiza en tiempo era el monitoreo de condicin en un edificio a
varios cientos de metros de distancia. Los datos de MCM son dirigidos por un acceso inalmbrico
a la red de Ethernet de fibra ligada a las computadoras que contienen el software BBN y otros
lazos de comunicaciones a personas que toman las decisiones internas, en casa o en otras
ubicaciones. Los informes proporcionados incluyen el diagnstico del problema y un pronstico
del riesgo de falla. Con estos informes, la persona que toma las decisiones puede hacer una
determinacin ms informada teniendo en cuenta la importancia de la produccin que se esta
produciendo en ese momento as como las consecuencias de interrumpirla para hacer una
reparacin.
Este sistema ya se encuentra en uso en el sitio Koch Primary Energy monitoreando ventiladores
y bombas de alimentacin. Koch, histricamente una de las compaas ms progresivas en la
aplicacin de tecnologa predictiva de vanguardia, de monitoreo de condicin y mtodos de
anlisis, piensa aplicar este mtodo de anlisis a sus generadores utilizando la salida de los
sensores en los cables de salida para monitorear los datos de la descarga parcial (PD por sus
siglas en ingles), un indicador clave de aislamiento de generador y empeoramiento interno del
componente. Actualmente, el monitoreo de PD se hace cada seis meses utilizando un sistema
porttil de monitoreo diseado y vendido por una compaa filial subsidiaria de Koch, Iris Power
Engineering de Ontario, Canad.
Un acercamiento diferente al Futuro
Otro mtodo de Monitoreo Predictivo de Condicin es el de proporcionar un grupo de expertos en
varios tipos de industrias y maquinaria. Estos expertos estn disponibles para proporcionar un
anlisis de vanguardia cuando un sensor de una red inalmbrica indica el comienzo de las
condiciones que pueden llevar a la falla. La clave a este enfoque es el uso de la conexin de
Internet de alta velocidad entre la mquina monitoreada y el sitio central del anlisis.
Azima Inc., hace sensores de dispositivos inalmbricos de estndares industriales conectndose
a una interfase en-sitio y un paquete de comunicaciones. Estos sensores son conectados a hubs
almbricos o inalmbricos, que entonces son conectados a una red troncal de comunicaciones
(que puede ser almbrico, fibra o una combinacin de ambos, y contiene al servidor del sitio,
cualquier sensor de datos o de video conectado alambricamente al hub). Esta red, en cambio, se
conecta va Internet a las computadoras y monitores del anlisis. Estos pueden estar
dondequiera, incluyendo el sitio del anlisis y/o consulta local, en casa para observacin por
empleados claves de la planta, en el escritorio de un vendedor analista experto de maquinaria a
miles de kilmetro, o en una oficina de Azima donde expertos tambin pueden ser situados,
atendiendo a mltiples a clientes. Los datos estn disponibles por cualquier navegador de
Internet estndar, y el acceso al portal de Internet es controlado por el cliente.
56

El concepto de una instalacin tpica de Azima es ilustrada en la Figura 3.

La Fuerza Impulsora para el Futuro del Mantenimiento Predictivo
El principio de la fuerza impulsora en el futuro para el mantenimiento predictivo es la economa.
Los programas autnomos e internos se beneficiarn porque los requisitos de la inversin de
capital sern ms bajos de lo que son actualmente. En una planta nuclear de generacin de
energa el costo de un sensor conectado por cable o fibra ptica puede ser de USD $ 2-3,000. El
precio en otras instalaciones comerciales puede ser de USD $ 1,000 o ms. Un paquete de
instalacin inalmbrica de sensor para un solo parmetro puede ser la tercera parte de ese
valor.
Adems, el costo de la mano de obra para realizar un esfuerzo potencialmente mucho mayor de
recoleccin de datos es reducido a una fraccin de lo que es ahora. El costo de mano de obra,
programado a la funcin del anlisis, ya sea con personal interno o por medio de terceros,
aumentar la productividad del programa general.
Otro elemento econmico es el consentimiento de las compaas de asociarse con las
organizaciones que instalan, mantienen las redes de sensores y proporcionan los servicios
completos o parciales del anlisis y el apoyo por una cuota mensual. As, el requisito de la
inversin de capital del cliente es reducido mucho o es eliminado. Esto permite la decisin con
respecto a la implementacin de un sistema inalmbrico descansar ms en el requerimiento para
el Monitoreo Predictivo de Condicin para aumentar la confiabilidad del equipo, el rendimiento y
productividad y menos en la necesidad de procesar una peticin de inversin de capital, que en
muchas compaas puede tomar aos.
En la planta Covanta Energy Haverhill de desecho a energa de la Estacin de Recuperacin de
recursos de 48 Megawatt al norte de Boston, Massachusetts, Azima instal equipo sensible
inalmbrico en una gra crtica para la operacin y seis ventiladores clave, de difcil acceso. Los
57

ahorros a la Planta son entregados por un mejor conocimiento y ms reciente de la condicin
crtica del componente, que ha tenido como resultado una mejor planeacin para los cierres
programados y menos tiempo de inactividad no planeado y gastos de reparaciones de
emergencia. Esto coloca el control de cuando realizar una reparacin en las manos del personal
y lo quita de los caprichos de fracasos aleatorios de la maquinaria de la produccin o el servicio.
Para organizaciones implicadas en o afectadas por el comercio internacional, el mayor estmulo
econmico para adoptar sistemas de PCM del futuro ser su capacidad mejorada para competir y
sobrevivir verdaderamente en el mercado global.
De un punto de vista ms prctico cualquier organizacin que aplica PCM, ya sea con personal
de la planta o por medio de terceros, ser forzado a considerar el uso de sistemas como los
descritos en este articulo. Esto es porque puede ser los nica alternativa disponible ya que los
vendedores abandona el apoyo para el legado del hardware y/o el software, un hecho frecuente
en los ciclos vitales del producto de PCM que dura cerca de diez aos. En trminos de software,
los vendedores de PCM a menudo son forzados a hacer esto porque el hardware de la
computadora y los vendedores del sistema operativo cambian su lnea de productos con la
misma frecuencia. Lo bueno de esto es que la productividad de uso del producto casi siempre es
mejorada por estos cambios.
Manteniendo las manos en la Maquinaria
Mientras todos estos pronsticos con respecto al futuro del mantenimiento predictivo parecen
quitar a los humanos de las mquinas, uno debe ser realista y apreciar que las decisiones finales
con respecto a si se deben de cerrar para reparaciones y las decisiones finales del post-
mantenimiento a volverlos a la produccin no pueden, y no deben, ser hechas sin las manos
puestas, y a un encuentro cercano por seres humanos. El hardware que ellos pueden utilizar
puede ser slo algunos instrumentos de diagnostico porttiles anticuados, pero tambin
estarn trayendo la mayora de los instrumentos importantes, el software de su propia
experiencia y la inteligencia, que siempre se quedar como una parte esencial del proceso de
diagnstico y pronstico.
Conclusiones
Los Sistemas de Monitoreo Predictivo de Condicin del futuro sern ms sofisticados que
aquellos utilizados actualmente, e implicar ms tipos de sensores para detectar ms
indicadores de la degradacin de la mquina y el sistema. Al mismo tiempo sern ms baratos,
ms fciles de instalar y utilizar, y de conectarse internamente y/o ligados va Internet con
motores de anlisis que pueden estar situados a miles de kilometros.
El vinculo entre la participacin humana y la participacin del microprocesador y/o maquinas
basadas en el analisis de computadoras que hacen la promesa del mantenimiento predictivo
llegaran a ser una realidad.
58

En el 2003, el reconocido inventor y futurista, Ray Kurzweil public su ltimo libro titulado La
Singularidad est Cerca. Este es el ltimo libro de ms de tres dcadas y cinco libros llenos de
proyecciones de la unin entre la vida y la salud de los humanos y las mquinas que ellos han
creado. En La Singularidad est Cerca, Kurzweil examina el prximo paso en este proceso de la
unificacin, que l contiende es inexorable. Ese paso es la unin entre el humano y la mquina
en la que el conocimiento y las habilidades incorporadas en los cerebros humanos sern
combinados con la capacidad bastamente ms grande, velocidad y la habilidad de conocimiento-
compartiendo de nuestras propias creaciones.
La singularidad esta tan verdaderamente cerca como se aplica al futuro del mantenimiento
predictivo.
Agradecimiento
Los autores reconocen con gratitud la ayuda inapreciable en forma de tiempo invertido
discutiendo el futuro de PdM y la provisin del contenido para la inclusin en este artculo que
fue proporcionado generosamente por Marton Dundics, Presidente deDEI Group, Millersville, MD
(mdundics@dei-group.com) y de Alex Warner Presidente de Pedigree Technologies, Fargo,
Dakota del Norte (alex.warner@pedigreetechnolgies.com)
Elsa K. Anzalone es Gerente General de Contabilidad de Azima, Inc. Puede ser contactada en:
telefono: 781-938-0707 x751, FAX: 781-935-0179, Mobil: 713-825-1076, e-mail:
eanzalone@azimainc.com
Jack R. Nicholas, Jr., P.E., CMRP es el Director General de Maintenance Quality Systems LLC de
Millersville,MD. Puede ser contactado via: Telefono 717-338-9166, FAX: 717-338-9168, Mobil:
240-463-6440, e-mail: jdnicholas@supernet.com
Referencias
1. Baxter, Nelson Sound and Vibration Magazine May 2004 editorial
2. Warner, Alex, President of Pedigree Technologies, Fargo, ND from an unpublished paper
on products and services of his company prepared in support of this presentation
3. A description of correlation analysis, along with five other of the most common analysis
techniques used in PCM is found in the text Predictive Maintenance Management, 1st
Edition, September 2005 by J. R. Nicholas & R. K. Young ISBN 0-97199801-3-6
4. Most of the data on ICAS and MCM was provided by Morton Dundics, President of the
DEI Group. Mr. Dundics was the originator of the ICAS concept. Marton can be
contacted via the company web site www.dei-group.com
5. Artesis is a privately held company headquartered near Istanbul, Turkey. For more
details on the company and the array of products it has patented and sells world-wide,
visit the website a www.artesis.com
59

El Impacto de la Alineacin de Precisin en el tiempo de
Vida
por Michael Snider, Universal Technologies Companies
Comentar
Ver commentarios
Imprimir

La alineacin de precisin del eje de maquinaria de rotacin es uno de los factores claves a
reducir las cargas parasitarias en los cojinetes, sellos y lnea de ejes.
As, es lgico que la alineacin de precisin aumente el tiempo productivo general de la
mquina, el Tiempo Medio Entre Fallas (MTBF por sus siglas en ingles) de los componentes de la
maquinaria, y de la capacidad de ganancia de la organizacin - siendo todas metas dignas y algo
que todos nosotros buscamos. El enfoque principal de este artculo es mostrar cmo la
desalineacin afecta los componentes tanto del impulsor de la mquina y los equipos impulsores
una vez armados y bajo operacin.
Mientras los conceptos discutidos aqu aplican a toda clase de maquinaria de rotacin,
empecemos por considerar el grfico inferior que se relaciona con una falla con un tipo muy
importante de equipo a travs de la industria, la bomba centrfuga. Los resultados de un anlisis
estadstico reciente de que componentes fallan generalmente en una bomba centrfuga son
mostrados en la Figura 1. Como usted puede ver, aproximadamente 69% de las fallas implican
un dispositivo que sella, ms comnmente un sello mecnico.
Rpidamente debemos notar que este grfico no dice por qu los fracasos ocurren, pero
simplemente lo que falla? Mientras el anlisis de todas las causas primordiales especficas de
estos fracasos del componente est ms all del alcance de este artculo, esta claro que fuentes
mecnicas de falla tal como la desalineacin del eje contribuyen apreciablemente. De este
estudio, podemos concluir que la eliminacin de la causa raz de cojinete y sello se resolvera
aproximadamente 79% de los desafos de confiabilidad de la bomba que tuvo como resultado
este estudio.
60


Principios Bsicos de Alineacin
La desalineacin del equipo rotatorio es definida como la desviacin de la posicin relativa del
eje de un eje colineal de rotacin. El trmino colineal, ilustrado en la figura 2, es definido como
conteniendo los elementos que corresponden uno al otro y eso es arreglado en la misma
sucesin lineal.

Cundo se aplica al equipo de rotacin, las lneas centrales tanto de eje del impulsor como de los
impulsores de la maquina forman una lnea mientras las mquinas operan, con lo cual reducen
las cargas parasitarias impuestas en los componentes de la maquinaria. Estos componentes de
la maquinaria incluyen los ejes, cojinetes, sellos, rotores y coples. Note que las cargas
impuestas por el desbalanceo, los errores del ensamble, y las condiciones de funcionamiento son
materias separadas.

Para maquinas de acoplamiento, los ejes estn desalineados cuando sus lneas centrales de
rotacin no estn colineales cuando las mquinas estn trabajando.
61


La mayora de las discusiones de la alineacin del eje empiezan definiendo los dos tipos de la
desalineacin: la desalineacin de desfase y la angular. Estos dos tipos de desalineacin son
ilustrados en la figura 5.

Desafos comunes y malos entendidos acerca de la alineacin del Eje
Una gran variedad de desafos y equivocaciones existe con respecto a la materia de la
instalacin de mquina y alineacin del eje. Adems, muchos de estos asuntos quedan sujetos a
debate. Entre los asuntos se encuentran los siguientes:
1. Cual es el conjunto correcto de tolerancias de alineacin?
2. Si se alinea a tolerancias ms precisas y no se reducen los niveles de vibracin de la
maquinaria, hay un beneficio real?
3. Cul es el impacto de coples flexibles en tolerancias de alineacin?
4. Si una mquina es susceptible a movimiento considerable debido al esfuerzo por la
tubera o al aumento trmico, e incluso al cambio de condiciones de funcionamiento,
cual es el beneficio de tolerancias de precisin?
5. Cmo es que varias especificaciones del equipo tales como, velocidad de operacin, tipo
de cojinete, tipo sello, etc. impactan el grado de precisin requerido?
Mientras cada uno de stos son materias importantes y, verdaderamente, los desafos de la
postura, nuestro enfoque aqu est en mirar el sujeto puramente de la perspectiva de los
cojinetes y de los sellos.
Ejemplo Grfico de Tolerancia de alineacin
62

Mientras la decisin final en tolerancias de alineacin debe ser hecha por compaas individuales
basadas en la naturaleza del equipo y su criticalidad al negocio, los grficos mostrados en la
figura 6 son tolerancias tpicas comnmente aceptadas en la alineacin.

Los grficos tales como stos son muy comunes; sin embargo, unas cuantas precauciones deben
ser consideradas:
Las tolerancias de la Angulosidad y la desviacin enfocan la atencin en el cople, no en
la longitud de los ejes ni la cantidad de la desalineacin en los cojinetes.
La velocidad de operacin es un factor para ser considerado, pero muchos factores ms
deben ser considerados tambin.
Considere la figura 7. Dar una alineacin a una mquina de 1800 RPM a la excelente
angulosidad y desfase proporcionadas en el grfico previo, mire la cantidad de desalineacin en
los pies de la mquina, que resulta ser muy cerca de los cojinetes de la mquina.
En resumen, lo que vemos es eso, aunque los valores de la desviacin y la angulosidad en el
cople estn dentro de tolerancias tpicamente consideradas excelente, all se queda las
desviaciones en los patas delanteras y traseras de la mquina de 0,007 (0.175mm) y 0,023
(0.585mm), respectivamente.
63


Mientras los valores de la desalineacin en este ejemplo obviamente no son precisos,
necesitamos considerar por qu la desalineacin lleva a fracasos prematuros de la maquinaria,
especialmente en componentes tales como cojinetes y sellos mecnicos. Vea la figura 8

Al operar, las lneas centrales del eje que de rotacin buscan una posicin colineal, y eso es
verdad a pesar del tipo de cople, el tipo de cojinetes, o de la velocidad operacional de las
mquinas. Al tratar de alcanzar una posicin colineal en este ejemplo, considere la cantidad de
desviacin en las patas, tambin cerca del cojinete final, 0,005 (0.125mm) y 0,006
(0.155mm). Por qu stas desviaciones son un asunto?
Para contestar esa pregunta necesita considerar el espacio libre interno radial de los cojinetes y
el espacio libre entre el cojinete y la envoltura del cojinete. Para dimetros tpicos de eje de
mquina de 2 pulgadas (50 Mm), el espacio libre interno mximo del elemento rodante tpico del
cojinete es aproximadamente 0,001 (0,025 Mm) y el espacio libre mximo entre el dimetro
64

exterior del cojinete y la envoltura es tambin cerca de 0,001 (0,025 Mm), para un suma de
slo 0,002 (0,050 Mm).
Si, en este ejemplo, al tratar de alcanzar una posicin colineal los dos ejes necesitan viajar
0,006 (0.155mm) y 0,005 (0.125mm), mas hay slo 0,002 (0.050mm) de espacio disponible.
No slo perdemos el espacio esencial necesitado para una pelcula de aceite dentro de los
cojinetes, pero los cojinetes tambin no tienen eleccin sino sostener la carga dinmica adicional
y los ejes sostienen las fuerzas que doblan. Estas fuerzas adicionales no slo causan desvo del
eje, que puede llevar a la falla del eje, sino tambin llevan al dao extenso del componente que
la mayora de las personas consideran la conexin ms dbil en la mquina, el sello mecnico.

Un estudio reciente realizado en la Universidad de Tennessee encontr que las cantidades an
pequeas de desalineacin podran reducir apreciablemente la vida del cojinete. El estudio
encontr que si, en promedio, un motor fue desfasado y desalineado por 10% del desfase
admisible por el fabricante, haba una reduccin correspondiente del 10% en la vida interior del
cojinete. Adems, si un motor fue desalineado desfasadamente por 70% del cople admisible por
el fabricante, haba el 50 % correspondiente de reduccin en la vida interna del cojinete. Los
resultados del estudio son resumidos en la Figura 9.
Una Perspectiva Diferente en Tolerancias de Alineacin
Muchas compaas se han dado cuenta de la mejora significativa en la vida de los cojinetes, la
vida del sello, y a la confiabilidad general de la maquinaria aplicando las tolerancias de la
alineacin tales como aquellas descritas abajo de que se enfocan no en el acoplamiento de la
angulosidad y los valores de la desviacin, sino en las desviaciones mximas que son
permisibles en el acoplamiento y en los pies de la mquina.
Dado nuestro ejemplo previo, consideremos el valor de las tolerancias de la alineacin de la
precisin en el eje, cojinete y la vida mecnica del sello. Considere la ilustracin en la figura 11.
Por los valores en la figura 10, dando una desviacin mxima en el acoplamiento de 0,001
(0.025mm) y una desviacin mxima en las patas de 0,002 (0.050mm), el grfico de abajo
muestra el peor de los casos.
65

Con los ejes en esta posicin, si nosotros ahora miramos las distancias que los dos ejes
necesitaran viajar para alcanzar una posicin colineal, usted puede ver el valor de tales
tolerancias. En este caso, las distancias que los ejes necesitan viajar son menos de 0,001
(0.025mm). Y, los espacios libres tpicos dados del cojinete, usted puede ver que estas
distancias son no slo tolerables a los cojinetes; sino en la reduccin en la carga del cojinete,
aumento en la vida del lubricante, disminucin del estres del eje, y finalmente en la vida
mecnica del sello ahora es tomada en cuenta.

Conclusiones
Las tolerancias de la alineacin a menudo han sido tratadas con una actitud de desgano de solo
aproxmate. Sin embargo, las tolerancias de la alineacin son realmente la medida de un
trabajo bien hecho. Hay dos razones de utilizar las tolerancias. La razn clave es de establecer
las metas. Si usted no tiene una meta, cmo sabe usted cuando el trabajo esta terminado? Si
no hay una meta, no puede haber una alineacin de calidad. El segundo propsito de las
tolerancias de alineacin es de establecer la responsabilidad. La responsabilidad es la evaluacin
de la calidad de la alineacin. Si no hay tolerancia de comparar una alineacin a, cmo puede
ser juzgada la calidad de la alineacin? La responsabilidad puede crear la competencia,
conduciendo a un mecnico para que consiga hacer un mejor trabajo.
Mientras la adherencia a tales tolerancias estrictas de la alineacin coloca una variedad de
desafos, y al encontrar estas tolerancias no son siempre prcticas ni necesarias, es claro que los
encontrando siempre que posible contribuir positivamente alcanzar o exceder la vida del diseo
de los cojinetes y de los sellos. A cambio, esto ayudar a alcanzar esas metas que todos
nosotros nos esforzamos para -aumentar el tiempo productivo de la mquina, el MTBF, y
aumentar la capacidad de las utilidades de la empresa.
66

Michael Snider es el fundador y director general de Universal Technologies companies,
incluyendo operaciones en los EEUU, Europa, y Latino Amrica. Michael tiene ms de 23 aos de
experiencia en los campos de confiabilidad de maquinaria, capacitacin tcnica, diseo y
desarrollo de programas de calificacin y capacitacin. Recibi su ttulo en Filosofa e ingls en
1981 y 1982, respectivamente, del S. Andrews Presbyterian College y termino sus estudios y se
graduo de Fsica y Matemticas en la Universidad de Carolina del norte en 1987. Michael es el
padre orgulloso de cinco nios y un nieto. Sus pasatiempos incluyen viajar, leer, esquiar en
nieve, y la escritura.
Gary Phillips es Instructor Senior en Universal Technologies con 28 aos de experiencia en el
anlisis de vibracin y las tcnicas de capacitacin relacionadas con la confiabilidad de la
maquinaria. Su pericia se extiende a la localizacin de fallas y la resolucin de problemas, el
anlisis de la Causa Raz, balanceo de campo y en-sitio, la evaluacin de programas de
confiabilidad, la implementacin y la administracin, control de calidad y aseguramiento de la
calidad, la alineacin avanzada de maquinaria de precisin que utiliza lser y los mtodos de
indicador de dial. Gary recibi su ttulo en Ingeniera Mecnica en 1969 de la Universidad de
Saskatchewan, Saskatoon, Saskatchewan. El vive en Duncan, Columbia Britnica, Canad.















67


Los Indicadores una Herramienta para la Confiabilidad
por Juan Carlos Orrego Barrera, Mantonline
Comentar
Ver commentarios
Imprimir

En la entrega anterior dejamos a un lado la segunda parte de nuestra pregunta clave para el
desarrollo del modelo de confiabilidad y nos centramos en el modelo de criticidad, ahora
entonces nos enfocaremos a esta segunda parte que a su vez, nos llevar a profundizar en los
indicadores, en primera instancia los que tienen que ver con la confiabilidad y luego en un
resumen de los que mundialmente se han denominado Indicadores Claves de Desempeo o del
ingls Key Performance Indicators (KPI).
Definicin de indicador: Magnitud utilizada para medir o comparar los resultados
efectivamente obtenidos, en la ejecucin de un proyecto, programa o actividad. Resultado
cuantitativo de comparar dos variables.
Medida sustitutiva de informacin que permite calificar un concepto abstracto. Se mide en
porcentajes, tasas y razones para permitir comparaciones.
Recordemos la pregunta que nos lleva a esto:
Cuales son las funciones y los modelos ideales de rendimiento del recurso en su actual
contexto operativo (funciones)?
Los indicadores son entonces esto, medidas continuas que nos llevan a una magnitud ideal o de
diseo que cuando se hacen en forma objetiva sobre un proceso, lo hacen fcil de analizar e
igualmente facilita la toma de decisiones apropiadas para introducir mejoras.
Del ejemplo de la motobomba impulsora, tenemos el item que se refiere al consumo; Tener un
consumo mximo de 7.8 Amp., esta cifra nos la da el fabricante quien determin que bajo las
condiciones planteadas; fluido a mover, presin de trabajo, instalaciones, etc, el amperaje de
trabajo debe ser igual o inferior a este valor, por consiguiente, un monitoreo continuo de este,
nos puede llevar a determinar fallas en el equipo o el sistema, en este caso, el consumo puede
ser nuestro indicador a seguir.
Existen un buen numero de indicadores que pueden ser tomados como referencia, pero los
indicadores de cada compaa si no han sido construidos directamente por el personal de ella,
deben ser analizados desde la ptica de la empresa, sus objetivos y sus condiciones reales,
como decamos antes, para efectos de confiabilidad, las cifras de indicadores de otros pases
pueden ser los ideales y son un buen principio en caso tal que no se haya iniciado el seguimiento
68

propio o como en el caso colombiano, se carezca de dichas medidas en forma pblica. Dentro de
los llamados a evaluar la confiabilidad tenemos:
1. MTBF son las siglas de Mean Time Between Faillure o Tiempo Medio de Vida entre Fallos.
Normalmente expresado en horas. Para un determinado dispositivo podemos decir que existe un
MTBF terico o calculado y un MTBF prctico o medido.
Los MTBF nos dan un medida acertada de la Calidad del producto que diseamos, fabricamos,
vendemos, compramos o que tenemos a cargo para el mantenimiento.
Donde ti es el tiempo de observacin de n equipos y Kf el numero total de fallos de estos
equipos durante dicho perodo de evaluacin.

2. MUT de Mean UpTime o Tiempo Medio que el Equipo est Disponible , que no tiene otra
explicacin que su mismo nombre y que est dado por la siguiente ecuacin:
Teniendo a td como el tiempo que el equipo i se encuentra disponible en el intervalo de
observacin y Kd el total de tiempos en que el equipo i ha estado disponible, siendo n el total de
equipos observados.

3. MDT del Ingles Mean DownTime o Tiempo medio que el Equipo No esta Disponible.
En donde tu como el tiempo que el equipo i se encuentra como no disponible en el intervalo de
observacin y Ku el total de tiempos en que el equipo i ha estado no disponible, siendo n el total
de equipos observados.
69


4. MRT de Mean repair time o Tiempo Medio de Reparacin, asociado mas a la mantenibilidad
pero igualmente medida importante para la confiabilidad, y nos muestra el perodo en el cual
podemos reparar un equipo hasta llevarlo a su estado de operacin.
Si disponemos los tiempos medios de reparacin de n equipos podemos obtener la estimacin
del tiempo medio de reparacin mediante la ecuacin, donde Kr es el nmero total de
reparaciones durante el tiempo considerado y tr el tiempo de reparacin correspondiente al
equipo i.

Es as como encontramos estos y otros tantos indicadores que nos han de servir para monitorear
nuestra labor, aqu un listado de algunos de ellos:

Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador.


70

Clculo de los Parmetros de la Distribucin de Weibull
por Luis Hernando Palacio Palacio, Argos/ Planta Nare
Comentar
Ver commentarios
Imprimir

El presente artculo presenta, paso a paso, el mtodo de los Mnimos Cuadrados para calcular los
parmetros de forma y escala de la distribucin de Weibull. Para el clculo del parmetro de
localizacin se emplea el complemento Solver de Excel.
Tambin se presentan dos ecuaciones para calcular el estimador Rango de mediana (ecuaciones
5 y 6), siendo esta ltima una forma aproximada y la que generalmente se usa en la literatura
tcnica. Ya que la ecuacin (5) es ms exacta, sta es la que se emplea; para ello, y debido a su
complejidad, se presenta el cdigo fuente en el lenguaje VBA (Visual Basic para Aplicaciones)
para crear una funcin definida por el usuario en Excel. Igualmente se usan las funciones
PENDIENTE e INTERSECCIN.EJE, de Excel, para calcular la pendiente y el intercepto de la lnea
de regresin.
1. INTRODUCCIN
La distribucin de Weibull es una distribucin continua y triparamtrica, es decir, est
completamente definida por tres parmetros y es la ms empleada en el campo de la
confiabilidad.
A pesar de la popularidad de esta distribucin, en la revisin bibliogrfica efectuada, la mayora
de los artculos y literatura tcnica consultados se remiten a una distribucin biparamtrica y,
ms an, los ejemplos all desarrollados presentan como datos conocidos los dos parmetros,
generndose, as, las siguientes preguntas: Cmo se calculan los parmetros? y por qu se
omite el clculo del tercer parmetro? El tercer parmetro es el parmetro de localizacin, es
decir, el parmetro que localiza la abscisa a partir del cual se inicia la distribucin.
El objetivo del presente artculo es responder a las dos preguntas anteriores, presentando una
de las cinco metodologas analticas existentes para el clculo de los parmetros y algunos
criterios para determinar si es necesario tener en cuenta el tercer parmetro.
El mtodo que se presenta es el mtodo de los Mnimos Cuadrados, por tres razones: la primera,
es un mtodo simple y expedito de aplicar; la segunda, la grfica de los datos sirven como una
prueba de bondad de ajuste de la distribucin y, la tercera, da un indicio sobre si se debe
calcular o no el parmetro de localizacin.
Para una metodologa grfica, la cual hace uso del papel especial llamado papel de probabilidad
de Weibull, vanse las referencias [5], [6]
71

2. EXPRESIN MATEMTICA DE LA DISTRIBUCIN
La funcin de densidad de la distribucin de Weibull para la variable aleatoria t est dada por la
siguiente expresin:

Donde
t: Variable aleatoria que, para el caso de la confiabilidad, representa el tiempo entre fallas.
: Parmetro de forma (0<<)
: Parmetro de escala (0<<)
: Parmetro de localizacin (-<)
El parmetro beta, como su nombre indica, determina la forma o perfil de la distribucin, la
cual es funcin del valor de ste.
El parmetro theta indica la escala de la distribucin, es decir, muestra que tan aguda o plana es
la funcin.
El parmetro delta indica, en el tiempo, el momento a partir del cual se genera la distribucin.
Una distribucin biparamtrica est completamente definida por los parmetros de forma y de
escala.
La funcin confiabilidad R (t) de Weibull se determina por la siguiente expresin:

La funcin distribucin acumulativa F (t) es el complemento de la funcin confiabilidad y se
define de la siguiente manera:

72

De la expresin anterior, se concluye que la funcin distribucin acumulativa se puede
interpretar como la probabilidad de falla.La relacin entre la funcin confiabilidad y la funcin
probabilidad de falla se muestra en la figura 1.

Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador.
3. DETERMINACIN DE LOS PARMETROS POR EL MTODO DE LOS MNIMOS
CUADRADOS
Como se mencion en el numeral uno, existen cinco mtodos para calcular los parmetros de la
distribucin de Weibull. Ellos son:
Mnimos cuadrados.
Grfico de la funcin tasa de falla.
Mxima similitud.
Estimacin de momentos.
Estimadores lineales.
Para ilustrar el mtodo de los mnimos cuadrados, se desarrollar paso a paso un ejemplo.
El mtodo de los mnimos cuadrados permite calcular los parmetros de forma y escala,
mediante la transformacin doble logartmica de la funcin de distribucin acumulativa (ecuacin
3). El clculo del parmetro de localizacin es ms complejo, emplendose para ello rutinas de
clculo, como el programa Solver de Excel.
La transformacin doble logartmica permite transformar la funcin de distribucin acumulativa
en una ecuacin lineal de regresin.
3.1 Deduccin de la ecuacin lineal de regresin
Funcin acumulativa de Weibull.
73


Aplicando logaritmos naturales.
Propiedad exponencial de los logaritmos.
Aplicando logaritmos naturales.

La expresin (*) representa una ecuacin lineal de la forma

La cual es una recta de regresin, con:

De la expresin (**) se concluye que el parmetro de forma, , es la pendiente de la recta de
regresin.
De la expresin (***) se observa que el parmetro de escala, , est en funcin del intercepto b
de la recta de regresin y del parmetro de escala; por lo tanto:
74

(4) Definicin de logaritmo.
3.2 Rango de mediana
Para poder trazar la recta de regresin, se debe calcular un estimador para la funcin de
distribucin acumulativa F(x). Este estimador, llamado Rango de mediana, es un estimador no
paramtrico basado en el orden de las fallas. Este aspecto implica que la muestra de datos se
debe organizar de menor a mayor (en forma ascendente).
La expresin matemtica para este estimador es:

Donde:
W (i): Rango de mediana para un nivel de confianza (1-), donde es el nivel de significancia y
toma el valor de 0.5 para este estimador.
i: Orden de la falla.
n: Nmero total de datos de la muestra.
F, v1, v2: Valor crtico de la distribucin F, evaluada en el nivel de significancia y con grados
de libertad v1 y v2.
Dada la complejidad de la ecuacin (5), generalmente el rango de mediana se aproxima
mediante la siguiente expresin, exacta dentro de 0.005 [1]:

Donde:
RM(xi): Rango de mediana.
i: Orden de falla.
75

n: Nmero total de datos de la muestra.
Dado que la ecuacin (5) es ms exacta, en los clculos se empelar sta. Para facilitar su
empleo, a continuacin se presenta el cdigo fuente para crear una funcin definida por el
usuario en Excel.
Para crear la funcin, sganse los siguientes pasos:
Abra Excel.
Hgase la combinacin de teclas Alt +F11. Esta accin abrir el editor de Visual Basic.
En el men insertar de VB, seleccinese la opcin Mdulo.
En el panel derecho, cpiese el siguiente cdigo fuente:
Public Function RangoMediana(alfa As Single, n As Long, i As Long) As Double
****************************************************************************
*
*Esta funcin calcula el rango de mediana en funcin de la distribucin F. *
*alfa representa el nivel de significancia con el que se calcula la dist. F.*
*n es el nmero de puntos de la muestra. *
*i es el orden de falla. *
****************************************************************************
*
Dim a As Double, f As Double
On Error GoTo ManejarError
a = i / (n - i + 1)
f = Application.WorksheetFunction.FInv(alfa, 2 * (n - i + 1), 2 * i)
RangoMediana = a / (f + a)
Salir:
Exit Function
ManejarError:
Select Case Err.Number
76

Case 1004
MsgBox Los argumentos (n) o (i) no pueden ser cero., vbCritical + vbOKOnly
Case Else
MsgBox Se ha generado el error & Err.Number & _
Err.Description, vbCritical + vbOKOnly
End Select
Resume Salir
End Function
Hgase clic en guardar del men Archivo del editor de VB para guardar la funcin.
Hgase clic en Cerrar y volver a Excel del editor de VB. Esta accin cierra el editor de
VB.
Para usar la funcin creada, seleccinese Funcin del men Insertar de Excel. Se abre la
ventana Insertar funcin.
En la ventana Insertar funcin, en la lista desplegable O seleccionar una categora,
seleccinese la categora Definidas por el usuario.
En el cuadro de lista Seleccionar una funcin, hgase clic en RangoMediana.
Hgase clic en el botn Aceptar.
En la ventana Argumentos de funcin, digtese los valores de los argumentos. Tngase
en cuenta que el valor del argumento alfa siempre es 0.5.
3.3 Pasos
1.- A continuacin se presenta la secuencia que se debe seguir en la aplicacin del mtodo de
los Mnimos Cuadrados.1. Asuma (parmetro de localizacin) igual cero y ordene los datos de
menor a mayor. El criterio de ordenacin debe ser el tiempo entre fallas. Vase la tabla 1.
77


2. Calcule el rango de mediana para cada observacin usando la ecuacin (5) (6).
En nuestro caso se usar la ecuacin (5), empleando la funcin definida por el usuario
RangoMediana. Vase la figura 2.

Los argumentos de la funcin RangoMediana toman los siguientes valores:
Alfa=0.5; n=140 (total de puntos de la muestra); i= toma el valor indicado en la columna A. Los
valores calculados se muestran en la tabla 2.
78


3. Calcule el logaritmo natural del tiempo entre fallas para cada observacin.
Vase la figura 3.

Obsrvese que en la funcin LN(nmero) de la columna D, el parmetro de localizacin, el cual
se obtiene de la celda L8, vale cero. Esto es importante, ya que la celda que contiene el
parmetro de localizacin ser la celda cambiante de Solver, en el caso que sea necesario
calcular este parmetro. Los valores de la abscisa x se muestran en la tabla 3.
79


4. Calcule el valor de la ordenada y, es decir, el logaritmo del logaritmo del inverso de uno
menos el rango de mediana para cada uno de las observaciones de la muestra. Vase la figura
4.

Obsrvese la anidacin de la funcin logaritmo. El valor del rango de mediana se obtiene de los
datos calculados en la columna C. Los valores de la ordenada y se muestran en la tabla 4.
80


5. Genere un grfico con los datos de las columna D y E.
Al trazar estos puntos, se genera la recta de regresin. Para ello seleccinese Grfico del men
Insertar de Excel; aparece la ventana Asistente para grficos. En sta, escjase la opcin XY
(Dispersin) en la lista Tipo de grfico y sganse las instrucciones en pantalla. Vase la figura 5


Para hallar la ecuacin de la recta de regresin, emplense las funciones: PENDIENTE
(conocido_y; conocido_x) donde: conocido_y son los valores dependientes (valores de la
columna E) y conocido_x son los valores independientes (valores de la columna D) para estimar
la pendiente de la recta; INTERSECCIN.EJE (conocido_y; conocido_x) para estimar el
intercepto de la recta. Para determinar el grado de correlacin lineal de los puntos, emplense
las funciones: PEARSON (matriz1; matriz2) donde matriz1 son los valores dependientes
81

(columna E) y matriz2 son los valores independientes (columna D). Esta funcin devuelve el
coeficiente de correlacin r. COEFICIENTE.R2 (conocido_y; conocido_x) devuelve el cuadrado del
coeficiente de correlacin. Estos valores, en s, representan una especie de prueba de bondad de
ajuste de la recta de regresin. El coeficiente de correlacin est indicando que tan fuerte o dbil
es la relacin lineal entre los datos; si este valor es ms cercano a uno, hay una fuerte
dependencia lineal. Por otro lado, el coeficiente de determinacin, r2, est indicando el
porcentaje de los puntos que estn relacionados linealmente.
Aplicando las anteriores funciones de Excel, se obtiene la siguiente recta de regresin:
y=0.6995x-1.9514 (7)
De donde:

El coeficiente de correlacin, r, indica que hay una excelente relacin (dependencia) lineal de los
datos, ya que su valor est muy prximo a uno. El coeficiente de determinacin, r2, indica que
el 94.64% de los datos estn relacionados linealmente. En conclusin, estos valores indican que
la muestra se comporta conforme a la funcin de densidad de Weibull.
6. Estime el valor del parmetro de forma y de escala.
Dado que el parmetro de forma es la pendiente de la recta de regresin, de la ecuacin (7) se
obtiene:

De la ecuacin (4), numeral 3.1, se obtiene el valor del parmetro de escala:

3.4 Consideraciones sobre el parmetro de localizacin
Las siguientes consideraciones se deben tener en cuanta al momento de analizar un parmetro
de localizacin diferente de cero. Vanse las referencias bibliogrficas [1], [6]
a) Si al graficar los puntos de la muestra aparece una cola de puntos hacia arriba o hacia abajo,
es un indicativo de que el parmetro de localizacin debe ser calculado.
82

b) Una cola hacia abajo o una reduccin sbita de la pendiente son indicativos de que un
parmetro de localizacin positivo est presente. Vase la figura 5.
c) Una cola hacia arriba o un incremento sbito de la pendiente son indicativos de que un
parmetro de localizacin negativo est presente. Este punto est de acuerdo con el intervalo de
validez de . Vase el numeral 2.
Un parmetro de localizacin negativo se presenta cuando hay unidades con fallas en servicio, o
unidades en servicio con defectos que causarn fallas. Ejemplos:
Defectos originados durante el ensamble.
Defectos originados durante el transporte.
Defectos originados durante la instalacin o montaje.
Defectos originados durante el almacenamiento.
d) Valores grandes del parmetro de forma (>10) son otro indicativo de que el parmetro de
localizacin debe ser calculado.
Teniendo en cuanta las consideraciones anteriores, y analizando la figura 5, se proceder a
calcular el parmetro de localizacin.
3.5 Clculo del parmetro de localizacin
Para el clculo del parmetro se usar el complemento Solver de Excel, ya que debe ser
determinado por ensayo y error.
Para empezar, se debe definir la celda cambiante que, como se mencion en el paso 3 del
numeral 3.3, debe ser la celda donde se asign el valor cero. Esta celda debe estar involucrada
en una funcin. Vase la figura 3.
El mejor estimador de es el valor de que proporcione el mejor ajuste de la lnea de
regresin de los datos mustrales. El coeficiente de determinacin, r2, proporciona esta medida
[1], ya que ste mide la cantidad de puntos que estn relacionados linealmente y, por lo tanto,
la celda que contenga este valor ser la celda objetivo a maximizar pues el objetivo es
mejorar el ajuste de la recta de regresin. Para iniciar el clculo se debe indicar al programa
un punto de inicio, o punto semilla, en la celda cambiante. El mejor valor de inicio de es un
valor ligeramente inferior al valor ms bajo del tiempo entre fallas de la muestra. Para el
ejemplo, el punto semilla sera 0.166 (es ligeramente inferior al valor ms bajo del tiempo entre
fallas de la muestra, el cual corresponde al dato de orden uno 0.167. Vase la tabla 1). Este
constituye la restriccin en Solver. Vase la figura 6.
83


Es importante tener en cuenta que la celda objetivo debe contener una formula que relacione
directa o indirectamente el valor de la celda cambiante. Para el ejemplo la formula sera
COEFICIENTE.R2 (E3:E142, D3:D142). Obsrvese que el rango del segundo argumento
involucra la celda cambiante L8. Vase la figura 3.
Al hacer clic en el botn Resolver de la ventana Parmetros de Solver, el programa genera la
solucin 0.161, siendo este el valor del parmetro de localizacin, y el coeficiente de correlacin
se maximiza a 0.9886; es decir, al tener en cuenta el parmetro de localizacin se mejora el
ajuste de la recta de regresin. De igual manera, los parmetros de forma y escala, y los valores
de las abscisas (Xi) y ordenadas (Yi) se actualizan. Vase la figura 7.

Para que los valores se actualicen automticamente, stos deben estar relacionados por
frmulas, tal y como se muestra en la figura 8.
84


Ntese que el valor del parmetro de localizacin es positivo, corroborando lo dicho en la parte
b) del numeral 3.4. La figura 9 muestra el trazo de la nueva recta de regresin, siendo notable
la agrupacin de los puntos en forma de lnea. Comparece esta figura con la figura 5.
En la figura 10 se muestra el grfico de la funcin de densidad de Weibull para los parmetros
calculados. Reemplazndolos en la ecuacin (1) se obtiene la siguiente ecuacin:



85


CONCLUSIONES
1. El mtodo de los mnimos cuadrados facilita el clculo de los parmetros de la distribucin de
Weibull cuando se emplean programas informticos como Excel.
2. El anlisis del grfico de la recta de regresin sirve de criterio para determinar si es necesario
calcular el parmetro de localizacin.
3. El parmetro de localizacin tiene un gran efecto en la recta de regresin; sin embargo, se
debe analizar concienzudamente si un diferente de cero es necesario.
4. El coeficiente de correlacin, r, y el coeficiente de determinacin, r2, se constituyen en una
prueba de bondad de ajuste para la recta de regresin.
REFERENCIAS BIBLIOGRFICAS
1. Dodson, Bryan. The Weibull Analysis Handbook. 2da ed. Milwaukee, Wisconsin: ASQ
Quality Press, 2006.
2. Abernethy, Robert B. The New Weibull Handbook. 5ta ed. North Palm Beach, Florida.
2006
86

3. Walpole, Ronald E y Raymond Meyers. Probabilidad y estadstica para ingenieros. 3ra ed.
Mxico: Interamericana, 1990
4. Cspedes Zapata, Lucas y Santiago Meja Isaza. Implementacin de un Sistema de
Indicadores para la gestin de Mantenimiento de una empresa textilera. Medelln,
2005,194p. Trabajo de grado Ingeniera Mecnica. Universidad EAFIT. Departamento de
Ingeniera Mecnica. rea de mantenimiento.
5. Tamborero del Pino, Jos Mara. NPT 331: Fiabilidad: La distribucin de Weibull [En
lnea] Disponible en:
http://www.insht.es/InshtWeb/Contenidos/Documentacion/FichasTecnicas/NTP/Ficheros
/301a400/ntp_331.pdf [Consulta: 22 de julio de 2010]
6. Estimation of the Weibull parameters [En lnea] Disponible en:
http://www.weibull.com/LifeDataWeb/lifedataweb.htm [Consulta. 26 de julio de 2010]
7. Yez, Medardo; Perdomo, Jos L y Gmez de la Vega, Hernando. Ingeniera de
Confiabilidad: Pilar fundamental del mantenimiento [En lnea] Disponible en:
http://confiabilidad.net/articulos/ingenieria-de-confiabilidad-pilar-fundamental-del-
mantenimiento/#comment-list [Consulta: 28 de julio de 2010]
8. Duarte Holgun, Juan Carlos. Mantenimiento centrado en confiabilidad usando mtodos
de simulacin del ciclo de vida [En lnea] Disponible en:
http://www.noria.com/sp/rwla/conferencias/mem/Duarte-paper.pdf [Consulta: 28 de
julio de 2010]
9. Garca Palencia, Oliverio. Optimizacin estadstica del mantenimiento industrial [En
lnea] Disponible en:
http://www.aciem.org/bancoconocimiento/O/Optimizacionestadisticadelmantenimientoi
ndustr/Optimizacionestadisticadelmantenimientoindustr.asp [Consulta: 28 de julio de
2010]
10. Luna, Ana Eugenia. Teora de la confiabilidad [En lnea] Disponible en:
http://focuslab.lfp.uba.ar/public/CursoTErrores2k4/Monografias2005/Ana_E_Luna.pdf
[Consulta: 22 de julio de 2010]