Yaez M., Perdomo J.

, Gomez de la Vega H

Ingeniera de Confiabilidad; Pilar Fundamental del Mantenimiento

Medardo Yaez, Jose L. Perdomo, Hernando Gomez de la Vega Reliability and Risk Management S.A Telfonos: (58) 261-7986204; (58) 416-6651073 E-mail: yanezml@reliarisk.com , perdomojk@reliarisk.com, hagovemo@reliarisk.com Resumen Este trabajo se enfoca en el Diagnstico proactivo e integrado de equipos, procesos y/o

sistemas, como la base fundamental del mantenimiento . Se define Diagnstico proactivo e integrado como un proceso que busca caracterizar el estado actual y predecir el comportamiento futuro de equipos, sistemas y/o procesos, mediante el anlisis del historial de fallas, los datos de condicin y datos tcnicos, con la finalidad de identificar las acciones correctivas y proactivas que puedan efectivamente optimizar costos a travs de la sistemtica reduccin de la ocurrencia de fallas y eventos no deseados, y minimizar en consecuencia, su impacto en el negocio medular. Adicionalmente, se destaca a la Ingeniera de Confiabilidad como el marco terico-conceptual en el que conviven las metodologas y tcnicas para lograr este fin; y adicionalmente se define Confiabilidad Operacional como un proceso de mejora continua, que incorpora, en forma sistemtica, avanzadas herramientas de diagnstico, metodologas basadas en confiabilidad y el uso de nuevas tecnologas, en la bsqueda de optimizar la planificacin y la toma de decisiones. Ingeniera de Confiabilidad; porque una de las mejores formas para agregar valor; es evitar que se destruya [1]

Palabras claves: Confiabilidad, Riesgo, Estimacin, Costos, Diagnstico, Optimizacin, Condicin, Equipos, Sistemas.

1.- Modelos de Decisin en Mantenimiento

En aos recientes, grandes corporaciones especialmente del sector de hidrocarburos y de la industria de procesos, han volcado su atencin hacia el modelo de decisin Costo Riesgo, debido a que el mismo permite comparar el costo asociado a una accin de mantenimiento contra el nivel de reduccin de riesgo o mejora en el desempeo debido a dicha accin.; en otras palabras, el modelo permite saber cuanto obtengo por lo que gasto.

Yaez M., Perdomo J., Gomez de la Vega H

El anlisis Costo-Riesgo resulta particularmente til para decidir en escenarios con intereses en conflicto, como el escenario Operacin Mantenimiento, en el cual el operador requiere que el equipo o proceso opere en forma continua para garantizar mxima produccin, y

simultneamente, el mantenedor requiere que el proceso se detenga con cierta frecuencia para poder mantener y ganar confiabilidad en el mismo. El modelo Costo-Riesgo es el indicado para resolver el conflicto previamente mencionado, dado que permite determinar el nivel ptimo de riesgo y la cantidad adecuada de mantenimiento, para obtener el mximo beneficio o mnimo impacto en el negocio.[2]

La figura 1 muestra grficamente el modelo mencionado, y en el mismo pueden destacarse tres curvas que varan en el tiempo: La curva del nivel de riesgo (riesgo = probabilidad de falla x consecuencia), asociado a

diferentes periodos de tiempo o frecuencias de mantenimiento .- La curva de los costos de mantenimiento, en la cual se simulan los costos de diferentes frecuencias para la accin de mantenimiento propuesta
IMPACTO TOTAL=I(t) TOTAL=I(t)
I(t)= IMPACTO TOTAL SOBRE EL NEGOCIO I(t)=R(t)+C(t) COSTO POR AO (MMBs) 3500 3000 2500 2000 1500 1000 500

Punto Optimo

RIESGO=R(t) RIESGO=R(t)
R(t)=PROB. DE FALLA X CONSECUENCIA

COSTO=C(t) COSTO=C(t)
C(t )= COSTO DE LA ACCION PROPUESTA PARA DISMINUIR EL RIESGO; MODELADO A DIFERENTES FRECUENCIAS.

9 10 11 12 1 3 14 15 16 17 18 19 20

INTERVALO DE TIEMPO (ANOS)

Fig. 1.- Modelo Costo Riesgo .- La curva de impacto total, que resulta de la suma punto a punto de la curva de riesgos y la curva de los costos de mantenimiento. El mnimo de esta curva, representa la frecuencia para la cual la suma de los costos de la poltica de mantenimiento con el nivel de riesgo asociado a esta poltica son mnimos; es decir hay el mnimo impacto posible en el negocio Este mnimo esta ubicado sobre el valor que puede traducirse como el periodo o frecuencia ptima para la

realizacin de la actividad de mantenimiento. Un desplazamiento hacia la derecha de este punto implicara asumir mucho riesgo y un desplazamiento hacia la izquierda del mismo implicara gastar demasiado dinero.

Yaez M., Perdomo J., Gomez de la Vega H

La dificultad para el uso del modelo, se centra en la estimacin o modelaje de la curva del riesgo, ya que la misma requiere la estimacin de la probabilidad de falla (y su variacin con el tiempo), y las consecuencias En la prxima seccin, se detallan las herramientas para lograr el correcto modelaje y estimacin del riesgo.

2.- Riesgo, un indicador para el Diagnstico Integrado

El riesgo R(t), base fundamental del modelo de decisin descrito en la seccin anterior, es un trmino de naturaleza probabilstica, que se define como egresos o prdidas probables consecuencia de la probable ocurrencia de un evento no deseado o falla, y comnmente se expresa en unidades monetarias, (Bs. o $).[1],[3]. Matemticamente, el riesgo se calcula con la siguiente ecuacin: Riesgo(t)=Probabilidad de Falla(t) x Consecuencias

El anlisis de la ecuacin del riesgo, permite entender el poder de este indicador para el diagnstico y la toma de decisiones, debido a que el mismo combina probabilidades o frecuencias de fallas con consecuencias, permitiendo la comparacin de unidades como los equipos rotativos, que normalmente presentan alta frecuencia de fallas con bajas consecuencias, con equipos estticos, que normalmente presentan patrones de baja frecuencia de fallas y alta consecuencia.

La figura 2, refleja grficamente lo expresado en el prrafo anterior

PROBABILIDAD / FRECUENCIA DE FALLAS
(# FALLAS / TIEMPO)

RIESGO
RIESGO= PROB. DE FALLA X CONSECUENCIA DE LA FALLA ALTA FRECUENCIA / BAJA CONSECUENCIAS TIPICO DE EQUIPOS ROTATIVOS

ALTA

FALLA = PERDIDA DE LA FUNCION

BAJA FRECUENCIA /ALTA CONSEQUENCIA TIPICO DE EQUIPOS ESTATICOS MEDIA FALLA =PERDIDA DE LA INTEGRIDAD MECANICA

ZONAS DE ISO-RIESGO
BAJA CONSECUENCIAS
($/FALLA)

BAJA

MEDIA

ALTA

Fig 2: Grfico Probabilidad de Falla vs. Consecuencias

Yaez M., Perdomo J., Gomez de la Vega H

El riesgo, se comporta como una balanza, que permite pesar la influencia de ambas magnitudes (Probabilidad de Falla y Consecuencia de la Falla) en una decisin particular.

El mantenimiento moderno, sustentado en la Ingeniera de Confiabilidad, requiere de un cuidadoso proceso de diagnstico de equipos y sistemas. El diagnstico, basado en el riesgo, puede entenderse entonces como un proceso que busca caracterizar el estado actual y predecir el comportamiento futuro de equipos y sistemas. Para el logro de un diagnstico integrado, el riesgo debe calcularse usando toda la informacin disponible; es decir, debe incluir el anlisis del historial de fallas, los datos de condicin y datos tcnicos. De esta forma, se podrn identificar las acciones correctivas y proactivas que puedan efectivamente optimizar costos y minimizar su impacto en el negocio medular.

La figura 3, muestra el proceso de Diagnstico Integrado

DIAGNOSTICO PARCIAL BASADO EN LA HISTORIA DE FALLAS DIAGNOSTICO PARCIAL BASADO EN LOS DATOS DE CONDICION DIAGNOSTICO PARCIAL BASADO EN DATOS TECNICOS

DATA HISTORICA

VOLUMEN DE CONTROL

DATA DE CONDICION

DIAGNOSTICO INTEGRADO

DATA TECNICA

Fig. 3 .- Proceso de Diagnstico Integrado

Entendiendo entonces que el riesgo es el indicador para un diagnstico integrado, se analizar a continuacin en detalle, el proceso para estimarlo.

3.- Estimacin de Riesgo

Como se mencion en el punto 2, el clculo del riesgo, involucra la estimacin de la Probabilidad de Fallas y/o la Confiabilidad, (Confiabilidad = 1 Probabilidad de Fallas), y de las Consecuencias. La figura 4 muestra la descomposicin del indicador riesgo en sus componentes fundamentales. En ella se muestra claramente que para calcular riesgo, deben establecerse dos (2) vas, una para el calculo de la confiabilidad y/o la probabilidad de fallas, en base a la historia de fallas o en base a la condicin; y otra para el clculo de las consecuencias.

Yaez M., Perdomo J., Gomez de la Vega H

DIAGNOSTICO INTEGRADO

RIESGO
RIESGO= PROB. DE FALLA X CONSECUENCIA DE LA FALLA RIESGO=(1-CONFIABILIDAD) X CONSECUENCIA

CONFIABILIDAD / PROB. DE FALLA

CONSECUENCIAS

CONFIABILIDAD BASADA EN LA HISTORIA DE FALLA

CONFIABILIDAD BASADA EN LA CONDICION

PERDIDAS DE PRODUCCION

COSTO DE REPARACION

IMPACTO AMBIENTAL

IMPACTO EN SEGURIDAD

Fig. 4: Descomposicin del Indicador Riesgo

3.1.- Estimacin de la Probabilidad de Fallas y/o la Confiabilidad.

Para la estimacin de la confiabilidad o la probabilidad de fallas, existen dos mtodos que dependen del tipo de data disponible; estos son:

Estimacin Basada en Datos de Condicin, altamente recomendable para equipos estticos, que presentan patrones de baja frecuencia de fallas y por ende no se tiene un historial de fallas que permita algn tipo de anlisis estadstico.

Estimacin Basada en el Historial de Fallas: recomendable para equipos dinmicos, los cuales por su alta frecuencia de fallas, normalmente permiten el almacenamiento de un historial de fallas que hace posible el anlisis estadstico.

3.1.1.- Estimacin de Confiabilidad Basada en Condicin

El anlisis tradicional de confiabilidad, basado en el anlisis estadstico del tiempo para la falla, ha sido exitosamente utilizado para mejorar el mantenimiento preventivo y traer los equipos y sistemas hasta los actuales niveles de desempeo. Sin embargo, buscando la mejora continua de sus procesos, en las tres ltimas dcadas, algunas industrias han hecho grandes esfuerzos en la recoleccin de data diferente a la data de falla, a travs de programas de monitoreo de la

Yaez M., Perdomo J., Gomez de la Vega H

condicin (mantenimiento predictivo) con la finalidad de

optimizar las frecuencias de

mantenimiento de sus equipos y tomar acciones proactivas para evitar la ocurrencia de la falla.

La mencionada data de condicin, ha sido usada principalmente en forma determinstica, es decir, para hacer diagnsticos puntuales, debido a la falta de una adecuada metodologa de anlisis probabilstica. En esta seccin se establecen las bases conceptuales para el clculo de confiabilidad y probabilidad de falla de equipos basado en la data de condicin. La columna vertebral de este mtodo es el anlisis Carga-Resistencia [1].

a. Anlisis Carga-Resistencia

El anlisis Carga-Resistencia tiene como premisa el hecho de que las fallas son el resultado de una situacin donde la carga aplicada excede la resistencia. Carga y Resistencia son usados en el sentido ms amplio de la palabra; es decir, la carga pudiera ser la presin de operacin, mientras la mxima presin de operacin permisible sera la resistencia. Similar anlisis se hace para cualquier otro parmetro relevante de la condicin como vibracin para equipos dinmicos, o reduccin de espesor para el caso de equipos estticos.

En todos los casos existir un valor actual de la condicin que se monitorea, el cual representar la carga, y un valor lmite de la condicin que representara la resistencia. Esta ltima normalmente esta regulada por normas y estndares de la ingeniera.

Contrario a la creencia general, en la mayora de los casos ni la carga ni la resistencia son valores fijos, por el contrario, sus valores son estadsticamente distribuidos. Cada distribucin tiene su valor medio, denotado por Y para la carga y X para la resistencia y sus desviaciones estndar Y y X respectivamente. Esto es ilustrado en la figura 5.

Figura 5: Distribuciones sin solapamiento

Cuando la distribucin de la condicin medida o monitoreada en el equipo tiene algn solape con la distribucin de la condicin lmite o criterio de rechazo, en ese momento existe probabilidad de falla. Esta situacin es mostrada en la figura 6.

Yaez M., Perdomo J., Gomez de la Vega H

Figura 6: Distribuciones solapadas

La confiabilidad de un elemento bajo la aplicacin de una carga es la probabilidad de que su resistencia exceda la carga. Dicha confiabilidad puede calcularse con la siguiente expresin: Confiabilidad = Probabilidad (Resistencia>Carga) [1],[5],[8],[9],[10]

Donde Y y X son las medias de las distribuciones de la resistencia o criterio lmite y el esfuerzo o condicin monitoreada respectivamente, y Y y X las respectivas desviaciones estndar. NOTA: El operador , indica que con el resultado obtenido de la ecuacin entre parntesis, debe buscarse el valor de probabilidad correspondiente en una tabla de la distribucin normal

b. Estimacin de la confiabilidad basada en la condicin

Un parmetro de condicin (PC) es cualquier variable fsica que revele informacin acerca de las caractersticas de desempeo de un equipo o componente. Un Parmetro Relevante de Condicin (PRC) es un parmetro cuyo valor numrico caracteriza y cuantifica la condicin de un equipo o componente en cualquier instante de su vida operativa.

Para que un PC sea un PRC, debe cumplir con los siguientes requisitos: Caracterizar la condicin del equipo. Ajustar su valor continuamente durante su vida operativa. Describir numricamente la condicin del equipo o componente.

Un buen ejemplo de un PRC es el espesor de pared E, el cual es comnmente usado en la industria petrolera para caracterizar el proceso de deterioro debido al fenmeno Erosin-Corrosin en tuberas en general y en algunos recipientes a presin. Otros PRC famosos en la industria del gas y del petrleo son:

Yaez M., Perdomo J., Gomez de la Vega H

Nivel de Vibracin (Equipos Dinmicos) Partculas Metlicas disueltas en el aceite (Equipos Dinmicos) Velocidad de Declinacin (Pozos y Yacimientos) Presion Esttica de Fondo (Yacimientos)

3.1.2 Prediccin del Nmero de Fallas Basado en el Historial de Fallas

En este punto, se presenta la metodologa y la plataforma matemtica para predecir la disponibilidad en sistemas reparables, a travs del tratamiento estadstico de su historial de fallas y reparaciones. En otras palabras, los equipos son caracterizados usando su distribucin probabilstica del tiempo para fallar y el tiempo para reparar.

Este tipo de anlisis es particularmente valioso para equipos dinmicos, los cuales tienen una frecuencia de falla relativamente alta. Normalmente, la data de fallas y reparaciones est disponible. Para equipos reparables existen cinco posibles estados en los que ellos pueden quedar, una vez reparados despus de una falla:

1. Tan bueno como nuevo 2. Tan malo como antes de fallar. 3. Mejor que antes de fallar pero peor que cuando estaba nuevo. 4. Mejor que nuevo. 5. Peor que antes de fallar.

Los modelos probabilsticos tradicionalmente usados en anlisis de confiabilidad, se basan en los estados 1 y 2 (estados lmites), sin tomar en cuenta los estados 3, 4 y 5 a pesar de que el estado 3 es ms realista en la prctica. La razn para esto radica en la dificultad de desarrollar una solucin matemtica para modelar este estado.[3],[6]

Este trabajo muestra el modelo probabilstico desarrollado, el cual se denomina Proceso Generalizado de Restauracin (PGR)
[3],[6]

. Este modelo elimina las limitaciones antes

mencionadas porque toma en cuenta todos los posibles estados de un equipo despus de una reparacin. Esto da como resultado una nueva plataforma conceptual para anlisis de confiabilidad en equipos reparables, la cual se ajusta en mayor grado a lo que sucede en la realidad, eliminando las desviaciones derivadas del uso de los anlisis tradicionales, especialmente en cuanto a la prediccin del nmero esperado de fallas y el tiempo para la prxima falla.

Yaez M., Perdomo J., Gomez de la Vega H

Formulacin Matemtica del PGR:

Las ecuaciones bsicas del PGR tienen su base en distribuciones probabilsticas de Weibull condicionales [3], y son las siguientes:

A partir de estas ecuaciones bsicas y de la data de fallas [(ti)=tiempos de operacin entre fallas sucesivas] se calculan los parmetros , y q, cuyo significado es:

: parmetro de escala : parmetro de forma

q : parmetro de efectividad de la reparacin . Este parmetro puede interpretarse, segn su valor, de la siguiente forma:

q=0

tan bueno como nuevo

0 < q < 1 mejor que como estaba , pero peor que cuando era nuevo q=1 q<0 q>1 tan malo como estaba mejor que nuevo peor que como estaba los parmetros con este mtodo existen dos alternativas[3] dependiendo del

Para obtener

momento de ejecucin del anlisis. a. Mtodo de estimacin de la Mxima Probabilidad de Ocurrencia (MPO), para aquellos casos en los cuales hay suficiente data disponible para el ciclo en anlisis. b. Teorema de Bayes para aquellos casos en los que no hay suficiente data disponible del ciclo en anlisis.

Yaez M., Perdomo J., Gomez de la Vega H

Una vez estimados los parmetros de PGR es posible predecir el nmero esperado de fallas

(t), usando un proceso iterativo basado en simulacin de Montecarlo

para este proceso iterativo se muestra en la figura 7.
SELECCIONE EL PERIODO DE ANALISIS T INGRESE EL VALOR DE LOS PARAMETROS , Yq

[3],[6]

. El diagrama de flujo

INICIO

SELECCIONE EL NUMERO DE ITERACIONES = m

i=1

j=1

T0=0 t0=0

GENERAR ALEATORIAMENTE, UN VALOR Xj ENTRE 0 y 1

Tiempo para la Falla (t)

1
1 0,9 0,8 0,7 0,6 F(t) 0,5 0,4 0,3 0,2 0,1 0 0,0 50,0 100,0 150,0 200,0 250,0

F (t j ) = 1 e

t j
j =1

i 1

i 1 t j +q t j j =1

tiempo (hrs)

q t j = i=i+1

t j ln(1 X j ) j =1
j 1

1/

t
j =1

j 1

Tj=Tj-1 + tj

SI i <m ?
N Fallas

NO

ni=j

Tj <T ?

SI

j=j+1

NO

NUMERO ESPERADO DE FALLAS AL TIEMPO T

(T ) =

1m ni m i =1

STOP

Figura 7: Diagrama de Flujo Proceso Iterativo PGR

Los resultados de las estimaciones hechas con el PGR son mucho ms certeros que las predicciones tradicionales. Como puede observarse en la figura 7.1, se generaron tres lneas de prediccin basados en el 25% de los datos de fallas (puntos de falla encerrados con un cuadro) usando las tres teoras de prediccin del numero de fallas:

(Proceso de Renovacin Ordinario, basada en la asuncin de un estado tan bueno como nuevo despus de la reparacin.

Proceso No Homogneo de Poisson, basada en la asuncin de un estado tan malo como estaba despus de la reparacin

10

Yaez M., Perdomo J., Gomez de la Vega H

Proceso Generalizado de Restauracin (PGR) que considera estados intermedios.

De las tres, solo la correspondiente al PGR coincide con gran precisin con las fallas que ocurrieron subsecuentemente.
EXPECTED NUMERO ESPERADO NUMBER OF DE FAILURES FALLAS
60

EJEMPLO : MOTOR DE PROPULSION NASA U.S.S. HALFBEAK P.G.R PARAMETROS

50

40

= 1768 = 2.14

TAN MALO COMO ESTABA

q = 0.13
30

MEJOR QUE COMO ESTABA PERO PEOR QUE CUANDO NUEVO

20

10

TAN BUENO COMO NUEVO

0 0 5000 10000 15000 20000 25000

Time (hrs)
Lower Limit Mean Upper Limit Failure Data AGAN A BA O Series7

Figura 7.1: Estimacin hecha usando Proceso Generalizado de Restauracin 4.- Estimacin de Consecuencias.

En esta seccin se presenta una metodologa para estimar las consecuencias totales que resultan de la falla de un equipo y/o sistema. El modelo bsico que soporta el trabajo aqu propuesto es el de Impacto Total en el Negocio desarrollado por John Woodhouse [2].

Modelo Propuesto:

El modelo divide las consecuencias asociadas con una falla particular en cuatro grandes categoras: Prdidas de produccin, costos de reparacin, impacto ambiental e impacto en seguridad.

a. Prdida de Produccin: En este paso, las prdidas de produccin debido a tiempo fuera de servicio son estimadas usando la siguiente ecuacin: PERDIDA DE PRODUCCIN = PP * RF * TTR

11

Yaez M., Perdomo J., Gomez de la Vega H

Donde PP es el precio del producto ($/Unid), RF es la reduccin de flujo (Unid/Hr) y TTR, el tiempo para reparar (Hrs). La variabilidad del costo del producto se incluye con la asuncin de una distribucin normal.

Reduccin de flujo: La reduccin puede ser total o parcial, dependiendo de otros factores tales como diseo, redundancias, cargas compartidas o stand by y/o severidad de la falla (critica o degradacin). Para representar todos los posibles valores de esta reduccin se defini una distribucin normal.

Tiempo de reparacin: En lo que respecta al tiempo de reparacin, es su valor promedio (MTTR) el considerado para representar la distribucin de esta variable.

b. Costos de reparacin: La distribucin de los costos de reparacin debe incluir el espectro de todos los posibles costos, los cuales varan dependiendo de la severidad de la falla. Durante los ciclos de vida (tiempo entre overhauls), estos costos tienden hacia una distribucin normal.

c. Impacto Ambiental e Impacto en Seguridad: Las distribuciones de estos impactos, en la mayora de los casos, son difciles de construir, pues no es fcil encontrar datos y fundamentalmente requieren ser construidas en base a la opinin de expertos.
M O D EL O D E C O NS EC U EN CIAS DE U N A F AL L A

+
P E R D ID A S D E P R O D U CC I O N C O S TO D E R E P AR A C IO N

+
IM P A C TO A M B I EN TA L

+
IM P AC TO EN SE G UR I D AD

C O N S EC U E N C IA S

B AS E DE DATOS

B A SE D E D AT O S + O P I NIO N D E E X P ER TO S

Figura 8: Modelo de consecuencias 5.- El Diagnstico Integral en el Proceso de Confiabilidad

Como se ha estado describiendo en este trabajo, el diagnostico integral es un proceso que implica el uso de avanzadas tcnicas de clculo para predecir fallas y eventos no deseados e inferir sus

12

Yaez M., Perdomo J., Gomez de la Vega H

consecuencias; es decir permite estimar el riesgo siguiendo el esquema de la figura 4 y tambin permite el uso de modelos de decisin como el Modelo Costo Riesgo explicado en el punto 1. Hasta este punto, se han descrito brevemente las tcnicas de la Ingeniera de Confiabilidad que permiten hacer estos clculos. El proceso conocido como Confiabilidad Operacional; es un enfoque metodolgico donde el diagnstico integrado se combina con otras metodologas tradicionales del rea de confiabilidad, tales como: Anlisis de Modos y Efectos de Fallas, Anlisis Causa Raz e Inspeccin Basada en Riesgo, entre otras; con la finalidad de:

Inferir probabilsticamente todos los escenarios de produccin factibles, a travs de la prediccin de los periodos de operacin normal y de ocurrencia de eventos o escenarios no deseados, basados la configuracin de los sistemas, la confiabilidad de sus componentes y la filosofa de mantenimiento

Identificar acciones concretas para minimizar y/o mitigar la ocurrencia de estas fallas o eventos no deseados y llevar el riesgo a niveles tolerables

Explorar las implicaciones econmicas de cada escenario de riesgo posible y disear planes y estrategias ptimas para el manejo del negocio.

La figura 9, muestra el esquema de integracin del Diagnostico Integrado con otras metodologas en el enfoque de Confiabilidad Operacional.
AMEF

Anlisis causa raz

A VI EL S RA NE N D O EJ IO I M CC AC GO A IG S IT IE M R DE

Optimizacin costo riesgo

Anlisis de confiabilidad basado en la historia de ocurrencia de eventos no deseados Anlisis de confiabilidad basada en la fsica del deterioro Anlisis de confiabilidad para sistemas

DIAGNSTICO

Confiabilidad Operacional

M EJ TE NU ORA CN EV V OL A IA OG A

Mejoras operacionales Innovaciones tecnolgicas Proyectos tecnolgicos Factibilidad tcnico-econmica

Figura 9: Confiabilidad Operacional Sinergia de Metodologas

13

Yaez M., Perdomo J., Gomez de la Vega H

Conclusiones

1. La metodologa de diagnstico propuesta, basada en la estimacin del riesgo, integra herramientas reconocidas de la Ingeniera de Confiabilidad, en una sola plataforma que permite: Realizar diagnsticos integrales sustentados en toda la informacin disponible de un equipo (data histrica, data de condicin y data tcnica). Hacer seguimiento al estatus de confiabilidad y riesgo de los equipos, subsistemas y sistemas con la finalidad de tomar las decisiones correctas en el momento adecuado. Comparar el costo asociado a una accin de mantenimiento contra el nivel de reduccin de riesgo o mejora en el desempeo alcanzado debido a dicha accin.

2. El Proceso Generalizado de Restauracin (PGR) usando simulacin de Montecarlo para obtener el nmero esperado de fallas, representa una excelente herramienta para hacer predicciones de fallas en sistemas reparables. Los resultados obtenidos con esta herramienta son ms reales que aquellos obtenidos con los mtodos tradicionales basados en la asunciones tan bueno como nuevo y tan malo como antes de fallar. Este punto tiene gran potencial de aplicacin en el rea presupuestaria.

3. El mtodo propuesto para el clculo de confiabilidad basado en datos de monitoreo del deterioro o datos de condicin, ofrece un mtodo alternativo al tradicional mtodo basado en la historia de fallas; que resulta particularmente til para equipos y sistemas con tasas de falla muy bajas; tales como los equipos estticos y provee adems, una va para incluir estas confiabildades en los modelos generales de plantas y sistemas; fortaleciendo los criterios para el diseo de polticas y estrategias de mantenimiento a las instalaciones.

Lecciones aprendidas

1. Generalmente, no existen problemas complejos con soluciones sencillas. El anlisis de confiabilidad y riesgo en las instalaciones de procesos no es un problema sencillo, por ende, requiere de herramientas y metodologas de clculo con complejidad acorde a la complejidad del problema. El uso de indicadores de confiabilidad sustentados en simplificaciones para dar mayor practicidad a su uso, con mucha frecuencia conduce a estimaciones y predicciones alejadas de la realidad, con el respectivo impacto en el negocio.

14

Yaez M., Perdomo J., Gomez de la Vega H

2. El proceso de diagnstico de equipos, sistemas y/o procesos es una etapa de vital importancia en la mejora de la confiabilidad operacional, debido a que permite identificar las acciones proactivas que puedan efectivamente optimizar los costos y minimizar el impacto de los mismos en el negocio medular.

3. La ingeniera de Confiabilidad es una herramienta poderossima para agregar valor a una empresa o proceso productivo; ya que una de las formas mas importantes de agregar valor, es evitar que se destruya.

REFERENCIAS 1. Yaez, Medardo Gmez de la Vega, Hernando, Valbuena Genebelin, Ingeniera de

Confiabilidad y Anlisis Probabilstico de Riesgo ISBN 980-12-0116-9 - Junio 2003 2. Woodhouse, John, Managing Industrial Risk, Chapman and Hall, Oxford, UK, 1993. 3. Yaez, Medardo Joglar, Fancisco - Modarres Mohammad, Generalized Renewal

Process for analysis of

Repairable Systems with limited failure experience Reliability

Engineering and System Safety Analysis Journal ELSVIER USA 2002 4. Yanez, Medardo Gmez de la Vega, Hernando, Valbuena Genebelin, Gerencia de la

Incertidumbre ISBN 980-12-0115-0 - Marzo 2003 5. Roush M.; Webb W., Applied Reliability Engineering, vol I, The Center for Reliability

Engineering, University of Maryland. College Park. 1999. 6. Kritsov, Vasily. A Monte Carlo Approach to Modeling and Estimation of the Generalized Renewal Process in Repairable System Reliability Analysis. Dissertation For The Degree of Doctor of Philosophy, University of Maryland, 2000. 7. Meeker, William Q.; Escobar Luis A., Statistical Methods For Reliability Data. Jhon Wiley & Sons, New York, 1998.Ahsmmed, M. Probabilistic Estimation of Remaining Life of a Pipeline in the Presence of Active Corrosion Defects International Journal of Pressure Vessels and Piping. Vol. 75, 1998: 321-329. 8. Ascher, H.;Feingold, H., Repairable Systems Reliability: Modeling and Inference, Misconception and Their Causes, Marcel Dekker, NY,1984ASM Metals Handbook, 13, 624, ASM Metals Park, Ohio, 1981. 9. Ebeling, Charles E. An Introduction To Reliability And Maintainability Engineering. McGraw Hill. New York, 1997. 10. Modarres, Mohammad; Kaminsky, Mark; Kritsov, Vasily. Reliability Engineering And Risk Analysis. Marcel Dekker, New York,1999.

15

Yaez M., Perdomo J., Gomez de la Vega H

Los Autores:

MSc. Medardo Yaez Formacin Acadmica

1. Ingeniero Mecnico. Universidad del Tchira Diciembre 1990 2. Post-Grado en Ingeniera de Confiabilidad University of Maryland - USA Cohorte Julio 2000 Ttulo: MSc Ingeniera Confiabilidad 3. PhD TP- Ingeniera de Confiabilidad y Anlisis Probabilstico del Riesgo (actualmente preparando disertacin para Diciembre 2003. University of Maryland - USA

Aspectos Resaltantes
Durante una brillante trayectoria de 12 aos de servicios en la Industria Petrolera Venezolana, ha pasado por una variedad de actividades operacionales, de servicios, de mantenimiento y planificacin que le han permitido conformar una amplia visin sobre el negocio, aunado a la formacin de un perfil como asesor en mejoramiento de los aspectos medulares de las actividades de produccin . Es autor de numerosas publicaciones tcnicas en el rea de Ingeniera de Confiabilidad y Gerencia del Riesgo, publicadas por la Universidad de Maryland (University of Maryland), NACE, SPE y por el Journal Reliability Engineering and System Safety. Es autor, junto al Profesor Mohammed Modarres de la Universidad de Maryland, de la teora para equipos reparables conocida como Proceso Generalizado de Restauracin. En el ano 2002 public junto a H. Gomez de la Vega y Genebeln Valbuena, los libros Gerencia de la Incertidumbre, y Ingeniera de Confiabilidad ya Anlisis Probabilstico de Riesgo que se han convertido en los textos referencia y gua de este tipo de anlisis en le industria del gas y del petrleo en Venezuela. Posee vasta experiencia como asesor de proyectos en reas como Anlisis RAM, Anlisis de Sistemas (Modelaje de Plantas y Procesos), Gerencia de la Confiabilidad de redes de Tuberas (Oleoductos y Gasductos) y es instructor en las reas de reingeniera de procesos, mantenimiento centrado en confiabilidad, ingeniera de confiabilidad, anlisis probabilstico del riesgo y gerencia de la incertidumbre. Se desempea como Profesor de Postgrado de Ingeniera de Confiabilidad en la Universidad Simn Bolivar y es miembro permanente del Centro para Estudios de Confiabilidad y Riesgo de la Universidad de Maryland USA En el ao 2002 fue galardonado con el Premio a la Excelencia que entrega el Centro Internacional de Educacin y Desarrollo (CIED) de Petrleos de Venezuela.

16

Yaez M., Perdomo J., Gomez de la Vega H

MSc. Hernando Gmez de la Vega Formacin Acadmica

1. Ingeniero Mecnico. Universidad del Tchira Diciembre 1990 2. Post-Grado en Ingeniera de Confiabilidad University of Maryland USA Cohorte Julio 2000 Ttulo: MSc Ingeniera Confiabilidad 3. Doctorado en Ingeniera de Confiabilidad y Anlisis Probabilstico del Riesgo (actualmente preparando disertacin para Diciembre 2003. University of Maryland - USA )

Aspectos Resaltantes
Actualmente est desarrollando la tesis de doctorado para obtener el ttulo de Doctor of Philosophy en la Universidad de Maryland. Cuenta con 12 aos de experiencia en el rea de planificacin y ejecucin de mantenimiento predictivo, preventivo y correctivo de equipos estticos y dinmicos en refineras de petrleo. Tambin se ha desempeado en posiciones supervisorias en trabajos de reparaciones generales de plantas de procesos, incluyendo trabajos de reparacin de muelles y estructuras civiles en general. Adicionalmente, tiene conocimientos en el rea de administracin y mantenimiento de flotas de vehculos para transporte de carga. Es autor de varias publicaciones tcnicas en el rea de confiabilidad, y actualmente se desempea como profesor de postgrado en la Universidad Simn Bolvar en el rea de confiabilidad en instalaciones industriales. Su experiencia le ha permitido desarrollar proyectos de mejora de los niveles de confiabilidad y optimizacin de procesos en base a tcnicas como anlisis costo-riesgobeneficio y anlisis Probabilstico de riesgo. En el ano 2002 public junto a M. Yaez y Genebeln Valbuena, los libros Gerencia de la Incertidumbre, y Ingeniera de Confiabilidad ya Anlisis Probabilstico de Riesgo que se han convertido en los textos referencia y gua de este tipo de anlisis en le industria del gas y del petrleo en Venezuela. Ha desarrollado y dictado cursos en el rea de ingeniera de confiabilidad, centrando su especializacin en el rea de anlisis de sistemas. Adicionalmente ha participado en cursos y asesorias en el rea de jerarquizacin de portafolios de inversiones en base a riesgo, anlisis probabilstico de riesgo y gerencia de incertidumbre.

17