CONFERENCIA LATINOAMERICANA DE GESTIN DE MANTENIMIENTO Y

CONFIABILIDAD OPERACIONAL (GMC 2007)

MODELAMIENTOS BASADOS EN CONFIABILIDAD PARA DETERMINAR POLTICAS DE
MANTENIMIENTO PREVENTIVO

Adolfo Arata Andreani Fredy Kristjanpoller Rodrguez
Ingeniero Civil Mecnico Ingeniero Civil Industrial

Universidad Tcnica Federico Santa Mara

I. Resumen
El estudio del comportamiento y la relacin de los equipos y elementos que componen
una lnea de produccin e incluso de una planta, es una tarea indispensable para el
desarrollo de anlisis de Ingeniera de Mantenimiento.
En este sentido, la correcta definicin de una poltica de mantenimiento para un equipo o
componente, es una labor fundamental para asegurar una correcta gestin de activos.
Esta tarea es incluso de mayor relevancia al considerar equipos crticos.
En este trabajo, se presenta el anlisis para equipos crticos, para los cuales mediante
informacin histrica de intervenciones y costos se determinan las polticas de
mantenimiento ms adecuadas. Para este efecto, se aplican modelos matemticos de
confiabilidad, que mediante la optimizacin de los costos de mantenimiento establecen los
periodos e intervalos para realizar las intervenciones e inspecciones.
La aplicacin de estos modelamientos es clave para el desarrollo de la Ingeniera de
Mantenimiento, no obstante su utilizacin no est masificada debido a la complejidad de
los mismos, y adems por la falta de informacin de buena calidad que respalde los
anlisis, la que se origina principalmente por la debilidad de la Ingeniera de
Mantenimiento, que no hace del dato un factor relevante para la generacin del
conocimiento.


2
Por ltimo, los resultados que se obtienen permiten mejorar y optimizar el rendimiento de
componentes crticos, racionalizando y focalizando el uso de los recursos, lo que redunda
en una mejora de la gestin de los activos.


II. Introduccin
En la actualidad los costos de mantenimiento se transforman en una de las componentes
principales de los costos operacionales de una planta productiva. Esta importancia puede
ir desde un 10% de los costos de produccin, en empresas como la siderurgia, hasta
llegar incluso a un 40% en algunas faenas mineras. No cabe duda alguna, que el
mantenimiento pas de ser de una unidad de staff, para transformarse en una unidad
clave al interior de las empresas.
En este sentido el mantenimiento preventivo juega un rol preponderante, dada su
caracterstica de adelantarse a las fallas, las cuales no slo se asocian a detenciones
operacionales e indisponibilidad de las instalaciones, sino que tambin al aseguramiento
de la calidad y el cuidado del medio ambiente y las personas. Por lo que, un adecuado
anlisis y justificacin de cada una de las actividades de mantenimiento preventivo, traer
consigo un mejoramiento en las condiciones operacionales de los equipos y una
reduccin en los costos de mantenimiento.
En el presente trabajo, se analizarn diferentes herramientas estadsticas y
probabilsticas, que ayudan a una mejor definicin de las actividades preventivas y las
inspecciones asociadas.




3
III. Conceptualizacin
La concepcin del mantenimiento centrado en confiabilidad y los diferentes modelos
estadsticos y probabilsticas que nos sugiere su correcta implementacin, nos presentan
muy tiles herramientas, para dotar a la Ingeniera de Mantenimiento de anlisis precisos
y slidos para la toma de decisiones concernientes a la definicin de las estrategias de
mantenimiento.
El primer aspecto se relaciona con la modelacin de la informacin histrica que poseen
los equipos o componentes, para de esta manera definir los parmetros que explican su
comportamiento. En este sentido, el Life Cycle Cost LCC, a travs de la denominada
Curva de la Baera permite identificar tres etapas diferentes asociadas al equipo en
cuestin, considerando distribuciones probabilsticas que la representan.
A continuacin, se presenta el diagrama que representa la curva de la baera.

Figura N1: Curva de la Baera.
En el diagrama se incluyen las distribuciones probabilsticas que explican cada una de las
tres fases, que son la distribucin exponencial y la weibull. stas permiten calcular las
principales indicadores asociados a la ingeniera de mantenimiento, tal como lo muestra la
siguiente tabla:
Desgaste Vida til Rodaje
(t)
t
R(t): exponencial
negativa
R(t): Weibull
R(t): Weibull
1 p
1 f
1 =
Desgaste Vida til Rodaje
(t)
t
Desgaste Vida til Rodaje
(t)
t
R(t): exponencial
negativa
R(t): Weibull
R(t): Weibull
1 p
1 f
1 =



4

DISTRIBUCION MTBF FORMA GRAFICA TASA DE FALLA
WEIBULL
1
) (

t
t

=
t
e
t
t f
1
) (

=
t
e t R ) (

+
+

1






EXPONENCIAL NEGATIVA
t
e t f

= ) (
t
e t R

= ) (

1



Tabla N1: Distribuciones Probabilsticas para Ingeniera en Mantenimiento

El primer gran desafo a ser enfrentado al estudiar el comportamiento de un equipo, es la
obtencin de su registro histrico de intervenciones, el que ser la base fundamental para
realizar el ajuste probabilstica para determinar a qu distribucin se asocia el equipo en
estudio.
Al respecto, se puede establecer claramente la informacin histrica de las intervenciones
del elemento en estudio, segn la siguiente clasificacin:
Fecha y hora de la intervencin
Duracin de la intervencin
Tipo de intervencin (si implic falla o se previno sta)
Costo de la intervencin.
Una vez realizado el levantamiento de la informacin histrica, es necesario obtener la
parametrizacin de estos valores a una de las distribuciones mencionadas anteriormente.
Para realizar este ajuste, existen mtodos tradicionales y artesanales, mediante la
linealizacin de la distribucin de weibull; pero sin lugar a dudas, los resultados obtenidos
a travs de los software especializados como: Best Fit, MES, Weibull++, entre otros,
gozan de mayor ventaja en su utilizacin, gracias a su exactitud y eficiencia de clculo.
El anlisis antes descrito es la piedra angular de todos los anlisis de confiabilidad, y por
ende un requisito para la implementacin de sus modelos y en este caso especial los


5
asociados a definicin de estrategias de mantenimiento.

III. 1 Modelo 1: Mantenimiento Preventivo a Edad Constante
El primer modelo en estudio se relaciona con la definicin de una estrategia preventiva a
edad constante, vale decir, verificar si el elemento debe ser intervenido de manera
preventiva cada Tp horas, o bien debe ser intervenido bajo la modalidad de
mantenimiento correctivo, o bien, despus de la falla.
Este modelo utiliza como base la informacin de confiabilidad del elemento, ms la
informacin de costos relativos a intervenciones del tipo correctivas (emergencia) y la de
los costos para las intervenciones preventivas 8antes de la falla).
El modelo posee dos restricciones fundamentales asociadas a:
1. El elemento en estudio debe poseer tasa de falla creciente, es decir distribucin
weibull con > 1. En caso contrario no se encontrar un punto que optimice la
funcin de costos. Esta condicin es slo un requisito y no establece de manera
definitiva la existencia de un punto ptimo.
2. Los costos de una intervencin de emergencia deben ser mayores a los de una
intervencin preventiva.

Con estas condiciones se debe optimizar la funcin objetivo compuesta por los siguientes
factores:

en donde:
CE : Costo total de reparacin en emergencia
CP : Costo total de intervencin preventiva
R(T): Confiabilidad al tiempo T
F(T): Probabilidad de falla al tiempo T

Como resultado de la aplicacin de este modelo, se establece la posibilidad de realizar
mantenimiento preventivo a edad constante v/s mantenimiento correctivo. En este sentido,
si la funcin objetivo posee un ptimo Tp que es menor a MTBF horas, es factible realizar
mantenimiento preventivo a edad constante cada Tp horas, en caso contrario se debe
optar por mantenimiento correctivo, o buscar alguna otra alternativa, como por ejemplo
mantenimiento mejorativo.
E
C
= [C
E
F(T) + C
P
R(T)]/ MTBF
T


6
III. 2 Modelo 2: Determinacin de Inspecciones ptimas para Mantenimiento
Preventivo I.
Este modelo se caracteriza por determinar la cantidad ptima de inspecciones que se le
deben hacer a un componente, de acuerdo a su criticidad (c) el tiempo que se debe
detener para inspeccionarlo (Ti) y el tiempo que el equipo se mantiene detenido ante una
falla (Tb).

En este sentido se puede definir el TDT, tiempo total de indisponibilidad por unidad de
tiempo para un elemento, de la siguiente manera:

En donde:
TDT: Tiempo total de indisponibilidad por unidad de tiempo para el elemento.
Ti: Tiempo de indisponibilidad por inspeccin del elemento.
Tb: Tiempo de indisponibilidad por falla del elemento
c: Constante de criticidad. Se evala de 1 a 5 (menor criticidad a mayor criticidad)
y: Nmero de inspecciones por unidad de tiempo para el elemento.

Al optimizar la funcin objetivo TDT y despejar la cantidad de inspecciones, se obtiene
que:

Este y* indicar la cantidad de intervenciones que se le deben realizar al elemento, para
aplicar un mantenimiento preventivo. Por lo general este y* es medido como nmero de
intervenciones / mes.


7
III.3 Modelo 3: Determinacin de Inspecciones ptimas para Mantenimiento
Preventivo II.
Este modelo es similar al anterior, pero incluye la incidencia de la tasa de falla para la el
clculo del tiempo total de indisponibilidad por unidad de tiempo para el elemento -. TDT.
Su objetivo es minimizar por unidad de tiempo la indisponibilidad del elemento, provocado
por las detenciones por inspeccin.

El tiempo TDT se explica de la siguiente manera:

en donde:
TDT: Tiempo total de indisponibilidad por unidad de tiempo para el elemento.
DTi: Tiempo de indisponibilidad por inspeccin del elemento.
DTr: Tiempo de indisponibilidad por reparacin del elemento.
n: Frecuencia de inspeccin.
(n): Tasa de falla del elemento.
(n): Tasa de reparacin del elemento.
1/: Promedio de la distribucin exponencial de los tiempos de inspeccin.

Para optimizar y resolver la funcin TDT(n) es necesario estimar (n), la que usualmente
se define como:

El valor de f, es la tasa de falla para n=0.
De esta manera, se minimiza la funcin TDT(n), obteniendo un valor para n, que es la
frecuencia de inspecciones.

Este n* indicar la cantidad de intervenciones que se le deben realizar al elemento, para
aplicar un mantenimiento preventivo y que minimizan el tiempo total de detencin por
unidad de tiempo.


8
III. 4 Modelo 4: Anlisis de confiabilidad mnima, segn eleccin de mantenimiento
preventivo a edad constante.
Este modelo considera la frecuencia con la cual deben ser realizadas los mantenimientos
preventivos, con el fin de asegurar una confiabilidad mnima durante un periodo de
operacin. En trminos prcticos, mediante la utilizacin de este modelo, se puede
realizar una valoracin de riesgo de la poltica de mantenimiento preventivo que se est
implementando de modo asegurar niveles de confiabilidad y fallas esperada durante todo
el ciclo de vida del equipo.
El principal supuesto que considera este modelo, se relaciona con que el elemento, una
vez realizado el mantenimiento preventivo, queda tan bueno como nuevo as good as
new.
Para establecer el modelo es necesario definir las siguientes variables claves:
T
PM
: Tiempo de operacin entre intervenciones preventivas.
R(t): Confiabilidad intrnseca del elemento en el instante t.
R
PM
(t): Confiabilidad del elemento t, considerando la definicin de estrategia de
mantenimiento preventivo seleccionada.
T
UL
: Tiempo de vida til del elemento.

El principal aspecto de este modelo, se relaciona con el clculo de R
PM
(t), vale decir la
confiabilidad del elemento en un instante t, sujeto a que cada T horas se le est
realizando un mantenimiento preventivo. Si situamos ese instante t, despus de realizado
la n intervencin preventiva y antes de realizar la n+1, tendremos que:

R
PM
(t)= R
n
(T) * R(t - nT), donde nT t (n+1) T

Esta expresin puede ser utilizada tanto para distribucin exponencial como para una
weibull. Considerando el reemplazo por una funcin weibull (cabe recordar que la
distribucin exponencial es slo un caso particular de sta con =1), se obtiene que:

=
NT t T
N
PM
e e t R ) (


9
Lo anterior dado que, como se definirn n intervenciones preventivas cada T horas,
entonces el tiempo total de la vida lti T
UL,
quedar definido por:
T
UL
= n*T

Por ltimo si evaluamos R
PM
(T
UL
=nT), se obtiene que:

Por lo que finalmente slo resta evaluar dicha expresin con la confiabilidad mnima
esperada y despejar el valor de n, por lo que tambin se obtiene el valor de T.

= =
*
) (
n
T
n
nT T T
n
UL PM
UL UL
e e e T R


10
IV. Desarrollo y/o Aplicacin
El caso aplicado se focaliza en una faena minera, en la cual uno de sus equipos ms
crticos es la correa PQ, que es parte del sistema de traslado desde el chancado a la
lixiviacin.
La correa PQ es un equipo de suma importancia, ya que una detencin total o parcial de
ste, incide directamente en el material lixiviado y, por ende, en la produccin de cobre
extrarefinado.
Las fallas principales de la correa PQ, se concentran en su sistema motriz, que est
compuesto por dos motores, los cuales son energizados a travs de dos variadores de
frecuencia, independientes para cada motor. Estos variadores de frecuencia, por lo
general sufren desperfectos debido a problemas en sus tarjetas, los que repercuten en
detenciones de los motores y a su vez en una detencin parcial o total de la correa PQ.
Segn la informacin recolectada en terreno y analizada de acuerdo a la tasa de
produccin, los costos de la falta (ineficiencia) ascienden aproximadamente a USD 14.667
/ hora, debido a que una falla de la correa PQ perjudica en un tercio la produccin total de
la faena.
Como resultado de los antecedentes antes mencionados, se ha decidido realizar un
anlisis exhaustivo del comportamiento de falla y de costos de la correa PQ con el fin de
definir un plan de inspecciones e intervenciones preventivas, que permitan asegurar un
mayor nivel de seguridad de funcionamiento, y de esta manera, aumentar la disponibilidad
del sistema y reducir los costos de la falta.




11
IV. 1 Aplicacin Modelo 1: Mantenimiento Preventivo a Edad Constante
El primer paso para la aplicacin de este modelo, radica en la determinacin del
comportamiento de falla de los variadores de frecuencia de la correa PQ, que son los
responsables de sobre el 90% de las detenciones de sta.
Para este efecto, es necesario conocer el histograma de intervenciones de los
variadores, y posteriormente ajustar estos valores a la distribucin probabilstica ms
adecuada, considerando las definiciones de Life Cycle Cost.
Considerando el soporte del software MES Maintenance Engineering System, se puede
determinar que el comportamiento del variador de frecuencia principal se asocia a una
distribucin weibull con parmetros alfa= 228,2562 y beta = 1,24798

Figura N2: Aj uste probabilstica al comportamiento de falla del variador principal

Considerando estos valores, se obtiene que el tiempo medio entre falla para el variador es
de 212,67 horas y posee un tiempo medio de reparacin de 6,01 horas y un costo por
intervencin promedio de USD 1.785.
Adems es importante sealar que dado que el > 1, implica que la tasa de falla es


12
creciente, por lo que se cumple con el primer requisito del modelo.
Posterior a este anlisis, es necesario conocer que sucede en trminos de los costos. En
este sentido, ya se conoce que cada intervencin preventiva tiene un costo de USD 1.785,
adicionalmente se estiman que los costos de la falta ascienden a USD 14.667 por hora,
por lo que se pueden calcular los costos de una intervencin de emergencia, como la
suma de los costos de una preventiva ms el tiempo medio de reparacin por el costo de
la falta horario, de donde se obtiene que los costos de emergencia, ascienden a USD
89.932 por intervencin. De esta manera, se cumple con la segunda restriccin del
modelo, asociada a que los costos de una intervencin de emergencia deben ser mayores
a los de una intervencin preventiva.
Por lo tanto se est en condiciones de optimizar la funcin esperanza de costos de
mantenimiento:
EC = [CE F(T) + CP R(T)]/ MTBFT
De donde se obtiene que existe un Tp ptimo a las 43,4 horas, grficamente:

280
282
284
286
288
290
292
294
296
298
300
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91

Figura N3: Grfico de Esperanza de Costo (Ec) v/s Tiempo de Operacin

Bajo el anlisis realizado, se puede concluir que es econmicamente viable y conveniente


13
el reemplazo de las tarjetas, ya que, se minimiza la esperanza de costos de
mantenimiento, o sea, se reduce el costo ponderado de cada intervencin. Es importante
sealar, que las intervenciones cada 43,4 horas, no aseguran que todas las veces se
realice un mantenimiento preventivo, ya que la confiabilidad en ese tiempo es de 88,15%,
por lo que en la prctica existe un 11,85% de probabilidades que la tarjeta falle antes de
ese tiempo, y por ende, que se le deba hacer un mantenimiento correctivo.

IV. 2 Aplicacin Modelo 2: Determinacin de Inspecciones ptimas para
Mantenimiento Preventivo I.
El primer aspecto que deber ser considerado, es el grado de criticidad del equipo en
estudio, en este caso la correa a travs de uno de sus motores y ste a travs de su
variador de frecuencia. Considerando la informacin obtenida, la constante es muy alta,
por lo que se podra establecer que la constante c toma el valor de 4 5 (mximo). Para
ambos casos se determinar el nmero de inspecciones ptimo.
Tal como fue determinado en el modelo anterior el tiempo medio de reparacin asciende a
6,01 horas, por lo que tenemos que:
Tb = 6,01 horas / 720 (horas/mes) = 0,00834722 mes
Adicionalmente se ha establecido que una inspeccin promedio al variador toma 2 horas,
por lo que:
Ti = 2 horas / 720 (horas/mes) = 0,00277778 mes

Considerando una constante de criticidad c=4, se tiene que:

y* = (4* 0,00834722 / 0,00277778)
0,5
= 3,467 inspecciones / mes
o bien,
inspecciones cada 210,2 horas.

Considerando una constante de criticidad c=5, se tiene que:

y* = (5* 0,00834722 / 0,00277778)
0,5
= 3,786 inspecciones / mes
o bien,
inspecciones cada 188,1 horas.

En trminos prcticos, los resultados arrojados con este anlisis, nos permiten deducir


14
que es justificable inspeccionar el variador de frecuencia del motor de la correa PQ unas 3
a 4 veces al mes, con el fin de prevenir las fallas.

IV.3 Aplicacin Modelo 3: Determinacin de Inspecciones ptimas para
Mantenimiento Preventivo II.
A diferencia del modelo anterior, en ste se considera como factor relevante la tasa de
falla del elemento, en este caso el variador.
Bajo esta perspectiva podemos calcular la tasa f definida en el modelo, de la siguiente
manera:
f = 720 (horas/mes) / 212,67 (horas/ falla) = 3,3856 (fallas /mes)
Adicionalmente, se deben calcular los dems parmetros, pero estos ya fueron calculados
en el modelo anterior, en donde se tiene:
Ti = 1/ = 0,00277778 mes
Tb = 1/ = 0,00834722 mes

Por lo que se puede calcular el nmero ptimo de intervenciones, como:

n* = ln (3,3856 * 0,00834722 / 0,00277778) = 2,320 inspecciones / mes
o bien,
inspecciones cada 310,4 horas

La gran diferencia entre ambos modelos de inspecciones, radica en que en el primero se
incluye una constante de criticidad del elemento, en cambio en el segundo se incluye la
tasa de falla intrnseca del elemento, lo que cuantifica directamente la criticidad de ste,
en funcin de su tasa de reparacin y su tasa de inspeccin, obteniendo resultados ms
ajustados a la realidad propia de cada elemento.


15
IV.4 Aplicacin Modelo 4: Anlisis de confiabilidad mnima, segn eleccin de
mantenimiento preventivo a edad constante.
Este modelo funciona bien para elementos con un tiempo promedio entre fallas elevado,
respecto del tiempo de evaluacin, en el caso presentado el tiempo promedio entre fallas
es relativamente bajo, lo que se va a traducir en que existe una alta probabilidad de que el
elemento falle, a excepcin que se consideren intervalos muy pequeos para las
intervenciones, lo que en la prctica es muy difcil de implementar.
En trminos sencillos, si por ejemplo se considera un horizonte de 300 horas y se le aplica
mantenimiento preventivo en el Tp establecido (43,4 horas), la probabilidad de que no se
produzcan fallas en el horizonte de las 300 horas, es aproximadamente:

R(300 hrs, PM cada 43,4 horas) = 88,15%
7
= 41,38%, es decir se tiene casi un 60% de
probabilidad que se produzca una falla en el intervalo de las 300 horas.

No obstante lo anterior, se utiliz el modelo y se obtuvieron los siguientes resultados,
considerando siempre un horizonte de evaluacin de 300 horas:

Confiabilidad mnima
requerida
N Intervenciones Horas entre
Intervenciones
30% 2 150
40% 6 50
50% 19 15,79
60% 68 4,41
Tabla N2: Confiabilidad Mnima esperada y Nmero de Intervenciones

Inclusive llegando a un nivel de intervenciones cada 4,41 horas, la confiabilidad esperada
es de slo un 60%, por lo que es prcticamente intil e irreal tratar de hallar los puntos
para una confiabilidad de un 70% mayor.

En la siguiente grfica se puede apreciar lo antes expuesto:



16
0%
10%
20%
30%
40%
50%
60%
70%
1 5 9
1
3
1
7
2
1
2
5
2
9
3
3
3
7
4
1
4
5
4
9
5
3
5
7
6
1
6
5
6
9
7
3
7
7
8
1
8
5

Figura N4: Grfico de Confiabilidad Mnima esperada v/s Nmero de Intervenciones

De la grfica se puede corroborar, que bajo las condiciones actuales del sistema en
estudio, es altamente probable encontrar fallas en periodos prolongados de uso, no
importando la seleccin de poltica de mantenimiento preventiva y el tiempo asociada a
ella.


17
V. Resultados y Conclusiones

La correcta definicin y especificacin de un mantenimiento preventivo y de la
estrategia de inspecciones, son aspectos fundamentales en la adecuada
implementacin de un plan de mantenimiento productivo total.

En el caso presentado, est claramente establecido la raz de la criticidad y fue posible
cuantificar las prdidas provocadas por cada detencin, lo que ayud a una correcta
implementacin de cada modelo y a los resultados individuales de cada uno de stos.

No obstante lo anterior, un anlisis ms global de la situacin y en especial basado en
el ltimo modelo aplicado, nos permite concluir que la situacin actual difcilmente
podr ser mejorada con la actual configuracin de componentes y equipos del
sistema. Este punto cobra mayor relevancia, al notar la baja confiabilidad que estn
ofreciendo los variadores de frecuencia, lo que hace prcticamente imposible lograr
niveles de confiabilidad de un 80% 90% con las instalaciones actuales.

Al respecto se estima necesaria, una modificacin gentica del actual sistema, ya sea
mediante mantenimiento mejorativo, o de manera definitiva un reemplazo del sistema
de variadores de frecuencia, por sistemas alternativos como acopladores de
frecuencia, y que de esta manera permitan alcanzar los niveles esperados de
seguridad de funcionamiento.




18
VI. Bibliografa

A. Arata, L. Furlanetto, Manual de Gestin de Activos y Mantenimiento. Ril
Editores, Santiago de Chile 2005.
B.S. Dhilon, Maintenance Engineering: A modern approach. CRC Press, 2002.
R. Keith Mobley, An introduction to predictive maintenance. Butterworth
Heinemann, Elsevier Science, 2002.