Romero Anez Sara Maria Parte 1

REPÚBLICA BOLIVARIANA DE VENEZUELA
LA UNIVERSIDAD DEL ZULIA

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA INDUSTRIAL
CONFIABiLIDAD EN SISTEMAS INDUSTRIALES,

abajo de ascenso para optar a la categoría de
Profesor Titular
Presentado por:
Msc. Sara María Romero Añez
Maracaibo, Diciembre de 2010

DEDICATORIA
Dedico este trabajo con todo mi cariño y respeto:
A Dios.
A la memoria de mis queridos: Papá, Mamá, Hermana y Hermano.
A mi adorada Hija.
A mi querido Esposo.
A mi especial Familia.
A mis amigas y amigos.

AGRADECIMIENTO
Quiero agradecer profundamente a Dios, por bendecir cada uno de mis días, por la
familia tan maravillosa que me regaló, y por permitirme realizar este trabajo.
A mi familia por apoyarme siempre.
A las profesoras Evila Bahoque, Karim Oliva y Carmen Rojas, por las correcciones
realizadas.
A mi amiga Karim Oliva, por todo su apoyo.
A todas aquellas personas que de alguna manera contribuyeron para la realización

de este trabajo.
ÍNDICE DE CONTENIDO
Página
RESUMEN • I9
ABSTRACT - 20
INTRODUCCIÓN - • 21
CAPÍTULO I. FUNDAMENTOS SOBRE CONFIABILIDAD ... 24
1.1. Conceptos básicos - 24
1.1.1. Falla 24
1.1.1.1. Definición de falla • 24
1.1.1.2. Clasificación de las fallas 25
1.1.1.3. Análisis de fallas • 27
1.1.1.4. Tiempo para la falla • 29

1.1.1.5. Probabilidad de falla F(t) • 29
1.1.1.6. Tasa de falla (X) • 30

1.1.2. Efectividad de sistema 30
1.1.3. Disponibilidad • • 33
1.1.4. Mantenibilidad 34
1.1.5. Distribución Weibuil ••• 35
1.1.6. Caracterización probabilística de variables random 36
1.1.6.1. Caracterización probabilística de variables con información de
campo
1.2. Generalidades sobre confiabiiidad 40

1.2.1. Definición de confiabiiidad 40
1.2.2. Factores que afectan la confiabiiidad 48
1.2.3. Historia de la confiabiiidad 50
Página
1.2.4. Importancia de ¡a confiabiiidad • 51

1.3. Confiabiiidad operacional 54
1.3.1. Definición de confiabiiidad operacional 55
1.3.2. Aplicaciones de la confiabiiidad operacional 58

1.4. Confiabiiidad integral 61
1.4.1. Definición de confiabiiidad integral ----- 61
1.4.2. Ciclo de implantación de la confiabiiidad integra! 64

1.4.2.1. Diagnóstico - - - 64
1.4.2.2. Rediseño del mantenimiento de instalaciones 66
1.4.2.3. Optimización del mantenimiento de instalaciones 67

1.4.2.4. Optimización del costo del ciclo de vida de activos y procesos 67
1.4.2.5. Confiabiiidad desde el diseño y optimización de inversiones 68
1.4.2.6. Optimización de los modelos de decisión 69

1.4.2.7. Fases complementarias deí ciclo de confiabiiidad integral 70
1.4.3. Marco normativo de la confiabiiidad integral 71
1.5. Mantenimiento centrado en la confiabiiidad (MCC) 76
1.5.1. Definición de mantenimiento centrado en la confiabiiidad 76
1.5.2. Definición de términos asociados al mantenimiento centrado

en la confiabiiidad ------ ••-••• • 78
1.6. Análisis de confiabiiidad, disponibilidad y mantenibiüdad en
sistemas productivos (CDM) • 82
1.6.1. Definición del análisis CDM 82
1.6.2. Modelo general para elaborar un análisis CDM 83
1.6.3. Resultados de un análisis CDM 89
1.7. Proceso de confiabiiidad - 90
Página
1.8. Estudio de la confiabiiidad 96
1.8.1. Generalidades de los estudios de confiabiiidad 96
1.8.2. Características de los estudios de confiabiiidad 98
1.8.3. Tipos de censura en confiabiiidad 100
1.8.4. Especificación de la distribución de vida y estimación gráfica

de ios parámetros 105
1.8.5. Gráficas en papel de probabilidad 105
1.8.6. Lineaüzación de la función de distribución acumulada (fda) 10
1.8.7. Estimación gráfica de! parámetro de localización 110
1.8.8. Estudio de confiabiiidad para unidades que presenten varios modos de

falla 114
1.9. Ingeniería de confiabiiidad 117
1.10. Relación entre el análisis de confiabiiidad y el análisis de riesgo 119
1.11. Confiabiiidad basada en el análisis probabilístico del tiempo para ¡a

falla 122
1.11.1. Confiabiiidad en activos no reparables 125
1.11.1.1. Activos no reparables 125
1.11.1.2. Función confiabiiidad (C(T)) 126
1.11.1.3. Tiempo promedio para fallar (TPPF) 128
1.11.1.4. Función de velocidad de incremento del peligro (H(T)) o tasa de

fallas 128
1 . i 1. i .*+. 1. u u i va utí ia udi l e í a i o\J
1.11.1.5. Estimación de la confiabiiidad 132
1.11.1.5.1. Estimación de confiabiiidad de activos no reparables con

estadística paramétrica , 133
Página
1.11.1.5.2. Estimación de confiabiiidad de activos no reparables con

estadística no paramétrica 136
1.11.2. Confiabiiidad de activos reparables 140
1.11.2.1. Variables probabilístícas de interés en análisis de confiabiiidad de

activos reparables 141
1.11.2.2. Modelos probabilísticos para la estimación o predicción del

número de fallas (N(TIM]))en un período de operación TEMl 146
1.11.2.2.1. Proceso ordinario de restauración (POR) 147
1.11.2.2.2. Proceso no homogéneo de Poisson (PNHP) 151
1.11.2.2.2.1. Simulación de Montecario para el proceso no homogéneo de

Poisson 154
1.11.2.2.3. Proceso generalizado de restauración (PGR) 155
1.12. Confiabiiidad de sistemas 155
1.12.1. Generalidades sobre la confiabiiidad de sistemas 155
1.12.2. Modelos para estimación de confiabiiidad a nivel de sistemas 157
1.12.2.1. Diagramas de bloques de confiabiiidad (DBC) 158
1.12.2.2. Análisis de árboles de falla (AAF) 166
1.12.2.2.1. Componentes de los árboles de falla 168
1.12.2.2.2. Álgebra booleana 170
1.12.2.2.3. Desarrollo de un árbol de falla 171
1.12.2.3. Análisis de Markov 179
1.12.2.3.1. Desarrollo de modelos de Markov 179
1.12.2.3.1.1. Desarrollo del diagrama de análisis del modo y efecto de falla

(AMEF) 180
1.12.2.3.1.2. Clasificación de la falla de acuerdo a su efecto 180
\. \¿.¿.o.\ .o. Ucscinuiiu iniuicii uci uiayiaiiia uc ivicu rvuv iou

Página
1.12.2.3.1.4. Simplificación del diagrama de Markov 181
1.12.2.3.2. Técnicas de estimación de parámetros de confiabiiidad,

basadas en modelos de Markov 198
1.12.2.3.2.1. Cálculo de confiabiiidad 201
1.12.3. Análisis de causa común de falla 202
1.12.3.1. Modelo factor p •••- 205

1.12.4. Análisis de importancia de componentes 210
1.12.5. Metodología propuesta para ejecutar análisis de confiabiiidad a
919
nivel de sistema ^l^
CAPÍTULO II. APLICACIONES PRÁCTICAS DE LA CONFIABILIDAD 216

2.1. Caso N° 1. Plan de mantenimiento centrado en confiabiiidad para una
flota de carga y acarreo - - • 21o
2.1.1. Objetivo del trabajo 216
2.1.2. Metodología utilizada 217
2.1.3. Resultados del trabajo 218
2.1.4. Conclusiones —°
2.2. Caso N°2. Modelo para el análisis de la confiabiiidad y

disponibilidad en plantas de procesamiento de petróleo 225
2.2.3. Resultados de! trabajo - 228
94S
2.2.4. Conclusiones
2.3. Caso N° 3. Determinación del impacto de variables de entorno

en la confiabiiidad del sistema de líneas de transmisión 246

2.3.2. Metodología utilizada • 247
Página
2.3.4. Conclusiones 265
2.4. Caso N° 4. Rediseño de los planes de mantenimiento de los equipos

rotativos menores de ías plantas Oíefinas de PEQUIVEN-Ei Tablazo 267
2.5. Caso N° 5. Plan de mejora de la confiabiiidad operacional en una

planta de fraccionamiento 275
2.6. Caso N° 6. Análisis de la confiabiiidad operacional en el

sistema de microondas. PDVSA Oriente 287
¿i.u.o. rMssuiiciuuij uci uauciju ¿os
2.7. Caso N° 7. Aplicación de mantenimiento centrado en

r.onfiphiíirtarl
... — — pn. .la p-.
nlanta
.- de .¡nvannión
.j . . . d^ anua
^ RESOR — Oriente ..... 298
2.7.1. Objetivo de! trabajo 299
2.7.2. Metodología umzaüa 300

U
•i
I
Página
2.8. Caso N° 8. Aplicación de ¡a metodología Inspección basada en

riesgo para ia optimización de frecuencias de inspección de
verticales en el complejo Lagogas de PDVSA Exploración y
Producción Occidente 303
2.8.3. Resultados obtenidos 306
CONSIDERACIONES FINALES 308
ÍNDICE ANALÍTICO 310
ÍNDICE BIBLIOGRÁFICO 326

ÍNDICE DE FIGURAS
Figura Página
1 Componentes de la confiabiiidad operacional 56
2 Modelo general Análisis CDM 84
3 Modelo de actualización de tasas de falla 84
4 Plan de trabajo para un análisis CDM 86
5 Actualización de la tasa de falla 87
6 Función de distribución empírica y posiciones de graficación 106
7 Gráfica de probabilidad en papel Weibuli 109
8 Función de confiabiiidad 111
9 Gráfica de probabilidad Weibuli y función de confiabiiidad 113
10 Gráfica de probabilidad Weibuli: (S) soldadura y (A) alambre 115
11 Relación entre análisis de confiabiiidad y análisis de riesgo 120
12 Distribuciones de probabilidad del tiempo para fallar 127
13 Confiabiiidad evaluada en un tiempo misión tm: C(tm) 128
14 Tiempo promedio para fallar 129
15 Curva de la bañera 131
16 Otros patrones de falla 133
17 Datos censados y no censados 135
18 Proceso de selección del mejor ajuste 137
19 Nomenclatura. Proceso de fallas sucesivas 142
20 Probabilidad de fallas en activos reparables 144
21 Confiabiiidad en activos reparables 144

Figura Página
22 Número acumulado de fallas en el tiempo acumulado de operación 145
23 Teorías para modelaje de activos reparables 147
24 Flujograma de la simulación de Montecario para el cálculo del 150

número esperado de fallas A(T) en activos reparables basado en e!
POR.
25 Simulación de Montecario para el número esperado de fallas 156

A(T)-PNHP
26 Diagrama de bloques de confiabiiidad para sistemas en serie 159
27 Diagrama de bloques de confiabiiidad para sistemas en paralelo 161
28 Diagrama de bloques de confiabiiidad para sistemas en paralelo 163

"KdeN"
29 Sistema de bombeo de crudo 165
30 Compuertas utilizadas en árboles de falla 169
31 Diagrama - Sistema de bombeo 177
32 Árbol de faiia del sistema de bombeo 177
33 Arquitectura funcional del sistema (AMEF) 182
34 Conmutación del estado "0" ai estado "1" 187
35 Conmutación del estado "0" a los estados "2" y "3" 189
36 Conmutación del estado "0" al estado "4" 191
37 Conmutación de los estados "2" al estado "3" al estado "1" 194
38 Conmutación de los estados "2" y "3" al estado "4" 195
39 Diagrama de Markov del sistema 196
40 Diagrama de Markov de un sistema completamente reparable 199
41 Diagrama de Markov de un sistema parcialmente reparable 200
42 Diagrama de Markov de un sistema no reparable 200
43 Sistema de n componentes redundantes 206

Figura Página
44 Árbol de falla sin fallas dependientes 208
45 Árbol de falla con fallas dependientes 209
46 Fallas según ¡ndisponibilidad del sistema. Camiones CAT 789 219
47 Árbol de fallas del sistema de segregación de finos de FKAY 240
48 Resultados de confiabiiidad, disponibilidad y mantenibilidad del C-4701 241
49 Estimación de confiabiiidad y disponibilidad para el sistema de 243

polímeros
50 Resultados del sistema de polímeros 243
51 Estimación de confiabiiidad y disponibilidad en el sistema de 244

segregación
52 Resultados de confiabiiidad, disponibilidad e IVRA del sistema de 245

segregación
53 Matriz de criticidad. Sistema de microondas 294
54 Pareto de las fallas más recurrentes en la estación de 295

telecomunicaciones Sabana Larga
55 Análisis causa-raíz para el mal funcionamiento. Motogenerador. 296

Sub-sistema de energía
56 Distribución de tareas de mantenimiento del subsistema de energía ... 297
57 Distribución de tareas de mantenimiento del subsistema de radio e 297

infraestructura
58 Esquema de tareas propuestas. Planta RESOR 301

ÍNDICE DE TABLAS
Tabla pá9¡na
1 Ecuaciones para el cálculo de parámetros de las 39

distribuciones hipótesis con ios datos de la muestra
2 Causas más comunes que afectan la confiabiiidad de los activos 49

industriales
3 Tiempo de falla de las balatas 102
4 Datos de vida en horas de 70 ventiladores diesel 103
5 Esfuerzos de ruptura de 20 conexiones de alambre 103
6 Tiempos de falla ordenados 109
7 Tiempos de fallas ordenados, con tiempos censurados intercalados 113
8 Ecuaciones para el cálculo de parámetros para las distribuciones 138

probabilísticas más usadas en ei análisis de confiabiiidad de
equipos no reparables
9 Ecuaciones para el cálculo de: probabilidad de fallas, confiabiiidad, 139

tasa de fallas, y tiempo promedio para fallar
10 Ecuaciones para análisis de confiabiiidad con estadística no 140

paramétrica
11 Resultados - Confiabiiidad sistema de bombeo de crudo 166
12 Diagrama AMEF 184
13 Diagrama AMECF 186
14 Tipos de falla. Estado "0" (simplificada) 187
15 Tasa de falla segura. Conmutación de 0 ->1 188
16 Tasa de falla segura. Conmutaciones 0-*2 y 0-^3 190
17 Tasa de falla peligrosa. Conmutación 0-^4 191
18 Tipos de falla. Estados de falla parcial 193
19 Tasa de falla segura. Conmutaciones 2 -• 1y3-^ 1 194

Tabla Pá9'na
20 Tasa de falla peligrosa. Conmutaciones 2 -^4y3-^4 196
21 Disponibilidad. Camiones CAT789 219
22 Cálculos para guía de criticidad. Camiones CAT 789 221
23 Guía de criticidad. Cargadores CAT 789 221
24 Análisis de criticidad. Camiones CAT 789 222
25 FMECAdel sistema de motor 224
26 Pian de MCC para flota CAT 789 224
27 Tiempos entre fallas y tiempos para reparar la correa transportadora 240

C-4701
28 Definición del sistema, análisis de las fallas y controles actuales para la 250
elaboración de! análisis de modos de fallas y efectos
29 Ponderación del índice de no detección respecto al cliente 251
30 Análisis del modo de falla y efectos para el sistema de líneas de 252

transmisión Occidente de CVG EDELCA
31 Coeficientes de frecuencia y probabilidades de modo de falla 254
32 índice de gravedad: evaluación de la falla y su consecuencia para el 254

cliente
33 Ponderación del índice de no detección respecto al cliente 255
34 Eventos de fallas y variables de entorno 256
35 Medias de ¡as covariables 257
36 Resumen del proceso de casos 260
37 Prueba idoneidad del modelo. Estadístico Chi-Cuadrado 261
38 Variables del modelo de regresión 262
39 Variables en la ecuación del modelo tipificado 263
40 Matriz de correlación entre coeficientes de regresión 264
41 Función de supervivencia 265

Tabla Pá3ina
42 Matriz de correlación entre coeficientes de regresión 266
43 Análisis de modos y efectos de fallas para la bomba 122-JTB. Sistema 271

de Servicios Auxiliares. Oíefinas i
44 Principales modos de fallos de las bombas. Sistema de Servicios 272

Auxiliares, definas I
45 Tareas propuestas para la bomba 122-JTB. Sistema Servicios 273

Auxiliares. Planta Oiefinas I
46 Tareas propuestas para las bombas. Sistema de Servicios Auxiliares. 274

Oiefinas l
47 Encuesta de criticidad. Planta de fraccionamiento Bajo Grande 279
48 Guía de criticidad. Planta de fraccionamiento Bajo Grande 280
49 Resultados del análisis de criticidad. Planta de fraccionamiento Bajo 280

Grande ,
50 Análisis de modos y efectos de falla del sistema de compresión. Planta 284

de fraccionamiento Bajo Grande
51 Hoja de decisión de RCM2 TOOLKIT Reíiabiiity-Centred-Maintenance. 285

Planta de fraccionamiento Bajo Grande
52 Plan por especialidad. Planta Bajo Grande 286
53 Ponderación asignada por número de enlaces 290
54 Ponderación asignada para la capacidad del radio 290
55 Ponderación asignada para el impacto en el servicio 291
56 Ponderación asignada para el acceso 291
57 Ponderación asignada para la flexibilidad 292
58 Ponderación asignada por la desconexión de la central regional 292

Romero Añez, Sara María. Confiabiiidad en sistemas industriales. Trabajo de
ascenso. Universidad del Zulia. Facultad de Ingeniería. Escuela de Ingeniería Industrial.
Maracaibo. Venezuela. 2010. 331 p.
RESUMEN
En la actualidad, las empresas se han visto en la necesidad de buscar la manera de

incrementar la confiabiiidad, disponibilidad y vida útil de las plantas, para disminuir los
costos por mantenimientos no programados y mejorar los niveles de producción e
incurrir en menores costos por reemplazo de equipos deteriorados. El objetivo general
de este trabajo consistió en preparar un documento que refleje la importancia que tiene
considerar la confiabiiidad en los sistemas industriales para garantizar la disponibilidad
de sus equipos, y así cumplir con las exigencias de un mercado cada vez más
competitivo. Asimismo, este trabajo permitirá conocer los conceptos relacionados con
la confiabiiidad en las empresas, así como las diferentes herramientas utilizadas para la
estimación y análisis de ia confiabiiidad de equipos y sistemas. Por tal motivo, se
recopiló y organizó información, tanto teórica como casos prácticos, de libros, guías,
trabajos de grado de pregrado y postgrado, seminarios y congresos. El documento
resultante constituye información que orientará a los trabajadores responsables de
garantizar procesos de producción confiables y seguros, para que los negocios puedan
cumplir con los requerimientos técnicos, económicos y legales, asegurando un nivel
adecuado de riesgo y rentabilidad.
Palabras clave: confiabiiidad operacional, disponibilidad, mantenimiento, sistema

industrial, análisis de criticidad, análisis de modo y efecto de falla.
Correo electrónico: sromero@fing.luz.edu.ve

Romero Añez, Sara María. Reliability in industrial Systems. Work for promotion
Universidad del Zulia. Facultad de Ingeniería. Escuela de ingeniería Industrial.
Maracaibo. Venezuela. 2010. 331 p.
ABSTRACT
At present, the companies have been seen in the need of iooking for the way of
increasing the reliability, availability and lifetime of the plants, to diminish the costs for
the maintenances that are not programmed and to improve the levéis of production, and
to incur in lesser costs for replacement of damaged equipments. The general object of
this work consisted of preparing a document that reflects the importance that has
considering the reliability in the industrial systems to guarantee the availability of his
equipments, and this way fulfil the requirements demanded by a market that is
increasingiy becoming more competitively. Also, this article will aliow to know the
concepts that are related to the reliability in the organizations, as weil as the different
tools that are used for the appraisal and anaiysis of the reliability of the equipment and
the systems. For this reason, information was compiled and organized, both for
theoreticai as practical cases, of books, guides, special works of undergraduate and
postgraduate degrees, seminaries and conferences. The resulting report is information
that will orient those workers that are responsible of guaranteeing reliable and safe
production processes, so that the businesses are able to fulfil the technical, economical
and legal requirements, ensuring an appropriate level of risk and profitability.
Key words: operational reliability, availability, maintenance, industrial system, Criticality

Anaiysis, Anaiysis of Failure Mode and Effect.
E-mail: sromero@fing.!uz.edu.ve
INTRODUCCIÓN
Hoy en día las empresas precisan ser competitivas para mantenerse en el mercado;
para ello, deben buscar la mayor disponibilidad operacional de sus equipos dentro de
una gestión de calidad total. Esto las obliga a transformar las estructuras
organizacionales, contemplar un desarrollo permanente de las áreas productivas,
aumentar el nivel de utilización de los equipos alargando su vida útil, invertir en la
automatización de procesos, para asegurar así la disponibilidad requerida y disminuir
los costos. Todo ello sin dejar de respetar las condiciones de trabajo y seguridad del
personal, los plazos de entrega y la preservación del medio ambiente.
En este contexto, se debe considerar la función de mantenimiento como un instrumento

adecuado para mejorar ía competitividad en sus empresas. Es decir, las empresas
deben ir evolucionando tecnológicamente y concentrar sus esfuerzos en mejorar el
funcionamiento de los equipos e instalaciones productivas de manera sistemática.
En este orden de ideas, asegurar la confiabiiidad de los equipos y sistemas se ha

convertido en una necesidad para ia gestión moderna de mantenimiento, por lo cual ei
objetivo principal de este trabajo fue recopilar aspectos teóricos relacionados con ía
confiabiiidad de equipos y sistemas; así como casos prácticos que sirvieran para
ejemplificar el esfuerzo que han hecho las empresas para el mejoramiento de la
\^\j\ m a u u i u c t u u c iucs i i l i o n i u o .
Para obtener la información necesaria, se realizó una revisión bibliográfica en guías,

libros, trabajos de grado de pregrado y postgrado, artículos presentados en seminarios
CONFIABILIDAD EN SISTEMAS INDUSTRIALES 22
y congresos; lo cual permitió recopilar el material requerido, para su posterior
organización, de tai manera de disponer de un documento que agrupara aspectos
resaltantes que permitan comprender el uso e importancia de la confiabiiidad.
El presente trabajo está conformado por un primer capítulo cuyo contenido se refiere a
los fundamentos sobre confiabiiidad; y por un segundo capítulo que incluye ¡os casos
prácticos seleccionados para ejemplificar los conceptos reflejados. Además, contempla
consideraciones referidas al uso e importancia de la confiabiiidad, para que las
empresas se mantengan en un mercado cada vez más exigente en términos de calidad
y costo; esperando sean de interés para los estudiantes y profesionales que deseen
desarrollarse en esta área.
CAPITULO I
FUNDAMENTOS SOBRE CONFIABILIDAD
En este capítulo se presentan conceptos sobre falla, tasa de falla, confiabiiidad,

mantenimiento centrado en la confiabiiidad, confiabiiidad operacional, confiabiiidad
basada en el análisis probabilístico del tiempo para la falla; así como, los métodos
relacionados con la obtención de la confiabiiidad en sistemas industriales.
1.1. Conceptos básicos
En este punto se incluyen algunos conceptos considerados introductorios a los

aspectos relacionados con ia confiabiiidad de ios procesos industriales.
1.1.1. Falla
En este punto se incluyen aspectos referentes a las fallas, tales como definición
clasificación y análisis de las mismas, entre otros.
1.1.1.1. Definición detalla
Se presenta cuando un producto, componente o sistema deja de funcionar o no

realiza satisfactoriamente la función para la que fue creado. Se dice que la falla de
un producto es cuando deja de operar dentro de las especificaciones. Esto es, no
necesariamente una falla es algo catastrófico, sino que se puede definir como cierto
grado de desviación de una característica de calidad respecto a su valor nomina!.
Por ejemplo, una navaja de rasurar puede fallar porque se rompe o porque se
desgasta y deja de tener el suficiente filo. (Pulido y De la Vara, 2004:440).
Yañez y coi. (2004:27), presentan un concepto con amplitud suficiente para ser
utilizado en las estimaciones de confiabiiidad y riesgo, según el cual falla
corresponde a la ocurrencia de un evento o circunstancia que cause la salida de un
componente, equipo, sistema o proceso de un set de especificaciones
predeterminadas. Para facilitar el entendimiento de este concepto, presentan un
ejemplo donde se definen tres opciones para categorizar la falla de una bomba en
una planta de proceso:
• Si una bomba debe funcionar con una eficiencia del 85% para garantizar la
rentabilidad del proceso, y ai momento de verificarla es de 80%, entonces dicha
bomba se encuentra en estado de falla.
• Si una bomba sobrepasa un nivel máximo de vibración permisible, entonces la

bomba se encuentra en falla.
• Si se define como "no flujo" el criterio de falla, entonces ai no bombear

producto, ía bomba se encuentra en falla.
Por otra parte, los autores mencionados indican que si se asume que una planta
para producir agua mineral tiene un punto de equilibrio de 20.000 Jts/día con 3 ppm
(partes por millón) de fluoruros en su contenido:
• Si la planta sólo puede producir 19.500its/día, la planta se encuentra en estado

de falla desde el punto de vista del volumen requerido.
• Si el agua tiene 5 ppm, entonces se encuentra en estado de falla desde el

punto de vista químico.
1.1.1.2. Clasificación de las fallas

CONFIABILIDAD EN SISTEMAS INDUSTRÍALES 26
A continuación se presenta la clasificación de fallas, según Nava (2006:44-48):
o El efecto sobre el comportamiento del sistema:
• Parcial: son las fallas que originan desviaciones en las

características de funcionamiento de una máquina por debajo o por
encima de límites establecidos, pero no de suficiente magnitud
como para causar la interrupción total de la función requerida.
• intermitentes: son las que persisten por un cierto lapso (corto

tiempo) dentro de un rango de falla parcial, y cuando desaparece ¡a
causa, el sistema recobra su funcionamiento normal.
• Completas o instantáneas: son aquellas que originan desviaciones

en las características de funcionamiento de un equipo, y son de tal
magnitud o significación que le impiden totalmente realizar la
función a la que está destinado.
• Catastróficas: son fallas totales que por lo general ocurren

sorpresivamente y que requieren de mucho tiempo o dinero, o de
ambos, para ser corregidas.
o Las causas que lo originan, pueden ser:
Anormalidad en la fabricación de componentes debido a defecto de

fahrir":aHr\n
fahrirâHnn
iIUk>
U M Ii h
IUju
U\U
j iI v
VIi lI
<
nv-*
V
r\r\r la
mwi
r-nmnrtcir*¡rin
n_* w nik/uuiviwi i
Hci Inc mcatorioloc nt id r-nnctifr i\/on
u u - i u u t i i u i \ ^ i i v*aiuu \ j w v w i i^t li l u i u i i
los equipos.
Uso incorrecto del componente o equipo.

• Abuso en el uso del equipo (o mala operación).
o El modo de falla, puede ser:
• Al azar: se caracteriza por un colapso repentino del componente.

Así, se tiene que la rotura del componente de metal por esfuerzo
repetido se conoce como fatiga. Ésta se puede producir por
diferentes tipos de de esfuerzo: tracción, flexión, torsión, etc.
• Por desgaste: van precedidas de un deterioro lento con la edad. El

deterioro es un desprendimiento gradual de partículas de ¡a
superficie de un material sólido por fricción con otro sólido, o por
contacto con un líquido o gas en movimiento (por adhesión o
difusión). No se considera una propiedad inherente al material,
puesto que sólo se refiere a condiciones externas independientes
de la naturaleza de éste.
1.1.1.3. Análisis de fallas
El análisis de fallas es el estudio sistemático y logístico de las fallas de un sistema

productivo para determinar la probabilidad, causa y consecuencia de las mismas
(Norma venezolana COVENIN 3049, 1993:6).
Según Nava (2006:46), un buen análisis de fallas es una de las etapas más
Importantes en ¡a determinación del programa tendiente a lograr el óptimo del
mantenimiento; considera además que hay dos (2) tipos de análisis de fallas:
• Análisis técnico: se determinan la causa y la magnitud de las fallas; es

realizada por ios grupos de ingeniería.
Análisis estadístico: estudia la influencia del factor tiempo en ei mecanismo de

ía falla, sin considerar las causas.
Según la norma venezolana COVENIN 3049 (1993:6-7), los parámetros básicos

para el análisis de fallas, son:
• Rata de fallas (r(t)): es la probabilidad de falla casi inmediata de un sistema

productivo a ¡a edad t.
• Probabilidad de supervivencia Ps(t): es la probabilidad de que un sistema

productivo sobreviva al tiempo t.
• Probabilidad de falla Pf(t) o U(t): es la probabilidad de que un sistema

productivo falle ai tiempo t.
• Relaciones de los parámetros:
o La rata de falla viene dada por: r(t) = Pf(t)/[t x Ps(t)] (1)
o La probabilidad de falla y la probabilidad de supervivencia son

complementarías:
Ps(t) + Pf(t) = 1 => R(t) + U(t) = 1 (2)
Donde: R(t): confiabiiidad y U(t): infiabilidad
• Tiempo para confiabiiidad: el parámetro de tiempo necesario para el estudio

de la confiabiiidad es el tiempo entre fallas (TEF), el cual puede ser descrito o
tomado en ia información de campo en formas tales como:
•<=f«
CONFiABiLlDAD EN SISTEMAS INDUSTRIALES 29
o Tiempo promedio entre fallas o media de tiempo entre fallas: identifica

e! intervalo de tiempo más probable entre un arranque y la aparición de
1.1.1.4. Tiempo para ía falla
Es el periodo de tiempo que transcurre desde el instante en que el componente,

equipo o sistema inicia su operación hasta que deja de operar (como) consecuencia
de una falla. El tiempo para la falla es una variable aleatoria (Yañez y col.,
2004:28).
Se llama tiempo a la falla o tiempo de falla a aquel que transcurre hasta que el
producto deja de funcionar de acuerdo a las especificaciones (Pulido y De la Vara,
2004:440).
1.1.1.5. Probabilidad de falla (F(t))
Yáñez y col. (2004:28) definen la probabilidad de falla como la probabilidad de que

un componente, sistema o proceso falle o deje de realizar lo que del mismo se
requiere, en un intervalo de tiempo determinado. La probabilidad de falla F(t) de un
componente en un intervalo de tiempo t1 -12 viene dado por la expresión:
F(t) = J f(t) dt (3)
Donde: f(t) corresponde a la función de densidad de la variable aleatoria "tiempo

para la falla" de una población de componentes, equipos o sistemas.
1.1.1.6. Tasa de falla (X)
Se define como el número de fallas por unidad de tiempo. Normalmente se expresa

en unidades de falla por millón (106) de horas. Este parámetro viene dado por la
expresión (Yañez y col., 2004:28-29):
f(t)
X= (4)
C(t)
Donde:
X: tasa de falla
f(t): función de densidad de probabilidad de falla.
C(t): confiabiiidad
A su vez, f(t), viene dada por la expresión:
dC(t)
f(t) = (5)
dt
1.12. Efectividad de sistema
En este punto es importante hacer referencia al concepto de efectividad de sistema:

en 1967, el Dr. Howard Finiey (Presidente de The Howard Finíey Corporation
Technical Consulting), introdujo el concepto de efectividad de un sistema como un
método para modelar el mantenimiento usando los resultados del modelo para
optimizar ia gestión de mantenimiento. Este modelo supone que cuando un equipo
es instalado y comienza su operación los costos controlables son ios costos de

mantenimiento, en efecto, existen dos razones para ello (Mosquera, 1987:12):
• El mantenimiento es subjetivo en el sentido que se podrá hacer poco o mucho

mantenimiento y el equipo opera.
• Mantenimiento es una labor intensiva y es controlable su productividad.
Entonces, según el autor mencionado, efectividad de sistemas es la probabilidad de

que un sistema opere a toda capacidad en un período calendario dado; y conduce
a cuatro factores que determinan la disponibilidad de planta, ellos son:
1. Confiabiiidad: se mide a través de una probabilidad calculada sobre la base de las

"corridas" expresadas en horas, entre un arranque y una parada.
2. Mantenibilidad: se mide a través de una probabilidad calculada midiendo ei tiempo

fuera de servicio, en horas, computando ei tiempo transcurrido entre una parada y
un arranque.
3. Redundancia: se mide mediante la capacidad de equipos o partes instaladas a ser

usados para reemplazar equipos en operación.
4. Partes y repuestos: mide la disponibilidad de partes y repuestos en un almacén

para reemplazar los que han fallado y requieren sustitución.
La relación funcional de la disponibilidad se expresa mediante:
TMEF
D= (6)
TMEF + TMEP
Donde:
D: disponibilidad
TMEF: tiempo medio entre fallas
TMEP: tiempo medio entre paradas.
Las partes y repuestos no entran directamente en ia función, pero sí indirectamente

puesto que afecta el tiempo medio entre paradas. El tiempo para completar una
acción de mantenimiento está en relación directa a la disponibilidad del repuesto o
parte y el tiempo de tener material en el lugar apropiado. La experiencia sobre este
particular es que las empresas no manejan correctamente el proceso de
administración de partes y repuestos. Este proceso se caracteriza por alto stock,
baja disponibilidad, materiales obsoletos, altos costos, mínimos deficientes al no ser
función de la dinámica operativa (Mosquera, 1987:15).
Para González (2009), maximizar la efectividad se refiere, a ia disciplina de medición

de! comportamiento de la efectividad de la planta, (o de una máquina o equipo) ei
resultado deberá ser el 85%. Si se dice que la efectividad de la planta es mayor del
85%, se puede suponer razonablemente que la planta está siendo operada en todos
los equipos de manera efectiva y eficientemente.
Indica además, que para lograr la efectividad total del equipo, se debe trabajar para
eliminar las "seis grandes pérdidas" que son ¡os obstáculos para la efectividad del
equipo:
• Tiempo perdido (Disponibilidad)
o Fallas de equipos (Confiabiiidad).

o Puesta a punto y ajustes (Mantenibilidad).
• Pérdida de velocidad (Eficiencia).
o Tiempo ocioso y paros menores (Conservación, confiabiiidad).
o Reducción de velocidad (Conservación, confiabiiidad).
• Defectos (Calidad).
o Defectos en el proceso (Conservación, confiabiiidad).
o Reducción de rendimiento (Conservación, confiabiiidad y mantenibilidad).
Para obtener el dominio de las seis grandes pérdidas se requiere de la aplicación de

técnicas y disciplinas organizacíonales, las que se deberán fundamentar en:
conservación, confiabiiidad, mantenibilidad y diseño de los equipos.
1.1.3. Disponibilidad
Para lograr una adecuada disponibilidad, hay varios medios para lograrlo; uno de
ellos es construir equipos extremadamente confiables (es decir, que tengan una alta
confiabiiidad, o lo que es lo mismo: una alta probabilidad de que no fallen bajo
ciertas condiciones de operación) y, por consiguiente, costosos. Otro medio es
suministrar equipos que, cuando fallen, sean fáciles de recuperar (es decir, que
tengan una alta mantenibilidad, o lo que es lo mismo, que puedan ser reparados fácil
y rápidamente). De esta forma, si un equipo está construido muy confiable y es muy
fácil de reparar, el fabricante obtiene un sistema muy eficaz, pero que nadie puede
permitirse comprar. Por tanto, la pregunta aquí es: ¿cuánto se necesita el servicio
del equipo o sistema, y cuánto se está dispuesto a pagar por ello? (Jiménez Y
Miipnn onnt;-'i£;_'i7,\
¡yinCii i'-', ¿~\-/\j\j . t *•->
i i i.
CONFIABILIDAD EN SisfÉMAS INDUSTRÍALES 34
En otras palabras, en una operación industrial se requiere por lo general mantener

una alta tasa de disponibilidad en ios equipos; es decir, se debe mantener un
equipo en condición operativa en una alta proporción de tiempo. Esta condición se
obtiene a través de dos vías; la primera es utilizando equipos confiables, y la
segunda, a través de una mantenibilidad suficientemente alta (Mosquera, 1987:95).
Según Díaz (1992:5), ía disponibilidad puede expresarse como la proporción de

tiempo que un equipo se encuentra apto para cumplir su misión, en condiciones
dadas, respecto ai tiempo que debió haber cumplido su misión y no lo hizo.
Por otra parte, la norma venezolana COVENIN 3049 (1993:5), la refiere como la
probabilidad de que un sistema productivo esté en capacidad de cumplir su misión
en un momento dado bajo condiciones determinadas.
Para Yáñez y col. (2004:30), la disponibilidad es un término probabilístico exclusivo

de los "equipos reparables" que se define como la probabilidad de que el equipo esté
operando (es decir que no esté en reparación) a un tiempo "t". Consideran que para
estimar la disponibilidad se requiere estimar ía "tasa de fallas X(t)" y la "tasa de
reparación |i(t)"; es decir, se requiere analizar estadísticamente ios tiempos para la
falla, y los tiempos en reparación.
1.1.4. Mantenibilidad
Según la norma venezolana COVENIN 3049 (1993:5), es la probabilidad de que un

sistema productivo pueda ser restaurado a condiciones normales de operación
dentro de un periodo de tiempo dado, cuando su mantenimiento ha sido realizado de
acuerdo a procedimientos preestabiecidos.
Díaz (1992:6), expresa que la mantenibilidad corresponde a la probabilidad de que

un dispositivo sea devuelto a un estado en el que pueda cumplir su misión en un
tiempo dado, luego de la aparición de una falla y cuando el mantenimiento es
realizado en las condiciones y con los medios y procedimientos preestablecidos.
El concepto de mantenibilidad se expresa a través de la probabilidad que un equipo

sea reparado en un tiempo determinado, y para que ello ocurra necesariamente
deben tenerse las partes y/o repuestos disponibles la mayor parte del tiempo; en
consecuencia, es necesario mantener en almacén un inventario de partes y
repuestos que considerando ¡a demanda de cada artículo, su costo, tiempos de
reposición, criticidad para las operaciones y la condición de funcionamiento de los
equipos e instalaciones, ofrezcan un nivel de servicio convenientes al mínimo costo
para la organización (Mosquera, 1987:95).
González (2009), considera la mantenibilidad como el conjunto de recursos, políticas

y actitudes que en un momento dado se ponen a disposición para la práctica del
mantenimiento, para asegurar que un sistema, componente o plan pueda ser
operado cuando se necesita. Un sistema puede ser altamente confiable y fallar con
baja frecuencia, pero si no es posible restablecerlo rápidamente, se dice entonces
que su disponibilidad es baja y la mantenibilidad carece de procedimientos e
instrucciones que puedan minimizar ei tiempo de restablecimiento; a ia inversa, si un
sistema tiene confiabiiidad promedio y puede ser restaurado rápidamente, esta
mantenibilidad se amortiguará y su disponibilidad será alta.
1.1.5. Distribución Weibuli
Yáñez y coi. (2004:89), afirman que la distribución Weibuli es ampliamente usada en

el estudio del tiempo de vida o tiempo para la falla de componentes mecánicos, y los
parámetros que la definen son: forma (p) y escala (a). Consideran además, que hay
una característica fundamental de las variables que siguen esta distribución: "el
número de ocurrencia de eventos por unidad de tiempo no permanece

necesariamente constante; es decir, esta tasa de ocurrencia de eventos puede
crecer o decrecer con el tiempo".
Dependiendo de los valores de ios parámetros que se definan, puede ser usada
como una aproximación a ia distribución Exponencial o a la distribución Normal, así
como a otras. Si p = 1 la distribución Weibuli se aproxima a la distribución
exponencial, y si p = 4 entonces se aproxima a ia distribución Normal.
Por su parte, Díaz (1992:21), plantea que fue desarrollada por ei matemático sueco
del mismo nombre, cuando trataba de encontrar una distribución que describiera la
expresión de confiabiiidad en rodamientos de bolas. Su característica más
importante es la existencia de un parámetro de forma p que permite a la distribución
tomar diversas formas; parámetros p menores a 1 son característicos de los equipos
en períodos de mortalidad infantil; con valores cercanos a uno, de equipos en
períodos de vida útil; y con valores mayores a uno, de equipos en períodos de
desgaste.
1.1.6. Caracterización probabilística de variables random
Según Yáñez y col. ( 2004:100-101), existen diversas distribuciones de probabilidad

para representar la heterogeneidad y/o incertidumbre de variables continuas, unas
para representar variables discretas, otras que ya poseen una expresión matemática
predefinida cuyos parámetros son estimados en función de la data disponible y otras
que no la poseen En función de la naturaleza de la variable de interés y de la
disponibilidad de data, existen dos fuentes básicas de información para describir las
variables:
1. Datos provenientes de observaciones directas y/o medición de campo.

2. Datos provenientes del conocimiento empírico del proceso.
En el primer caso, los datos provienen de observaciones directas hechas en campo,

mediciones de variables físicas de ios procesos o notificación manual o automática
de ocurrencia de eventos. Estos datos son perfectamente caracterizables desde el
punto de vista probabilístico.
La cuantificación de la frecuencia de aparición de los datos en ia muestra permite

obtener una distribución de probabilidad y hacer una evaluación probabilística
objetiva debido a que se parte de la abundancia de la evidencia de la muestra.
En el segundo caso, la obtención de los datos se hace en forma indirecta, y es

característica de aquellas áreas o procesos en los que no se puede obtener la
información suficiente sobre la variable de interés para hacer análisis estadísticos
convencionales. La limitación para la recolección directa de los datos puede ser de
tipo físico, es decir, que exista mucha dificultad para medir la variable; también
puede ser que no se tenga historia o que la misma sea limitada.
En estos casos se recurre a la utilización de la opinión de expertos, lo que permite

combinar el conocimiento de las personas sobre el área o proceso en análisis con la
poca evidencia o datos disponibles.
Una de las funciones más delicadas del ingeniero de confiabiiidad y del analista de
riesgo es seleccionar la distribución de probabilidad que más se adapte a una
muestra de datos de la variable a modelar; por lo cual se presentan a continuación
algunos aspectos que se tienen que consideraren dicha selección.
1.1.6.1. Caracterización probabilística de variables con información de campo

A continuación se presentan ¡os pasos necesarios para ía caracterización

probabilística de variables con información de campo, planteados por Yáñez y col.
(2004:102-103):
Paso 1: plantear las hipótesis de las distribuciones paramétricas que podrían hacer
un buen ajuste con los datos.
La selección de las diferentes distribuciones de probabilidad que pudieran

representar la variable de interés es lo que se denomina ia proposición de
distribuciones hipótesis o hipotéticas.
Las distribuciones probabilísticas tienen por su concepción original aplicaciones

específicas para lo cual fueron creadas. Por ejemplo, en el caso de tas variables
continuas, la distribución normal es una de las distribuciones más importantes, ya
que una gran cantidad de variables aleatorias tienen un comportamiento normal, es
decir, simétrico con respecto al punto central de la distribución.
Si se analiza la variable dependiendo de la tasa de ocurrencia de eventos en el

tiempo, la distribución exponencial es de uso muy común en aquellos casos donde
¡os eventos ocurren de una manera completamente aleatoria, y la tasa de ocurrencia
en el tiempo tiende a ser constante. Igualmente, para procesos en los que la
n n irronHa Ho o\/onfne rtr\ nc o lo ¡a+n rio oc rlorir w«arí*a on al tiomno avicton
distribuciones como la Weibuli, la Lognormal e inclusive la distribución Normal.
En ei caso de análisis de inventarios, la distribución de Poisson es de uso común
para determinar el número de partes que se deben tener cuando el tiempo para la
falla sigue una distribución Exponencial.
Paso 2: calcular los parámetros de cada una de las distribuciones hipótesis con los
datos de la muestra.
CONFiABILIDAD EN SISTEMAS INDUSTRIALES 39
Una vez seleccionadas ias distribuciones hipótesis teóricas que pudieran representar
un conjunto de datos, se procede a ia estimación de los parámetros de cada una de
ellas. Estos parámetros normalmente se obtienen con el método de máxima
verosimilitud.
Para el cálculo de los parámetros de ¡as distribuciones hipótesis más comunes se

utilizan ¡as ecuaciones obtenidas por el método de máxima verosimilitud, que se
resumen en la tabla N° 1.
Tabla N° 1. Ecuaciones para ei cálculo de parámetros de las

distribuciones hipótesis con los datos de la muestra
distribución Parámetros Ecuación Distribución Psrárrtzkos Ecuación
"f
a a=-
P
fí-
D
Normal
WoitJiill
2 1 ^/, }2
ék'Kü] , 1 *
fi •fi ¿c $
/ir
¿Inft)
»
a
<*
Gamma Y'} M
* -. ™
Expen-efíc-iaí X Ti f
i'-l
Fuente: Yáñez y col., 2G04
Paso 3: realizar alguna prueba de bondad de ajuste.
Existen tests estadísticos variados, para calificar la calidad del ajuste de la curva de
distribución hipotética a los datos de la muestra; entre ios más usados están: test de
Chi Cuadrado, test de Kolmogorov-Smirnov, test de Anderson Dariing; ios cuales

permiten rechazar o no rechazar hipótesis.
Paso 4: seleccionar entre las distribuciones hipotéticas no rechazadas, aquella que

tenga el valor del test más bajo.
1.2. Generalidades sobre confiabiiidad
En este punto se incluyen definiciones relacionadas con la confiabiiidad en las

empresas.
1.2.1. Definición de confiabiiidad
Entre los parámetros que definen la gestión de mantener están los conceptos de
confiabiiidad. mantenibilidad y disponibilidad, así como los elementos de demanda
dinámica de partes y repuestos y su asociación con los modelos matemáticos
que permitan calcular sus estimadores. En función de estos elementos se podrá
planear una estrategia gerencia! que permitirá dirigir las operaciones de manera
conveniente (Mosquera, 1987:8).
Este autor considera además, que un esquema dinámico de mantenimiento requiere

ei conocimiento de ios índices probabilísticos de cada equipo, los cuales definen sus
condiciones de operación a corto plazo. Estos índices se generan a partir de los
registros, ya sea a través de ios ficheros, de hojas formateadas o de cualquier otro
medio para la escritura de información. La información recopilada consiste en datos
de tiempos de operación y fuera de servicio que se han producido desde ia
instalación y puesta en marcha de cada equipo y durante su vida útil.
Por lo antes mencionado, a continuación se presentan definiciones sobre
confiabiiidad, según los autores considerados:
Según la norma venezolana COVENIN 3049 (1993:5), la confiabiiidad es la

probabilidad de que un sistema productivo no falle en un momento dado bajo
condiciones establecidas.
Según Mosquera (1987:82), etimológicamente, la confiabiiidad se define como la

confianza o seguridad sobre el estado continuo de un sistema en funcionamiento.
Este autor indica, que el concepto de confiabiiidad se mide a través de ia
probabilidad de que un equipo no falle en servicio durante un tiempo previamente
determinado. Esta condición, es función de la calidad del equipo y de su
mantenimiento preventivo.
Otra definición la refiere Díaz (1992:3), como la probabilidad de que un equipo

cumpla una misión específica bajo condiciones de uso determinadas en un período
determinado. Considera que la palabra confiabiiidad es usualmente utilizada para
referirse al conjunto de disciplinas de la mantenibilidad, la disponibilidad, la
seguridad y la confiabiiidad propiamente dicha; las cuales tienen como objetivo
estudiar ei comportamiento de los equipos en el tiempo.
Una definición más precisa es la siguiente: la confiabiiidad es la probabilidad de que

un producto determinado realice aquellas funciones para las que fue creado de
manera satisfactoria durante un lapso vital predeterminado y bajo ciertas
condiciones ambientales previamente definidas. Con base a esta definición, hay
cuatro factores relacionados con la confiabiiidad: (1) un valor numérico, (2) una
función específica, (3) un lapso de tiempo y (4) condiciones ambientales
(Besterfield, 1995:385-386).
Dicho autor, indica que el valor numérico es la probabilidad de que el producto no

falle durante determinado tiempo. El valor 0.93 indicaría la probabilidad de que 93
de 100 productos funcionen por un lapso previamente establecido y de que siete
productos fallen antes de ese mismo lapso. Para representar la tasa de falla por
unidad de producto se utilizan distribuciones probabilísimas.
CONFIABILIDAD EN SIS I EMAS INDUSTRIALES 42
El segundo factor está relacionado con la función que desempeñará ei producto.

Los productos se diseñan para una aplicación determinada y de ellos se espera que
sean capaces de realizarla. Por ejemplo, de un montacargas eléctrico se espera
que sea capaz de levantar cierta carga especificada en su diseño; no es de esperar
que pueda levantar una carga que exceda lo especificado en el diseño.
El tercer factor que se menciona en la definición de la confiabiiidad se refiere a la

vida del producto, es decir, cuánto tiempo se espera que dure éste. Por ejemplo, ía
vida de las llantas de los automóviles se especifica mediante diversos valores, como
sería el de 36 meses o 70000 km, dependiendo del tipo de armazón de la llanta. La
vida de un producto se especifica en términos de uso, tiempo o ambos.
El último factor de la definición tiene que ver con las condiciones ambientales. No se
puede esperar que un producto destinado a servir en interiores, como sería una silla
tapizada, funcione adecuadamente en exteriores, expuesto al sol, al aire y a la lluvia.
Dentro de las condiciones ambientales se toman en cuenta aspectos como el
almacenamiento y el transporte, pues muchas veces su efecto es más severo que el
uso mismo.
Entonces, Besterfieíd (1995:386-389), considera que ía confiabiiidad se logra si se

cumplen los siguientes aspectos:
• Poner énfasis: cada vez se concede más atención a la confiabiiidad del
producto, por una parte por la creación de leyes de protección al consumidor,

y por otra, a que los productos son cada vez más complejos. Está en la
memoria la época en la que las lavadoras sólo eran artefactos para agitar
ropa en una solución jabonosa caliente. Actualmente éstas tienen diversas
velocidades de agitación, de enjuague, distintos ciclos de lavado, varias
temperaturas y niveles de agua así como medios para administrar diversos
líquidos en instantes precisos de un ciclo de lavado. Otro factor que ha
obligado a poner atención en ía confiabiiidad es el de la automatización;
muchas veces, si falla un componente automático, es imposible operar

manualmente el producto.
Confiabiiidad del sistema: conforme los productos se vuelven más complejos

(cuentan con más componentes) ía posibilidad de que se produzca una falla
también aumenta. La manera como se disponen los componentes también
afecta la confiabiiidad de todo el sistema. Esta disposición puede hacerse en
serie, paralelo o en combinación. El autor indica que la confiabiiidad de un
producto dependerá de su diseño, fabricación, transporte y mantenimiento:
Diseño: el aspecto más importante de la confiabiiidad es el diseño. Deberá

ser lo más sencillo posible, ya que mientras más elementos contenga, mayor
es la probabilidad de falla de un producto.
Otra manera de asegurar la confiabiiidad es mediante un respaldo o

duplicación de componentes. En caso de falla del componente primario, se
activa otro componente. Un ejemplo de este concepto es la disposición
en paralelo de componentes. En muchos casos es más económico contar
con duplicaciones de componentes baratos, que disponer exclusivamente de
un componente costoso.
El diseño adicional también permite asegurar la confiabiiidad. Mediante la

aplicación de grandes factores de seguridad se aumenta la confiabiiidad de un
producto. Por ejemplo, se reemplaza una cuerda de media pulgada por una
de una pulgada, no obstante que bastaría con utilizar la de media pulgada.
Si la falla de un producto puede tener graves accidentes o pérdidas

a/~nnrSmi/~oo oo imnQrati\/n i itiíi-yor ríicnr\ci+i\/r\e o r>n lüha Hü folloo Dnr
ejemplo, para reducir a un mínimo heridas que finalmente causan la

incapacidad de las extremidades corporales causadas por prensas
mecánicas, se utiliza un pedal de embrague. Activando éste descienden el

ariete hidráulico y e! troquel. Si hubiera una avería en ei sistema de
activación de! embrague, ía prensa no funcionará.
Un factor muy importante para la confiabiiidad es el de dar mantenimiento al

sistema. Es más probable que aquellos productos cuyo mantenimiento es
sencillo tiendan a recibir más mantenimiento. En algunos casos resulta más
práctico eliminar la necesidad de dar mantenimiento. Por ejemplo, las
chumaceras impregnadas de aceite, no necesitan recibir ninguna lubricación
de por vida.
Factores ambientales tales como el polvo, la temperatura, la humedad y la

vibración pueden ser causa de falla. El diseñador deberá proteger al producto
de todos estos factores. Para mejorar la confiabiiidad del producto bajo
adversas condiciones ambientales, se recurre, por ejemplo, a protectores
caloríficos, bases de hule para proteger contra la vibración y filtros.
Producción: el segundo aspecto más importante de la confiabiiidad es el

proceso empleado en la producción. Las técnicas básicas de control de
calidad permiten reducir a un mínimo el riesgo de fallas en el producto.
Deberá ponerse mayor énfasis e aquellos componentes que son menos
confiables.
El personal de producción deberá emprender las acciones necesarias para

asegurarse de que el equipo empleado sea idóneo para las tareas que se
realizan y evaluar todo nuevo equipo de! que se pueda disponer. Además,
deberán realizar experimentos sobre las condiciones del proceso para definir
qué condiciones son las que permiten obtener el producto más confiable.
Transporte: un tercer aspecto que influye en la confiabiiidad es la

CONFIABILIDAD EN SIS 1EMAS INDUSTRIALES 45
transportación del producto al consumidor. Independientemente de qué tan

bueno sea su diseño, o cuánto esmero se haya puesto en su producción, la
evaluación final de un producto dependerá del desempeño de éste cuando lo
emplee el cliente. La confiabiiidad de un producto en el momento de usarlo
se puede ver gravemente afectada por ia manera como se le transporta. En
ello son determinantes una buena técnica de empaque y ia correcta
evaluación del embarque.
• Mantenimiento: si bien los diseñadores se esfuerzan por eliminar la necesidad

de proporcionar mantenimiento, son muchas las situaciones en las que esto
no es posible o no es práctico. En casos así, es necesario proporcionar al
cliente medios que lo pongan sobre aviso. Por ejemplo, una luz de alerta o un
timbre para informarle ¡a necesidad de lubricar un componente. Ei
proporcionar este mantenimiento deberá ser fácil y sencillo.
Por otro lado, Mendenhall y Sincich (1997), opinan que la confiabiiidad de un

producto es la probabilidad de que dicho producto satisfaga cieñas especificaciones
durante cierto tiempo. Por ejemplo, suponga que interesa que un automóvil nuevo
funcione sin problemas durante un periodo de dos años o durante 32.000 kilómetros.
La probabilidad de que un automóvil satisfaga dichas especificaciones es la
confiabiiidad del automóvil.
Asimismo, indican que algunos productos necesitan funcionar únicamente una vez;
otros repiten una función una y otra vez hasta que finalmente fallan. Por ejemplo, un
fusible o bien funciona o no funciona cuando un circuito eléctrico se sobrecarga. La
confiabiiidad de un fusible es ía probabilidad de que funcionará cuando se le someta
a una sobrecarga específica. En contraste, un automóvil se utiliza una y otra vez;
su confiabiiidad es la probabilidad de que funcionará sin una descompostura
importante durante cierto tiempo.
En otro orden de ideas, Heizery Render (1997:342), definen la confiabiiidad como la

probabilidad de que un componente de una máquina o un producto funcionarán

adecuadamente durante un razonable período de tiempo. Consideran que los
sistemas fiables son una necesidad; pero a pesar de los grandes esfuerzos para
diseñar sistemas fiables, los sistemas algunas veces fallan. Por consiguiente, se
utilizan componentes de reserva. Las mejoras en la fiabilidad también pueden
obtenerse mediante el uso del mantenimiento preventivo y excelentes talleres de
reparación. Los procesos fiables necesitan sistemas bien diseñados, personal
capacitado y buen mantenimiento de datos.
Entonces, para Heizer y Render (1997:302) los métodos de fiabilidad son:
1. Mejorar los componentes individuales.
2. Proporcionar redundancia.
Por su parte Yáñez, y coi. (2004:187), plantean la confiabiiidad como el

complemento de la probabilidad de fallas.
Asimismo, Pulido y De la Vara (2004:440), definen la confiabiiidad de un producto,

como la probabilidad de que un componente o sistema desempeñe
satisfactoriamente la función para la que fue creado durante un periodo establecido y
bajo condiciones de operación especificadas; y considera que juega cada día más
un papel vital como factor de competividad.
En otras palabras, estos autores indican que la confiabiiidad de un producto,

componente o sistema es la probabilidad de que éste satisfaga sus especificaciones
durante cierto tiempo de operación. Por ejemplo, ia confiabiiidad de un automóvil es
la probabilidad de que éste se desempeñe sin fallas o descomposturas durante un
tiomnn o nprfir
ktij! I ikJW C¡ pui (.ji rio ou
vj\_. ci i \/on+a
v<î ilu. iFn
II ocfo
\->«_5 *~iPQn
iv \^QO*J p!
Oí PI itAmóyij
C«u lwi nú V li pe
Oo i in
un cictomp
Oío í\jí i >G pnronloin
0\î i i uiujv ,
formado por muchos componentes y subsistemas, algunos independientes entre sí.

Por ejemplo, el sistema eléctrico, suspensión, llantas, motor, etc. Cada subsistema
CONFIABILIDAD EN SISTEMAS INDUSTRIALES 4/
tiene su confiabiiidad y la combinación de todas ellas (que es un sistema complejo)

da por resultado la confiabiiidad global del automóvil. La compañía ensambladura
del automóvil se asegura de que los componentes y subsistemas que compra sean
lo suficientemente confiables como para asegurar que ei producto final resulte
confiable. Así, el fabricante de llantas se preocupará porque durante el tiempo
especificado y el fabricante de arneses hará lo propio.
Según Pulido y De la Vara (2004:440), no es suficiente que un producto cumpla las

especificaciones y criterios de calidad establecidos y evaluados durante el proceso
de producción, sino que además es necesario que tenga un buen desempeño
durante cierto tiempo. Si éste es ei caso, se dice que el producto es confiable. La
confiabiiidad es la característica de calidad que mide la duración de los productos,
los cuales deben operar sin fallas durante un tiempo especificado para ser
confiables. De manera que al decir que un artículo es de alta calidad debe
entenderse que cumple todas sus especificaciones, incluyendo la confiabiiidad.
Es importante mencionar, que Besterfield (1995) y Pulido y De ia Vara (2004),

coinciden en afirmar que ia confiabiiidad es calidad a largo plazo; ya que la calidad
es una condición del producto durante la etapa de la producción, o inmediatamente
después de ésta, en tanto que la confiabiiidad es la capacidad del producto para
desempeñar la función para la cual fue hecho durante cierto tiempo. Así, un
producto que "funciona" durante un prolongado período de tiempo es un producto
confiable.
Por su parte, Huerta (2006:1-2), plantea que la confiabiiidad y disponibilidad tiene

un ciclo de vida el cual está relacionado a través de Ja Interacción entre Jos procesos
de: diseño - construcción - montaje - operación y mantenimiento de los activos que
engranan un proceso productivo; y que los principios de confiabiiidad se basan en
analizar los desperdicios ocasionados por las "fallas", estableciendo el control y
prevención de las mismas, para mejorar la efectividad y rentabilidad del negocio.
Como puede observarse, ios autores resaltan la importancia de que los equipos de
un sistema productivo sean confiables, para garantizar la disponibilidad de dichos
sistemas, y así mantenerse en un mercado cada vez más competitivo.
1.2.2. Factores que afectan la confiabiiidad
La confiabiiidad de los activos industriales se ve afectada por diversas causas y es

primordial identificar cada una de ellas para implementar ia mejor soiución (Pérez,
2006). En la tabla N° 2 se presentan las causas más comunes.
Dounce (2004:344), expresa que en la actualidad, en los países desarrollados se

están tomando acciones como las siguientes, ya que tienden a aumentar la fiabilidad
de los recursos vitales e importantes, minimizando la intervención de las personas, a
fin de disminuir costos y errores humanos:
• Reducción de piezas móviles.
• Empleo a gran escala de componentes electrónicos.
• Agrupación de elementos en módulos, que permitan su cambio rápido.
• Indicación automática de fallas en la calidad de servicio.
• Diagnóstico automático de la causa de la falla.
• Registro y estadística automática del funcionamiento del recurso o de sus

componentes.
• Creación de centros remotos de administración de la conservación.

Tabla N° 2. Causas más comunes que afectan la confiabiiidad

de los activos industriales
Diseño y Operación Mantenimiento

construcción
Diseño incorrecto Prácticas operativas Calidad de mantenimiento
Incorrectas deficiente
Mala calidad de Vibración excesiva Mantenimiento innecesario
, manufactura
Protección tribológica Exposición a calor Falta de mantenimiento
Deficiente Excesivo
Mala calidad en Prácticas incorrectas Mala calidad de energía
l montaje de lubricación eléctrica
Mala calidad de Prácticas incorrectas Almacenamiento
materiales en el almacenamiento y deficiente de
y componentes manejo de repuestos
(compra lubricantes
por precio)
Selección incorrecta Mala calidad de energía Desgaste y consumo de
del activo para ía vida útil
aplicación
Transporte incorrecto Capacitación deficiente Obsolescencia de activos
Fuente: Pérez, 2006
Empleo de dos (2) niveles de personal para la conservación; uno con alta
capacitación, con amplios conocimientos del software y hardware de los
principales recursos de ia empresa, así como en la detección de fallas,
análisis de resultados e ingeniería de fiabilidad y mantenibilidad, para atender
el mantenimiento de recursos vitales e importantes y la planeación de ia
conservación de todos los recursos de la empresa. El otro nivel de personal
tendrá conocimiento de un técnico que requiere una capacitación artesanal
para la atención de la preservación programada.
1.2.3. Historia de ia confiabiiidad
Díaz (1992:3), plantea que los estudios sobre la confiabiiidad comenzaron como
una respuesta a ios rápidos desarrollos tecnológicos y a las intensas exigencias
sobre los equipos, y atribuye a Werner Von Braun la realización de los primeros
estudios sistemáticos de confiabiiidad cuando, en un intento para mejorar ia eficacia
de los cohetes V1 y V2, analizó sistemáticamente la causa de las fallas e incorporó
sus resultados en diseños mejorados. Al final de la segunda guerra, dichos estudios
continuaron, impulsados en gran medida por ia guerra fría, la carrera espacia! y el
desarrollo de ía industria nuclear.
Por otro lado, Kenett y Zacks (2000:500), consideran que el papel de la teoría
estadística de confiabiiidad consiste en desarrollar métodos para estimar las
características de distribuciones de vida a partir de datos de falla, y diseñar
experimentos llamados pruebas de vida. En las pruebas aceleradas de vida se
inducen fallas tempranas, sometiendo a ios sistemas a esfuerzos mayores que los
normales. Cuando se analizan ios resultados de estos experimentos, se necesita
conocer cómo relacionar las distribuciones de falla en condiciones forzadas con las
que hay en el funcionamiento norma!.
Asimismo, Ecay (2007), opina que ia necesidad de contar con herramientas más
precisas para asegurar la viabilidad de ios procesos industriales ha demandado el
uso de la confiabiiidad cuantitativa como recurso fundamental para este propósito.
Ha sido interés permanente de los técnicos, conocer ia vida de un determinado
componente industrial, sea este una unidad funcional, un equipo o un sistema: poder
predecir el momento de la falla sobre bases racionales.
Dicho autor considera además, que la confiabiiidad inicia su desarrollo durante la

segunda guerra mundial y se puede decir que en el año 1945 se utilizaban métodos
avanzados para estimar probabilidades de fallas y expectativa de vida en
componentes mecánicos, eléctricos y electrónicos usados en "la defensa y la
industria aeroespacial". En 1970 ia ingeniería de la confiabiiidad dejó de ser
exclusividad de "la defensa" y se aplicó a plantas nucleares de generación de
energía y posteriormente se generaliza su uso en plantas refinadoras de petróleo,
químicas y petroquímicas. En un gran esfuerzo para combinar el cálculo estadístico
con la teoría de las probabilidades, se gestó la disciplina de la ingeniería de ia

confiabiiidad, pero el avance significativo y decisivo se produjo a partir de la
profundización en la naturaleza aleatoria de ios mecanismos de daño, los cuales son
causa raíz de los deterioros y fallos.
1.2.4. Importancia de ía confiabiiidad
En relación a ia importancia de la confiabiiidad, Ecay (2007), considera que ésta

tiene aplicación en todo tipo de procesos industriales; y constituye una herramienta
indispensable para la gestión moderna del diseño, construcción, operación y
mantenimiento de las principales tecnologías existentes.
Este autor plantea también, que la confiabiiidad se aplica al estudio dei error
humano, ayudando a prevenir y mitigar sus impactos en la seguridad, calidad y
productividad, siendo también la base fundamental de la gestión de riesgos
económicos, ambientales, funcionales y físicos en ámbitos industriales; y que las
herramientas de análisis de confiabiiidad (análisis de modo y efectos de falla, árbol
de fallas, diagramas de bloques), poseen una estructura que permiten pronosticar el
comportamiento de un componente o sistema industrial, lo cual representa
Información valiosa a ía hora de gerenciar un sistema productivo, desarrollando
planes operativos y de mantenimiento mejor estructurados.
Por su parte, Díaz (1992:4), refiere que ios estudios de confiabiiidad se realizan
sistemática y rutinariamente en el diseño de equipos y sistemas, con la Idea de
mejorar la calidad de los productos. Así, antes de la construcción de ios trenes del
Metro de Caracas, las compañías francesas responsables emprendieron extensos
estudios de confiabiiidad que le permitieron garantizar que el producto terminado
estuviese razonablemente libre de fallas mayores. Considera además, que a pesar
de ía creciente complejidad de los equipos, los estudios de confiabiiidad han
permitido sustanciales mejoras en el desempeño de equipos y sistemas; y planteó

los siguientes ejemplos:
• Un programa de mejora de ia confiabiiidad del avión T-38 resultó en 441

cambios de diseño, provenientes de la investigación de 2.262 fallas, a un
costo aproximado de un millón quinientos mil dólares. Este programa generó
un ahorro de treinta y dos millones de dólares en los primeros tres años de
implantación, debido a la disminución en ios costos de mantenimiento y
repuestos y a la menor indisponibilidad.
• La Fuerza Aérea de Inglaterra, estimó un gasto de alrededor de cien millones

de libras esterlinas al año en repuestos y mantenimiento por mala
confiabiiidad de sus equipos. El principal argumento de venta de muchos
equipos de computación, como impresoras, fué el bajo costo de su
mantenimiento y su alta confiabiiidad (en los anuncios de prensa se
destacaron los ciclos promedios entre fallas).
• En los sistemas de transporte metroviarío modernos, que movilizan cincuenta

mil personas por hora con intervalos entre trenes de noventa segundos, el
control debe realizarse a través de complejos sistemas que requieren tanto de
un riguroso diseño (bajo principios fail-safe o seguro sin fallas) como
mantenimiento.
Asimismo, Kenett y Zacks (2000:501-502), presentan una serie de ejemplos que

ilustran la importancia del análisis de confiabiiidad y de las modificaciones (mejoras)
en la industria, ios cuales se mencionan a continuación:
1. Florida Power and Light obtuvo una reducción en el tiempo inactivo de las
centrales, del 14% en 1986 a menos de 4% en 1989 generó $300 millones
de dólares en ahorros a ios consumidores, con una inversión de $5 millones
para adiestramientos y consuitorías. Las interrupciones del servicio eléctrico

a los clientes bajaron de 100 minutos por año en 1982 a 42 minutos por año
en 1989.
2. El Consejo de Servicios de Atenas es uno de los 160 distribuidores de

energía eléctrica abastecidos por TVA, y atiende una región de servicio de
100 millas cuadradas, 10000 clientes y una carga máxima de 80 MW. Se
examinaron los datos de problemas de servicio durante un año, en tres
aümentadores de Atenas del Sur. La frecuencia de la falla principal del
circuito fue 15.3 fallas/año/milla; para restaurar el servicio con equipo
automático se tardó, en promedio, 3 minutos por cambio, mientras que los
cambios manuales requirieron unos 20 minutos. Por lo general, la
reparación de una línea tarda 45 minutos. Ei costo promedio de estar
inactivo, para un consumidor industrial en Estados Unidos, es $11.87/kWh
(en dólares de 1986). Sin automatización, el costo anual para una carga de
6000 kW sería, en promedio, $540000. La automatización ha reducido los
costos de interrupción a $340000. Estas mejoras en la confiabiiidad del
suministro de electricidad produjeron, en consecuencia, una recuperación
promedio de $9.7 por cada dólar invertido en automatización.
3. En la empresa AT&T, un plan original para un cable telefónico transatlántico

requería tres transmisores en reserva para respaldar cada transmisor en las
200 repetidoras que manejaban las llamadas a través del océano. Un
análisis detallado de confiabiiidad con SUPER (System Used for Prediction
and Evaiuation of Reliability, sistema para predecir y evaluar la confiabiiidad)
indicó que sería suficiente con un transmisor en reserva. Esto redujo en
10% el costo del proyecto, y dicha empresa ganó el contrato, con una
cotización 5% menor que la de su competidor más cercano.
4. Lockheed Corporation produce unidades lógicas de conmutación que se

usan en aviones antisubmarinos S-3A de la marina estadounidense, para
distribuir las comunicaciones dentro y fuera de la nave. Esas unidades se

quitaban con frecuencia para darles mantenimiento, con lo que se dañaba ei
chasis. El tiempo promedio entre fallas de las unidades lógicas de
conmutación era de 100 horas. Con cambios en ei diseño y procedimientos
mejorados de clasificación, aumentó a 500 horas. La cantidad promedio de
unidades desmontadas de nueve aviones cada semana bajó de 1.8 a 0.14.
En los ejemplos mencionados, se observa como las mejoras en la confiabiiidad

permiten la recuperación en poco tiempo, de las inversiones realizadas en
automatización y en el uso de sistemas que garanticen predecir y evaluar la
confiabiiidad de los equipos.
Asimismo, Díaz (1992:5), resalta la importancia de ia confiabiiidad el hecho de que

las técnicas de confiabiiidad se aplican no sólo al diseño de equipos y sistemas; sino
que además se utilizan en el análisis de data operativa para mantenimiento. En este
último caso, permiten conoceré! comportamiento de equipos en operación, con ei fin
de:
• Aislar equipos o componentes problemas.
• Prever y optimizar el uso de los recursos humanos y materiales necesarios

para el mantenimiento.
• Diseñar las políticas de mantenimiento a ser utilizadas.
• Calcular instantes óptimos de sustitución económica de equipos.
• Establecer frecuencias óptimas de ejecución del mantenimiento preventivo.
1.3. Confiabiiidad operacional

En este punto se encuentra la definición y aplicaciones de la confiabiiidad

operacional.
1.3.1. Definición de confiabiiidad operacional
La confiabiiidad operacional (CO) es una de las más recientes estrategias que

generan grandes beneficios a quienes ía han aplicado. Se basa en los análisis
estadísticos y los análisis de condición, orientados a mantener la confiabiiidad de los
equipos, con la activa participación del personal de empresa (García, 2004).
Según el Centro Internacional de Educación y Desarrollo (CIED) de PDVSA (1999),

es la capacidad de una instalación (procesos, tecnología, gente), para cumplir su
función o el propósito que se espera de ella, dentro de sus límites de diseño y bajo
un contexto operacional específico. Entonces, un proceso de mejoramiento de la
confiabiiidad operacional significa tratar, de una manera estructurada, de mejorar
cada uno de los aspectos que invoiucran ia confiabiiidad operacional, permitiendo
mejorar la confiabiiidad.
Para Duran (1988), el mejoramiento de la confiabiiidad operacional es un proceso de

mejoramiento continuo basado en hechos, alcanzado por una armonía de
implantación de herramientas y técnicas basadas en riesgo. Este autor considera
además, que ia confiabiiidad operacional introduce una aproximación sistemática
iharía la iromnnnn
iuvjiu |C¡ Ha iCtv^
wi i iuuiw II \J>~' Ipc v/GuOCia
rpi icpc UU
Ha js_*«-i
loe follpc ni 10 t-i
i un d%j uuw afa<~fpn Inc ui
i v*r\_riG¡i i luo nrnrocnc rríVmr\c
vjvjuuvu \-ri i liw\_/>j y\/ ia
ip
rentabilidad total de la empresa. Por lo que, la confiabiiidad operacional crea un

nuevo papel para ios gerentes, el cual consiste en generar el ambiente para obtener
los resultados deseados; no sólo en términos de productividad y rentabilidad
mejorada, sino también, en términos de motivación, actitudes y seguridad. La
figura N° 1 muestra de manera gráfica lo referente a la confiabiiidad operacional,
donde se puede observar cuatro componentes sobre los cuales se debe actuar si se
requiere un mejoramiento continuo sostenido a largo plazo.
Confiabiiidad
áíf? -V1' ríi?
Confiabiiidad
a I»
1.
- r j t• •
í --
• 1
I ---.-,-,c*i¡w ••• "• "t -' •-•*••-• • t--* t

> .i* - * -• r !•*.—- 'i •«- • r .•
; • ií .-J« ,,;'i - r " J'fc»-1 '"Sí••'o

• - ft..i¿«**4. '- r. -• ^ />
Figura N° 1. Componentes de ia confiabiiidad operacional

Fuente: Duran, 1998
Asimismo, Duran (1998), indica que este proceso genera cambios en la cultura de la
organización haciendo que trabaje con un amplio sentido de la productividad y con
una visión clara del negocio. Cualquier hecho aislado de mejora en alguno de los
cuatro componentes de la confiabiiidad operacional puede traer beneficios, pero al
no tomar en cuenta los demás factores es probable que éstos sean limitados y/o
diluidos en la organización y pasen a ser sólo el resultado de un proyecto y no de
una transformación.
La confiabiiidad operacional considera los aspectos relacionados con el manejo del

conocimiento y las habilidades de liderazgos que pudiesen interferir el logro de las
metas establecidas (CIED, 1999):
Escenario antiguo, el liderazgo se asienta principalmente en la experiencia, el

sentido común y la interacción interpersonal (ios líderes nacen).
Nuevos escenarios, tecnologías y filosofías complican la escena, surgen

expertos y asesores.
o Falta de conocimiento en confiabiiidad operacional, debilita ¡iderazgo

gerencial, debido a la marginación de tendencias contemporáneas o a la
generación de expectativas poco realistas.
Por su parte, García (2004), la confiabiiidad operacional incluye procesos de

mejoramiento continuo, nuevas tecnologías, metodologías y herramientas de
diagnóstico, con el objetivo de mejorar ia productividad industrial. La tendencia
moderna lleva a las organizaciones a utilizar un amplio conjunto de tecnologías
integradas con el área de confiabiiidad, para que centralice la información, y pueda
tomar las decisiones más acertadas.
El autor mencionado, considera que la confiabiiidad operacional incluye procesos de

mejoramiento continuo, nuevas tecnologías, metodologías y herramientas de
diagnóstico, con el objetivo de mejorarla productividad industrial.
Mientras que según el CIED (1999), para ía ejecución de un programa de

confiabiiidad operacional es necesario establecer una estrategia que permita la
creación de un terreno clave para el éxito; para garantizar esto es necesario
considerar los siguientes puntos:
• Evaluación de situación, en cuanto a tipo de equipos, modos de falla

relevantes, ingresos y costos, entorno organizacional, síntomas percibidos,
posibles causas y toma de decisiones.
• Diseño de ruta, para visualizar secuencia de metodologías que mejor se

adapten a las situaciones.
Prioritización de iniciativas, con el propósito de estimar el impacto potencial de

cada una de ellas visualizando ei valor agregado.
Definición de proyectos, identificando actores, nivel de conocimientos

combinación de metodologías y pericias.
1.3.2. Aplicaciones de la confiabiiidad operacional
La confiabiiidad operacional se aplica sustancialmente en los casos relacionados

con (CIED, 1999):
• Elaboración/revisión de los planes de mantenimiento e inspección de equipos

estáticos y dinámicos.
• Establecer alcance y frecuencia óptima de paradas de planta.
• Solución de problemas recurrentes en equipos e instalaciones que afectan los

costos y la confiabiiidad de las operaciones.
• Determinación de tareas que permitan minimizar riesgos en los procesos,

instalaciones, equipos y ambiente.
• Establecer procedimientos operacionales y prácticas de trabajo seguro.
La confiabiiidad operacional incentiva la implantación de tecnologías que

faciliten el ¡ogro de la optimización, entre ellas se pueden destacar:
• Modelaje de sistemas, en confiabiiidad operacional se invierte a nivel de

componentes (equipos, procesos y entorno organízaciona!) y se recibe el

beneficio a nivel de plantas (factor de servicio).
• Confiabiiidad organizacional, llamado también en forma sesgada error

humano.
• Valor agregado de nuevas prácticas y conocimientos, a través de mediciones

sistemáticas, bancos de datos, correlaciones, modelaje.
• Manejo de la incertidumbre, a través de modelaje probabilístíco de la

incertidumbre.
• Optimización integrada de ¡a productividad y la confiabiiidad, a través de

experiencias piloto en seguridad y confiabiiidad desde el diseño.
En este orden de ideas, García (2004), indica que para progresar en la confiabiiidad,
sin duda será necesario implementar varias formas de capacitación. Si el personal
desconoce cómo realizar las tareas, no las puede desempeñar. A menudo se
requiere capacitación en:
• Mantenimiento productivo total.
• Mantenimiento centrado en la confiabiiidad.
• Monitoreo de equipos.
• Análisis de criticidad.
• Análisis causa raíz.

• Análisis de incertidumbre.
• Inspección basada en riesgo.
• Costo del ciclo de vida.
• Gerencia de la información.
• Optimización costo - riesgo - beneficio.
• Análisis de fallas y solución de problemas.
Entonces, según García (2004), la confiabiiidad en el mantenimiento es el bien más

importante del departamento; y cada una de las actividades será indispensable en
su gestión; por lo que, para lograr la transformación, ios gerentes deben seleccionar
el mejor momento para involucrar al personal de campo.
A continuación se mencionan ejemplos planteados por Duran (1998), de empresas

que obtuvieron beneficios con este enfoque:
• La Major International Oil Company, revisó sus estrategias de mantenimiento,

eliminando mantenimiento preventivo inefectivo, obteniendo un 40% de
ahorros en los costos de mantenimiento.
• La UK Power Supplier, realizó un estudio que le permitió optimizar las

paradas de planta; cuyos resultados arrojaron $7 millones/año de ahorros por
ia reorganización operacional del contenido de las paradas de planta y de las
tareas.
• La Petrochemical Company, realizó mejoras sobre 88 millones de

dólares/año; con las cuales en tres años la planta principal mejoró de una
disponibilidad de 77% a un 98%.
1.4. Confiabiiidad integral
La dinámica de ios negocios actuales exige a las industrias producir con menos
costo, más calidad y con un mayor nivel de confiabiiidad para cumplir con exigentes
requerimientos de orden técnico, económico y legal. Adicionalmente para poder
competir y permanecer vigentes en el mercado, las empresas se ven forzadas a
invenir basadas en informaciones incompletas, inciertas o difusas (Yañez y Gómez,
2007:3).
Para enfrentar estos retos, los autores mencionados propusieron un enfoque

multldiscipllnarlo al que denominaron confiabiiidad integral, que apunta hacia la
reducción sistemática en la ocurrencia de fallas o eventos no deseados en
procesos de producción y en proyectos de inversión a través del diseño de

estrategias y la selección de acciones técnicamente factibles, económicamente
rentables y presupuestariamente viables.
1.4.1. Definición de confiabiiidad integra]
Según Yañez y Gómez (2007:3-4), confiabiiidad integral se define como una sinergia
de disciplinas y metodologías basadas en confiabiiidad y riesgo, que incorpora
herramientas para el manejo probabilístico de información y su incertidumbre y
avanzadas técnicas de diagnóstico, modelaje y pronóstico, en la búsqueda de
reducir sistemáticamente la ocurrencia de fallas, paros y eventos no dese^^ i "ara
C-4VJ V J v J
h"
optimizar ei costo del ciclo de vida de los activos.
Los autores consideran, que los objetivos fundamentales del enfoque de

confiabiiidad integral son:
• Predecir todos los escenarios de producción factibles, modelando las

incertidumbres asociadas a las variables técnicas que rigen su proceso
particular de producción.
• Predecir probabilísticamente la ocurrencia de eventos no deseados, e

identificar acciones concretas para minimizar su ocurrencia.
• Explorar las implicaciones económicas de cada escenario posible y diseñar

planes y estrategias óptimas para el manejo del negocio.
A continuación se mencionan las más importantes disciplinas y metodologías que

integran la confiabiiidad integral:
• Disciplinas:
o Probabilidad y estadística descriptiva.
o Ingeniería de confiabiiidad.
o Análisis cuantitativo de riesgo,
o Gerencia de la incertidumbre.
o Ingeniería de mantenimiento.
o Finanzas e ingeniería económica.
o Confiabiiidad humana.
o Gerencia de activos,
• Metodologías:
o Análisis de criticidad.
o Análisis de confiabiiidad, disponibilidad, mantenibilidad.
o Mantenimiento basado en confiabiiidad.
o Inspección basada en riesgo.
o Optimización costo riesgo.
o Análisis causa raíz.
o Nivel de integridad de ios sistemas instrumentados de seguridad.
o Análisis económico del ciclo de vida.
o Análisis de riesgo a portafolio de inversiones.
Por otra parte, Yañez y Gómez (2007:5-6) indican que el enfoque de confiabiiidad
integral puede aplicarse a cualquier industria o proceso; dado su carácter
muitidisciplinario y genérico; sin embargo, su aplicación se ha centrado en las
siguientes áreas:
• Mantenimiento industrial: equipos dinámicos, equipos estáticos, sistemas,

paradas de planta, inventarios y repuestos.
• Industria de! gas y del petróleo: caracterización de yacimientos, métodos de

producción, perforación y rehabilitación, diseño y mantenimiento de
instalaciones petroleras, refinación, mercadeo.
Plantas de proceso: métodos de producción, sistemas instrumentados de

seguridad, diseño y mantenimiento de instalaciones, reconciliación de datos
del proceso.
Gerencia de proyectos, finanzas, casos de negocio, presupuesto:

caracterización del riesgo de Inversión y gastos, diseño de estrategias de
mitigación del riesgo de inversiones, jerarquización del portafolio de
inversiones y determinación de frontera eficiente.
1.4.2. Ciclo de implantación de la confiabiiidad integral
A continuación se describen las etapas que conforman ei ciclo de implantación de la

confiabiiidad integral
1.4.2.1. Diagnóstico
Según Yañez y Gómez (2007:40-48), esta etapa se divide en dos fases:
• Diagnóstico interactivo: en este diagnóstico se estudian las razones

organlzaclonales y las asociadas al capital humano, como factores que
influyen de manera definitiva en la confiabiiidad de los procesos, utilizando
para ello metodologías cualitativas de diagnóstico, a través de la consulta
directa cara a cara y vía cuestionarios focalizados a los factores más
influyentes de la empresa, en los niveles gerenciales, técnicos y
operacionales. Plantean que de esta fase se obtienen los siguientes planes:
o Plan de entrenamiento para cierre de brechas en confiabiiidad (niveies

gerencial, técnico y operacional).
o Plan para la administración del cambio.
Diagnóstico de la confiabiiidad integral del proceso de producción: este

diagnóstico se apoya preferentemente en la metodología llamada Análisis
CDM o Análisis RAM. También puede usarse (como recurso alternativo) el
Análisis de criticidad.
Durante esta etapa debe recopilarse y depurarse una gran cantidad de

información que a su vez, conformará la base de datos que servirá para los
estudios de confiabiiidad del activo bajo análisis. Esta base de datos integra la
siguiente información:
o Confiabiiidad de equipos (tasas de falla y reparación).
o Configuración de sistemas e instalaciones.
o Mantenimiento (plan de mantenimiento).
o Recursos (cuadrillas, disponibilidad de partes y repuestos, equipos de

apoyo.
o Producción manejada y capacidad (volumen manejado, volumen

afectado).
o información de operaciones.
o Pronósticos de producción.
Esta base de datos es comúnmente llamada base de datos técnicos,

operacionales y confiabiiidad de instalaciones (BDTOC1); debe ser una
plataforma única, automatizada, fácil de manejar y actualizada, que permita
además la migración de información a sistemas de administración de
mantenimiento como SAP, Máximo o Meridium.
Es importante mencionar que las fuentes fundamentales de información para

construir ia BDTOC1 pueden ser de variada naturaleza, específicas o
genéricas; es decir, toman en cuenta la evidencia o información propia de
fallas del sistema al cual se le está ejecutando el estudio; pero debe
apoyarse adicionalmente en bases de datos internacionales de fallas y
reparaciones para diversos tipos de sistemas, tales como, las bases de datos
internacionales, Oreda, Parloc, Well Master, IEEE, Sintef, entre otros.
Entonces, el diagnóstico de la confiabiiidad integral del proceso de producción

apunta a la identificación de las áreas críticas del proceso y su jerarquízación
de acuerdo con el impacto de cada una en la rentabilidad del negocio.
Adicionalmente, en esta fase se dimensionan las oportunidades asociadas al
mejoramiento de la confiabiiidad de estas áreas.
Por otra parte, ios autores mencionados consideran como productos fundamentales
de la fase de diagnóstico, ios siguientes:
• Base de datos técnicos, operacionales y confiabiiidad de instalaciones.
• Portafolio de oportunidades asociadas a la mejora de la confiabiiidad de los

procesos, evaluado en factibiiidad y rentabilidad.
1.4.2.2. Rediseño del mantenimiento de instalaciones

Frecuentemente esta etapa es el primer banco de oportunidades que presentan los

activos y procesos. Estas oportunidades permiten erradicar o en su defecto mitigar
los modos de falla de alto impacto que sufren las instalaciones, a través del
rediseño optimizado de ios planes de mantenimiento e inspección de equipos
y sistemas; adecuándolos ai entorno operacional de ios activos y procesos y
contentivo de acciones concretas para erradicar o al menos mitigar los mencionados
modos de falla (Yañez y Gómez, 2007).
Estos objetivos se logran con las metodologías mantenimiento basado en

confiabiiidad y con ¡a inspección basada en riesgo. Adicionalmente, deben sentarse
las bases para instaurar una cultura de identificación, análisis y solución de
problemas recurrentes sustentada en la aplicación de la metodología de análisis
causa raíz.
1.4.2.3. Optimización del mantenimiento de instalaciones
Esta fase debe acometerse si ya los planes de mantenimiento han sido

redimensionados y adecuados a la realidad operacional de la organización. La
misma se concentra en dos grandes áreas: optimización de frecuencias de acciones
de mantenimiento críticas, y optimización de inventarios de repuestos críticos de
baja y alta rotación (Yañez y Gómez, 2007).
1.4.2.4. Optimización del costo del ciclo de vida de activos y procesos
El corazón metodológico de esta etapa es el análisis económico del ciclo de vida. En

ellp Ipc ¡arrlnnoc Hohon rr\r\r-antrarca on pf pnplicíe Hol pipln Ha \/¡Hp Ha lr\c prti\/nc
especialmente aquellas para evaluar opciones, tales como:
• Desíncorporar activos.
• Cambio de tecnologías en ios activos.
• Reparar vs. Reemplazar.
• Otras decisiones frecuentes en el entorno de la Gerencia de activos y

procesos.
1.4.2.5. Confiabiiidad desde ei diseño y optimización de inversiones
En esta etapa deben considerarse las oportunidades asociadas a nuevos activos y

proceso de rediseño de los existentes. La consigna de esta etapa es "construir
confiabiiidad dentro del diseño". La ingeniería de confiabiiidad es la disciplina
fundamental de esta etapa (Yañez y Gómez, 2007).
Entre los recursos más importantes que la ingeniería de confiabiiidad ofrece para
"construir confiabiiidad dentro de los diseños", se mencionan:
• Herramientas para la identificación de posibles modos de falla como ei

análisis de modos y efectos de fallas.
• Herramientas para el modelaje y cálculo de ia confiabiiidad de componentes y

equipos, a partir de experiencias previas, datos de laboratorio y/o opinión de
expertos.
• Herramientas para el modelaje de confiabiiidad de sistemas y procesos, tales

como: árboles de fallas, árboles de eventos diagramas de bloque de
confiabiiidad y disponibilidad, entre otros.
Paralelamente, en esta fase deben introducirse los conceptos de confiabiiidad y

riesgo en el área de inversiones, para maximizar la rentabilidad y minimizar el

riesgo de las mismas. El corazón metodológico de este aspecto es el Análisis
económico del ciclo de vida.
1.4.2.6. Optimización de los modelos de decisión
La gerencia de los activos y procesos debe asumir ios siguientes retos:
• Decidir entre opciones en presencia de incertidumbre.
• Jerarquizar opciones considerando múltiples criterios y restricciones.
• incorporar el riesgo a las evaluaciones financieras.
• Lograr asignaciones presupuestarias basadas en riesgo.
Las disciplinas "Gerencia de la incertidumbre" y "Análisis de riesgo" proveen las

herramientas fundamentales para acometer los retos previamente mencionados.
Entre las más importantes de estas herramientas se consideran las siguientes:
• Árboles de decisión.
• Simulación de Montecario.
• Análisis de sensibilidad.
• Matriz riesgo-rentabilidad.
• Frontera de eficiencia de Markowitz.

• Proceso analítico de jerarquización.
Ei objetivo fundamental de esta etapa es identificar la combinación adecuada de

proyectos, acciones de mantenimiento u otras opciones de inversión, a fin de
garantizar un óptimo nivel de riesgo y rentabilidad en el negocio. Esto es conocido
como "Gerencia u optimización del portafolio de oportunidades".
1.4.2.7. Fases complementarias del ciclo de confiabiiidad integral
El ciclo de implantación de confiabiiidad integral tiene un ciclo interno que gira

alrededor del recurso humano y está conformado por dos actividades,
concientización y entendimiento. A continuación se explican ambas actividades
(Yañez y Gómez, 2007):
• Concientización: esta etapa busca la identificación y el reconocimiento de las

posibilidades y beneficios de las mejoras que pueden obtenerse con una
cultura de confiabiiidad integral.
El corazón de esta etapa son las charlas y talleres que se pueden exponer y
explicar a los integrantes de la organización tas diferentes experiencias y
casos de estudio sobre la aplicación de la confiabiiidad integral en empresas
alrededor del mundo.
• Entendimiento: esta fase está focalizada en la difusión de conceptos básicos,

fundamentos teóricos de confiabiiidad integral y aplicación de metodologías
para la jerarquización de oportunidades de mejora por su impacto en el
negocio, detectadas por los integrantes de los diferentes departamentos.
En esta fase también deben incluirse acciones sobre ios aspectos "humanos",
CONFIABILIDAD EN SISTEMAS INDUSTRIALES /1
especialmente sobre ei área de trabajo en equipos "multidisciplinarios

e inter-organizacionales". Los conceptos de "confiabiiidad humana" serán de
gran ayuda en esta etapa.
Yañez y Gómez (2007), indican además, que es importante entender que ei "ciclo
de implementacíón de la confiabiiidad integral" es un modelo flexible, que se adapta
al "estatus" o nivel de avance que cada activo o proceso tenga en términos de
confiabiiidad. En muchas ocasiones, las empresas que manejan activos y
procesos, han iniciado estudios aislados, en diversas áreas del proceso y sin seguir
necesariamente el ciclo propuesto. Cuando esto ocurre, ei proceso de implantación
debe tomar en cuenta estas iniciativas y no repetirlas, sino aprovecharlas para
impulsare! proceso.
1.4.3. Marco normativo de la confiabiiidad integral
A continuación se presenta el marco normativo de la confiabiiidad integral, según lo

expresado por Yañez y Gómez (2007:49-52):
• Análisis de criticidad:
o MIL-STD-882D: Criticality anaiysis.
o NORSOKZ-CR-008: Criticality ciassification method.
• Análisis CDM y Análisis de confiabiiidad de sistemas:
o DoD - Department of defence - Guide for achieving Reliability, Availability,

and Maintalnablllty.
o DoD 3235.1-H: Department of defence, Test & Evaluation of System

Reliability, Avaiiabiüty and Maintainabiiity.
o NORZOK Z-016: Reguiarity Management & Reliability Technology.
o IEC61078: anaiysis techniques for dependability - Reliability block diagram

method.
o IEC61025: Fault tree anaiysis.
o IEC61165: appiication on Markov techniques.
Mantenimiento basado en confiabiiidad:
o Estándares base:
• SAE JA 1012: a Guide to the Reliability-Centered Maintenance (RCM)

standar.
• 1EC60300-3-11: reliability centered management.
Estándares complementarios:
o IEC 60812: anaiysis techniques forsystem reliability- procedure forfailure

mode and effects anaiysis (FMEA).
o MIL-STD-1629 "Procedures for performing a faiiure mode, effects and

criticality Anaiysis".
o IEC 60812 "Procedures forfailure mode and effects anaiysis (FMEA)".
o BS 5760-5 "Guide to failure mode, effects and criticality anaiysis (FMEA

and FMECA)".
o SAE-ARP 5580 "Recommended failures modes and effects anaiysis

(FMEA) practices for non-automobiíe applications".
o SAE J1739 "Potential failure mode and effects anaiysis in design (design
FMEA) and potential failure mode and effects anaiysis in manufacturing
and assembly processes (process FMEA) and effects anaiysis for
machinery (Machinery FMEA)".
Inspección basada en riesgo / integridad mecánica:
o Estándares base:
• API RP 580: risk based inspection.
• API Public. 581: risk based inspection procedure and methodoiogy.
• DNV-RP-G101: risk based inspection off offshore topsides static

mechanical equipment.
Estándares complementarios;
o Guías para inspección y mantenimiento:

• API 510: pressure vessel inspection code: mintenance, inspection,

rating, repair, and aiteration.
• API 570: inspection, repair, aiteration and rerating of in service

piping systems.
• API 571: damage mechanisms affecting fixed equipment in the

refining ¡ndustry.
• API 574: inspection practices for piping system components.
• API 653: tank inspection, repair, aiteration and reconstruction.
o Guías para el cálculo de límites permisibles de deterioro, criterios de

reparación y gerencia del riesgo:
• ASME B31: code for pressure piping.
• ASME B31.6: manual of determining the remaining strength of

corroded pipelines.
• ASME B31.8 S: supplement to B31.8 on managing system integrity

of gas pipelines.
• API 579: fitness for services.
• API 1160: managing system integrity for hazardous liquid pipelines.

9 Análisis económico del ciclo de vida:
o IEC 60300-3-3: life cycle costing.
o ISO 15663 (Draft): petroleum and natural gas industries - life cycle costing.
o NORSOK O-CR-001: Lyfe cycle cost for systems and equipment.
o NORSOK O-CR-002: Lyfe cycle cost for production facility.
o SAE ARP-4293: lyfe cycle cost-techniques and appiications.
• Ingeniería de confiabiiidad y recolección de información:
o ÍSO 14224: petroleum and natural gas industries - coilection and

exchange of reliability and malntenance data for equipment.
o BS5760: Parí 2: guide to the assessment of reliability.
o IEC 60300-3-1: anaiysis techniques for dependability: guide on

methodology.
' Análisis de riesgo:
o NASA: probabilistic risk assessment for managers and practitioners.
o IEC 62198 - project risk management.

o IEC 60300-3-9: risk anaiysis of technological systems.
o NORSOK Z-016: regularity management & reliability technology.
o EPA/630/R-95/002B: proposed guideiines for ecological risk assessment.
1.5. Mantenimiento centrado en la confiabiiidad (MCC)
En este punto se presentan la definición y los términos asociados con el

mantenimiento centrado en ia confiabiiidad.
1.5.1. Definición de mantenimiento centrado en la confiabiiidad
El objetivo básico de cualquier gestión de mantenimiento, consiste en incrementar la

disponibilidad de los activos a bajos costos, partiendo de ía ejecución permitiendo
que dichos activos funcionen de forma eficiente y confiable dentro de un
contexto operacional. En otras palabras, el mantenimiento debe asegurar que los
acfivos continúen cumpliendo las funciones para ¡as cuales fueron diseñados, es
decir, debe estar centrado en la confiabiiidad operacional (Amendoia, 2002).
Según el autor mencionado, en la actualidad, este objetivo puede ser alcanzado de

forma óptima, con la metodología de gestión del mantenimiento, titulada
Mantenimiento Centrado en Confiabiiidad; ya que, en términos generales, permite
distribuir de forma efectiva los recursos asignados a ia gestión de mantenimiento,
fnmanHA on monto Ip imnrirtíanHa Ho \r\c pr-ti\/oc Hontro Hol i^rintovlr» nnororinnal \/
ios posibles efectos o consecuencias de los modos de fallos de estos activos, sobre
la seguridad, el ambiente y las operaciones.
También indica, que ei MCC sirve de guía para identificar las actividades de
mantenimiento con sus respectivas frecuencias, a los activos más importantes de un
contexto operacional. Su éxito se apoya principalmente en el análisis funcional de
los activos de un determinado contexto operacional, realizado por un equipo de
trabajo muitidisciplinario; el cual desarrolla un sistema de gestión de mantenimiento
flexible, que se adapta a las necesidades reales de mantenimiento de ¡a
organización, tomando en cuenta ia seguridad personal, el ambiente, las
operaciones y la razón costo / beneficio.
Esta metodología demanda una revisión sistemática de las funciones que conforman
un proceso determinado, sus entradas y salidas, las formas en que pueden dejar de
cumplirse tales funciones y sus causas, las consecuencias de los fallos
funcionales y las tareas de mantenimiento óptimas para cada situación
(predictivo, preventivo, etc.) en función del impacto global (seguridad, ambiente,
costo, unidades de producción).
Para Duffuaa y col. (2008:360-361), el MCC es una metodología lógica que hace uso
de la herramienta del análisis del modo de falla, efecto y grado crítico (FMECA), y
sigue los siguientes pasos:
1. Seleccionar ios sistemas del equipo que sean más importantes para la planta,
ia instalación, o algún activo.
2. Definir el rendimiento o función esperada de este equipo y, por lo tanto, lo que

constituye una falla funcional.
3. identificar las causas fundamentales de la falla funcional.
4. Determinar ei efecto, para estas causas, en una secuencia de eventos en

términos de seguridad, ambiente, producción, o si es un efecto oculto.
CONFIABILIDAD EN SISTEMAS INDUSTRIALES ^
5. Calcular el grado crítico del efecto de dicha falla.
6. Utilizar un diagrama lógico para seleccionar ia táctica de mantenimiento más

apropiada para prevenir la falla.
7. Determinar la acción específica que prevenga la falla funcional y su frecuencia

de programación, con base en un análisis de ía historia del equipo o mediante
la experiencia de expertos apropiados.
8. Si no existe una tarea preventiva que sea apropiada, determinar si puede

operarse hasta que se presente la falla o si se justifica un rediseño.
1.5.2. Definición de términos asociados al mantenimiento centrado en ia

confiabiiidad
A continuación se presenta ia definición de los términos asociados al mantenimiento

centrado en la confiabiiidad, planteados por el CIED (1999):
* Activo: planta, sistema, equipo o parte que cumple una función o varias
funciones en un contexto operacional determinado.
• Función: propósito o misión de un activo en un contexto operacional

específico (cada activo puede tener más de una función en el contexto
operacional). Entre las funciones están:
o Primarias: constituye la razón de ser del activo y está asociado a la

salida principal (producto de salida) del sistema. Entre este tipo de
funciones están: bombear, comprimir, calentar, etc.
o Secundarias: son aquellas otras funciones que el activo está en

capacidad de cumplir de forma adicional a la función primaria; como
por ejemplo, protección, control, apariencia, contención, soporte,
integridad, seguridad, ambiente y superfíuas.
Estándar de ejecución: el MCC lo define como el parámetro (rango) que

permite especificar, cuantificar y evaluar de forma clara la función de un
activo. Es importante definirlo ya que su valor constituye el parámetro de
comparación que permite identificar cuando un activo está cumpliendo su
función de forma eficiente.
Cada función tiene dos estándares de ejecución:
o Estándar de ejecución asociado a ía confiabiiidad inherente o a la

capacidad inherente: se refiere a la función cuantificada que es capaz
de cumplir un activo según su confiabiiidad o capacidad de diseño.
o Estándar de ejecución deseado: se refiere a la función cuantificada que

se desea o espera conseguir de! activo en el contexto operacional.
Falla funcional: es la ocurrencia no previsible, que no permite al activo

alcanzar ei estándar de ejecución esperado y trae como consecuencia que el
activo no pueda cumplir su función o la cumpla de forma ineficiente. Cada
función puede tener más de una falla funcional. El MCC, clasifica las fallas en
dos grandes grupos:
o Fallas de alto impacto: eventos cuyas consecuencias impactan

severamente la seguridad, el ambiente o las operaciones.
o Fallas de bajo impacto: eventos cuyas consecuencias no impactan

severamente las operaciones.
Modo de falla: el MCC define el modo de falla como la(s) causa(s) raíz más
probable de cada falla funcional. En otras palabras, ei modo de falla busca el
origen de cada falla funcional, que provoca la pérdida de ia función total o
parcial de un sistema/activo en su contexto operacional. Cada falla funcional
puede tener más de un modo de falla.
Efecto o consecuencia de cada modo de falla: impacto que trae consigo la

ocurrencia de un modo de falla sobre el ambiente, ia seguridad, las
operaciones y ios costos.
Cada modo de falla puede tener más de una consecuencia o efecto: el MCC
reconoce que las consecuencias de falla son más importantes que sus
características técnicas y representan el punto clave para decidir cual es el
tipo de mantenimiento que se le debe ejecutar al activo en su contexto
operacional.
El MCC clasifica las consecuencias de modos de fallas en cinco categorías:
o Fallas con consecuencias ocultas: fallas no evidentes, las mismas no

tienen impacto directo por sí mismas, pero exponen a la planta a otras
fallas con consecuencias graves y hasta catastróficas. Ocurren en
equipos de seguridad, reserva y control.
o Fallas que afectan el ambiente: fallas evidentes cuyas consecuencias

imnortoró ol amhlonfo rio manora nonati\/ct
o Fallas que afectan la seguridad: fallas evidentes que afectan la vida

humana. Constituyen fallas de alto impacto.
• Criterios: según la metodología MCC, se deben tomar en cuenta los

siguientes criterios:
1. Para fallas de alto impacto: las actividades de mantenimiento que ayuden

a prevenir los efectos de este tipo de fallas son obligatorias (actividades de
prevención).
2. Para fallas de bajo impacto:
a. Actividades de prevención: cuando económicamente, la actividad

de prevención cuesta menos que los costos que podría generar ¡os
efectos de una posible falla.
b. Actividades correctivas: cuando económicamente resulta más
barato esperar que ocurra la falla que prevenir su aparición con

alguna actividad de prevención.
• Actividades de mantenimiento y su relación con los efectos o consecuencias

de fallas: las fallas con consecuencias ocultas a ¡a seguridad humana, al
ambiente y a las operaciones (fallas de alto impacto), no pueden permitirse
que ocurran, por lo que el mantenimiento para prevenir estas consecuencias
de fallas es obligatorio.
En el caso de fallas con consecuencias operacionales y no operacionales (de

bajo Impacto), se seleccionarán actividades de mantenimiento para prevenir
sus consecuencias en el caso de que sea más económico prevenir la falla que
los costos generados por los posibles efectos de la misma.
1.6. Análisis de confiabiiidad, disponibilidad y mantenibilidad en sistemas

nrnHt irVt\/r\c
l_»l WJUUII /'P^^yl^
V\ZO ^V/L/l VI f
En este punto se presentan la definición, el modelo general y los resultados de un

análisis CDM.
1.6.1. Definición del análisis CDM
El análisis CDM (Confiabiiidad, Disponibilidad y Mantenibilidad), conocido también

como análisis RAM (Reliability, Availability and Mantainability) permite pronosticar
para un periodo determinado de tiempo la disponibilidad y el factor de servicio de un
proceso de producción, basado en su configuración, en ia confiabiiidad de sus
componentes y en ía filosofía de mantenimiento. La base fundamental de este
análisis es la selección de los tiempos promedio para fallar, promedio entre fallas y
promedio para reparar, que mejor caracterizan los diversos equipos del sistema de
producción, tomados de bancos de datos genéricos de la industria, experiencia
propia y opinión de expertos (Gómez y col., 2009).
Dichos autores consideran, que el análisis se sustenta en un modelo de simulación

que toma en cuenta la configuración de los equipos, Jas fallas aleatorias, las
reparaciones, las paradas parciales y totales, y el mantenimiento planificado.
Una vez construido, el modelo CDM trabaja como un simulador "what if (que pasa
si), que permite inferir el impacto que tienen la disponibilidad y producción diferida
del sistema en nuevas políticas de mantenimiento, cambios en la mantenibilidad de
ios equipos, aplicación de nuevas tecnologías, cambios en la configuración de ¡os
equipos dentro de ¡os procesos de producción, cambios en la política de inventarios
e implantación de nuevos métodos de producción.
Por otra parte, consideran, que durante la ejecución de un estudio CDM, se realiza la
adecuada caracterización probabilística de los procesos de deterioro que afectarán
los equipos, sub-sistemas y sistemas asociados al citado proceso de producción, a
fin de pronosticar la mayoría de los escenarios de paros o fallas. Adicionalmente, se
identifican acciones para minimizar la ocurrencia de estos escenarios y finalmente se

identifican las implicaciones económicas de cada escenario, comparándolo con el
escenario basado en "las mejores prácticas", a fin de contribuir con el
establecimiento de estrategias óptimas de mantenimiento para el manejo de!
negocio.
Como resultado del proceso se obtiene una lista de criticidad de elementos o

equipos, con base a su impacto a la disponibilidad y factor de producción diferida,
con la finalidad de establecer acciones que mitiguen el riesgo, y permitan optimizar
la rentabilidad del negocio.
1.6.2. Modelo general para elaborar un análisis CDM
La figura N° 2 muestra un esquemático del modelo general que proponen Gómez y

coi. (2009), para la elaboración de un estudio CDM.
Como se indica en ia figura N° 2, el análisis CDM se inicia con la estimación de las

tasas de falla y reparación de cada uno de los componentes o equipos que
conforman las instalaciones. Las fuentes fundamentales de información para esta
estimación pueden ser de variada naturaleza, especificas o genéricas, y dentro de
ellas pueden mencionarse las bases de datos internacionales, Oreda (Offshore
reliability data), Parloc, Weli Master, IEEE, Sintef y la evidencia o información propia
de fallas de sistemas similares que posea la empresa en la cual se está ejecutando
el estudio. Ei teorema de Bayes permite ia combinación, de forma estructurada y
matemáticamente soportada, de la experiencia de otros (conocimiento previo) con ia
experiencia propia (evidencia), obteniendo de esta combinación tasas de fallas más
representativas de la realidad operacional del proceso bajo análisis (conocimiento
mejorado o actualizado), como se puede apreciar en ia figura N° 3.
Esta información mejorada de las tasas de falla alimenta un modelo de diagramas de

tBR Modeto Ceneral
^f#»ett p#i> ^>PH9nt^^^émm:
factor ¿te Servicio (OSF)

< fe
(i
m
P5 »
o
5S
p o
o,o ; 7j% 7?j>-6 &m-y $2% &>%
*•'-. ^-' !
IÍ+i8 '
St3
7 o&Qbíctiyo
•a* r-fos
/V (OSF< OSFObfctívo}
2* 03
«5£
as
JÜ
t?
en u! <;$.
p
te! 73
^**** 7!% JtfZ. . *,*% -?íS S3¥
Figura N° 2. Modelo general Análisis CDM

Fuente: Gómez y col., 2009
Bmimaclóriéé fréctimci&s {$có¡mnté&. í&Hm. avenías nód&$md&$}
r«fi—II** * u fu ¿i í Evfámcís
( -f-i" Datos -de &3itípc$ similores-}
- Se combinaren
datos -genéricos d& • , „ „ , Datos C-ettsac-'os
(OREÚAí con datos 1

propios o evkí&atfa.
JÉL.
ClfUHtflWUt,
A-i-
f f f f ¡ ¿ * f
Teorema í/e Eap$£. :

lo cualpermitirá i
obt-Btwr hrfor/riación '• tí»1"

ÜÜÜ
tries representativa ;
infonmelon ffi&jt
dé ?& realidad r j. i v^WsK.r
opémtfoñzt Jsomma
Bayes
Figura N° 3. Modelo de actualización de tasas de falla

bloque de disponibilidad (DBD); que representa la arquitectura de! sistema y la

filosofía de operación del campo. Este diagrama puede construirse en herramientas
computacionales de simulación disponibles (Gómez y col., 2009).
El análisis requiere un número adecuado de entrevistas con el personal de ios

diferentes departamentos que intervienen en el proceso bajo estudio, para verificar
ía representatividad del modelo, como elemento clave para alcanzar el éxito de!
mismo.
Por otro lado, una vez desarrollada y validada ia base de datos y la arquitectura del
modelo, se generan Jos diferentes escenarios de interés. Estos escenarios pueden
corresponder a cambios de arquitectura (nuevas configuraciones de ios equipos,
introducción de nueva tecnología, cambios en el diseño), nuevos planes de
mantenimiento u optimización de los existentes, nuevas políticas de inventario,
adquisición de equipos de última generación, nuevas políticas tendientes a mejorar
ios tiempos promedio entre fallas y los tiempos promedio para reparar de ios equipos
existentes, entre otras (Gómez y col, 2009).
La simulación de los diferentes escenarios permite verificar el impacto de los

cambios propuestos en los resultados de confiabiiidad y disponibilidad del sistema
bajo estudio.
El pian de trabajo para un análisis CDM, se desarrolla en tres vías fundamentales,

tal como se muestra en la figura N° 4.
La primera actividad (etapa i), consiste en la asignación de las tasas de falla y

reparación de ¡os componentes o equipos que conforman el sistema, así como la
revisión de ios planes de mantenimiento planificados y no planificados. Para esta
etapa se realizan los siguientes pasos:
CONFIABILIDAD EN SISTEMAS INDUSTRÍALES
Pata (íqFatiáy Rep.i*r*7C¡óir Revisión éni M-osfef* (08 0) J
li/fáirtQtlifflfolltQ •••
Análisis rfe Prarfnrc/C'i ^-^ N^ |
PFG'X F&ID
••/
Ojta G&n erica
V
Evitíencte-
fidifíUzaciófi tía ¡iri-Jíí^'tít'Ffiti-ykeparseiáir. ñcUistizfCíQfi til! frttiÉíta(DBC}..
""^
*"*í*i-J!í wff ••
r* I J*
Figura N° 4. Pian de trabajo para un análisis CDM

Recopilación de data histórica propia: muchas empresas buscando la mejora

continua de sus procesos han hecho grandes esfuerzos en la recolección de
información de campo sobre datos de falla (tipo y frecuencia) y datos de
reparación de sus equipos. La cantidad y calidad de este tipo de
información son de gran impoñancia para este estudio pues reducen ¡os
valores de incertidumbre en el análisis.
Recopilación de opinión de expertos: existen casos donde no se cuenta con

suficiente información de campo, y en ausencia de ella existen metodologías
que permiten la recolección de información a partir de opinión de experto.
Búsqueda y adecuación de información genérica:, con la finalidad de obtener

resultados confiables, es extremadamente importante complementar ¡a
87
CONFIABILIDAD EN SISTEMAS INDUSTRIALES
información de fallas propia del sistema, con datos de confiabiiidad genéricos

provenientes de reconocidas bases de datos internacionales como Oreda,
Parloc, Well Master, IEEE. Sin embargo, es vital adecuar esta información al
entorno operacional bajo análisis, seleccionando de las bases de datos, solo
aquellos modos de fallas que puedan realmente ocurrir en el entorno bajo
estudio (ver figura N° 5).
Revisión y validación de las bases de datos: en esta etapa, un equipo de

trabajo dirige sus esfuerzos en validar la información de confiabiiidad para
cada elemento del sistema. Esta etapa incluye un conjunto de entrevistas
formales de trabajo con personal asociado al proceso productivo
(operadores, mantenedores, analistas, programadores, ingenieros de
procesos), con la finalidad de intercambiar y aclarar las premisas referentes a
&üod c£ r3¡S9 qu? fie ££Ka cara e¡
EQUIPO: VÁLVULA |
******* ¿V^~¿mcdo1*¿mrtQ2*^rmdo3-"*ámp&?h*
DATA GE,*Sa?£ft DE FALLA
i 1 i—
OREDA 20O2
Aftó&ls--CD(Á é
PSA-2C01-039
PAMJDC96
C/j,v'.Oi7 t? H*.¿'2ít ¿i' p
^Vaiy ActL?¿!¡gad<*
Figura N° 5. Actualización de la tasa de falla

la base de datos, y de revisar y definir la filosofía de operaciones del proceso

productivo bajo estudio. Esto incluye la revisión de los diagramas de proceso
e instrumentación, diagramas funcionales, diagramas de proceso, registros
CONFIABILIDAD EN SISTEMAS INDUSTRIALES üb
de operación y fallas, planes de mantenimiento y otras fuentes de información

para complementar el análisis.
• Estimaciones: ía información proveniente de los pasos anteriores se utiliza

para obtener una estimación representativa de las tasas de falla y reparación
característica del sistema o proceso. Esto se logra formulando relaciones
algebraicas que permita usar distribuciones de probabilidad y fundamentos de
matemática Bayesiana, para combinar la evidencia con información genérica.
La segunda actividad (etapa II), está relacionada con la revisión y verificación de ia

arquitectura del modelo; y la misma se realiza en las siguientes etapas:
• Construcción del diagrama de bloque de disponibilidad: en este primer paso,

la configuración del sistema de producción debe representarse en modelos de
bloque; lo cual implica la revisión detallada de los diagramas de proceso e
instrumentación, diagramas funcionales y diagramas de proceso.
• Revisión de ia representatividad del modelo: consiste en verificar ia

representatividad que el modelo diagramado tiene del sistema de producción
bajo estudio. En esta etapa, el modelo se somete a prueba en reuniones con
expertos en dicho proceso productivo.
La tercera actividad (etapa 111), consiste en la combinación de los resultados

obtenidos en las etapas I y I!. La información de tasas de falla y reparación
actualizadas proveniente de la primera etapa se introduce al modelo obtenido en la
etapa II. A partir de este momento comienza el proceso final de modelaje, con la
generación de un número pre-establecido de escenarios y ia realización de un
análisis de sensibilidad (en cada caso), para establecer el impacto de cada
componente del sistema en los factores de disponibilidad y producción diferida del
proceso analizado.
1.6.3. Resultados de un análisis CDM
Para Gómez y col. (2009), ei resultado de este modelo es una distribución de

probabilidad de la disponibilidad y producción diferida del sistema para cada
escenario analizado; consideran además, que entre los productos que resultan de
un análisis CDM, están los siguientes:
1) Pronóstico de la disponibilidad para un periodo determinado de tiempo.
2) Factor de producción diferida de un proceso de producción, basado en su

configuración, en ía confiabiiidad de sus componentes y en ¡a filosofía de
mantenimiento.
3) Base de datos con información técnica, operacional y de confiabiiidad del

sistema.
4) Modelo de confiabiiidad, disponibilidad y mantenibilidad (modelo CDM).
5) Perfil estocástico de la disponibilidad y producción diferida por unidad

operativa o sistema productivo (para eí ciclo de vida definido).
6) Lista jerarquizada de los equipos y sistemas críticos, con base a su impacto al

factor de disponibilidad.
7) Lista de recomendaciones técnicas para mitigar el riesgo e incrementar la

disponibilidad.
Adicionalmente, el modelo permite desarrollar un análisis de sensibilidad para

identificar los equipos y sistemas de alto impacto en la indisponibiiidad del proceso,
con el propósito de proponer acciones de mitigación, basados en un análisis costo-

riesgo, que permite a la gerencia del proceso productivo analizado, tener el
conocimiento sobre el riesgo asociado y los costos de los planes de intervención
debido a mantenimiento planificado y no planificado.
1.7. Proceso de confiabiiidad
En el trabajo desarrollado porÁlvarez (2004), se explican los pasos principales para

lograr una gerencia efectiva de los activos; se muestra la aplicación de las
diferentes metodologías de confiabiiidad para lograr una máxima utilización de los
activos, suministrando una visión del camino o proceso de confiabiiidad.
A continuación se mencionan los pasos que, de acuerdo a la experiencia de este

autor, permiten a las organizaciones obtener resultados favorables y tangibles en
muy corto tiempo:
• Identificar lo importante para el negocio y alinear los indicadores claves de

gestión.
• Definir ia criticídad/riesgo de los activos.
• Desarrollar las estrategias de administración de activos.
• Capturar los datos de desempeño de ¡os activos.
• Analizar los datos.
• Reevaluar para eliminar los defectos y fallas costosas.

• Identificar lo importante para el negocio y alinear los indicadores claves de

gestión: este paso es de suma importancia, ya que permite alinear la visión,
misión y objetivos del negocio con los factores claves de desempeño y su
cuantificación en forma de indicadores claves de gestión. El objetivo es
"medir" el desempeño del negocio y efectuar el seguimiento correspondiente
para aplicar los correctivos y/o establecer metas futuras.
La pregunta más importante que hay que realizar es la siguiente: ¿de qué forma los
activos deberán desempeñarse para poder cumplir con las metas del negocio?. Para
ello se debe establecer un número importante de indicadores que varían de acuerdo
al "nivel" que se desea consultar.
Generalmente se construye de lo general a lo específico determinando métricas de

rentabilidad, producción, disponibilidad, seguridad, ambiente y salud. Luego, ya a un
nivel específico, los indicadores de gestión se definen a un nivel "más particular" del
activo, generalmente se habla de disponibilidad mecánica, tiempo entre fallas,
tiempo entre reparación, costo de mantenimiento, etc. Estos indicadores de
desempeño, que son individuales, se desplegarán y alimentarán a los indicadores
grupaies y éstos a su vez a los corporativos.
Álvarez (2004:2-3), indica que lo importante es que la gerencia realice los siguientes
pasos básicos:
1. Definirla métrica.
2. Definir el mapa estratégico para llevar a cabo la obtención de los indicadores

(objetivo, frecuencia, responsabilidades, etc.).
3. Comunicar a nivel corporativo, grupal o individual el establecimiento de las

métricas.
4. Asegurarse que se entienda ia rendición de cuentas.
5. Propiciar un ambiente de "calidad del dato" y no "cantidad del dato".
6. Realizar el análisis correspondiente y las acciones correctivas.
7. Comunicar los resultados.
Indica además, que las herramientas tecnológicas disponibles en ei mercado

permiten una automatización de la gestión de medición de indicadores claves de
desempeño, logrando, entre otras funcionalidades, lo siguiente:
• Actualización de ios indicadores de forma automática.
• Despliegue de nodos (sistemas o subsistemas).
• Alertas vía correo electrónico.
• Distribución de resultados.
• Trazabilidad y auditoria.
• Visualización de los contribuyentes del desempeño.
• Definir la criticidad/riesgo de los activos: ei análisis de criticidad es una técnica

semi-cuantitativa de cuantificación del riesgo, sustentada primordialmente en
la "opinión de expertos"; que permite "jerarquizar activos", (componentes,
equipos, sistemas o procesos), se basa en un indicador llamado "criticidad"

que es proporcional al riesgo.
Por su carácter semicuantitativo, el "espíritu" del análisis de criticidad es

básicamente establecer un "ranking" y no calificar la toierabilidad del riesgo;
no obstante, los valores obtenidos de estos análisis (puntajes) pueden
transformarse en valores que puedan ingresarse a una matriz, en donde se
pueden "calificar" estos valores, como valores "alto o intolerable", "medio alto",
"medio bajo" y "bajo".
Esta calificación es básicamente un "acuerdo", que es válido para un grupo

particular de activos, pero que pudiera no ser extrapolable a otros activos,
ubicados en otro proceso productivo.
Según Áívarez (2004:4-6), otra virtud del análisis de criticidad, es que permite
identificar en cual de ios componentes del riesgo (frecuencia de fallas o
impacto total) se debe trabajar para mitigar el valor de criticidad y traerlo a la
zona "tolerable". Básicamente se evalúa el impacto que la falla, entendido
como ei cese de la función de un equipo, componente o sistema, pueda
producir en términos de: producción, ambiente, seguridad, salud, costos
operacionales y de mantenimiento, frecuencia de fallas, tiempo medio para
reparar y ¡a imagen (reputación).
Con la aplicación de esta metodología se responde a la pregunta: ¿Qué activo

es el más importante para mejorar la confiabiiidad?; y es de suma
importancia realizar el análisis de una manera estructurada, con un grupo de
expertos conocedores del negocio en todos ios ámbitos (operativo,
mantenimiento, seguridad, económico, etc.). Como resultado se obtiene una
comparación entre activos y sistemas discriminando el o los activos más
críticos de los menos críticos. En función de ia criticidad del activo o sistema
entonces se direccíonan los esfuerzos y recursos.

El autor mencionado, indica que ei riesgo consiste en ia consideración de ia

consecuencia (impacto) y de la probabilidad de ocurrencia o frecuencia del
evento. Matemáticamente el riesgo (R) se obtiene mediante el producto de la
consecuencia (C) por la frecuencia (F):
R= C x Fr (7)
Por otra parte, se diseña una matriz para determinar la frecuencia de

ocurrencia del evento, la cual puede tener valores de 0 (improbable) hasta 5
(muy probable).
Desarrollar las estrategias de administración de activos: una vez que se

determine la criticidad de los activos, es decir, cuáles activos tienen una
criticidad alta, medía y baja, se debe responder a la siguiente interrogante:
¿qué estrategias se deben implementar para administrarcada grupo?.
Básicamente es en esta etapa donde se define ei ¿qué hacer?, ¿a qué? ,

¿cuándo? y ¿cómo?. Además, se consideran, los siguientes aspectos:
o ¿Cómo administrará cada segmento de criticidad?.
o ¿Qué tácticas utilizará en cada uno?.
o Mantenimiento centrado en confiabiiidad.
o Análisis de modos y efectos de fallas.
o Monitoreo continuo.
o Optimización del mantenimiento predictivo.
o Mantenimiento con base en condiciones.
o inspección basada en riesgo.
o ¿Operar hasta la falla?.
Es la fase donde se invierte mayor esfuerzo, tiempo y dinero; ya que se

aplican las diversas metodologías de confiabiiidad y técnicas de
mantenimiento. La efectividad de esta etapa será tremendamente influenciada
por la efectividad de ia ejecución de las tareas (en alcance, frecuencia y
procedimiento).
o Capturar los datos de desempeño de los activos: es en esta fase donde se

definen las estrategias para una adecuada gerencia del dato:
• ¿Qué datos se necesitarán para poder medir la efectividad de las

estrategias de mantenimiento?.
• ¿Cómo se alimentan estos datos de los eventos de mantenimiento?.
• ¿Cómo están organizados los activos en una facilidad o corporación?

(taxonomía).
• ¿Cuáles son los eventos valiosos?; los eventos que son valiosos
incluyen: eventos de mantenimiento (costo de partes y mano de obra),
pérdidas de producción, pérdidas por calidad y pérdidas por
desperdicio.
Asimismo, Álvarez (2004:7), presenta las siguientes sugerencias para el

establecimiento de un adecuado proceso de confiabiiidad:
Si no existe un proceso de recopilación de datos de mantenimiento formal,

cree uno.
Empiece a analizar los datos en el equipo crítico, aún cuándo se sospeche de

la integridad.
Comunique ios resultados y el caso para mejorar la confiabiiidad.
Si usted nunca empieza a analizar sus datos, sus técnicos nunca verán el
valor de recopilarlos.
Reúna fuentes múltiples de datos del evento, si es posible en Excel, para

capturar de forma más precisa el costo de la poca confiabiiidad.
1.8. Estudio de la confiabiiidad
En este punto se incluyen las generalidades y características de ios estudios de

confiabiiidad.
1.8.1. Generalidades de los estudios de confiabiiidad
Pulido y De la Vara (2004:440-441), hacen referencia al estudio de la confiabiiidad

de componentes y sistemas relativamente simples, en ios que ocurre un modo de
falla que determina la confiabiiidad del componente, puesto que éste se usa en
condiciones de operación y ambientales similares. Éste es el caso de estudios de

confiabiiidad llevados a cabo en laboratorio, donde ias condiciones son controladas.
Esto no es ei caso de los estudios de confiabiiidad en campos que suelen ser más
complejos, puesto que el producto se utiliza en diferentes condiciones de operación
y distintas condiciones ambientales, io que da lugar a varios modos de falla y
compoñamiento de una misma falla, dependiendo de las condiciones de operación.
Los autores mencionados, consideran que un estudio de confiabiiidad busca estudiar

la vida de un producto medida en unidades de tiempo (minutos, horas, días) o
unidades relacionadas como son número de ciclos, distancia recorrida, piezas
producidas, etc. Las preguntas de interés relativas ai tiempo de vida o duración de
producto son:
1. Determinar el tiempo tp hasta ei cual se espera que falle una proporción p

dada de los productos puestos en operación. Esta información es útil para
determinar tiempos de garantía apropiados.
2. Encontrar el tiempo tp al cual se espera sobrevivan una proporción 1 - p dada

de los productos puesto en operación. Esta proporción 1 - p es una
estimación de la confiabiiidad del producto al tiempo tp.
3. Determinar la propensión a fallar que tiene el producto en un tiempo dado.

Esta información sirve para planear estudios de confiabiiidad más enfocados
a determinar el tiempo de quemado óptimo para incrementar la confiabiiidad
del producto o bien para determinar el tiempo apropiado de mantenimiento a
todos los componentes similares para alargar su vida útil, o el tiempo en que
debieran desecharse por su alta propensión a fallar.
4. Dado que el artículo ha sobrevivido a un tiempo T0, encontrar la probabilidad

de que éste sobreviva un tiempo t adicional. Con esto se pueden planear
medidas (recursos) que será necesario invertir en los años siguientes para
sustituir el equipo que falla.
5. Los puntos anteriores se enriquecen sustancialmente si se manejan más de

un modo de fallo o se hacen estudios de confiabiiidad comparativos para
diferentes materiales, proveedores o diseños. Se puede determinar cuál de
las fallas es más conveniente eliminar de raíz para incrementar la
confiabiiidad del producto o cuál material, proveedor o diseño del producto es
más confiable que otro. Esto último ayuda a tomar decisiones para mejorar la
confiabiiidad desde la etapa de diseño de un nuevo producto. Para esto
existen técnicas como ei AMEF, herramienta de particular utilidad para
determinar prioridades y puntos críticos en ei trabajo por ¡a confiabiiidad.
1.8.2. Características de los estudios de confiabiiidad
Pulido y De La Vara (2004:441-442), consideran que la variable de respuesta o

característica de calidad de interés en los estudios de confiabiiidad es el tiempo a la
falla, aspecto que hace que estos estudios tengan características especiales como
las siguientes:
1. Los tiempos a ía falla son valores no negativos que suelen tener un

comportamiento asimétrico, con sesgo positivo. Esto hace que la variable
aleatoria, tiempo a la falla, tenga comportamientos diferentes al modelo
normal. Por ello, las distribuciones de probabilidad más frecuentes para
modelar tiempos de vida no son la norma! ni la t de Student, sino
distribuciones que toman valores positivos como la weibuli, lognormaí,
exponencial y gamma, por mencionar algunas.
2. En muchas de las aplicaciones de ia estadística lo que interesa es ia media y

la desviación estándar de la población objeto de estudio, parámetros que
determinan la distribución de la población en el caso normal. Sin embargo, en

confiabiiidad las cantidades de mayor interés son los cuantiles de la población
objeto de estudio, es decir, el tiempo tp hasta el cual se espera que falle una
proporción p de artículos.
3. Para tener datos es necesario observar fallas. Suele ser caro generar fallas
en el laboratorio, pero puede ser más caro que ocurran en campo, afectando
también la imagen del negocio. Los componentes o dispositivos que fallan
muchas veces se convierten en desperdicio impactando el costo del estudio.
4. Para tener un tiempo de vida o tiempo a la falla exacto se tendría que

observar el componente de manera continua y en ocasiones por mucho
tiempo, aspectos que frecuentemente son imposibles. Este hecho da lugar a
observaciones censuradas. Es decir, no se tiene el tiempo a la falla de ciertas
unidades pero se sabe que: a) el tiempo te cuando acabó el estudio no habían
fallado (censura por la derecha), o b) fallaron antes del tiempo tc (censura por
la izquierda), o bien, c) se sabe que fallaron en cierto intervalo de tiempo
(censura por intervalo). La consideración de datos censurados es importante
para hacer viable el estudio de confiabiiidad (en tiempo y costo).
5. Es necesario observar fallas, pero cuando el producto es muy durable éste

podría necesitar meses y hasta años para tener el suficiente número de fallas
trabajando en condiciones normales. En estos casos un estudio de
confiabiiidad en condiciones normales de operación no tiene sentido. Sin
embargo, se puede acelerar el transcurrir de la vida del producto si se utiliza
en condiciones aceleradas o estresantes: un tiempo pequeño de vida en
condiciones aceleradas equivale a un tiempo largo de vida en condiciones
normales. De aquí la utilidad de las llamadas pruebas aceleradas de vida
para poder observar fallas en un tiempo razonable, y luego extrapolar este
comportamiento a lo que sería la vida del producto operando en condiciones
normales.
1.8.3. Tipos de censura en confiabiiidad
En los estudios de confiabiiidad resulta ímpráctico o no es factible registrar de

manera exacta ei momento en que todas ¡as unidades fallan y de algunas de ellas
sólo se sabe que sobrevivieron a! estudio o que fallaron antes de cierto tiempo o que
fallaron en cierto intervalo de tiempo. Esta información parcial sobre los tiempos de
falla se conoce como datos censurados. No es censura en ei sentido de pretender
ocultar algo, sino información incompleta sobre la vida o tiempo de falla del producto
objeto de estudio (Pulido y De la Vara, 2004:442-443).
Consideran los autores, que esta falta de observación del tiempo de falla surge por
restricciones de tiempo, recursos, técnica o simplemente por que resulta oneroso
observar las unidades para capturar los tiempos de falla; y que se distinguen tres
tipos de censura. Suponga que en un estudio de confiabiiidad se pretende obtener
el tiempo de falla de n especímenes:
• Censura por la derecha (tipo I y tipo II): es de las más frecuentes en los
estudios de confiabiiidad y surge cuando los especímenes de un experimento
de confiabiiidad están sujetos a un periodo límite de observación, por ejemplo
suponga que se denota con L, de forma que sólo será posible observar los
tiempos de falla que sean menor a L; por tanto podrá haber unidades que
transcurrido el tiempo L aún no han fallado, mismas que se registran como
tiempos censurados a la derecha. Esto es, la censura tipo I es por restricción
en ei tiempo y lo único que se sabe de las unidades censuradas es que
sobrevivieron al estudio. Por su parte la censura por la derecha tipo I! surge
cuando el experimento de confiabiiidad corre hasta que cierta cantidad fija,
suponga r unidades fallan, para las n - r unidades sobrevivientes se registran
como censuradas por la derecha (r < n).
• Censura por la izquierda: esta ocurre cuando al inspeccionar por primera vez
las unidades en prueba, se encuentra que algunas de ellas han fallado, sin
saber en que momento ocurrió el evento. Sólo se sabe que fallaron antes de
ese tiempo de inspección.
• Censura por intervalo: ocurre cuando no se puede hacer una inspección

continua de las unidades y se plantean ciertos tiempos espaciados de
inspección. Si en un tiempo dado t¡ se encuentra que una unidad no funciona,
lo que se sabe entonces es que falló en algún momento entre el tiempo de
inspección actual ti y el anterior t¡_-i, es decir, falló dentro del intervalo [tM, tj].
Asimismo, los autores plantean que se llama censura múltiple cuando en el mismo
estudio se tienen diferentes tiempos de censura. Dos situaciones que pueden dar
lugar a censura múltiple son:
1. Puede ocurrir que el interés del estudio se centra en un particular modo de falla,
de manera que las unidades que fallan por otras causas se retiran de! estudio como
unidades censuradas. Esto genera una censura múltiple aleatoria.
2. En un estudio de campo frecuentemente diferentes grupos de unidades entran al

estudio en diferentes tiempos. Si el estudio termina cuando todavía no han fallado
unidades con distinto tiempo inicial, se obtienen datos con censura múftiple. Los
tiempos de vida se pueden representar por líneas horizontales a partir de un tiempo
inicial. Los datos obtenidos de un estudio de confiabiiidad deben registrarse con
suficiente claridad para distinguir los tiempos de falla exactos de los tiempos de
censura, y estos últimos de acuerdo a su tipo. En caso de existir distintos estratos
(modos de fallas, niveles de esfuerzo, etc.), deben también registrarse. A
continuación se describen tres conjuntos de datos: el primero con datos completos,
el segundo con censura por ía derecha y el tercero con dos modos de falla:
• Un fabricante de balatas para ei sistema de frenado de automóviles le da

seguimiento al tiempo de fallas de balatas. El seguimiento Jo hace con
distribuidores de automóviles nuevos de cierto modelo. El tiempo de falla lo

mide en kilómetros recorridos. El número de unidades en que se evaluó el
tiempo de falla fue de 55. Cabe aclarar que ai finalizar el estudio no todas las
balatas habían fallado, pero con base en el desgaste se estimó el tiempo de
falla. Los datos obtenidos para los 55 productos se muestran en la tabla N° 3
(Pulido y De ia Vara, 2004:444).
Tabla N° 3. Tiempo de falla de las balatas
9500 10512 12824 13514 14096 14128 14214 14404 14520 14689
14766 14859 14951 15117 15520 15555 15912 16037 16223 16481
16622 16626 16689 16935 17980 18508 18624 18699 18719 18773
19036 19126 19165 19274 19414 19429 19451 19611 19708 20066
20546 20610 21382 21599 21789 21978 22386 23592 23659 24165
25731 25961 25991 26533 27423
Fuente: Pulido y De la Vara, 2004
Se quiere estimar la distribución de vida de las balatas y con ella calcular la

confiabiiidad de las balatas después de los primeros 10000 kilómetros. El
fabricante también quiere saber si el tiempo de garantía que otorga de
10000 kilómetros es razonable, considerando que no está dispuesto a
reemplazar más del 2% de las balatas que vende.
• En la tabla N° 4 se muestran ios datos de vida en horas de 70 ventiladores
diesel. Se registraron 12 fallas o tiempos de falla exactos y 58 tiempos de

censura. Los tiempos de censura se denotan con el signo + a la derecha, que
indica que la vida de esos ventiladores fue más larga. Note que se tiene
censura múltiple.
El objetivo del estudio es estimar la proporción de ventiladores que fallan

antes del tiempo de garantía que es de 8000 horas. Con base en los
Tabla N° 4. Datos de vida en horas de 70 ventiladores diesel
450 1850+ 2200+ 3750+ 4300+ 6100+ 7800+ 8750

460+ 1850+ 3000+ 4150+ 4600 6100 7800+ 8750+
1150 1850+ 3000+ 4150+ 4850+ 6100+ 8100+ 9400+
1150 2030+ 3000+ 4150+ 4850+ 6100+ 8100+ 9900+
1560+ 2030+ 3000+ 4150+ 4850+ 6300+ 8200+ 10100+
1600 2030+ 3100 4300+ 4850+ 6450+ 8500+ 10100+
1660+ 2070 3200+ 4300+ 5000+ 6450+ 8500+ 10100+
1850+ 2070 3450 4300+ 5000+ 6700+ 8500+ 11500+
1850+ 2080 3750+ 5000+ 7450+ 8750+
resultados se quiere decidir sobre la conveniencia de rediseñar los

ventiladores.
• Los datos de ia tabla N° 5 son esfuerzos de ruptura de 20 conexiones de

alambre, con un extremo soldado sobre un semiconductor y ei otro
soldado sobre un poste terminal. Cada falla consiste en el rompimiento
del alambre (modo de falla 1 = A) o de una soldadura (modo de
falla 2 = S). Aquí el esfuerzo hace las veces de tiempo de falla.
Tabla N° 5. Esfuerzos de ruptura de 20 conexiones de alambre
Esfuerzo Modo de Esfuerzo Modo de

falla falla
550 S 1250 S
750 A 1350 A
950 S 1450 S
950 A 1450 S
1150 A 1450 A
1150 S 1550 S
1150 S 1550 A
1150 A 1550 A
1150 A 1850 A
1250 S 2050 S

Interesa estudiar la distribución del esfuerzo de las conexiones, considerando que se

requiere que menos del 1% debe tener un esfuerzo debajo de 500 mg. Es decir, se
desea que a! menos el 99% de las conexiones resista un esfuerzo mayor a 500 mg.
Se quiere también estimar el esfuerzo que resultaría de eliminar uno de los dos
modos de falla.
A continuación se presenta un ejemplo sobre el cálculo de confiabiiidad, planteado

por Pulido y De La Vara (2004:456): sea la función de riesgo Weibuli dada por h(t) =
(0.5/1 G00)(t/100Q)"0-5, con t expresado en años. Interesa encontrar el tiempo a! cual
se tiene una confiabiiidad de 90%; si se implementa un periodo de quemado (burn-
in) de seis meses (tp = 0.5), a qué tiempo las unidades sobrevivientes tendrán una
confiabiiidad de 0.90.
Primero, se tiene la función de riesgo de una distribución Weibuli con parámetros

(P = 0.5, i\ (a, para otros autores) = 1000). Se puede proceder entonces a escribir
las funciones de densidad, de distribución acumulada y de confiabiiidad, si así se
desea. En particular, la función de confiabiiidad está dada por C(t) = exp[-
(t/1000)0-5]. Igualando esta función a 0.90 y despejando el tiempo t se obtiene que
en t = 1000[-ln(0.90)]2 =11.1 años, ia confiabiiidad es de 0.90. Si se
implementa un periodo de quemado de seis meses, la confiabiiidad de las unidades
sobrevivientes está dada por la confiabiiidad condicional:
C(t-f-tb) exp[-((t+0.5)/1000)0-5]
C(t/t>tb) = =
C(tb) exp[-(0.5/1000)0'5]
Si esta función se iguala a 0.90, se resuelve para t y se obtiene t = 15.8 años, esto
es, el periodo de quemado por seis meses elimina unidades débiles que fallarían
pronto, y el resultado es que las unidades sobrevivientes tienen una mayor
confiabiiidad. Observe la diferencia de cuatro años para llegar a la confiabiiidad de
90% de unidades con tiempo de quemado respecto a unidades sin tiempo de
quemado. El buen resultado del tiempo de quemado se debe a que la función de

riesgo h(t) es decreciente.
1.8.4. Especificación de la distribución de vida y estimación gráfica de ios

parámetros
Un aspecto fundamental en cualquier estudio de confiabiiidad es identificar la

distribución que mejor modela el tiempo de falla (o vida) de los productos. Por ello,
en este punto se presentan técnicas gráficas que sirven principalmente para
especificar la distribución de un conjunto de datos de confiabiiidad. Estas gráficas
también permiten estimar los parámetros de la distribución seleccionada. Una vez
estimados los parámetros, se utilizan las funciones respectivas (de riesgo, de
confiabiiidad, etc.) para contestar las preguntas planteadas en el estudio (Pulido y
De iaVara, 2004:460).
1.8.5. Gráficas en papel de probabilidad
Dados los tiempos de falla t(1)j t{2), ..., t{n) en orden ascendente, si los tiempos de falla
son diferentes, ¡a función de distribución empírica es una función escalona con
saítos de magnitud 1/n en cada tiempo de falla, de modo que at evaluarla en un
tiempo t arbitrario (Pulido y De ia Vara, 2004:461):
A # de tiempos de fallas menores o iguales a t
Total de tiempos de falla
La función de distribución empírica (F(t)) es un estimador de la distribución de la cual

provienen los datos, pero es necesario investigar cuál es esa distribución. La
función de distribución empírica usa sólo la información de los datos, sin suponer
ningún modelo.
Las gráficas de probabilidad son útiles para identificar visualmente ¡a distribución de

la que provienen los datos. Si se gráfica la distribución empírica sobre el papel
probabilístico de una distribución supuesta, y los puntos se alinean, quiere decir que
los datos no contradicen dicha distribución supuesta, la cual puede tomarse como el
modelo que describe los datos. Más específicamente, los puntos a graficar en el
papel de probabilidad son las parejas (tiempo a ía falla, posición de graficación) =
[t(¡), (i - 0.5)/n], donde n es el total de tiempos de falla y t(¡> es el i-ésimo tiempo de
falla. Los valores de (i - 0.5)/n se llaman posiciones de graficación y resultan de la
altura promedio de la función de distribución empírica entre los tiempos t(¡ _ 1) y %
como se muestra en la figura N° 6. No se utilizan los vértices de la distribución
empírica porque se induciría un sesgo.
Lognormal
Weibuli
,
-,.
so 1
• 0)
6cH / • íl!
~.r- V'
'ti
p SP -i
r i r n
c ú ' ' <:•> - a
o 1 n
(J n
;-'i;
/ s
¿ i
o Í_L
/ '• 13- /"
5/
1 - '-
í30 1CC3 TOO i DO!
Exponencial Normal
c;
y
Cfí j
i "e-
,3 \
CD *'\ y i ;;, l^
9, 40
O
- n
1- -••'
•<r
oe: í
y
500 \ C00 • 503 2 oo-r

C 1 000 2 000 3 003 4 000 5 00O ÓC.:0
Figura N° 6. Función de distribución empírica

y posiciones de graficación
Fuente: Puiido y De la Vara, 2004
Dados unos datos de vida, se deben graficar en varios papeles de probabilidad, de

diferentes distribuciones, para poder decidir cuál de ellas se ajusta mejor. Es
recomendable apoyar la decisión en alguna prueba numérica de bondad de ajuste
como ía de Kolmogorov-Smirnov o ia de Anderson-Darling (Pulido y De la Vara,
2004:462).
1.8.6. Linealización de la función de distribución acumulada (fda)
La teoría sobre cuales deben ser las escalas del papel de probabilidad se basan en
deducir una relación lineal a partir de la función de distribución acumulada (fda) de la
distribución supuesta. Este proceso se conoce como linealización de la fda.
Alternativamente se podrían deducir linealizaciones y gráficas de probabilidad a
partir de la función de confiabiiidad, de la función de riesgo acumulado y de la
función cuantil, con resultados básicamente equivalentes dada la relación cercana
entre las diferentes funciones (Pulido y De ia Vara, 2004:462).
A continuación se presenta la linealización de la función de distribución acumulada
La función cuantil está dada por:
tp = r| {-ln(1 - p)}1/p.
de donde, aplicando logaritmo natural (In) en ambos lados y sustituyendo p por F(t)
(ya que es lo mismo), se obtiene:
1
!n(t) = ln(Ti) + —ln[-ln(1-F(t))]. (8)
P
CONFIABILIDAD EN SIS i LMAS INDUSTRIALES 108
Reacomodando, se llega a la ecuación:
ln[-ln(1 - F(t))] - - p ln(Ti) + p ín(t), (9)
que es una ecuación de la formay = a + bx, tomando y= ln[-ln(1 - F(t))], a = -

pin(r|) y x=ln(t). Esto implica que la gráfica de probabilidad se puede obtener
de graficar en papel ordinario las parejas (In((t(i)), lnf-inF(t0))j), o bien de graficar en
papel de probabilidad Weibuli las parejas (t(i), (i - 0.5)/n. De aquí se deduce que la
escala vertical del papel Weibuli es log-log y ia escala horizontal es simplemente log.
A continuación se presenta un ejemplo de construcción de la gráfica de Weibuli con

datos completos (Pulido y De la Vara, 2004:462-464):
Suponga que seis unidades idénticas se prueban en un estudio de confiabiiidad,

todas al mismo nivel de esfuerzo. Todas las unidades fallan durante la prueba en
las siguientes horas, t(¡): 93, 34, 16, 120, 53 y 75. Después de verificar que el
modelo Weibuli es razonable, interesa estimar los valores de los dos parámetros de
la distribución Weibuli y determinar la confiabiiidad de las unidades a un tiempo de
15 horas:
Para construir la gráfica de probabilidad Weibuli primero se ordenan ios tiempos de

falla en orden ascendente y luego se obtienen las posiciones de graficación, como
se muestra en la tabla N° 6.
Posteriormente, se grafican las parejas (16, 0.083), (34, 0.250), ..., (120, 0.916) en
el papel Weibuli como se muestra en la figura N° 7. Después se traza la mejor recta
posible a través de ios puntos. En dicha figura se aprecia que los puntos parecen
bien alineados, por lo que se concluye que los datos no contradicen el modelo
Weibuli.
Tabla N° 6. Tiempos de falla ordenados

Tiempo a ía falla Orden de las Posiciones de
En horas, t(¡) fallas, i graficación
(i - 0.5)/6
16 1 0.083
34 0.250
53 0.416
75 0.583
93 0.750
120 0.916
De acuerdo con la ecuación linealizada para la distribución Weibuli, la pendiente de

la recta en ia figura N° 7 es igual al parámetro de forma, p, de esta distribución. Esta
pendiente se obtiene ubicando en la escala vertical del papel Weibuli un punto o
círculo de referencia, a partir de este punto se traza una línea paralela a la recta
ajustada a los datos. El cruce de esta línea paralela con la escala superior da el
valor de p. En el ejemplo se puede ver que p = 1,7 aproximadamente.
99
l i
90 - /
i y
.zzz \
v-y 1
1
i :
?:::_:::„j„.„
l4
>. \
/ •rx
50 - —(-4
4 i i
!
/ m! \ i
i i
\? i
i ; !
10 -
—^~—~5g?^-
ZL
1
1 (
5
.. /*~~:..... i • í i ¡
i f ;
i i
1 .
i
0 !0D 1 00 j
Figura N° 7. Gráfica de probabilidad

en papel Weibuli
Fuente: Pulido y De ¡a Vara, 2004
Es fácil demostrar a partir de la función cuantil de la distribución Weibuli, que el

parámetro de escala r\ es igual al cuantil 0.632. Este cuantil se indica en la figura
N° 7 con una línea horizontal punteada, que ai proyectarse sobre el eje horizontal
arroja un valor aproximado de t] = 74. Cabe aclarar que en algunos papeles Weibuli
ía escala para obtener la pendiente aparece en el lado izquierdo y el punto de
referencia en ía parte superior.
Una vez identificada la distribución y estimados los parámetros, se procede a

contestar las preguntas planteadas. En este caso se tiene una distribución Weibuli
(1.7, 74). Para determinar la confiabiiidad después de 15 horas, la función más
apropiada es la de confiabiiidad que se muestra en la figura N° 8. De acuerdo a la
solución gráfica dada en ia figura, la confiabiiidad a las 15 horas de operación es de
93.5%. Si se hace el cálculo con la fórmula de la función de confiabiiidad de Weibuli,
resulta:
C(15) = e~í15/74)1-7 = 93.6%
que es prácticamente el mismo resultado obtenido en la gráfica. Por lo tanto, se

estima que el 93.6% de los componentes dura más de 15 horas. Cabe aclarar que
además del método gráfico existen cuando menos otros dos métodos para
estimar los parámetros: el método de mínimos cuadrados y ei método de máxima
verosimilitud. Por lo general este último es el más recomendado (Pulido y De la
Vara, 2004:464-467).
1.8.7. Estimación gráfica del parámetro de localización
En este punto se incluyen aspectos relacionados con la estimación gráfica del

parámetro de localización, utilizando el estimador de Kaplan-Meier de la función de
confiabiiidad (tomando en cuenta la censura).
Figura N° 8. Función de confiabiiidad

Pulido y De la Vara (2004:466-468), plantean que en confiabiiidad es frecuente tener

datos censurados por la derecha que representan información parcial pero valiosa
que debe incorporarse al análisis. Una manera de tomar en cuenta la censura al
graficar en papel de probabilidad, es utilizar posiciones de graficación basadas en un
estimador de la función de distribución empírica que sí toma en cuenta ese hecho,
como es el estimado de Kaplan-Meier (KM) de la función de confiabiiidad, definido
por:
f(1) f(2) fin

(n)
C(t(i}) = 1 x 1 x x 1 (10)
ri(i) n(2) "(n)
donde f(¡> son las unidades que fallan en el j-ésimo intervalo de tiempo (t^, t¡), y n(j)
son las unidades en riesgo justo antes del tiempo j, con j = 1,2, ..., i. Estas unidades
en riesgo es igual ai total de unidades menos las que han fallado hasta antes de ese
tiempo, menos las que fueron censuradas hasta ese tiempo, es decir:
i-1 i-1
n© = n-If(¡) - Zrj (11)

J=0 ]=0
donde rj denota el número de unidades que fueron censuradas en el tiempo t¡,

además f(0) = 0 y r0 = 0.
El estimador de Kapían-Meier toma en cuenta la censura contando las unidades en

riesgo un instante antes del tiempo j. A continuación se presenta un ejemplo:
considerando los datos del ejemplo anterior, e incluyendo cuatro tiempos
censurados intercalados entre los tiempos de falla exactos, los cuales se muestran
en la tabla N° 7 marcados con el signo +.
En las columnas de dicha tabla se muestra la contabílización de f^Pj y n®, y con

base en éstos en la quinta se calcula el estimador de la función de distribución
acumulada, basada en el estimador K-M de ia función de sobrevivencia. Por
ejemplo, para obtener el valor de ía función de distribución acumulada reportado en
la quinta columna de la tabla para el tiempo de falla 75 horas, primero se aplica la
fórmula de K-M para calcular la sobrevivencia a este tiempo, como;
f1 1 ^ f1 11 í ^ í
1
1^
C(75) -i
0.54 (12)
10 9 6 5
L J L J
y por tanto, F(75) = 1 - C(75) = 1 - 0.54 = 0.46, que es ei valor reportado en la tabla.
Después se calculan las posiciones de graficación basadas en el estimador de K-M,
dadas en la última columna. A! graficar en papel de probabilidad Weibuli ios puntos
(t(¡), p(¡)) dados por la primera y última columna de la tabla se obtuvo la figura N° 9.
De dicha gráfica se obtuvieron los estimadores gráficos de los parámetros, los
cuales son, aproximadamente,
Tabla N° 7Tiempos de fallas ordenados,

con tiempos censurados intercalados
Posiciones
Estimador de
de K-M graficación
deAF(t) = P(j) =
t(i) Fallas Censuradas Unidades en
rü) riesgo(nj) 1 - C(t) F(tj)+AF(tj-
1))/2
16 1 0 10 0.10 0.05
34 1 0 9 0.20 0.15
40+ 0 1
40+ 0 1
53 1 0 6 0.33 0.26
75 1 0 5 0.46 0.39
85+ 0 1
90+ 0 1
93 1 0 2 0.73 0.59
120 1 0 | 1 | 1.00 0.86
f»< -i¡ T , ñ
•ó ri d — r-i. o k a o is <— p
/ 1
• / ^~ C(15) = 9ó%
• 90 •
£i S
/ 08
(' p..~ . „ :-......
JV_
-. -50.-
_ _ i
0.6
•
/'
^ 0,4
-<
5 •/ * ' 0.2
/
0
1 0 50 100 150 200 25 0
10 100 1 000 Horas
Figura N° 9. Gráfica de probabilidad Weibuli

y función de confiabiiidad
CONFIABILIDAD EN Slb i LIVIAS INDUSTRIALES 114
A A
P = 1.8yr| = 92.
La confiabiiidad estimada a las 15 horas considerando la censura es

aproximadamente de 96%, contra 93.6% que resulta de ignorar ia información
censurada. La censura inducida se hizo de manera intercalada en los tiempos de
falla; de haberse agregado a ia derecha del mayor tiempo de falla, seguramente ¡a
confiabiiidad a las 15 horas sería todavía mejor.
1.8.8. Estudio de confiabiiidad para unidades que presenten varios modos de falla
Las unidades de prueba en un estudio de confiabiiidad pueden fallar de varias

maneras, no sólo del tipo de falla que más interesa en un momento dado. La
información sobre distintos modos de falla debe incorporarse en el análisis de los
datos. Suponiendo que los distintos modos de falla son independientes, cada modo
de falla se analiza por separado, para ello ¡as unidades que fallaron debido a los
otros modos de falla se toman como censuradas. Si C¡(t) es la función de
confiabiiidad para ei modo de falla i, entonces la confiabiiidad global del producto al
tiempo t considerando los k modos de falla es el producto (Pulido y De ía Vara,
2004:472-474):
Cg(t)= Ci(t)x C2(t)x...x Ck(t) (13)
Es decir, para sobrevivir al tiempo t se debe sobrevivir a todos los modos de falla.
Dal anólicic
Ol Ul IUIIvJIU inrli\/irh ial ria
II IUIVIUUUI i in
VJVJ U 1 I rrtrirlr»
I IIV/UU río
VJU folla co \JVjl
IUIIU ijlj rAntoctan
1IV/OLÜI 1 loo nrnni
I CÍO Ul iri^pc
V/JJUI Iluo rola\/antoe
i viv-Vui i ICO
relacionadas con él, y del producto de confiabilidades o bien del análisis conjunto de
las fallas se da respuesta a las preguntas respecto a la confiabiiidad global. Otra
cuestión importante que surge es el determinar cuál de los modos de falla debe ser
eliminado si se quiere mejorar en mayor medida la confiabiiidad del producto y en
caso de poderlo eliminar, cuál sería la confiabiiidad esperada. A continuación se

presenta un ejemplo:
Se estudian los esfuerzos a la ruptura de 20 conexiones de alambre. Se tienen dos

modos de falla: el modo A es el rompimiento del alambre y el modo S es el
rompimiento de la soldadura. Primero se hace un análisis exploratorio sin distinguir
modos de falla. Se puede pensar que las fallas se presentan por "la liga más débil",
argumento que favorece al modelo Weibuli. Considerando ambos modos de falla,
A A
los parámetros estimados son r| = 1400.4 y p = 3.988.
En la parte superior derecha de la figura N° 10 se muestra la gráfica de probabilidad

Weibuli, distinguiendo ambos modos de falla. Se observa que ambos modos de falla
tienen un comportamiento similar. También en esta gráfica se aprecia la estimación
de los parámetros de la distribución Weibuli. En esta misma figura se muestra la
función de densidad, confiabiiidad y riesgos globales.
99 -
95 -
90 -
/ ' ¡í = 4.0024
80--
r¡ = 1Ó3S.5 S
70 -
"60."
50 -
40 .- r~J|i pj = 3,9752
• Ü
30-
20 -
i) =1045.2 A
0
10 -
5 -
• JA
1 "
//
1 000 10 000
Figura N° 10. Gráfica de probabilidad Weibuli:

(S) soldadura y (A) alambre
Uno de los objetivos del estudio es determinar el porcentaje de conexiones que

fallan antes de los 500mg. Sustituyendo los parámetros estimados en la expresión
para ia función de confiabiiidad, se tiene que:
Cg(500) = e -(500/1400.4)3.988 = Qg ^
por tanto, hasta el esfuerzo 500 fallan una proporción 1 a 0.9837 = 0.016 (1.6%) de
las conexiones, cantidad que rebasa el 1% especificado. Como falla un porcentaje
mayor que el deseado, es necesario eliminar al menos uno de ios dos modos de
falla para cumplir tal especificación. Los papeles de probabilidad Weibuli, así como
¡os parámetros estimados para cada modo de falla se muestran en la figura N° 11.
Si se calculan para cada modo de falla ia confiabiiidad en 500mg se obtienen ios
valores: Cs(500) = e -<500/1688-5)4 = 0.9923 y CA(500) = e -<soiyi645.2)3.975 = 0.9912,
para ía soldadura y el alambre, respectivamente. De esta forma ía confiabiiidad
global es igual al producto de estas confiabilidades marginales:
Cg(500) = Cs(500) x CA(500) = (0.9923) x (0.9912) = 0.9835
Si se elimina ei modo de falla A, de rompimiento del alambre, ia confiabiiidad global

sería igual a la confiabiiidad individual del modo de falia S (soldadura), mejorando de
98.35% a 99.23%. Con esta mejora el porcentaje de fallas antes del esfuerzo 500
sería igual a 0.7%, que es menor por escaso margen del 1% especificado. La
insuficiencia de este margen se aprecia en el hecho de que el percentil 1% es
517.18, cuyo intervalo de confianza al 95% reportado por el software es [301.22,
887.98], que hace factibles un rango amplio de valores abajo del esfuerzo 500mg.
Es necesario entonces buscar la eliminación o ¡a reducción casi a cero de los dos
modos de falla para poder garantizar ei cumplimiento de las especificaciones; para

lo cual podría utilizarse la técnica AMEF, la cual es especialmente útil para
establecer prioridades y puntos de mejora de la confiabiiidad de un proceso o un
producto, sobre todo cuando se involucran diferentes modos de falla.
CONFIABILIDAD EN SISTEMAS INDUSTRIALES 11/
1.9. Ingeniería de confiabiiidad
Según Yañez y coi. (2004:20), la ingeniería de confiabiiidad es un área de estudio

fundamental para la evaluación de los procesos de producción, ya que ía misma
mejora la capacidad para predecir ia ocurrencia de eventos no deseados y la
capacidad para identificar acciones que minimicen y/o mitiguen sus efectos;
habilidades básicas para un gerente o negociador moderno que debe entender que
una de las más importantes formas de agregar valor es evitar que se destruya.
En su forma más general, puede definirse como la rama de la ingeniería que estudia
las características físicas y aleatorias deí fenómeno "falia". Dentro del área de
ingeniería de confiabiiidad, coexisten dos (2) escuelas con enfoque muy específicos
(Yañez y col., 2004:187):
• Confiabiiidad basada en el análisis probabilístico del tiempo para la falla
• Confiabiiidad basada en el análisis probabilístico del deterioro o física de ia

falla.
Ambas escuelas tienen un objetivo común: "caracterizar probabilísticamente la falla

para hacer pronósticos y establecer acciones preactivas dirigidas a evitarla o mitigar
su efecto". Adicionalmente, ambas escuelas proponen el término "Confiabiiidad"
como indicador básico para lograr esta caracterización. Otro punto coincidente es ei
reconocimiento de ¡a "aleatoriedad e incertidumbre" de las variables analizadas y su
consecuente tratamiento probabilístico.
Las diferencias entre ambas escuelas están relacionadas con la óptica desde la cual
se analiza la falla; ¡a primera propone predeciría estudiando ¡a frecuencia histórica
de ocurrencia o tasa de fallas, mientras que la segunda considera que una falla es
la última fase de un proceso de deterioro y se concentra en predecirla a
través del entendimiento de "cómo ocurre la falla"; es decir, estudiando la "física del
proceso de deterioro".
Las tendencias más avanzadas y recientes dentro de ¡a ingeniería de confiabiiidad,

proponen modelos híbridos para caracterizar probabilísticamente el fenómeno falla;
es decir, modelos que toman en cuenta no sólo el proceso físico del deterioro sino
también la estadística del historial de fallas; lo cual coincide con ia opinión de Ecay
(2007), quien dice que en 1970 la ingeniería de la confiabiiidad dejó de ser
exclusividad de "la defensa" y se aplicó a plantas nucleares de generación de
energía y posteriormente se generaliza su uso en plantas refinadoras de petróleo,
químicas y petroquímicas. En un gran esfuerzo para combinar el cálculo estadístico
con la teoría de las probabilidades, se gestó la disciplina de ia ingeniería de la
confiabiiidad, pero el avance significativo y decisivo se produjo a partir de la
profundización en la naturaleza aleatoria de los mecanismos de daño, los cuales son
causa raíz de los deterioros y fallos.
Por otra parte, como se dijo anteriormente, entre los recursos más importantes que
la ingeniería de confiabiiidad ofrece para "construir confiabiiidad dentro de los
diseños", están (Yañez y Gómez, 2007):
• Herramientas para la identificación de posibles modos de falla como el

onálioio ria mnHnc \/ ofor*toc! rio -folloo
• Herramientas para el modelaje y cálculo de la confiabiiidad de componentes y

equipos, a partir de experiencias previas, datos de laboratorio y/o opinión de
expertos.
• Herramientas para el modelaje de confiabiiidad de sistemas y procesos, tales

como: árboles de fallas, árboles de eventos diagramas de bloque de
confiabiiidad y disponibilidad, entre otros.
CONFIABILIDAD EN SISTEMAS INDUSTRIALES H9
1.10. Relación entre el análisis de confiabiiidad y ei análisis de riesgo
La figura N° 11 muestra el vínculo existente entre el análisis de confiabiiidad y el

análisis probabilístico de riesgo. En dicha figura se puede observar que para
calcular el riesgo, deben establecerse dos (2) vías, una para el cálculo de la
confiabiiidad y/o la probabilidad de fallas, con base a la historia de fallas o con base
a la física del deterioro; y otra para el cálculo de Jas consecuencias.
Asimismo, puede decirse, que el análisis de confiabiiidad es parte del análisis de

riesgo, ya que en la medida que se conozca la confiabiiidad y/o ía probabilidad de
fallas, a través de la estadística, monitoreo o un conocimiento empírico del proceso,
podrá conocerse el(los) riesgo(s).
Por otra parte, entendiendo riesgo como "egresos o pérdidas probables,

consecuencia de la probable ocurrencia de un evento no deseado o falla";
matemáticamente, se calcula con la siguiente ecuación:
Riesgo(t) = Probabilidad de faíías(t) x Consecuencias (14)
Según Yañez y col. (2004:312-314), a través de esta ecuación, pueden compararse

situaciones y escenarios que bajo una perspectiva cotidiana resultarían disímiles,
pero bajo ciertas circunstancias deben evaluarse y considerarlas en un proceso de
toma de decisiones. Por ejemplo, podría utilizarse para discernir entre una acción
r\a
uv mantanim¡pntn
111CÍ11ivî in i nv7i riv^ d-o esnt linAC
v^v^l4i^/\_jo irr\'l1íl+i^''^Q
v/iCtu vwO, ôro^forívoH/^c
OCIi Gv_n.\_*i •¿.Cíuvyo r>'rn""
f_ívî nrpconfsr
l/i Covi h.CÍi i mo
wi id ol+ü
diíCÍ
frecuencia de falla con bajas y moderadas consecuencias en contraposición a

equipos estáticos con frecuencia de fallas bajas pero con consecuencias
tradicionalmente muy altas.
El riesgo se comporta como una balanza, que permite ponderar ia influencia de

varias alternativas en términos de su impacto y probabilidad, orientando al analista
RIESGO
RIESGO = PROB. DE FALLAX CONSECUENCÍ ADE LAFALLA
RIESGO = (1 -CONFIABtLIDADJXCONSECUENCIA
CONFIABILIDAD/ PROB. DE FALLA CONSECUENCIAS
BASADA EN LA
BASAD A EN LA IMPACTO IMPACTO
HISTORIA
CONDICIÓN AMBIENTAL PERSONAS
(ESTADÍSTICA DEL (MONITOREO DEL
PROCESO/SISTEMA) PROCESO/SISTEMA)
COSTO DE - PÉRDIDAS DE
REPARACIÓN REPUTACIÓN
BASADO EN EL PÉRDIDAS DE PÉRDIDAS DE

CONOCIMIENTO MERCADO PRODUCCIÓN
EMPÍRICO DEL
PROCESO
PÉRDIDAS DE
VENTAJAS
TECNOLÓGICAS
Figura N° 11. Relación entre análisis de confiabiiidad y análisis de riesgo

Fuente: Yañez y col., 2004
en el proceso de toma de decisión.
Sin embargo, dependiendo de la situación o escenario bajo estudio, la expresión

anterior, puede asumir las "concepciones" mostradas a continuación;
• En procesos cuyo desempeño depende de la operación de equipos y

sistemas físicos, ei riesgo puede definirse como:
Riesgo(t) = Probabilidad de falla(t) x Consecuencias (15)
Pero, probabilísticamente, confiabiiidad C(t) es el complemento de la

probabilidad de fallas F(t); es decir, confiabiiidad C(t) es la probabilidad de
éxito, entonces:
Riesgo(t) = (1 - Confiabiiidad C(t)) x Consecuencias (16)
o En procesos cuyo desempeño puede ser seriamente afectado por ia

ocurrencia de eventos indeseados, el riesgo puede definirse como;
Riesgo(t) = Probabilidad de ocurrencia Evento Ei(t) x Consecuencias (17)
• En procesos de toma de decisiones, donde el beneficio a obtener depende

en grado sumo a la veracidad del análisis y de ia data evaluada, el riesgo
puede definirse como:
Riesgo(t) = Probabilidad de desacierto Di(t) x Consecuencias (18)
Normalmente, los procesos y sistemas bajo estudio son heterogéneos en naturaleza,

y son muchos los escenarios que deben evaluarse para cuantificar apropiadamente
el riesgo de un evento en particular. Por ejemplo, si se quiere evaluar ei riesgo de
explosión en una planta de compresión de gas, serían numerosos los escenarios a
evaluar, entre ellos explosiones físicas en los recipientes debido a sobrepresión;
explosiones químicas debido a! gas natural, o a productos condensados del petróleo.
De hecho, si se quisiera ser más específico en el tipo de evento a analizar, como por
ejemplo evaluar el riesgo de explosión química debido a una nube confinada de gas
natural, surgirían infinidades de escenarios asociados al volumen de la nube de gas,
ubicación física de la nube de gas (etapa de baja, media o alta presión), disposición
de la nube en ¡a planta, condiciones atmosféricas imperantes, diferentes fuentes de
ignición, entre otros. De allí, que al momento de evaluar el riesgo asociado a un
particular evento o aseveración en particular, es necesario cuantificar las
probabilidades de ocurrencia y consecuencias de cada uno de los escenarios que
conllevan ai evento bajo estudio.
Bajo este contexto, el riesgo es función no sólo de la probabilidad y de ¡as

consecuencias, sino también de los diferentes escenarios asociados al evento en
particular:
Riesgo = f(S¡, P¡, C¡) => Riesgo = ZP¡x C¡ (19)

Si
Precisamente, una de las funciones más arduas del grupo encargado de cuantificar
el riesgo es determinar y caracterizar cada uno de los escenarios que conllevan al
evento de interés. En muchas de las aplicaciones, el número de escenarios es
prácticamente ilimitado, teniéndose muchas veces que simplificar los escenarios y
considerar aquellas cuyas alícuota al total de riesgo supera un cierto umbral.
1.11. Confiabiiidad basada en el análisis probabilístico del tiempo para la falla
Es la rama de la confiabiiidad que estudia la variable aleatoria "tiempo para la falla".

El insumo básico para este tipo de análisis son bases de datos donde se almacenan
las historias de fallas (tiempos de fallas y tiempos de reparación) de equipos (Yañez
y col., 2004:189).
Estos autores, consideran que la confiabiiidad basada en la estadística de fallas

tiene dos grandes áreas de estudio, una que se enfoca en equipos no reparables y
otra para equipos reparables; y que los equipos no reparables tienen las siguientes
características fundamentales:
• Su condición operativa no puede ser restaurada después de una falla.
• Su vida termina con una "única" falla y debe ser reemplazado.

• La variable aleatoria de interés es el tiempo para la falla.
• Para caracterizarlo probabilísticamente se requiere estimar la tasa de fallas

h(t).
Dentro de ios equipos no reparables muchos exhiben tasas de fallas constantes y su

comportamiento está definido por la distribución exponencia!, mientras que para
sistemas en los cuales la función de falla no es constante en el tiempo existen
alternativas diferentes al uso de la distribución exponencial, tai como, weibuli, log-
normal, normal, gamma, beta, entreoirás.
Por su parte, un equipo reparable es aquel cuya condición operativa puede ser
restaurada después de una falla, por una acción de reparación diferente al
reemplazo total del mismo. Un equipo reparable tiene las siguientes características
fundamentales:
• Su condición operativa puede restaurarse después de fallar, con una

reparación.
• En su vida puede ocurrir más de una falla.
• La variable aleatoria de interés es el número de fallas en un periodo específico

de tiempo.
Para caracterizarlo probabilísticamente se requiere estimar ia "tasa de ocurrencia de

fallas X(t)" y ¡a "tasa de reparación f¿(t)".
Según Kenett y Zacks (2000), debe hacerse ¡a distinción entre la fiabilidad de

sistemas que no se pueden reparar y los que sí es posibie reparar. Un sistema que
se puede reparar, después de fallar, pasa por un período de reparación y a
continuación vuelve a funcionar normalmente. Los sistemas muy confiables

necesitan menos reparaciones. Los sistemas que necesitan menos reparaciones
están más disponibles al funcionamiento, y por tanto, se prefieren. Es importante
establecer procedimientos de mantenimiento basados en las propiedades de
confiabiiidad de los componentes de! sistema, que sean económicos y útiles para la
disponibilidad de los sistemas.
Una de las propiedades intrigantes de la falla de componentes y sistemas es su

naturaleza aleatoria. En consecuencia, el intervalo de tiempo durante ei cual
funciona una parte hasta que falla se considera una variable aleatoria, llamada
tiempo de vida del componente o sistema. Las funciones de distribución de las
variables de tiempo de vida se llaman distribuciones de vida (Kenett y Zacks, 2000).
Entonces, además de la confiabiiidad se requiere calcular la disponibilidad que es la

probabilidad de que el equipo esté disponible (es decir, que no esté en reparación) a
un tiempo T. Para calcular disponibilidad se requiere analizar estadísticamente los
tiempos para la falia y los tiempos en reparación (Yañez y col., 2004:189-190).
En el caso de los sistemas reparables, hasta 1996 estaban definidos dos procesos
de punto estocastico para modelar su tratamiento; la primera asume ¡a reparación
hacia su condición original, todo basado en el Proceso Ordinario de Renovación
(independiente e idénticamente distribuido), la segunda asume una reparación
mínima basando sus cálculos mayoritariamente en el Proceso no Homogéneo de
Poisson. A partir de 1996, se propuso un nuevo desarrollo para tomaren cuenta los
estados diferentes a los indicados anteriormente, el cual está basado en un modelo
probabüística denominado "Proceso Generalizado de Restauración". A continuación

se presenta el análisis de confiabiiidad basado en la historia de fallas tanto para
equipos no reparables como para equipos reparables.
1.11.1. Confiabiiidad en activos no reparables
En este punto se hace referencia al cálculo de ¡a confiabiiidad para equipos

reparables y no reparables.
1.11.1.1. Activos no reparables
Considerando como activos no reparables, aquellos que tienen las siguientes

características fundamentales:
• Su condición operativa no puede ser restaurada después de una falla.
• Su vida termina con una "única" falia y debe ser reemplazado.
La mayoría de los componentes electrónicos suelen ser considerados "no

reparables". Los bombillos o bulbos de luz son los clásicos ejemplos de equipos no
reparables. Sin embargo, es importante destacar que en esencia, cualquier equipo
es reparable; inclusive un bombillo, y es la política o estrategia de mantenimiento
y/o reparación ia que realmente dice como se debe clasificar un equipo o
componente. Si la política de mantenimiento es "reemplazar" después de la falla,
entonces se clasificará el activo como "no reparable"; si por el contrario, la política
es "reparar y reinstalar" después de la falla, se clasificará al activo como "reparable".
Adicionalmente, para clasificar activos, debe tenerse en cuenta el "volumen de
control y contexto operacional específico" al cual se hace referencia. Un ejemplo
sería analizar una lámpara de luz, cuando le falla el bombillo. En este caso, ei
bombillo es un activo "no reparable" y la lámpara es un "activo reparable" (Yañez y
coi., 2004:190).
Adicionalmente existen otros aspectos de carácter estratégicos como el contexto

operacional considerado, que contribuyen a catalogar para efectos prácticos, un

componente o sistema como reparable o no reparable.
Otro ejemplo, corresponde a un sensor instalado en el fondo de un pozo de crudo

profundo, de fallar conllevaría a una logística de recursos técnicos y económicos
significativos para proceder a extraerlo del subsuelo y bien repararlo o reemplazarlo.
Ese mismo sensor, instalado en una planta en la superficie, debidamente atendida,
muy posiblemente pueda ser reparado sin muchos inconvenientes. Bajo esta
panorámica, el sensor en el subsuelo muy posiblemente convenga clasificarlo como
componente no reparable, en cuyo caso será importante estudiar su confiabiiidad;
mientras que el sensor en la superficie se clasifique como componente reparable, en
cuyo caso además de la confiabiiidad, la disponibilidad es otro parámetro de interés
(Yañez y col., 2004:191).
Entonces, para clasificar un activo como reparable o no reparable, se debe tomar en

cuenta la política de mantenimiento y/o reparación, el volumen de control el contexto
operacional específico.
1.11.1.2. Función confiabiiidad (C(T))
Confiabiiidad de un equipo no reparable, evaluada en un tiempo misión (tm), es la

probabilidad de que la variable aleatoria "tiempo para la falla" sea igual o mayor a!
periodo de análisis o tiempo misión (tm). En otras palabras, es la probabilidad de
que el activo opere sin fallas un tiempo igual o superior al periodo de análisis o
tiempo misión (tm).
Confiabilidad(t) = Pr(t > tm) (20)
Suponga que se tiene una muestra representativa de datos; es decir, periodos de

operación hasta la falla (ti, i = 1,2, n) de n equipos similares. Suponga

adicionalmente que con estos datos, se logra caracterizar esta muestra con una
distribución de probabilidades. La figura N° 12, muestra distribuciones de
probabilidad de frecuencia y acumuladas directa e inversa, de la variable aleatoria
objeto de estudio "tiempo para la falla".
nsm&jaav ca. vb&opara fallar aSTFÍBLOCNCO. TiB&OPARA FALLAR

aSmBUOCNDEFfBXBÔAS asrFtaxxa&AaMJLAQts
0,00 13,75 41,26 56,00 27,50
Figura N° 12. Distribuciones de probabilidad del tiempo para fallar

Como puede observarse, la función "Confiabiiidad" definida en ia ecuación N° 20,

corresponde a la distribución acumulada inversa del tiempo para la falla, ya que esta
distribución expresa la probabilidad de que t (tiempo de falla) sea mayor o igual que
tm (tiempo misión). Lo anterior puede expresarse matemáticamente con la siguiente
ecuación; y la figura N° 13 muestra gráficamente la confiabiiidad evaluada en un
tiempo misión tm: C(tm) (Yañez y col., 2004:192):
C(tm) = Pr(t>tm) = íf(t)dt (21)

tm
tm
C(tm) = 1 - Pr(t < tm) = 1 - Jf(t)dt 1 - F(tm) (22)

asmBuaoNCEPRceABtucAD DfSTRBUaCNES ACUMULADAS

DB. VEMPO PARA FALLAR DEL WBvPO PARA FALLAR
C(tJ^Pr(t>tJ= ¡f(t)dt=1- ¡f(t)dt=1~F(tm)
Figura N° 13. Confiabiiidad evaluada en un tiempo misión tm: C(tm)

1.11.1.3. Tiempo promedio para fallar (TPPF)
El tiempo promedio para fallar es el estimado puntual más "clásico" en ei área de

confiabiiidad; y es un parámetro de mucho interés para la selección de equipos y
diseño de sistemas, corresponde a la media de la distribución de la variable aleatoria
tiempo para la falla; y su expresión en términos de tiempo es (ver figura N° 14):
Ht = TPPF = Jt.f(t)dt= ÍC(t)dt (23)

o o
1.11.1.4. Función de velocidad de incremento del peligro (H(T)) o tasa de fallas
La función de velocidad de incremento del peligro o tasa de fallas h(t), es un camino

alternativo a la función confiabiiidad C(t), para describir el comportamiento de la
variable aleatoria tiempo para la falla. La función h(t) describe el comportamiento del
número de fallas de una población por unidad de tiempo, y viene dada por la
siguiente expresión (Yañez y col., 2004:193):
DISTRIBUCIÓN DE PROBABILIDAD
DEL TIEMPO PARA FALLAR
• 1?8
O.OO 27,50 41,25 5S.OO

Mt=TPPF
jut = TPPF = ¡tf(t)dt = ¡C(t)dt

Figura N° 14. Tiempo promedio para fallar
f(t) f(t)
h(t) (24)
C(t) 1 - F(t)
En términos probabilísticos, la ecuación N° 24 dice que h(t) es la probabilidad

condicional de falla en un intervalo de tiempo t+At; dado que el componente, equipo
o sistema ha sobrevivido hasta el tiempo t.
Al igual que las funciones f(t), F(t) y C(t), la función h(t) es una característica única
de ia variable tiempo para fallar de una población de componentes, equipos o
sistemas (Yañez y col., 2004:194).
Existe una importante relación entre la función Confiabiiidad C(t) y la función h(t),
que se resume en la siguiente expresión:
•í(h(t)).dt
C(t) = e (25)
CONFIABILIDAD EN SISTEMAS INDUSTRIALES 13°
Esta ecuación implica que ai definir la función h(t) se puede definir la función C(t), y
viceversa. Por otro lado, como la función h(t) describe el comportamiento del
número de fallas de una población por unidad de tiempo, y la misma puede ser
creciente (ei número de componentes de la población que fallan por unidad de
tiempo aumenta progresivamente), decreciente (el número de componentes de la
población que fallan por unidad de tiempo disminuye progresivamente), o constante.
El análisis del comportamiento de fallas de una gran cantidad de poblaciones de

componentes o equipos observados durante largos períodos de estudio, han
mostrado una función tasa de fallas decreciente en el primer periodo la primera
etapa del período de observación (fenómeno conocido como mortalidad infantil),
seguido por una función tasa de fallas aproximadamente constante, y finalmente una
función tasa de fallas creciente durante la última etapa del período de observación.
1.11.1.4.1. Curva de la bañera
Es un gráfico que muestra el probable comportamiento de la tasa de fallas de un tipo

de componente o equipo para diferentes instantes de tiempo, y se construye
observando y registrando el comportamiento histórico de fallas de una población de
ese tipo de componente o equipo (Yañez y col., 2004:195).
Una forma práctica de entender esta curva, es analizando el caso de los seres
humanos. Sí se supone que se analizan las vidas de 100 personas, nacidas en el
año 1900, seleccionadas aleatoriamente. Con toda seguridad, si se revisa la fecha
en que fueron falleciendo, se encontrará que una buena parte de ellos murieron
entre 0 y 3 años debido a problemas congénitos, problemas en el nacimiento o
enfermedades infantiles severas; otros tantos, aunque un poco menos entre 3 y 6
años; y menos aún entre 6 y 9 años. Esto puede describirse como que el número
de personas que murió, por año, fue decreciendo entre 0 y 9 años. A partir de allí
se encontrará que la tasa de mortalidad se estabiliza; es decir, el número de

personas que muere por año entre los 9 y 45 años, permanece aproximadamente
constante. Finalmente, a partir de los 45 años, se encontrará que el número de
personas que muere por año es cada vez mayor, con un incremento lento entre ios
45 y ios 65 años, y con un incremento más severo a partir de los 65 años.
Si se revisa esta descripción cuidadosamente, se entenderá que la misma coincide

con el comportamiento de la figura N° 15, conocida como curva de ia bañera.
Tasa de Fallas
£
Q \ ! i /Tasa de Fallas
i / P* crec/erríe
\ j Tasa de Fallas
\ ' constante
Mortalidad i Periodo de
V¡ Envejecimiento
Infantil j FallasAleatorias i o Desgaste
TIEMPO (:}
Figura N° 15. Curva de la bañera

Esta curva permite asegurar que el "peligro" de que una persona cualquiera muera
entre 0 y 3 años es mayor que el peligro de que muera entre 3 y 6 y menor aún
entre 6 y 9 años. También permite decir que el peligro de morir a los 20 años es
aproximadamente igual que el peligro de morir a ios 40 años y que en ambos casos
es menor que el peligro de morir entre 0 y 6 años. No obstante, el peligro de morir
se incrementa a partir de los 45 años y va aumentando lentamente. A partir de los
65 años, el peligro de morir se hace mayor más rápidamente. Esta curva no dice a
que edad va a morir un ser humano específico; pero refleja como cambia el peligro
de morir con la edad.
Es importante reconocer que esta curva se construyó observando una población

específica de seres humanos, y que permite hacer predicciones sobre otros seres
humanos (Yañez y coi., 2004:196).
Este concepto es extrapolable a componentes y equipos. Si se dispone de un

número significativo de unidades de un mismo componente o equipo, y se les
pusiera a operar a partir de un tiempo inicial t0, se podría observar el
comportamiento en el número de fallas por unidad de tiempo y construir su particular
curva de la bañera. Típicamente una población de componentes o equipos en
general, presentan una tasa de falla alta en el primer período de vida que decrece
hasta que alanza un nivel constante por un período de tiempo (conocido como etapa
aleatoria), y finalmente por efecto del envejecimiento característico o desgaste de los
componentes, comienza a aumentar nuevamente (desgaste), tal como el caso de los
seres humanos reflejado en la figura N° 15.
No obstante, es necesario mencionar que el patrón de fallas mostrado en la figura

N° 15, no se corresponde exactamente con el comportamiento de una amplia
variedad de sistemas eléctricos, electrónicos y mecánicos. En la figura N° 16 se
pueden observar ios diversos patrones de fallas encontrados para varios equipos y
sistemas en función de sus edades operativas. Estudios realizados mostraron que
ei 4% de los sistemas se corresponden con el patrón "A", 2% con el patrón "B", 5%
con el patrón "C", 7% con el patrón "D", 14% con el patrón "E" y aproximadamente el
68% con el patrón T".
1.11.1.5. Estimación de la confiabiiidad

CONFIABILIDAD EN S STEMAS INDUSTRIALES 133
PATRÓN "A" PATRÓN "C"

PATRÓN "3a
RATRON "F'
PATRÓN T>" PATRÓN "ET
Figura N° 16. Oíros patrones de falla

Fuente: Yañez y coL, 2004
Para definir las funciones y parámetros más importantes de un análisis de

confiabiiidad para equipos no reparables (C(t), hit), TPPF), es necesario definir la
distribución paramétrica de probabilidades de! tiempo para la falla f(t). En caso de
no encontrar ninguna distribución que ajuste al conjunto de datos disponibles, se
debe hacer uso de una distribución "no paramétrica o empírica" y estimar la
confiabiiidad apoyados en "estadística no paramétrica o estadística de la muestra"
(Yañez y col., 2004:197).
1.11.1.5.1. Estimación de confiabiiidad de activos no reparables con estadística

paramétrica
Para estimar confiabiiidad con estadística paramétrica, es necesario caracterizar

probabilísticamente la variable tiempo para fallar; es decir, encontrar la distribución
paramétrica f(t) que mejor se ajusta a los datos. En este caso los datos a analizar
deben ser tiempos de operación de n equipos similares con los cuales se definirá la
distribución de densidad de probabilidades f(t). Una vez definida f(t), se obtienen la
distribución acumulada directa F(t) que corresponde a la probabilidad de fallas y la
distribución acumulada inversa C(t) que corresponde a la confiabiiidad (Yañez y col.,
2004:197).
Sin embargo, el proceso de caracterización probabilística de ia variable "tiempo de

operación para la falla" requiere un tratamiento especial para su caracterización;
que está relacionado con el concepto de datos censados, que se explica a
continuación:
Para entender el concepto de datos censados, es necesario analizar la figura N° 17.

En la misma se representan con líneas los tiempos de operación de una población
de "n" equipos. Estos tiempos fueron medidos de manera continua en cada equipo
desde que iniciaron su operación. Las líneas punteadas, con una "X" al final
representan aquellos equipos que han fallado antes del tiempo tm¡s¡ón o periodo de
análisis, y las líneas continuas aquellos equipos que no han fallado y continúan
operando después de finalizado el periodo de análisis.
Las líneas punteadas constituyen ia información de fallas; mientras que las líneas
continuas; es decir, los tiempos t3 y te son datos de equipos que permanecen
confiables (no han fallado) para el momento del análisis; y son parte importante de
la información. A t3 y te se les conoce como datos censados (Yañez y col.,
2004:198).
La existencia de datos censados es generalmente obviada por los analistas quienes

en la mayoría de las ocasiones se con centran en los equipos que han fallado, y no
toman en cuenta los datos censados. Esto se traduce en cálculos pesimistas de la
confiabiiidad.
ti
Equipo 1 ~-X
Equ ¡po 2
h
Equipo 3
U
Equipo 5 ts
Equipos te
+—
Equipen
Wafán Tiempo t
Figura N° 17. Datos censados y no censados

A continuación se presenta el proceso de caracterización probabilística, el cual

permite incluir los datos censados en el cálculo de confiabiiidad:
Paso 1: plantear las hipótesis acerca de las distribuciones paramétricas que podrían
hacer un buen ajuste con los datos.
Paso 2: calcular los parámetros de cada una de las distribuciones hipótesis con los
datos de la muestra. Las ecuaciones para calcular estos parámetros normalmente
se obtienen con el método de máxima verosimilitud.
Paso 3: realizar alguna de las pruebas de bondad de ajuste en las que normalmente
se comparan cada una de las curvas de las distribuciones hipótesis teóricas
obtenidas con los parámetros estimados en el paso anterior, con el histograma de
los datos de la muestra. De esta comparación se calcula para cada distribución
hipótesis un valor llamado "valor del test" y se compara contra un valor llamado
"valor critico". Si el valor del test es menor que el valor critico para un determinado
nivel de significancia, entonces la distribución hipotética se considera un buen ajuste
y la hipótesis no es rechazada. Si por el contrario, el valor del test es mayor que ei

valor critico, la hipótesis se rechaza.
Paso 4: seleccionar entre las distribuciones hipotéticas no rechazadas, aquella que

tenga el valor del test más bajo, y esta se considera ei mejor ajuste y por lo tanto la
distribución paramétrica que mejor representa el set de datos de la muestra.
La forma de tomar en cuenta los datos censados en el proceso de caracterización

probabilística se centra en el paso 2; es decir, en el cálculo de los parámetros con
ios datos de ia muestra; ya que las ecuaciones para el cálculo de los parámetros de
las distribuciones probabilísticas son diferentes cuando existen datos censados
(Yañez y col., 2004:199).
Las ecuaciones para el cálculo de parámetros que se obtienen cuando existen datos
censados son diferentes a las ecuaciones que se obtienen cuando no los hay. La
figura N° 18 muestra un flujograma del proceso de selección de la distribución que
mejor se ajusta a una muestra de datos que incluye datos censados. La tabla N° 8
resume las ecuaciones para el cálculo de parámetros para las distribuciones
probabilísticas más usadas en el análisis de confiabiiidad de equipos no reparables,
tanto para muestras con solo datos de falla, como para muestras con datos
censados.
Adicionalmente, en la tabla N° 9 se resumen las ecuaciones para el cálculo de la

probabilidad de fallas F(t), la confiabiiidad C(t), la velocidad de incremento de! peligro
o tasa de fallas h(t) y ei TPPF, para las distribuciones probabilísticas mas usadas en
análisis de confiabiiidad de equipos no reparables (Yañez y col., 2004:203).
1.11.1.5.2. Estimación de confiabiiidad de activos no reparables con estadística

no paramétrica
uñatear los.tí.i/Oflrft I" mimSffli jf-Q«n«rur los hlpQtpeis o dlstrlbvdomiii

•pnra/nefrícói que po'd/iAn^juélBro Ion dalos da In miwiílra
..."• tjt ;P¿v¿,,:..ol)••-'.:••
, faanda: '..':' L, .''•-
.lf~1,X,.i.m;'¡tonda iri'i.púm'aks de hipótesis grnírndirs--'
o,c par$?r)/itros dé Is <iÍstlJb.iietá-n Ittfiofaijca 1(1}' . .
" :=;f,"ff-
""• 'O I
ífflp» ¿^ ft-W-í£#- "W^"*/^? /*»*; ¿¿[¡«frufrú

• al":- 'fñlíío^fl" .'¿T*-, -'MfcHÍfTÍ* •,-íW*to^*#» «#*¿¿t* V*™<im>J7tórf:
vtrtttdo fi+Mfjrfmw iíp*1"Wf'J.
~r
-ñ>« ^,.<v ;*,i.
•'.' ':t-:"Í\Ú:-*>..t,i—•.P-Vr?iBir»*l*¿¿Y\fy'
Efl/ítffl£r"05? ->-r:FV"'
- P«fl¿ J, tiaf'f »> ym/oi-tfw 0¡w + * * -•
(=*1¡* 'Icio'*- ;|ín»K".'í¡.'íC-'ÍS '¡nümibli' «h:::j**Iií*:{

>>«. ~>"íí:í:::[!!:;;i.:^.:-^:^í;,,vi!;:';í-':'sv:.í
">**)•#'"«*<« -V¿AÍr:'¿.;p*"jk'.-fmiBHiv- risl'liüí&a"'
,0Ortí**^rflyrtí#ía"<'«
L'!'!"--':í¿fí!3^í*
/,íí|" •«» */?* hip^íaa
• Bfllr* foto''rt*'d/pWlivp'vf}*-?.;
t-^,.*^- que 'r¡mn>& . nu)'"--'fy^'twi-
tadymixtiif; U.quv'.-.'fntior
.-tipisli ni o»* ,~<tk\-<intoj . ktm •.-.• ,
• u'n mah*>r Valo*-:'<!<**ípaf.^1*-
boi¡4eéiii¡ a/usie"K-S* ,;
Figura N° 18. Proceso de selección del mejor ajuste

138
Tabla N° 8. Ecuaciones para el cálculo de parámetros para las

distribuciones probabilísticas más usadas en el análisis de
confiabiiidad de equipos no reparables
So/o "m" equipos han fallado (í¡

Todos los "n" equipos de la :1,Z..m) y "w" equipos no han
Distribución Parámetros
muestra han fallado (t¡:1,2.,.n) falladof tj;1,2.... w) (datoscensados)
¿ =
Exponencial
Z'i Z'.+If/
Ev ÍMHÉfc
Weibuli
Efe"**,)+![</**,)] , , „
B"VZ',
Solución numérica
n'Síí,-^)2
n-S(í,-^)2
Solución numérica
in-lT£ji
L<< Solución numérica

// =
í A
Solución numérica
Z^J Solución numérica

A
Log- Normal
-¿¿(wj-* Solución numérica

139
Tabla N° 9. Ecuaciones para el cálculo de; la probabilidad de fallas,

confiabiiidad, tasa de fallas, y tiempo promedio para fallar
Distribución w F(t) C(t) h(t) TPPF
Exponencial f(t)=;Áe-?1 F(t) = 1-e'?i C(t) = e'* h(t) = A TPPF = 1

X
TPPF=aÁn1-\
Weibuli
w-iM oM u\a)
1 ' -'
Gamma qt)=i~F(t) TPPF = fia
m"jrH¿f' /rrtái 1-nn
1 -T'l w=1-W
m
Normal
a42n ^¿ñ qtM-F(t) TPPF^m
Log- Normal F(t)=)f(t)dt C(t)= 1-F{t) TPPF=é 2 '•

qffV2r 0
En muchas oportunidades no se considera conveniente considerar un conjunto de

valores de una variable en particular; bien sea porque no se conoce la dinámica de
la variable a modelar, no existe relación alguna entre esta dinámica y los principios
matemáticos o físicos que sustentan la distribución paramétrica que más se adapta
a las muestras de esta variable, o simplemente no se encuentra ninguna distribución
paramétrica que se ajuste al conjunto de datos disponibles (Yañez y col., 2004:217).
Bajo estas circunstancias, puede optarse por seleccionar una distribución no

paramétrica, que consiste en una distribución cuyo comportamiento es definido en
su totalidad por la data disponible. Existen diferentes esquemas para el cálculo de la
confiabiiidad, tasa de falla y otras figuras de mérito utilizando representación no
paramétrica, muchos de ellos varían en función de la muestra, de cómo ha sido
recolectada y consolidada la muestra, entre otros (Yañez y col., 2004:217).
La tabla N° 10 resume las ecuaciones más importantes para análisis de confiabiiidad

con estadística no paramétrica para una muestra de n datos y t¡ donde i = 1, 2, ..., n.
Tabla N° 10. Ecuaciones para análisis de confiabiiidad con

estadística no paramétrica
Muestras
Figura de mérito Muestras pequeñas n < 25 grandes n >25
A
n - i + 0,625 i
Confiabiiidad C(t¡) C(t¡) = C(t¡) =
n + 0,25 n
A n~i + 0,625 i
Prob. de falla F(t¡) F(\\
i\u) - 1¡ rL iJ F(t,) = 1 - (—)
n + 0,25 n
A 1 1
Tasa de fallas h(t¡) h(ti) = h(*.\
U{li) -
(n - i + 0,625)(ti+i -1¡) (tw "ti)
1.11.2. Confiabiiidad de activos reparables
Un sistema reparable es aquel que acepta reparaciones y le pueden ser restauradas

sus funciones mediante el uso de cualquier método de reparación diferente al
reemplazo del sistema completo.
En el análisis de sistemas reparables hay cinco posibles estados en ios cuales

dichos sistemas pueden quedar después de una reparación. Estos estados son
(Yañez y col., 2004:218):
* Tan bueno como nuevo.
• Tan malo como antes de reparar.
Mejor que antes de reparar pero peor que cuando estaba nuevo.
• Mejor que cuando estaba nuevo.
» Peor que antes de reparar.
Los modelos probabilísticos utilizados tradicionalmente para estimar o predecir ei

número esperado de fallas asumen alguno de los dos primeros estados pero no
cubren los últimos tres, los cuales parecieran acercarse más a la realidad. En este
punto se presentan los modelos tradicionales de predicción del número de fallas en
un tiempo misión para sistemas reparables, así como algunos ejemplos de
aplicaciones. Adicionalmente se presenta la formulación de un modelo probabilístico
que toma en cuenta los cinco estados en los que puede quedar un sistema una vez
reparado, el cual se denomina Proceso Generalizado de Restauración (PGR) y se
resalta que el PGR es la teoría más general para predecir el número esperado de
fallas en activos reparables.
1.11.2.1. Variables probabilísticas de interés en análisis de confiabiiidad de activos

reparables
Como se sabe, los equipos reparables son aquellos cuya condición operativa puede
restaurarse después de fallar, con una reparación; esto implica que en su vida
puede ocurrir más de una falla y es esta la diferencia fundamental con los equipos
"no reparables" en cuya vida solo puede ocurrir una única falla (Yañez y col.,
2004:218). En este punto, se presenta la variable probabilística que se estudia para
equipos reparables y los indicadores o figuras de mérito para caracterizarla.
Cuando se trata de equipos reparables y se habla de tiempo para la falla, surge

inmediatamente la pregunta "¿tiempo para cual falla?", (¿tiempo para la primera
falla?; o ¿tiempo para ia segunda falla?; o ¿tiempo para la nies,ma falla?), ya que
para un tiempo misión tm puede ocurrir más de una falia. Si se habla por ejemplo de
la probabilidad de falla en el tiempo misión tm, surgen las preguntas, ¿probabilidad

de cuantas fallas?; ¿probabilidad de una falla en un período tm?; o ¿probabilidad de
2 fallas en un tiempo tm?; o ¿probabilidad de n fallas en un tiempo tm?.
En la figura N° 19 se esquematiza una proyección o estimado de un proceso de

operación de un equipo reparable, en el que se sabe que pueden ocurrir fallas que
serán restauradas con reparaciones. Al mencionado esquema se asocia la
nomenclatura utilizada; la cual es en base a dos escalas de tiempo:
1.- Una escala relacionada al tiempo de operación entre fallas; para la cual se
usarán subíndices; por ejemplo t2 = tiempo de operación entre la primera y la
segunda falia.
2.- Otra escala relacionada con el tiempo acumulado de operación hasta las fallas o
hasta un evento específico; para la cual se usarán superíndices; por ejemplo tI2] =
tiempo acumulado de operación hasta la segunda falla. Se puede notar que t[2] =
ti +12.
Analizando la figura N° 19 y recordando que el tiempo para la falla se considera una
Va falla 2*" falla 3rafalla 4'* falla (n-l)Ih falla (n)01 falla
-* Tn >
•*• "
tw =t,*
t^t+t,"
1 ' l2
-t^^+tj+tg+t
n-1]
tLn-lJ-t1+t2+t3+t4+ tM— •
~típJ-t1-ht2 +t3+t4+ tnM+tn *
- Tiempo misión = T=t^ =^+t2+t3 +t4 + t^+t,, +tK
Figura N° 19. Nomenclatura. Proceso de fallas sucesivas

variable aleatoria, se concluye que las variables ti (tiempo de operación hasta ia

primera falla), t2 (tiempo de operación entre ia primera y la segunda falla), t3 (tiempo
de operación entre la segunda y la tercera falla); hasta tn (tiempo de operación entre
la (n - 1)th y la falla n), son todas variables aleatorias; es decir variables que pueden
tomar múltiples valores y que por ende cada una puede ser representada con una
distribución de probabilidades (Yañez y col., 2004:219).
De la misma manera, se puede concluir que las variables t[2] (tiempo acumulado de
operación hasta la segunda falla), t[3] (tiempo acumulado de operación hasta la
tercera falla), t[4] (tiempo acumulado de operación hasta la cuarta falla), hasta t[n]
(tiempo acumulado de operación hasta ia n falla), son también variables aleatorias
ya que las mismas resultan de la suma de otras variables aleatorias, tai como puede
verse en la figura N° 19.
En la figura N° 20 se representa la probabilidad de fallas F(t¡), que como puede

notarse aumenta desde 0 a 1 entre la falla i-1 y la falla i; para i = 1, 2, 3, , n y en
la figura N° 21 se representa la confiabiiidad del sistema C(t¡), que disminuye desde
1 hasta 0 entre la falla i-1 y la falla i; para i= 1, 2, 3, , n.
Las figuras mencionadas muestran que no tiene mucho sentido hablar de

probabilidad de falla o confiabiiidad en un tiempo acumulado de operación t[k] o
tiempo misión, ya que en este período estos valores fluctúan entre 0 y 1 varias
veces, y para diferentes valores del tiempo en operación puede darse ei mismo valor
de probabilidad de falla. Por esta razón estos indicadores son poco usados en el
análisis de activos reparables (Yañez y col., 2004:221).
El análisis de la figura N° 22 permite identificar la variable aleatoria que caracteriza a

los equipos reparables conocida como Número Acumulado de Fallas N(t[m]), para un
tiempo acumulado de operación o tiempo misión t[ml.
F( t) =Probabilidad de Fallas entre ¡a (í~1),tJ falla y la Ph falla
' i
/
""^ i ¡
r l
l
/
A
i
/
I i
i
í
i
/
/
/
1 í
1
/
;
/ ;
í ¡u j t[a] = tiempo acumulado

(
0 u
i Jy —•-
t »n npprarmn
1* falla 2"* falta 3" falla 4,ífalia (n-1 }r- falla [nf- falla
fK í
i 1—H**f ••••»» • —** —tUr"*"—*& —H» "
\ • — tíh] ^
Figura N° 20. Probabilidad de fallas en activos reparables

c (t¡} = Confiabiiidad entre la Q-tf fó//a y ia Ph falla
! I .___[ l L
1-
\ \
\ \ \ \ %
\
_
\
\ - tiempo acumulado
•v en operación
0 *!" -' i•
1« falla 2* falla 3" falla •*•> alia \n-rr»U\\s 0 »fafls
" 1
Figura N° 21. Confiabiiidad en activos reparables

N(¿'!) s. ,Voacumulado tíé (alias on el tiempo

acumulado ds operación f*;
f(N(iik¡))
-i -- >"----
Wkíhv,-
2 +—-
Zl J
1 tí*' = fiempo acumulado
""*" en operación
1 tiaJ =1f -l-tar- •-

¡ --^1=1 4t +i
Historia - — *--— Predicción —

(parado) /íoy (futura)
•Tiempo misión *• {^^ t,+13 +13 +u H„
Figura N° 22. Número acumulado de fallas en el tiempo

acumulado de operación
Para la mejor comprensión de este aspecto es importante explicar dos zonas

claramente diferenciadas en la figura N° 22 (Yañez y col., 2004:221):
1.- Una zona correspondiente a la "Historia" o al pasado; que comprende cuatro

fallas acumuladas, que han ocurrido en forma sucesiva y con intervalos ti, t2, t3 y
U- Los valores ti, t2, t3 y U no son variables aleatorias; porque son conocidos; así
como tampoco es una variable aleatoria el número acumulado de falia en el tiempo
de operación tI4). Estos valores son "datos" que se usan Para hacer predicciones del
número de fallas para tiempos mayores a tí4] = ti+ t2 + t3 + U-
2.- La otra es la llamada zona de "Predicción" y corresponde al futuro. En esta zona

todo es aleatorio, y el objetivo es saber cuantas fallas mas pueden ocurrir desde t[4]
hasta tIml = t[4] + tm. Como se puede observar, la variable Número Acumulado de
Fallas N(t[m]), puede tomar múltiples valores para un tiempo acumulado de operación
o tiempo misión t[ml = ti+ t2 + t3 + U + tm; es decir, es una variable aleatoria que
puede y debe ser modelada matemáticamente con una distribución de

probabilidades, a la cual se le pueden calcular una media y unos percentiles; tal
como se muestra en la figura. Resumiendo, la predicción del número acumulado de
fallas para cada valor del tiempo de operación dará como resultado una distribución
de probabilidades. La media o valor esperado de esta distribución se conoce como
número esperado de fallas y se denota como A(t[m]), como se muestra en la figura

(Yañez y coi., 2004:221-222).
La variable aleatoria Número Acumulado de Fallas N(t[m]), para un tiempo acumulado

de operación t[m] es la variable probabilística objeto de estudio en análisis de activos
reparables, y la figura de mérito Número Esperado de Fallas A(t[mI) es el indicador
utilizado para caracterizarla.
Además de A(t[m]), existen otras figuras de mérito o indicadores de gran utilidad para
análisis de equipos reparables; estos son:
X(tm) = tasa de ocurrencia de fallas al tiempo acumulado de operación t[m]
TEPPF = tiempo esperado para ía próxima falla, después del tiempo acumulado de
operación hasta la última falla.
1.11.2.2. Modelos probabilísticos para la estimación o predicción del número de

-falloc fMn~lMôn un narínHn rio nnorarinn t!M1
La figura N° 23 muestra un resumen de las teorías o procesos estocásticos para el

modelaje de confiabiiidad de sistemas reparables, las cuales se desarrollan a
continuación.
Análisis de confiabiiidad
para equipos reparables
Restaurarais
Reparación Restaurar
mínima posible parcialmente
condición origina!
Proceso no —Proceso :
Proceso
Ordinario de
Homogéneo Generalizado
de Poisson de
Restauración
(PNHP) Restauración
(POR)
(PGR)
'Mejor que como estaba

Tan buenocomanuevo' "Tan m3iG como viejo"
pero peor .que nuevo"
Figura N° 23. Teorías para modelaje de activos reparables

1.11.2.2.1. Proceso ordinario de restauración (POR)
Se define como proceso ordinario de restauración a un modelo matemático que

considera que los diferentes tiempos entre fallas sucesivas t¡ de un activo reparable
son variables aleatorias independientes e idénticamente distribuidas (es decir que
pueden representarse con el mismo modelo de distribución paramétrica
probabilística). Estas consideraciones pueden ser válidas si se asume que el
sistema es restaurado a su condición original cada vez que se repara; es decir el
equipo queda "tan bueno como nuevo".
Si esto se asume como cierto, los tiempos t¡ (i = 1,2,3, ,n) entre fallas sucesivas
son independientes, ya que al haber una "reparación perfecta" e! tiempo de
operación t¡ no tiene ningún efecto en e! tiempo t¡+i.
De igual forma, si cuando ocurre una la falla "i" en el tiempo t¡ (i = 1,2,3,....n), el

equipo es restaurado a su condición original, es razonable pensar que ía variable
aleatoria t¡+1, se comportará de manera similar a la variable aleatoria t¡ ya que al
inicio de ambos períodos, el equipo está teóricamente en la misma condición; por ío
que puede asumirse que ambas variables pueden caracterizarse con la misma
distribución de probabilidades; es decir, pueden considerarse idénticamente
distribuidas.
Por supuesto, considerar que cuando ocurre una falla el equipo es restaurado a su
condición original representa un escenario ideal, por lo que el POR es un modelo
que tiene limitaciones en su aplicación en el análisis de sistemas reparables. Este
modelo está restringido para equipos constituidos por algunos pocos componentes
principales no reparables. Los cuales son reemplazables individualmente ai failar.
Esto es, cuando una parte principal del equipo falla, esta será reemplazada por una
nueva. Los componentes son "no reparables"; pero el equipo "es reparable".
También es váiida esta asunción, cuando ia política de reparación sea "revisar todo
el equipo y reemplazar todo lo que esté deteriorado cada vez que el equipo falle"
(Yañez y col., 2004:224).
Con base en el POR, y asumiendo que los tiempos entre fallas sucesivas siguen una
distribución Weibuli, las ecuaciones para ¡os indicadores probabilísticos de interés,
para un valor del tiempo de operación tím], son las siguientes:
-(Wa)p
Probabilidad de fallas: F(t[m]) = 1 - e (26)
-(Uaf
Confiabiiidad: C(t[m]) = e (27)
P tm
Tasa de ocurrencia de fallas: X(t[m]) = ( )p~1 (28)
a a
1+p
Tiempo esperado para la próxima falla: TEPPF = a . r( ) (29)
P
Número esperado de fallas: el cálculo de la variable número esperado de fallas

(A(t[m3)), reviste especial interés y complejidad; por esta razón, se propone una
solución por simulación de Montecario para esta variable.
Para el POR a partir de la ecuación N° 26, se sabe que:
t¡ = ap (~ln(1 - F(t¡)))1/p (30)
Donde t¡ representa tiempos entre fallas sucesivas generados desde la ecuación de

probabilidad de falla del POR. Con la ecuación N° 30, se puede calcular el número
esperado de fallas A(T) al tiempo acumulado de operación t[m] = T; siguiendo el
diagrama de flujo que se muestra en la figura N° 24; el cual es fácilmente
programable, y en cuestión de segundos es posible realizar miles de iteraciones
para obtener un cálculo numérico de A(T) (Yañez y col., 2004:225).
Como puede observarse, para el cálculo de cualquiera de los indicadores

probabilísticos de interés, es necesario tener calculados ¡os valores de los
parámetros de escala (a) y de forma (P).
A continuación se presentan las ecuaciones para ¡os parámetros del proceso

ordinario de restauración:
&&£CC\CK~ • INOftESESL •
SiPEft-dOOOS i*. VAiaft£€túg
Dé. ITcS*C!Oí,iE3 -m T
-i
.Va
L¿0
G&iSiAJtA¿£ATOfítAAG\Te. UVMlO? J$ fATO= 0 i i
Trampa ¡iJt* U F*üa (!)
• r*iii»uifi*i'ffi 'l»HHHIH*l»tM»Hi»tHM»*HIMb J *
fífj-j-ellri1.-!;—r-;
L ::l^
•-/+J
.?
J<m ? H-Pjt» | NO -Tlfr., Sí
:î-
HUMERO rSPEftAÜO ££'

rAOAS aí. newpo-r'--;
NO
^4(1^)
Figura N° 24. Flujograma de la simulación de Montecario para el cálculo

del número esperado de fallas A(T) en activos reparables basado en el POR
Ecuaciones para ios parámetros del POR. Caso 1: equipo fallado: la

estimación se hace en un momento en el que acaba de ocurrir la falla, y el
equipo no está operando. En estas ecuaciones t¡ representa los tiempos entre
fallas sucesivas observados y n es el número total de fallas observadas
(Yañez y col., 2004:225).
151
'(t.),"V
(31)
(32)
Ecuaciones para ios parámetros del POR. Caso 2: equipo operando: la

estimación o predicción se realiza cuando el equipo aún está operando, ha
transcurrido un tiempo tc (ver figura N° 24) desde la ocurrencia de la última
falla. Para el cálculo de parámetros es necesario resoiver el siguiente sistema
de ecuaciones:
n,')U
a
(33)
fk,'rtt,)]+(t.Y W*) i i n
r n \
^ i-1 J
(34)
En este punto es importante destacar que el valor de te puede clasificarse como un

dato censado. Como se indica en la figura N° 24, los parámetros se calculan con ios
valores de tiempos entre fallas y tiempos censados que ya han ocurrido; es decir
con la "historia"; y los mismos son usados para predecir ¡as faifas que ocurrirán a
futuro.
1.11.2.2.2. Proceso no homogéneo de Poisson (PNHP)

Un proceso de restauración que pueda modelarse con ei ¡¡amado Proceso No

Homogéneo de Poisson es aquel en el que los diferentes tiempos para la falla (t¡) de
un componente o sistema son considerados variables aleatorias dependientes o
idénticamente distribuidas. Esta consideración es válida si se asume que ai fallar, el
sistema es sometido a una reparación mínima, y que por lo tanto el equipo queda
"tan malo como estaba" justo antes de la falla (Yañez y col., 2004:227).
Este modeio es válido para equipos muy complejos, con múltiples componentes,
cuando ia política de reparación es "hacer la mínima reparación requerida para
poner al equipo a operar nuevamente".
Asumiendo que se cumplen las asunciones previamente descritas, y que los tiempos
sucesivos para fallar siguen una distribución de Weibuli, las ecuaciones de cálculo
para las variables probabilísticas de interés, para el PNHP son las siguientes:
Probabilidad de Fallas:
FfcHi-eí1' ri"'"' (35)

/'-' \tt
\t,<;"•" \t>\
(tY
¿ff
a\cc)
(36)
Confiabiiidad:
(37)
Tasa de Ocurrencia de Fallas:
( ít\™] ^
P
x{tím})^
(38)
CONFIABILIDAD EN SISTEMAS INDUSTRIALES 15;
Número Esperado de Fallas:
4!fí!h~[{t!n]+i!m!y-(t!"!Y
(39)
TEPPF -(al< +(íím} J' )fí -tlm¡

(40)
Al igual que para el caso del POR, para el caso del PNHP deben obtenerse dos
expresiones diferentes para ios parámetros a y p de ías ecuaciones anteriores
(Yañez y col., 2004:228):
Ecuaciones para los parámetros del PNHP. Caso 1: equipo fallado: este caso
se refiere a estimaciones que se hacen en un momento en ei que acaba de
ocurrir la falla, y el equipo no está operando. Las ecuaciones de ios
parámetros para este caso son las siguientes:
(fwfV'
a =
(41)
Donde t[n] es el tiempo de operación acumulado hasta que ocurrió la última falla, t[í]
es eí tiempo acumulado de operación hasta que ocurre ía faíía T y n es e¡ número
total de fallas.
fíri"l
l'Vt'-'l
(42)
Ecuaciones para los parámetros del PNHP. Caso 2: equipo operando: la

estimación se realiza cuando el equipo está operando y ha transcurrido un
tiempo te desde ía ocurrencia de ia última falia.
•í \
a =
n
(43)
/?-
IHRj (44)
Donde tE¡1 es el tiempo acumulado de operación hasta la falla "i", t[m] es el

tiempo de análisis o periodo de interés, tc es el tiempo transcurrido desde que
ocurrió la última falla hasta el momento en que desea realizarse el cálculo y n
es ei número total de falias observadas.
1.11.2.2.2.1. Simulación de Montecario para el proceso no homogéneo de Poisson
A pesar de que para el PNHP ía estimación deí número esperado de falias puede
h a r o r c o analíti/^nmonto c¡n ma\ir\r Hif¡r*i
f IU\JW IOU Ul IUII LI VJCJI I !UI I L\j sJI I I IMUJUI
iltarl m n la a n i a r i ñ n M° ^Q
\Jlli\JUI IUU \-t\J t I IU V/UUUVJIUI 1 i 1J W\_>,
octci nctimaHñn
\~<lj ÍÍA WUlll 1 lÚXJIUI I
también puede hacerse siguiendo el mismo procedimiento utilizado en el POR. La

principal diferencia es que se utiliza una distribución Weibuli condicional. Esto es:
(Yañez y col., 2004:229):
• (t )=?-e¡!"á'j ~'U¡ | .obteniéndose:

'.,={&.,)* -tz* ln[l -FfaW ,para i=2,3...n
(45)
Con la ecuación N° 45, se puede calcular el número esperado de fallas al tiempo "T"
(A(T)), siguiendo el diagrama de flujo que se muestra en la figura N° 25.
1.11.2.2.3. Proceso generalizado de restauración (PGR)
El proceso generalizado de restauración provee la plataforma para calcular las

variables probabilísticas de interés para equipos reparables sin Ja necesidad de
hacer asunciones acerca del estado deí equipo después de la reparación. Es un
proceso general que contiene a los casos de POR y PNHP como casos extremos;
pero que permite modelar casos intermedios, es decir, reparaciones en las que el
equipo queda "mejor que como estaba pero peor que cuando nuevo"; es decir
niveles "parciales de restauración". Como puede observarse, este proceso permite
modelar casos más reales que el POR y e! PNHP (Yañez y col, 2004:230).
El PGR es un desarrollo muy reciente, de considerable complejidad matemática que

aún puede considerarse un área de investigación; por ¡o cual no fué desarrollado en
este trabajo.
1.12. Confiabiiidad de sistemas
En este punto se incluyen puntos relacionados con el cálculo de ia confiabiiidad de

sistemas, modelos, análisis de causa común, análisis de importancia de los
componentes, entre otros.
1.12.1. Generalidades sobre la confiabiiidad de sistemas
En algunos estudios el interés de determinar la confiabiiidad de un sistema

SELECCIONE "
EL PERIODO t>£
J^fliOH '• aajKctoNe"a humero - .
•. AMAU3IST
15.-0"
GMEMRAt-EAraPJAMEHtr;, u^Y*^3J^J5i?J;l J*"1
ThmftoparalaFíHb(t)
\t,..r>t:
i ;;.;. t^pu^-a^'J ii^
f^lJ'-*''"(*-*/)
t . .
•-•:'Wi-".S-..|
s/ l " r~"
N'FaM» | NO . y«t'-í"
:;'Ví"-" ;f "'"-V-^'
•——^ ,.,.;i. ,,v...,,,
" NUMERO ESPERADO Dfe
-.FALLAS ALTJEMPCT.--
Figura N° 25. Simulación de Montecario para el número esperado

de fallas A(T) - PNHP
compuesto por partes o subsistemas, cada uno de ellos con su propia confiabiiidad.
Las contabilidades de los componentes determinan la confiabiiidad del sistema.

Con frecuencia ios componentes de un sistema están conectados en serie, en
paralelo o en forma mixta. Cuando están conectados en serie se requiere que todos
ios componentes funcionen para que el sistema funcione; cuando están en paralelo
basta que uno de los componentes funcione para que el sistema funcione (Pulido y
De la Vara, 2004:475).
Entonces, se desea modelar la confiabiiidad con el objetivo de obtener expresiones

de confiabiiidad en el caso de sistemas complejos, conociendo la confiabiiidad de
cada elemento constituyente y las relaciones funcionales entre ellos. El primer paso
es obtener una representación simple de un sistema complejo, mediante el uso de

técnicas tales como diagramas de bloque funcionales, árboles de falla o cadenas
markovianas (Díaz, 1992:23).
Los sistemas están formados por una serie de componentes individuales

interrelacionados, realizando cada uno un trabajo específico. Si algún componente
no funciona, por cualquier motivo, el sistema entero (por ejemplo, un avión o una
máquina) puede fallar (Heizery Render, 1997:303)
La confiabiiidad de un sistema se define como ia capacidad de dicho sistema para

ejecutar la función que de él se espera bajo un conjunto de condiciones específicas
y durante un período de tiempo predefinido. Es necesario mencionar que bajo este
concepto, un componente o parte de los elementos del sistema puede estar
inoperativo, pero sí eí sistema sigue ejecutando sus funciones dentro de ¡as
premisas establecidas, el sistema como tal no se encuentra en falla, y por ende
sigue satisfaciendo el concepto de confiabiiidad (Yañez y col., 2004:251-252).
Cuando se agrupan un número de componentes y se conforma un sistema, el

objetivo de la confiabiiidad está orientado ai control de fallas a nivel de estos
componentes y a la búsqueda de configuraciones estructurales que garanticen en
mayor grado a alcanzar el nivel de desempeño requerido para dicho sistema.
1.12.2. Modelos para estimación de confiabiiidad a nivel de sistemas
El objetivo de modelar ia confiabiiidad es obtener expresiones de confiabiiidad en el

caso de sistemas compiejos, conociendo la confiabiiidad de cada elemento
constituyente y las relaciones funcionales entre ellos. Ei primer paso es obtener una
representación simple de un sistema complejo, mediante el uso de técnicas tales
como diagramas de bloque funcionales, árboles de falla o cadenas markovianas
(Díaz, 1992:23).
CONFIABILIDAD EN Sltí I bIVIAS INDUSTRIALES 158
Existen diferentes técnicas de modelaje que permiten el estudio sistemático de los

sistemas desde el punto de vista de confiabiiidad, entre estas técnicas pueden
citarse los diagramas de bloques de confiabiiidad, los árboles de falla, los modelos
de Markov y ei análisis de modo y efecto de falla (AMEF). Estas técnicas son
ampliamente utilizadas como soporte en ei estudio del ciclo de vida de un sistema y
para determinar la tasa de falla, entre otros. A pesar de la generalidad de estas
técnicas, algunas de ellas son de mucha utilidad para aplicaciones muy específicas;
así por ejemplo, para determinar la frecuencia de fallas de un sistema o subsistema
a partir de ia tasa de falia de sus componentes, los diagramas de bloques de
confiabiiidad y los árboles de falla son muy convenientes. Cuando existen estados
parciales en el sistemas, en donde parte de los componentes se encuentran en falla,
pero el sistema en su totalidad podría estar operativo (estado de fallas parciales), los
diagramas de Markov son atractivos (Yañez y col., 2004:252-253).
1.12.2.1. Diagramas de bloques de confiabiiidad (DBC)
Es un método de análisis de arriba hacia abajo en el cual eí diagrama resultante

muestra ia organización del sistema, permitiendo visualizar muy convenientemente
la interrelación funcional de los subsistemas.
El análisis matemático que soporta los diagramas de bloque de confiabiiidad utiliza

técnicas soportadas en álgebra Booieana y "sets" de combinaciones entre otros. La
principal ventaja de este método es que el mismo permite analizar caminos
paralelos, redundantes y caminos caracterizados por tener componentes en espera,
los cuales pueden ser construidos bien sea con base a la probabilidad de falia o a la
probabilidad de éxito. Adicionalmente el método provee modelos para la predicción
de ia confiabiiidad del sistema en términos probabilísticas.
Ei primer nivel de análisis es a nivel de sistema. Posteriormente el sistema es

dividido en subsistemas y los subsistemas en componentes hasta que es alcanzado
eí último nivel seleccionado para análisis.
Esta técnica permite mostrar la arquitectura de un sistema mediante bloques que

representan a los elementos específicos. La interconexión entre los bloques es
básicamente de los tipos serial y paralela (Díaz, 1992:23); los cuales se muestran a
continuación:
• Sistemas en serie: desde el punto de vista de confiabiiidad, un sistema en

serie es definido como aquel sistema en donde todos sus componentes
deben operar para que ei sistema en su totalidad opere (Yañez y col.,
2004:253).
Para sistemas que se encuentran dispuestos en serie, como ei mostrado en la

figura N° 26, ía confiabiiidad y la probabilidad de falias son calculadas a través
de las siguientes ecuaciones:
Csist.W = Ci(t) * C2(t) * C3(t) CN(t) = nCi(t) (46)

i=1
FSIST.(t) = 1 - [0,(1) * C2(t) * C3(t) ...CN(t)] = [1 - n(1 - Fi(t))] (47)

Í=1
1 2 3 N
Figura N° 26. Diagrama de bloques de confiabiiidad para

sistemas en serie
Estas ecuaciones asumen que ia fiabilidad de un componente individual no

depende de ia fiabilidad de los otros componentes (es decir, cada
componente es independiente). Además, en esta ecuación, las fiabiiidades
son presentadas como probabilidades. Una fiabilidad de 0,90 significa que ¡a
unidad funcionará según io deseado el 90% del tiempo. También significa
que fallará 1 - 0,90 = 10% del tiempo (Heizer y Render, 1997:304).
La fiabilidad de los componentes es normalmente una cuestión de diseño o

especificación de ía cual debe ser responsable el personal de diseño de
ingeniería. No obstante, el personal de compra puede ser capaz de mejorar
ios componentes de ios sistemas estando ai corriente de los productos y
esfuerzos de investigación de los proveedores.
En la conexión serial, la falia de un bloque ocasiona la falla deí sistema. Un

ejemplo de este tipo de conexión son dos bombas colocadas en serie a fin de
obtener una cierta columna de agua. La falla de una de las dos será
suficiente para impedir el suministro de la columna de agua deseada (Díaz,
1992:24).
Como puede apreciarse, la confiabiiidad de un sistema constituido por

elementos en serie, siempre es inferior a ia menor de las confiabiiidades
existente; de allí que ía sensibilidad de este arreglo a la confiabiiidad de cada
uno de sus componentes sea alta.
Sistemas en paralelo: desde eí punto de vista de confiabiiidad, un sistema en

paralelo es definido como aquel sistema en donde todos sus componentes
deben fallar para que el sistema en su totalidad no opere (Yañez y col.,
2004:254).
Para sistemas dispuestos en paralelo como el mostrado en ía figura N° 27, ia

confiabiiidad y la probabilidad de fallas son calculadas con las siguientes

ecuaciones:
FsiST-(t) = F^t) * F2(t) * F3(t) FN(t) - nFi(í) (48)

1=1
CS|ST.(t) = 1 - FS,ST.(t) = 1 - ü[1 - C¡(t)] (49)

i=1
_^
Figura N° 27. Diagrama de bloques de confiabiiidad

para sistemas en paralelo
Este tipo de arreglos se utiliza para diseñar sistemas redundantes, y aumentar

la confiabiiidad global del sistema; de esta forma se diseñan sistemas duales,
triples, etc., con unidades idénticas o diferentes.
En el caso particular de un sistema en paralelo compuesto por "n" módulos

redundantes idénticos, la confiabiiidad del sistema viene dada por:
R sistema = 1 - (1 - R)n (50)

De allí por ejemplo, que si se dispone de un sistema redundante constituido

por dos unidades idénticas cuya confiabiiidad individual sea 90%, resulta que
la confiabiiidad del sistema redundante se incrementa a 99%.
En ia conexión paralela, ambos eiementos deben fallar para que el sistema io

haga. La conexión paralela o "de redundancia" puede ser activa o pasiva. Es
activa cuando ambos eiementos funcionan simultáneamente, y uno asume el
servicio faitante de manera tota! o parcial al fallar el otro. Un ejemplo común
son dos transformadores con capacidad máxima de 6 Mva cada uno
funcionando en paralelo y absorbiendo, en condiciones normales, 3 Mva de
carga cada uno individualmente (Díaz, 1992:24-25).
La redundancia es pasiva cuando un elemento se encuentra sin funcionar a la

espera de la falla del otro, momento en el cual se conecta medíante
conmutación manual o automática. Por ejempio, dos computadoras de
control de procesos que actúan una como respaldo de la otra.
La mayor confiabiiidad se obtiene en teoría con redundancias pasivas. La

hipótesis de confiabiiidad perfecta en eí elemento de transferencia no se
observa; sin embargo, en la práctica y es frecuente encontrar elementos que
no entran en operación al ser requeridos, ya sea por fallas en la transferencia
o por falia dei elemento pasivo en estado de espera. Estos tipos básicos de
configuraciones pueden ser combinados de diferentes maneras y la
confiabiiidad del conjunto calculada utilizando cadenas markovianas, el
teorema de Bayes o métodos numéricos de solución de árboles de falla.
Votación ['m" de "n": algunos esquemas de redundancia, contemplan el uso de

un número de componentes o unidades mayor que ei requerido, a fin de
poder establecer esquemas de votación que permitan incrementar la
confiabiiidad global del sistema (Yañez y col., 2004:255).
CONFIABILIDAD EN Siü i tiviAS INDUSTRIALES 163
Un ejemplo de este tipo de arreglo es ei mostrado en ia figura N° 28, en el

cual se requieren "k" componentes de los "N" que están en paralelo. Este
arreglo muy particular se denomina "k" de "n" componentes. Para estos casos
ia confiabiiidad y ía probabilidad de faíias se calculan con las siguientes
ecuaciones:
N-r
Csisr(t) =r=K
2(N)[C,(t)]r[1-Cí(t)]
r
(51
FsisT(t) = 1 - CsiSTÍt) (52)
Donde :
N = número total de componentes en paraleio.
K= número mínimo de componentes requeridos.
C¡(t) = Confiabiiidad de cada componente en el tiempo (t).
Figura N° 28. Diagrama de bloques de confiabiiidad

para sistemas en paraieio "K de N"
Fuente; Yañez y col., 2004
En eí caso particular de disponer de un sistema constituido por dos módulos,

en arreglo de votación 1 de 2, y con una confiabiiidad por módulo de 90%, la
confiabiiidad global de! sistema está dada por:
Rsistema = ( ¿) * 0.9 * ( 1 - 0.9) + ( z) * 0.9 * (1 - 0.9) = 0.99

1 2
Es decir, la confiabiiidad de un sistema constituido por dos módulos idénticos

cuya confiabiiidad es de 90%, configurados en redundancia 1 de 2 es de 99%.
Como puede verse, este resultado coincide con el cálculo realizado para
sistemas en paralelo, lo cual resuíta lógico ya que un arreglo en votación 1 de
2 equivale precisamente a un arreglo en paralelo.
A continuación se presentan ejemplos, que permitirán comprender mejor los

conceptos planteados:
• En un sistema conectado en serie, sus componentes presentan las siguientes

confiabiiidades: pA = 0.90, pB = 0.95 y pc = 0.90, se desea calcular ¡a
confiabiiidad dei sistema (Mendenhall y Sincich, 1997):
P(EI sistema funciona) = pA Pb Pc = (0.90)(0.95)(0.90) = 0.765
• Suponga que los componentes del ejemplo anterior se conectan en paralelo,

y calcule la confiabiiidad del sistema:
P(EI sistema funciona) = 1 - (1 - pA) (1 - Pb) (1 - Pc)
= 1 -(0.10)(0.05)(0.10)
= 1 -0.0005
= 0.9995
Los dos ejemplos anteriores ilustran el hecho de que la confiabiiidad de un sistema

en serie siempre es menor que la confiabiiidad de su componente menos confiable.
En contraste, la confiabiiidad de un sistema en paralelo siempre es mayor que la
confiabiiidad de su componente más confiable.
• Considere el sistema de bombeo de crudo mostrado en la figura N° 29. Se

desea determinar la confiabüidad del sistema asumiendo que todas las
bombas son iguales y tienen una confiabiiidad de 0.8. Adicionalmente, las
válvulas de bloqueo y las válvulas de retención (check valve) de las bombas
tienen una probabilidad de falla de 0.01. Finalmente ¡a confiabiiidad de la
válvula de control en la descarga del sistema es de 0.99 y ias válvulas de
desvío (by-pass valve) y de entrada tienen una probabilidad de falla de 0.001.
El sistema requiere de 2 de las 5 bombas para cumplir con el requerimiento
(Yañez y col., 2004:256).
Fy^0.001 Cb=0.80 Fy^0.O01 * FÔ.001
Cv=0.99
i>fy
FV~Q.001 l_
Fv=0.001
r-M v u
Figura N° 29. Sistema de bombeo de crudo

Fuente: Yañez y col.,. 2004
Por tener ias bombas, las válvulas de bloqueo y ias válvulas de retención las
mismas confiabiiidades, se tiene que:
C1 = C2= C3= C4 =C5= Cv *Cv*Cb* Cv= Cv3 *Ct

Ci = 0.9993 * 0.8 = 0.798
Luego, resolviendo el arreglo paralelo de la válvula de descarga del sistema y

de su respectivo desvío se tiene (Yañez y coi., 2004:257):
Cvc = 1 - n[1 - Ri(t)] = 1 - [1 - 0.999] * [1 - 0.99] = 0.99999

i=1
Finalmente, ia confiabiiidad de todo ei sistema de bombeo viene dada por:
L/sist._bombeo ~ U-v(entrada) U-sist(bombas) ^vc+by-pass
C sist.„bombeo 0.9999 * 0.9925 * 0.99999 = 0.9923
La tabla N° 11 muestra los diferentes resultados en términos de confiabiiidad
del sistema, que se obtendrían para diferentes valores de "K" (Número de

equipos requeridos).
Tabla N° 11. Resultados - Confiabiiidad sistema

de bombeo de crudo
K de N componentes Confiabiiidad
Sistema de bombeo
2/5 0.9923
3/5 0.9399
4/5 0.7330
5/5 0.3235
1.12.2.2. Análisis de árboles de falla (AAF)
El análisis con árboies de falla es una metodología deductiva que se apoya en ia

elaboración de un diagrama lógico capaz de mostrar todas ías posibles situaciones

que pueden generarse en un proceso de falla. Es un método visual usado para
analizar las interreiaciones entre situaciones indeseadas o fallas a nivel de los
componentes de un sistema y una falla principal o situación indeseada a nivel del
sistema complejo (o evento tope) (Yañez y coi., 2004:258).
Consideran que el análisis con árboles de falla permite no solamente la

representación gráfica y lógica de un proceso de falla a nivel dei sistema, sino que
permite cuantificar la probabilidad de ocurrencia dei evento tope, a partir de las
probabilidades de ocurrencia de fallas o eventos indeseados a nivel de
componentes.
En resumen puede decirse que el análisis de sistemas con árboles de fallas permite:
1.- Representar de manera gráfica ia lógica de falia de un sistema y deducir

sistemáticamente las diversas combinaciones de fallas o eventos indeseados que ai
ocurrirá nivel de componentes producen la ocurrencia de un evento tope.
2.- Calcular la probabilidad de falla y la confiabiiidad de un sistema a partir de

probabilidades de falla, frecuencia de falias o eventos a nivel de componentes.
Para satisfacer estos objetivos, esta metodología requiere de una simboiogía

particular y del uso de "álgebra Booieana".
Según Díaz (1992:26), la técnica de los árboles de falla puede ser usada como
herramienta en el diagnóstico de fallas, y como instrumento docente porque
simplifica la comprensión de procesos complejos. También se utiiiza en la
elaboración de sistemas expertos de mantenimiento.
1.12.2.2.1. Componentes de ios árboles de falla
Cuando se presenta un árbol de falla terminado y se describen sus elementos, ei

analista debe hacer uso de los símbolos reconocidos intemacionalmente, los cuaies
se muestran en ía figura N° 30 de la manera descrita debajo (Yañez y col.,
2004:259-260):
• Elipse: ei evento tope, ia elipse, contiene la descripción del nivel de "falta"

más aito o evento no deseado. El símbolo aparece en ía cabecera o tope dei
árbol y es incluido solo una vez en cualquier árbol. La entrada a la elipse
proviene de una compuerta lógica.
• Rectángulo: el evento "falta", ei rectángulo, contiene una breve descripción de

un nivel de falta más bajo. La misma debe ser corta sin que sea vaga. Los
eventos "falta" aparecen a través de todo el árbol y tanto su entrada como su
salida provienen de una compuerta lógica.
• Casa: el evento "entrada", ía casa, provee de una entrada (o faíla) al sistema,

la cual tiene la capacidad de causar una "faita". Esta entrada puede ser una
condición represada en una fuente fuera del sistema en análisis, o la falla de
un componente deí sistema. Ei evento de "entrada" se utiliza como una
entrada a una compuerta íógica.
• Círculo: el evento básico, eí círcuío, es ei nivel más bajo de análisis, el cual

tiene la capacidad de hacer que ocurra la falta en el sistema. El evento
básico, al igual que el evento de entrada, es utilizado como una entrada a una
compuerta lógica. Como factor importante debe señalarse que ¡a selección
dei evento básico depende de ios sistemas en análisis y juega un papel muy
importante en lo que respecta a la recolección y/o disponibilidad de data.
169
/ \ EVENTO NO
!
) EVENTO TOPE
A ENTRADA
TRANSFERENCIA \ / DESARROLLAD
1
SALIDA / N-, COMPUERTA "0F
EVENTO
FALTA /Y TRANSFERENCIA
( \ COMPUERTA
ó EVENTO ENTRAOA COMPUERTA "Y*
yF^ "0 EXCLUSIVA'
Ó EVENTO BÁSICO Q COMPUERTA *Y"

SECUENCIAL
¡ L
l )
COMPUERTA
-INHIBICIÓN"
Figura N° 30. Compuertas utilizadas en árboles de falia

Diamante: los eventos no desarrollados o no analizados, ei diamante,

contiene una falla que se encuentra en el nivel más bajo de análisis del árbol
de falla, pero puede ser analizada en niveles más bajos aún. Este tipo de
falla se refiere a eventos tales como la falla de sub-ensamblajes que son de
una complejidad tal que no pueden tratarse como eventos básicos. Para
estos casos se pudiera desarrollar otro árbol de falla para describir la falla. La
razón para no desarrollar en mayor profundidad puede ser el evitar que el
árbol de falla se convierta en algo demasiado grande e inmanejable. El
evento no desarrollado es igualmente una entrada a una compuerta lógica.
Triángulo: la función de transferencia, el triángulo, es utilizado para significar

una conexión entre dos o más secciones de un árbol de falla. El uso más
común de la función de transferencia es la de prevenir la duplicación de sub
divisiones en diferentes partes del árboi. La función de transferencia es
utilizada también para señalar una ubicación de una parte dei árbol que se
encuentra ubicada en una hoja aparte del mismo árbol de falla.
Compuertas lógicas: ías compuertas lógicas de entradas y salidas, excepto

por ia compuerta de inhibición, tienen conexiones similares. La salida desde

una compuerta lógica es hacia cualquier bloque que designa un evento o
hacía una función de transferencia. A continuación se definen las diferentes
compuertas:
o Compuerta "Y": es una compuerta lógica en ía que la salida ocurre si todos

Jos eventos de entrada ocurren.
o Compuerta "Y secuencia!": es un caso especial de la compuerta "Y" en la

cual la salida ocurre si todas las entradas ocurren pero en un orden o
secuencia específica.
o Compuerta "O": es ia compuerta lógica en la que ia salida se activa si ai

menos una de las entradas ocurre.
o Compuerta "O exclusiva": es una compuerta lógica en la cuai la salida se

activa cuando una y solo una de ¡as entradas se activa.
o Compuerta de "Inhibición": el hexágono es otro caso especial de la

compuerta "Y" en ei cua¡ una entrada es un evento básico de más bajo
nivel y la otra es un calificador condicional. La salida de esta compuerta
es hacia un evento "faifa".
1.12.2.2.2. Álgebra booieana
Es ía rama de ía matemática que representa ias relaciones entre entidades. Se

puede utilizar directamente en diseño digital ya que ¡as variables empleadas en las
expresiones Booleanas están restringidas a valores de 0 y 1 (Yañez y col.,
2004:261-269).
CONFIABILIDAD EN SISTEMAS INDUSTRIALES 1'1
Las regias más utilizadas son:
o Ley conmutativa: X * Y = Y * X
X+Y-Y + X
• Ley asociativa: X * (Y * Z) = (X * Y) * Z
X + (Y + Z) = (X + Y) + Z
• Ley distributiva: X*(Y+Z) = X*Y + X*Z

X + Y * Z = (X + Y) * (X + Z)
• Ley idempotente: X*X = X

v\ • s\ s\
• Ley de absorción: X * (X + Y) = X
X+X*Y=X
Teorema de Morgan: X * Y = Y + X
X+Y=Y*X
1.12.2.2.3. Desarrollo de un árbol de falla
Eí procedimiento general para desarrollar un árbol de falla debería ser como se

explica a continuación:
1. Identificar eí evento no deseado: en la identificación del evento no deseado o
evento tope se sugiere la utilización de los siguientes criterios:

CONFIABILIDAD EN S!STEM^S INDUSTRIALES 172
a) El evento tope debe ser medible, definible y observable.
b) El evento tope debe ser inclusivo de los eventos de menor nivei.
c) El evento tope debe ser controlabie.
Ei evento no deseado es con mucha frecuencia una "falta" que a! ocurrir trae
como resultado la falla deí sistema completo, ia falia dei sistema de respaldo,
degradación en los niveles de producción o calidad de ios productos, o falias
no detectadas. Este evento es considerado una falla catastrófica o un evento
cuyas consecuencias no son permisibles tales como pérdida de la
disponibilidad o degradación de ios productos de saiida, parada dei sistema
y/o situaciones que colocan en situación riesgosa al personal de operaciones,
mantenimiento o terceras personas.
Puede darse ei caso que el evento tope se produzca por la ocurrencia de una
falla inusual a nivel de un sub-sistema cuya causa es desconocida. En todo
caso, cualquier evento observable puede ser seleccionado como "evento no
deseado" o "evento tope" y el analista debe reconocer que un análisis con un
árbol de fallas no identificará riesgos no asociados con el evento
seleccionado.
Para definir el "evento no deseado" o "evento tope" debe conocerse la

operación normal del sistema y el ambiente a sus alrededores con ¡a
finalidad de permitirle al analista mostrar dicho evento como un riesgo en
seguridad o pérdida de confiabiiidad.
Cuando se define el evento se debe evitar que ios rangos de ias faltas se
definan de manera muy amplia. Por ejemplo, "falia para completar ía misión",
para una planta de proceso, no es So suficientemente específica para facilitar
ei análisis. Esto se debe a que ia falla puede variar desde la "falta" de un

componente que puede causar la reducción temporal del nivel de producción
hasta ía pérdida de un componente crítico que para la planta completa. Estas
dos faltas pueden ser criterio para definir la pérdida de ia misión, sin embargo,
el paro de la planta completamente es obviamente mucho más severo que la
reducción dei nivel de producción.
2. Construir el árbol de falla: para la construcción de! árboi de faiia se sugiere

seguir ios siguientes pasos:
a) Definir la finalidad del árbol de falla: en ia mayoría de los casos ios árboles
de falla son generados para evaluar segundad o confiabiiidad. Si es
seguridad ei caso, ei árbol será construido alrededor de un evento tope
relacionado con la seguridad de ia planta. De otra manera sería
construido alrededor de eventos operacionales relacionados con la
producción o ia integridad mecánica de ia unidad como evento tope.
b) Definir el evento no deseado o evento tope: esta es una de ias fases más
importantes en la construcción del árbol, ya que de ella dependen todas
ías consideraciones que se deben hacer durante ia construcción dei árbol.
Si ei evento tope no se define correctamente, ei árboi de falia completo
puede fácilmente convertirse en algo inútil para la función para ia cual fue
diseñado.
c) Comenzar ia construcción del árboi con la falta a nivel de sistema:

describa completamente todos los eventos que pueden causar quje esta
falla ocurra.
Divida ei sistema en sub-sistemas de ser posible: la razón para hacerlo es

que esto le permite ai analista simplificar ia construcción utilizando la falla
de cada sub-sistema como una posible rama principal para el árbol de

falla. Cuando el sistema es sub-dividído en forma correcta ei tiempo
requerido para evaluar el árboi completo se reduce en forma considerable.
d) Defina completamente cada rama dei árboi antes de comenzar con ía

rama siguiente: esto evita complicaciones en el manejo de la información
ai momento de construir ei árbol.
e) En ia medida en que se vaya descendiendo a los niveles inferiores,

continúe describiendo sus causas inmediatas hasta que ia falla sea
atribuible ai nivel mínimo pre-estabiecido o a un error humano (nivel de
entrada del árboi).
f) Durante la construcción del árbol, es recomendable utilizar un diagrama de

bloque del sistema para simplificar la determinación de ¡as ramas
principales. Adicionalmente, si los resultados de un análisis de modos y
efectos de faifas dei sistema están disponibles al momento de hacer el
árbol de fallas, es recomendable utilizar los resultados en la definición dei
evento tope.
3. Analizar el árbol de fafía: una vez construido el árbol de falla, se procede a ía

identificación de ¡os sets de combinaciones mínimas. Un set de
combinaciones mínimas se define como la combinación de fallas de
componentes, que causa la falla del sistema. Al observar ei árbol de falla
comp¡eto, un set de combinación mínima es un camino desde el evento
tope hasta ia falta de cualquiera de ¡os eiementos o componentes en el nivel
básico.
Cuando se realiza el análisis del árbol de falla, debe hacerse un esfuerzo

importante en ia parte cuantitativa del análisis de! sistema. Entalsentido.se
CONFIABILIDAD EN S'STEM^S INDUSTRIALES 1?5
enumeran los pasos que deben seguirse:
a) Determinar ¡os sets de combinaciones mínimas para simplificar el árboi

(análisis cualitativo).
b) Determinar ia probabilidad de ocurrencia de cada evento de entrada.
c) Combinar ias probabilidades de ios eventos de entrada a través de ias

compuertas lógicas de ia siguiente manera:
c.1) Compuerta "Y": la probabilidad a ia saiida es eí producto de ias

probabilidades de las entradas: PO = P1 * P2 *.... Pn
c.2) Compuerta "O": ¡a probabilidad a la saiida es la suma de ías

probabilidades de las entradas: PO = 1 - ((1 - P1) * (1 - P2) *
(1 - Pn). Asumiendo que las entradas son independientes.
d) Continuar la combinación de las probabilidades de entrada de ías

compuertas hasta determinar la probabilidad de ocurrencia de! evento
tope.
e) Identificar aqueüos sets de combinaciones mínimas susceptibles a causas

rAmunoc Ho folla- lac roncpc mmnnnc Ho folloc r\ a\/olnariñn rio mnrlnc
de falla comunes identifican los sets de combinaciones mínimas que

contienen múltiples eiementos que tienen una vulnerabilidad en común
que los pudiera hacer faliar a todos debido a una misma causa de falla.
Es extremadamente importante entender que ias fallas de ios elementos
primarios en un árboi de falla no son necesariamente independientes.
Una causa básica simple de falla puede resultar en fallas múltiples que
originen ia falla deí sistema. Por definición, ios eventos topes ocurren solo
si ios elementos primarios fallan de tal manera que conforman un set de
combinación mínima. Por tai razón, ei interés en las causas comunes de
faiía, ias cuales pueden activar todos los componentes primarios en ios
mencionados sets.
Cuando se ejecutan análisis de confiabiiidad a nivel de sistemas, ios

mismos obligan a tomar en cuenta que existen escenarios operacionales
alternativos, estrategias de mantenimiento y soporte diferentes a ia actual,
rutinas de diagnóstico, aplicaciones automáticas versus manuales y
muchas otras cosas que pueden contribuir al mejoramiento de los niveles
de confiabiiidad.
Ei proceso de investigar estas alternativas y ia evaluación en términos de

criterios pre-establecidos constituye un esfuerzo analítico considerable.
Dicho esfuerzo debe ser soportado por el incremento de los niveles de
confiabiiidad en conjunto con los beneficios económicos de su
implementación, ya que de io contrario no tiene sentido poner en práctica
ninguna de ias mencionadas alternativas.
A continuación se presenta un ejemplo: se desea desarrollar un árbol de falla para

ei sistema mostrado en ia figura N° 31 con el evento tope "No producción en el
sistema". Adicionalmente, se requiere caicuiar la confiabiiidad deí sistema para una
misión de 100 horas. Asuma una tasa de fallas constante de 1/600 hrs"1 para todos
ios componentes.
El primer paso es determinar ios caminos que deberían fallar simultáneamente para
que no hubiese saiida en el sistema; estos son: 1)BG, 2) D!, 3) CH, 4) BEH y 5)
DFH.
IBP
\1j
1
JV c
n )\ Y
n n j— - > -
f
í F ')
\ y
T
•\ I )
"\._ y
Figura N° 31. Diagrama - Sistema de bombeo
Con esta información se construyó el árbol de falias mostrado en la figura N° 32.
NO SALE PRODUCCIÓN DEL SISTEMA
| I
l-r
_,-L
t 7--
e í i q
\ fKLA j \ FALLA ; \ FAI.U ! \ FîLA I I
FALL*
Figura N° 32. Árbol de falla del sistema bombeo

Resolviendo se tiene lo siguiente:

T = (B + G) * (D + i)(C + H)(B + E + H)(D + F + H)
T = (BD + Bl + GD + GI)(C + H)(B + E + H)(D + F + H)
T = (BDC + BDH + BiC + BIH + GDC + GDH + GSC + GIH)(B + E + H)(D + F + H)
T = (BDC + BDCE + BDCH + BDH + BDHE + BDH + BiC + BÍCE + BiCH + BIH +
BiHE + BIH + GDCB + GDCE + GDCH + GDHB + GDHE + GDH + GICB + GICE +
GICH + GIHB + GiHE + GlH)(D + F + H)
T = (BDC + BDH + BIC + BIH + GDCE + GDH + GICE + GIH)(D + F + H)
T = BDC + BDCF + BDCH + BDH + BDHF + BDH + BICD + BICF + BiCH + BIHD +
BIHF + GDCE + GDCEF + GDCEH + GDH + GDHF + GDH + GICED + GECEF +
GiCEH + GiHD + GIHF+GIH
T = BDC + BDH + BICF + BIH + GDCE + GDH + CICEF + GIH (53)
Una vez encontrado el set de combinaciones mínimo para que se produzca el

*=»\/*=nrfv>
>_<V Vil 1 IW
tnno
IVUV/ ,
co
VVJ
r\mre*ric*
Ul VWWUW
a
U
la
l>~*
rt iantifír,ar,¡ón
UUUI lili I V«V>I U l l
rfo
U W
la
H~l
nrohahiliHaH
Ul Ul/Uk/NIVJUVJ
ria
uv
nn irr^nrlc»
V U U I I Wl 1WIU
río!
UUI
mismo.
Puede convertirse la ecuación N° 53 en una ecuación de probabilidades

sustituyendo cada evento por su probabilidad de ocurrencia:
Pr(T) = Pr(BDC) + Pr(BDH) + Pr(BICF) + Pr(BIH) + Pr(GDCE) + Pr(GDH) +

Pr(CICEF) + Pr(GiH) (54)
Si cada componente tiene una tasa de fallas constante de 1/600 hrs"1; quiere decir,
que eí tiempo para fallar sigue ia distribución exponencial, y por ende ¡a confiabiiidad
CONFIABILIDAD EN S _ 3 INDUSTRIALES 1 /9
para 100 horas se estima de la siguiente forma:
c.==e-íi/6oo)t=:e--ioo/6oo = 0_8464
Al sustituir en ia ecuación de probabilidades (N° 55) se obtiene:
Pr(T) = 5(1 - CO3 + 2(1 - C¡)4 + (1 - C»)5 => Pr(T) = 0.01928
CsisT(100hrs) = 1 -Pr(T) = 1 -0.01928 = 0.9871 * 98%
1.12.2.3. Análisis de Markov
Para aplicar las técnicas de estimación de figuras de mérito de Markov, es necesario

primero elaborar los diagramas o modelos de Markov equivalentes del sistema físico
bajo estudio. De allí que en este punto se describe iniciaimente eí procedimiento
para la elaboración de ios diagramas de Markov y posteriormente se explican
algunas de las técnicas para determinar parámetros de confiabiiidad basados en los
modelos de Markov (Yañez y col., 2004:269).
1.12.2.3.1. Desarrollo de modeios de Markov
Los pasos recomendados para eí desarrollo de ios modelos de Markov son los
cim liontoc1
VIUUIVI IIVJVI.
• Desarrollo del diagrama de Modo de Falla y Análisis dei Efecto (AMEF).
• Clasificación de la falla de acuerdo a su efecto.

CONFIABILIDAD EN S S INDUSTRIALES 18G
Desarrollo inicial dei diagrama de Markov.
Simplificación dei diagrama de Markov.
1.12.2.3.1.1. Desarrollo deí diagrama de análisis del modo y efecto de falla

(AMEF)
El primer paso consiste en identificar cada uno de los componentes funcionales que
conforman el sistema, sus diferentes modos de falla y el efecto que cada una de
estas fallas tiene sobre el sistema.
En este paso es importante tener un conocimiento preciso de ia arquitectura y

dinámica del sistema considerado a fin de poder discriminar con un alto grado de
exactitud ei comportamiento del sistema ante la ocurrencia de los diferentes
escenarios de falia estudiados.
De ia claridad y profundidad con la que se realice este diagrama, dependerá en gran

medida el grado de ceñidumbre del estudio de confiabiiidad a ejecutar.
1.12.2.3.1.2. Clasificación de ia falla de acuerdo a su efecto
Una vez identificados los modos de falia de cada uno de ios componentes del
sistema, se debe determinar el estado en el cual se posicionará ei sistema ante la
presencia de esas fallas (falla parcial, falia total, etc.). Particularmente, en eí área de
sistemas instrumentados de seguridad y protección, el sistema puede posicionarse
en un estado de faila segura, un estado de falla peligrosa o en un estado de falla
temporal, en donde a pesar de que algunas de fas funciones dei sistema se
encuentran parcialmente deshabitadas, el sistema como un todo sigue operativo

(estado de falla parcial).
1.12.2.3.1.3. Desarrollo inicia! del diagrama de Markov
Ei tercer paso consiste en representar cada uno de los estados que puede alcanzar
ei sistema ante la presencia de cada una de las fallas identificadas en el diagrama
AMEF. Para ello es importante recordar que para todo estado exitoso del sistema
(estado inicial o estados de fallas parciales) es necesario establecer los diferentes
tipos de falla que pueden presentarse en cada uno de los componentes operativos
bajo ese escenario (Yañez y col., 2004:270).
1.12.2.3.1.4. Simplificación del diagrama de Markov
Para una mayor comprensión del procedimiento para el desarrollo de los modeios de
Markov, a continuación se presenta un ejemplo donde se utiliza la misma en una
aplicación orientada al diseño de un sistema de protección.
Considere un sistema de protección constituido por un controlador lógico

rirn^romíihlo /DI /"*\ on /--Anfini iroîAn r^Dl l_Hiiol \i lo inofn imanto/îÁn Hq ôrY\r-»/-\
jîuîaiuak/iu yi L_wy V/ii uvimyuíauívi 1 v-/i u"uuai, y i€¡ iiiouuiiiüi iiciuiwi i \j\j vampu
siguiente:
• Elementos primarios:
o Interruptor A.
o interruptor B,
o Interruptor C.
r:í3L'nu'SlSi:
lotí7l,-JlLÍ*S
182
« Elemento finai de control:
o Válvula V-1
Cuando cualquiera de ios elementos primarios de control (interruptor A, B y C),

normalmente energizados, detecta una condición anormal, el PLC debe
ejecutar una lógica que posicione la válvula de apertura de emergencia (V-1) en
posición abierta.
En la figura N° 33 se puede observar la arquitectura funcional del sistema de

segundad y protección considerado (Yañez y col., 2004:271).
[*J \ B M c
" V
MODULO DE ENTRADA DEL PLC
PROCESADOR I PROCESADOR 2 í
1
MODULO DE W
SALIDA DEL
PLC
PLC-CPU DUAL
Figura N° 33. Arquitectura funcional del sistema (AMEF)

La configuración y programación interna de los procesadores del PLC, está realizada

de forma que la desenergización de ia válvula solenoide correspondiente, y por
consiguiente el posicionamiento dei sistema a su estado seguro, sóio puede ser

realizado si ambos procesadores así lo establecen (votación 2 de 2).
De acuerdo a la metodología planteada, el primer paso consiste en desarrollar ei

diagrama de modo de falla y análisis dei efecto (AMEF). Para ello deben
identificarse ios diferentes componentes funcionales que conforman e! sistema, sus
diferentes modos de falla y el efecto que cada una de estas falias tiene sobre ei
sistema.
En la tabla N° 12 se puede observar el diagrama AMEF del sistema bajo estudio. En

este sentido es necesario mencionar que la representación de! diagrama AMEF bajo
el esquema de dicha tabla, se corresponde al formato tipo Tabla ("Tabular AMEF");
no obstante, existen otras representaciones ("Matriz AMEF", Event Sequence
Anaiysis", etc.).
A cada uno de ios escenarios descritos en la tabla N° 12 ie corresponde una tasa de

faila característica (X{), que puede ser obtenida a través del fabricante de ios
equipos, experiencia de campo, pruebas de vida aceleradas, opinión de expertos,
estudio de los mecanismos de falla predominantes, o estimados utilizando base de
datos comerciales (OREDA, FARADY, MILJHDBK-217, etc.).
Como puede observarse, en esta etapa reviste suma importancia el conocimiento

preciso de la arquitectura y dinámica del sistema considerado, de forma de poder
establecer el estado que va a alcanzar ei sistema ante situaciones de falia de sus
componentes (Yañez y col., 2004:272-274).
El segundo paso, dentro del procedimiento seleccionado consiste en clasificar las

fallas de acuerdo al efecto de las mismas sobre el sistema de seguridad y protección
y por consiguiente sobre el proceso.
CONFIABILIDAD ENSISTEM-S INDUSTRIALES 184
Tabla N° 12. Diagrama AMEF
COMPONENTE MODO DE FALLA EFECTO

interruptor A Corto circuito V-1 continúa cerrada
Circuito abierto V-1 abre
Falla a tierra V-1 continúa cerrada
Interruptor B Corto circuito V-1 continúa cerrada
interruptor C Corto circuito V-1 continúa cerrada
Módulo de entrada Corto circuito V-1 continúa cerrada
Procesador No. 1 Software/Hardware V-1 continúa cerrada
enclavan saiida a estado
energizado (circuito cerrado).
S oftwa re/H a rd wa re V-1 abre
enclavan salida a estado
desenergízado (circuito
abierto).
Procesador No. 2 Software/Hardware V-1 continúa cerrada
Software/Hardware V-1 abre
desenergízado (circuito
abierto).
Módulo de salida Corto circuito V-1 continúa cerrada
Válvula solenoide Enclave en posición ¡ V-1 continúa cerrada
energizada.
Enclave en posición V 1 C4k/J V--
desenergizada.
Válvula V-1 Enclave en posición cerrada. V-1 cerrada ¡
Enclave en posición abierta V-1 abre
Fuente; Yañez y col., 2004
El sistema puede posicionarse en un estado de falla segura, un estado de faila

peligrosa o en un estado de falla temporal, en donde a pesar de que algunas de las
funciones del sistema se encuentran parcialmente deshabitadas, el sistema como
un todo sigue operativo.
En la tabla N° 13 se puede observar el diagrama AMEF con una columna adicional

donde se puede apreciar sí el estado alcanzado por el sistema corresponde a un
estado de falla segura o un estado de falla peligrosa.
El siguiente paso, consiste en el desarrollo inicial del modelo de Markov, para lo cual
es importante recordar que para todo estado exitoso de! sistema (estado inicia! o
estados de fallas parciales) es necesario establecer los diferentes tipos de falia que
pueden presentarse en cada uno de ios componentes operativos bajo ese escenario.
Considerando un estado inicial en donde todos los componentes del sistema están
en perfectas condiciones de operación (estado 0), en ¡a tabla N° 14 se pueden
observar los diferentes tipos de faila que pueden presentarse en el sistema bajo este
escenario.
A partir de este momento, es necesario representar a través de círculos, ios

diferentes estados alcanzados por el sistema ante ia presencia de los tipos de
faílas indicados en ia tabla N° 14. Así por ejemplo, todas las fallas seguras
individuales de los elementos en configuración sencilla, y la falla segura de causa
común de los procesadores, llevarían el sistema a un estado de falla segura que se
denotará como 1, tal como puede verse en la figura N° 34.
La tasa de faila que define la probabilidad de conmutación del estado "0" al estado
de falla segura "1", denotada en ia figura N° 34 como "Xi" viene dada por las tasas
de falia sombreadas en la tabla N° 15; es decir:
^1 = ASI(INT.A) + ^SI(INT.B) + ^SI(INT.C) + ^SI(MOD.ENT.) + ^SÍ(MOD.SAL) + ^SI(SOLEN.) + ^S1(VALV-1) +

^SCC(PROCES.)
Donde:
Tabla N° 13. Diagrama AMECF
COMPONENTE MODO DE FALLA EFECTO CRITiCÍDAD

Interruptor A Corto circuito V-1 continúa Peligrosa
Circuito abierto cerrada
Falla a tierra V-1 abre Segura
V-1 continúa Peligrosa
cerrada
Interruptor B Corto circuito V-1 continúa Peligrosa
Falia a tierra V-1 abre Segura
cerrada
interruptor C Corto circuito V-1 continúa Peligrosa
Faila a tierra V-1 abre Segura
cerrada
Módulo de Corto circuito V-1 continúa Peligrosa
entrada cerrada
Circuito abierto V-1 abre Segura
Procesador Software/Hardware V-1 continúa Peligrosa
No. 1 enclavan salida a estado cerrada
Software/Hardware V-1 abre(1) Segura
desenergízado (circuito abierto).
Procesador Software/Hardware V-1 continúa Peligrosa
No. 2 enclavan salida a estado cerrada
S oftwa re/H a rd wa re V-1 abre(1) Segura
desenergízado (circuito abierto).
Módulo de salida Corto circuito V-1 continúa Peligrosa
cerrada
Circuito abierto V-1 abre Segura
Válvula Enclave en posición energizada. V-1 continúa Peligrosa
solenoide cerrada
Enclave en posición V-1 abre Segura
desenergizada.
Válvula V-1 Enclave en posición cerrada. V-1 cerrada Peligrosa
Enclave en posición abierta. V-1 abre Segura
(1) Votación 2 de 2
187
Tabia N° 14. Tipos de falia. Estado "0" (simplificada)
Interruptor "A" si di
interruptor "B" si di
Interruptor "C" si di
Módulo entrada si di
Procesador 1 scc dcc sid siu did diu
Procesador 2 sid siu did diu
Módulo salida si di
Válvula solen. si di
Válvula V-1 si di
si: falla segura.
sid: falla segura detectada.
siu: falla segura no detectada.
di: faila peligrosa.
did: falla peligrosa detectada.
diu: falla peligrosa no detectada.
ESTADO DE FALLA
SEGURA
Figura N° 34. Conmutación de! estado "0" al estado "1"

vSTZt I
Tabla N° 15. Tasa de falla segura. Conmutación de 0
Interruptor'A" si di
interruptor "B" si | di
Procesador 1 scc dcc sid siu did diu

Procesador 2 sid siu did diu
Módulo salida si d¡
Válvula solen. si d¡
Válvula V-1 SI d¡
^SI(INT.A) '• (1 - (3)A,sdel interruptor A.
^si(int.b) : (1 -p)Xsdel interruptor B.
^SI(INT.C) • (1 - p)A,sdel interruptor C.
^SI(MOD.ENT.) (1 - p)A,s del módulo de entrada.
A-SI(MOD.SAL) (1 - p)^s dei módulo de salida.
^SI(SOLEN.) '• (1 - P)XS de la válvula solenoide.
A-Sl(VAL.V-1) • (1 -p)^s de la válvula V-1.

^scc(proces-) : P*<s de los procesadores.
Para ei desarrollo de este ejemplo, se asume que las tasas de falla (X) vienen
normalizadas en base a una hora de operación (Yañez y col., 2004:276).
Las falias seguras individuales detectadas (sid) y no detectadas (siu) asociadas a los
procesadores, llevarían el sistema de seguridad y protección a los estados de falla
"2" y "3" respectivamente, como puede verse en la figura N° 35.
La tasa de falia que define la probabilidad de conmutación del estado "0" al estado
de faila parcial "2", se denota como 'V, mientras que la tasa de falla que define la
probabilidad de conmutación del estado "0" al estado de faila parcial "3", se denota
a>
B
ESTADO DE FALLA
SEGURA
ESTADO DE FALLA
^>
PARCIAL
Figura N° 35. Conmutación del estado "0" a ios estados "2" y "3"
como "V-
Para estas conmutaciones, tal como puede verse en la tabla N° 16; las tasas de
faila correspondientes, vienen dadas por:
X2 - 2XsiD{PROCES.)
Donde:
a-sid(process) : CXsi del procesador.
C: factor de cobertura del autodiagnóstico.
Xz~ 2^siu(PROCES.)
Donde:
Tabla N° 16. Tasa de falla segura. Conmutaciones 0hs*2 y 0->3
interruptor "A" Si di
Interruptor "B" Si di
Interruptor "C" Si di
Módulo entrada Si di
Procesador 1 scc dcc sid siu di
sid siu di
Procesador 2 di
di
Válvula V-1 si di
^s(U(proces.) : (1 - C) X$\ deí procesador.
Las fallas peligrosas individuales y la falla peligrosa de causa común de los

procesadores, llevarían al sistema a un estado de falla peligrosa que se denotará
como 4, tai como puede verse en la figura N° 36.
En este caso particular, no tiene sentido generar diferentes estados para ias fallas
peligrosas individuales detectadas (did) y no detectadas (diu) asociadas a los
procesadores, ya que en virtud de ia filosofía de activación existente (votación
2 de 2), ei hecho de que falle en forma peligrosa uno de los procesadores, ya
imposibilita la operación dei otro, posicionándose ei sistema en un estado de falla
peligrosa. Esto permite inferir que la tabla N° 14 puede replantearse como se
muestra en la tabla N° 17 (Yañez y col., 2004:277-278).
En este punto es importante mencionar, que algunos sistemas de protección se

configuran de forma que ante la presencia de una faila peligrosa detectada, ei
autodiagnóstico del sistema posiciona el mismo en un estado seguro. Bajo estas
condiciones, las fallas peligrosas individuales detectadas asociadas a los
procesadores (did), pasarían a convertirse en falias seguras individuales; es decir:
%9
ESTADO DE FALLA
SEGURA
ESTADO DE FALLA
•> PARCIAL
ESTADO DE FALLA
PELIGROSA
Figura N° 36. Conmutación del estado "0" al estado "4"

Tabla N° 17. Tasa de falla peligrosa. Conmutación 0 -M
Interruptor "B" si di
Procesador 1 scc dcc sid siu di
di
Procesador 2 sid siu di
di
Válvula V-1 s di

Á,si(efectiva) = A,Si + C?,Di
La tasa de falla que define la probabilidad de conmutación del estado ,:0" a! estado
de faifa peligrosa "4", denotada en la figura N° 36 como "A,4" viene dada por:
X4 ~ A,Dl(INT.A) + A-Dl(INT.B) + ^DI(INT.C) + ^DÍ(MOD.ENT-) + ^DI(PROCES 1) + ^DI(PROCES 2) +

<^DI(MOD.SAL.) + ^DI(SOLEN.) + ^DI(VAL.V-I) + A,DCC(PROCES.)
Donde:
^di(int.a) • (1 - P)Ad del interruptor A.

a-di(int.b) • (1 - P)^d del interruptor B.
A-dí(ínt.c) '• (1 - P)^d del interruptor C.
a<d[(mod.ent.) : (1 - P)^d del módulo de entrada.
A.di(proces i): (1 - P)^d del procesador 1.
A-dkproces 2): (1 - P)A,d del procesador 2.
A-di(mod.sal) : (1 - P)^d del móduío de saiida.
^dksolen.) : (1 - P)A,d de la válvula solenoide.
^di(valv-i) : (1 - P)^d de ia válvula V-1.
a-dcc(proces.): P^d de los procesadores.
Entonces, en virtud de que existen estados exitosos (fallas parciales), se debe seguir
desarrollando el modelo de Markov, ya que para todo estado exitoso dei sistema
(estado inicial o estados de fallas parciales) es necesario establecer los diferentes
tipos de faila que pueden presentarse en cada uno de ios componentes exitosos
bajo ese escenario (Yañez y col., 2004:279).
En ei caso estudiado, los estados "2" y "3" se corresponden a estados de fallas

parciales, en donde el sistema sigue operando a través de uno de sus dos
I
193
procesadores. Bajo estas condiciones, podrían presentarse ias diferentes falias

mostradas en ia tabia N° 18.
Tabla N° 18. Tipos de faila. Estados de falla parcial
Interruptor "A" sí di
Procesador scc dcc sid siu di
Válvula V-1 si di
Las falias seguras individuales de los elementos de la tabla N° 18, y la falla segura
de causa común del procesador operativo, llevarían el sistema al estado de faila
segura "1", tal como puede observarse en la figura N° 37.
Las tasas de falla que definen ia probabilidad de conmutación de ios estados "2" y
"3" al estado de falla segura "1", denotadas en la figura N° 37 como "X5" y 'V
respectivamente, vienen dadas por las tasas de falla sombreadas en la tabla N° 19;
es decir:
A-5 = A-SKINT.A) + A-Sl(INT.B) + A-SI(INT.C) + ^SI(MOD.ENT.) + A-si(MOD.SAL) + ^SI(SOLEN.) + A-si(VALV-1) +

^SID(PROCES.} + ^SIU(PROCES-) + ^-SCC(PROCES-)
^6 = ^SI(INT.A) + ^si(INT.B) + ^SI(INT.C) + ^SI{MOD.ENT.) + ^SI(MOD.SAL) + A-SI(SOLEN-) + ^S|(VALV-1)

A-SID(PROCES.) + ^SIU(PROCES.) + ^SCC{PROCES.)
Similarmente, las fallas peligrosas individuales de los elementos de la tabla N° 17,

y la falla de causa común del procesador, llevarían el sistema de seguridad y
protección ai estado de falla peligrosa "4", tal como puede verse en la figura N° 38.
194
Figura N° 37. Conmutación de ios estados "2" al estado "3" al estado "1
Tabla N° 19. Tasa de falla segura. Conmutaciones 2 —• 1 y3—*1
Procesador scc dcc sid siu di
Válvula soten. si di
Válvula V-1 si di

CONFIABILIDAD EN SISTEM^S INDUSTRÍALE 195
Figura N° 38. Conmutación de los estados "2" y "3" ai estado "41

Las tasas de falla que definen la probabilidad de conmutación de ios estados "2" y
"3" ai estado de falla peligrosa "4", denotadas en la figura N° 38 como "V y "V
respectivamente, vienen dadas por ias tasas de falla sombreadas en ia tabia N° 20;
es decir (Yañez y coi., 2004:280):
X7 - A.Dl(INT.A) + ^DI(INT.B) + ^DI(INT.C) + ^DI(MOD.ENT.) + ^DI(MOD.SAL) + ^DI(SOLEN.) + ^Dl(VAL.V-1) +

^DI(PROCES.) + ^DCC(PROCES.)
A-8 - ^DI(ÍNT.A) + ADI(INT.B) + A,DI(!NT.C) + AD!(MOD.ENT.) + ^DI(MOD.SAL) + ADÍ(SOLEN.) * ^DI(VALV-1) +

^•DI(PROCES.) + ^DCC(PROCES.)
En ia figura N° 39 se puede observar el diagrama de Markov completo dei sistema

ocfi irliorfn Tal r^nmn ni inria onrariarca c¡r\ acta firii ira nr\ avictan ocbHnc ovitncnc
que no se hayan estudiado, y por consiguiente no existen estados adicionales a

desarrollar.
Tabla N° 20. Tasa de falla peligrosa. Conmutaciones 2 —M y 3 —>-4
Interruptor "A" si I di |
Interruptor "B" si di ¡
Interruptor "C" si I di
Módulo entrada si ! di
Procesador scc r dcc | sid siu
! di i
Módulo salida I si di
Válvuia soien. si di 1
Válvula V-1 | si di ¡
Finí ira M° ^Q ñianrama rio Markriw ri&\ cictí^ma

11 i iv v Vpjt v^- i v i v w^ i ;
Fuente: Yañez y coi., 2004
Como puede observarse, en esta figura, se han incorporado ias conmutaciones

entre ¡os estados de falla parcial "2" y "3" y eí estado exitoso "0", ya que se considera
que el sistema puede ser reparado en línea, siendo:
CONFIABILIDAD EN S ~~ AS INDUSTRIALES 197
ul = Tasa de reparación en línea.

uP = Tasa de reparación periódica.
Por otra parte, la figura N° 39, muestra que todos ios estados corresponden a
condiciones diferentes, no existiendo ningún par de estados que compartan ias
mismas conmutaciones; de allí que no pueda simplificarse este diagrama (Yañez y
col., 2004:282).
Toda ia información contenida en el diagrama de Markov se resume en una matriz,

que se denomina matriz de transición "T". Esta matriz define los diferentes estados
del sistema y las probabilidades de conmutación entre estos estados. A
continuación se presenta ía matriz de transición del diagrama de Markov
mostrado en la fisura N° 39:
f\ -(A1 +A2 +A3 + A4) A1 A2 A3 TTTn
0 1 0 0 0
ML A5 1 -(LJL + A5+A7) 0 A7
pp A6 0 1 -(pL + A6+A8) A8
0 0 0 0 1
El elemento ut( de esta matriz, para i * j, define ía probabilidad de conmutación del

estado "í-ésimo" al estado "j-ésimo". Los elementos ubicados en la diagonal vienen
dados por ia expresión:
1- (suma de todos los otros elementos de la fila correspondiente)
Es importante mencionar que ei análisis de Markov se fundamenta principalmente en

CONFIABILIDAD EN S'STEk' AS INDUSTRIALES 198
¡a asunción de que ia probabilidad de que un sistema emigre de un estado "e" a un

estado "ef únicamente depende de las características funcionales del sistema en el
estado "e¡" y no en ¡os previos estados del sistema. En otras palabras, el
comportamiento dei sistema solo depende dei estado actual y no de sus estados
pasados. Para efectos prácticos, esto se traduce a decir que se está asumiendo
tiempo de falias exponenciales.
1.12.2.3.2. Técnicas de estimación de parámetros de confiabiiidad, basadas en

modelos de Markov
En este punto se presentan algunas de ias técnicas de estimación existentes para

determinar ias figuras de mérito más utilizadas asociadas a un análisis de
confiabiiidad de un sistema, considerando como punto de partida los diagramas de
Markov de! sistema.
Los modelos de Markov y las técnicas basadas en éi, puede aplicarse a sistemas no
reparables, parcialmente reparables y completamente reparables; de allí su gran
aceptación en los estudios de confiabiiidad; y es por elio que en este punto se
plantea la estimación de los parámetros de confiabiiidad a partir de estos modelos.
Un ejemplo característico de un diagrama de Markov correspondiente a un sistema

completamente reparable se muestra en la figura N° 40; en dicha figura, puede
observarse que ei sistema presenta una conmutación desde ei estado en falia "1" al
estado sin falia "0", indicándose de esta manera la naturaleza reparable del sistema;
esta transición se demarca con una línea gruesa.
Un sistema parcialmente reparable, es aquel sistema que por su naturaleza y por los
requerimientos funcionales característicos de ia aplicación bajo consideración,
puede ser sometido a reparaciones, pasando de un estado parcialmente en
Figura N° 40. Diagrama de Markov de un sistema

compíetamente reparable
falia (pero operativo) a un estado completamente operativo (estado exitoso) (Yañez

y col., 2004:283-285).
Un ejemplo característico de un diagrama de Markov correspondiente a un sistema

parcialmente reparable se muestra en la figura N° 41. Las líneas gruesas de ios
estados parcialmente en falla "1" y "2" al estado exitoso "0" denotan ia capacidad de
reparación parcial dei sistema.
Los sistemas no reparables son aquellos que por su naturaleza y por los
requerimientos funcionales característicos de la aplicación bajo consideración, no
pueden ser sometidos a reparación, siendo necesario desde un punto de vista
práctico un reacondicionamiento general dei proceso y deí propio sistema una vez
ocurrida una falia, para posteriormente procederá reactivar el sistema.
En ia figura N° 42 se muestra un ejemplo característico de un diagrama de Markov

correspondiente a un sistema no reparable. Los sistemas no reparables se
caracterizan por presentar estados absorbentes, los cuales una vez alcanzados, el
sistema permanecerá en ¡os mismos, ya que no existen conmutaciones entre estos y
el resto de los estados.
CONFIABILIDAD EN SISTEMAS INDUSTRIALES !00
Figura N° 41. Diagrama de Markov de un sistema

parcialmente reparable
Figura N° 42. Diagrama de Markov de un sistema no reparable

Fuente: Yañez v coi.. 2004
A continuación se presentan las técnicas de estimaciones existentes, y para eílo se

supondrá que se dispone de ¡a matriz de transición deí sistema dada por:
a-n a-12 ai3 ... ain
321 a22 323 •-- a2n
T = a3i 332 a33 ... a3n
Va-n ai2 ai3 a^
1.12.2.3.2.1. Cálculo de confiabiiidad
Para el cáicuío de confiabiiidad, se asumirá que eí sistema de seguridad y protección

bajo estudio tiene una matriz de transición del tipo (Yañez y col., 2004:288-289):
*"~an a12
0 1
En este caso, se considera que ei sistema parte de una condición inicial E°,
caracterizada porque ía probabilidad de que el sistema se encuentre en el estado "a"
es 100%.
Esto se denota como:
E° = /e0-i e°2/ = ñ 0/
En donde ei primer elemento e°-i = 1 denota que la probabilidad de que el sistema se

encuentre en ei estado "a" es 100% y en consecuencia, ía confiabiiidad del sistema
durante ei primer período de tiempo comprendido desde la activación inicial del
sistema hasta At unidades de tiempo es 100%.
CONFIABILIDAD EN S 5 INDUSTRIALES 202
Las condiciones operativas del sistema luego de transcurrido un tiempo At, se
obtienen multiplicando la matrizfila E° con la matriz de transición T:
E1 = E°*T = (1 0) Su ai2 (a 11 3l2>

0 1
Las condiciones operativas deí sistema íuego de transcurrido un tiempo 2At, se

obtienen multiplicando ia matrizfila E1 con ia matriz de transición T:
E2= E1*T = (an ai: a-11 312 = (311 * 311 311 * ^12 + a-i2)
Y así se procede, caicuiando en cada caso la probabilidad de que el sistema no falle

dentro dei período de estudio. Las condiciones de confiabiiidad en el período
transcurrido desde cero a un tiempo nAt, vienen dadas por en1; donde:
En = /eni en2/=En_1 * T = /en"\ e^V *T (54)
1.12.3. Análisis de causa común de faifa
Eí análisis de causa común de faila juega un papel muy importante en el análisis de

sistemas reparables y no reparables. En muchos casos la vulnerabilidad de
cualquier sistema está escondida bajo ciertos tipos de faiias que se esparcen a
través de sistemas, sub-sistemas y componentes, y que normalmente no son
tomadas en cuenta. Aunque existe una gran cantidad de data recolectada por
muchas empresas a nivei mundial, los análisis de causa común de falla no han sido
entendidos como un aspecto de gran importancia en ía estimación de confiabiiidad.
(Yañez y coi., 2004:298).
La definición de causa común de falla (CCF) está muy relacionada con ia definición
general de fallas dependientes. Hablando en términos generales, son eventos en
ios cuales la probabilidad de ocurrencia de cada falla es dependiente ia ocurrencia
de otras falias de acuerdo con Modarres citado por Yañez y col., 2004. De allí que
los eventos generados por CCF doblegan los niveles de redundancia que
normalmente se utilizan para elevar ¡a confiabiiidad de los sistemas. Es por ello que
la incorporación de los efectos derivados de ias causas comunes de falla en ios
análisis de confiabiiidad guían hacia resultados más realistas.
Asimismo, existen dos tipos de dependencia en ios análisis de causas común de

falia; aquellas que están intrínsecamente incluidas en ei sistema y las que son
extrínsecas ai sistema y no son fáciles de identificar a través de la información
técnica disponible tradicionalmente (especificaciones técnicas, manuales, pianos,
entre otros). Ei primer tipo es normalmente incluido en los análisis a través de
herramientas tales como ei árbol de falla y los diagramas de bloque de confiabiiidad,
entre otras. Eí otro tipo requiere un estudio específico con ia finalidad de
identificarlas.
Las dependencias intrínsecas están relacionadas con ei estatus funcional de un

componente, el cual es afectado por el estado funcional de otro componente; y
pueden ser clasificadas en:
* Dependencia por requerimiento funcional: esta se refiere a los casos en los

que el estatus funcional de un componente determina ei estatus funcional de
otros componentes iguales.
• Dependencia de entrada funcional: es la relacionada con los casos en los que

el estatus funcional del componente depende del estatus funcional de un
componente diferente.
CONFIABILIDAD EN S " S INDUSTRÍALES 204
Dependencia en cascada: esta dependencia toma en cuenta los casos en los

que la falla de un componente causa ia falla de otro componente.
Las dependencias extrínsecas se refieren a aquellos casos en el que el factor

relacionante o factor de acopie no es inherente ni está incluido como característica
funcional del sistema. Este tipo de dependencia se divide en ias siguientes
categorías:
• Física o ambiental: en este caso, la dependencia está basada en factores

ambientaies comunes, ¡os cuales pudieran incluir condiciones indeseables en
un componente provenientes de situaciones anormales.
• Interacciones humanas: este tipo de dependencia se sustenta en ei

desempeño humano mientras interactúa con un componente.
Existen dos categorías de modelos paramétricos para análisis de causas comunes

de falla: Los modelos de un solo parámetro y ¡os modelos de parámetros múltiples.
Entre ios diferentes modelos paramétricos se pueden mencionar el método de raíz
cuadrada, el método de factor p, ei modelo generalizado de factor (3 y el modelo de
tasa de falla binomial (Yañez y coi, 2004:299).
En este momento es importante mencionar que a pesar de que los métodos de

análisis de CCF contienen aproximaciones incluidas, su utilización implica resultados
más realistas en comparación con asunción de independencia entre ios eventos de
falia.
Por muchos años y en muchas industrias no ha sido tomado en consideración ei

análisis de causa común de faila. Esto ha causado mucha imprecisión en los
CONFIABILIDAD EN S.STEkiAS INDUSTRIALES 205
resuitados y predicciones en ios análisis de confiabiiidad, y ha limitado la

consecución de mejores resuitados.
Estas razones sumadas ai requerimiento de los mercados por mayor competitividad

soportan la necesidad de incluir los análisis de CCF para ia estimación y predicción
de confiabiiidad.
En la actualidad existen varios métodos y modelos para incorporar el manejo de

falias de causas comunes como parte de ios análisis de confiabiiidad de
sistemas, algunos de ellos más complejos que otros como el caso dei múltiple greek
letters, factor alfa y el modelo de tasa de falla binomíai.
En este trabajo se explica el modelo de factor (3 como el modelo para realizar

análisis de CCF. La razón para esta selección es el nivel de simplicidad que eí
mismo tiene. Adicionalmente, el mismo es utilizabie con resuitados lo
suficientemente precisos en sistemas de bajos niveles de redundancia sin dejar de

lado ei hecho de que los resultados que se han obtenido con su utilización en un
gran número de estudios de confiabiiidad han sido altamente satisfactorios. Sin
embargo, para niveles de redundancia mayores se recomienda la utilización de un
modelo paramétrico más genérico.
1.12.3.1. Modelo factor (3
El modeio factor ¡3 considera que ¡as fallas de un componente ocurren debido a una
de las dos posibles causas mencionadas a continuación (Hoyland citado por Yañez y
col., 2004:300):
1. Aspectos relacionados solamente con el componente e independiente de los

demás componentes.
206
CONFIABILIDAD EN SISTEMAS INDUSTRÍALES
2. Ocurrencia de un evento externo (independiente del sistema) por el cual todos

los componentes fallan al mismo tiempo.
El modelo utiliza ia siguiente lógica:
Se asume un sistema de n componentes redundantes como el mostrado en la figura

N°43.
Figura N° 43. Sistema de n componentes redundantes

Fuente: Yañez y coi., 2004
Si se supone que X\ sea la tasa de falia debido a la causa de falla 1, y Xc sea la tasa
de falla debido a la causa de falla 2; y se asume independencia entre las dos
causas de faila, la tasa de falla del componente viene dada por:
X[ = X\ + xc
Ahora, si se define como p el "factor de causa común", el cual representa la fracción

de la tasa de falla del componente que está asociada a las fallas por causa común
experimentada por los componentes en el sistema:
CONFIABILIDAD EN S - " ' <\S INDUSTRIALES 207
Xc nc
P= O p = (55)
î + Xc n, + nc
Donde nc es el número de veces que una causa común de falla es detectada y ni es

el número de veces que una falla independiente es detectada.
La probabilidad Qk de que ocurran eventos básicos que involucren k componentes,

donde 0 < k < n son igual a cero, excepto Q1 y Qn, (Modarres citado por Yañez y
col., 2004:301).
Las cantidades vienen dadas por:
i (1 - ¡3pt para k ~ 1
• 0 para k~2io n-1
-i SO, para k = n
(56)
Donde, Qt es la probabilidad total de falla debido a causas dependientes e

independientes. Generalmente, los valores de p pueden variar entre 0.Q5 y 0.2
dependiendo dei tipo de componentes.
Los estimadores puntuales para ei modelo factor p son:
¿Zkn>
n.ND ,-, jp^
(57)
Para entender de mejor manera la aplicación del modelo, a continuación se presenta

M-
m
208
un ejemplo: considere un sistema con tres componentes redundantes A, B y C.

Asumiendo que eí sistema está diseñado para que trabajen 2 de los 3 componentes.
Si esto no ocurre el sistema está en falla (ver figura N° 44).
,.
1
1 SYSTEM !
1
FAILS
i
i
J
¡
\
/ w \
•—_ \
A"
[
1
S N /
( A ) ( s i
O
~——-"
"^••—'" '"—-"
Figura N° 44. Árboi de faila sin fallas dependientes

Se puede observar que los sets de combinaciones mínimas de este árboi de falla
son [A, B]; [A, C]; [B, C]. La expansión del árbol para mostrar el impacto derivado
de la causa común de faila en ei componente "A" queda de la forma mostrada en la
figura N° 45 (Yañez y col., 2004:302).
Una vez que todos los componentes son expandidos de la misma manera que se
hizo con el componente "A" se obtienen ios siguientes sets de combinaciones
mínimas: [Al, Bl]; [Al, Cl]; [Bl, Cl], CAB, CAC, CBC, CABC.
Donde:
CAB: falla de los componentes A, B (y no C) debido a causas comunes.
CAC: falla de los componentes A, C (y no B) debido a causas comunes.

'M-iM^!
209
COMPONENT
, "A" FAILS
1
/
\
j \
L--"T\i
r-;r'-x i
í a H cAB )lcAC }[cABC j
x--._y K_y v._y K-^y
Figura N° 45. Árbol de falla con fallas dependientes

CBC: falla de los componentes B, C (y no A) debido a causas comunes.
CABC: falla de los componentes A, B y C debido a causas comunes.
Luego, utilizando el álgebra booieana se obtiene la siguiente expresión:
S = (Al . Bi) + (Ai . Cl) + (Bi . Cl) + CAB + CAC + CBC + CABC
Utilizando la aproximación de eventos de poca ocurrencia, la probabilidad de falla

del sistema QS está dada por:
QS = Pr(AI) . Pr(Bi) + Pr(AI) . Pr(CI) + Pr(Bi) . Pr(CI) + Pr(CAB) + Pr(CAC) +

Pr(CBC) + Pr(CABC) (58)
Esta forma de análisis toma ventaja de la simetría física proveniente de

componentes redundantes idénticos mediante ía reducción del número de
parámetros que deben ser cuantificados. De esta manera:
Pr(AI) = Pr(BI) = Pr(CI) - Q1
Pr(CAB) = Pr(CAC) = Pr(CBC) = Q2
Pr(CABC) = Q3 (59)
Sustituyendo ía ecuación N° 58 en ia ecuación N° 59 se obtiene ia siguiente

expresión:
QS = 3(Qi)2 + 3Q2 +Q3 (60)
Finalmente, con ia ecuación N° 60, un número seleccionado de p y la ecuación

N° 56, es posible estimar la probabilidad de falla del sistema con la inclusión de las
causas comunes de falla.
1:12.4. Análisis de importancia de componentes
Los análisis de confiabiiidad a nivei de sistemas proveen excelente información del

estatus general del sistema específico bajo análisis y sus respectivos componentes.
Sin embargo, cuando se entra en ei proceso de toma de decisiones basándose en
esta información, automáticamente se presenta ia necesidad de prioritizar ios
componentes de acuerdo al impacto que cada uno de ellos tienen en eí desempeño
del sistema (Yañez y col., 2004:304).
Tomando en cuenta eí producto final de un análisis como el de árboles de falla,

aunado a otras herramientas como la matriz de riesgo de los componentes para un
sistema, el siguiente paso luego de obtener ios sets de combinaciones mínimas a
partir del árbol de falla es ranquear los componentes dei sistema de acuerdo a su
contribución a la pérdida de confiabiiidad de! mismo. Esta jerarquización es
efectuada no solo por importancia de acuerdo a la probabilidad de falla de cada
componente, sino también de acuerdo a la importancia dei componente en la
topología del sistema.
Existen varios índices para la medición del grado de importancia de un componente

dentro de un sistema. La mayoría de ellos toman en cuenta ía ubicación dei
componente en ei sistema así como también su probabilidad de falia. Los índices
más comúnmente utilizados son la medida de Bimbaums, índice de criticidad,
Fussel-Vessel, índice de vaior de reducción de riesgo y ei índice de valor de riesgo

alcanzado.
Con ía finalidad de obtener la jerarquización de ios componentes del sistema se

sugiere ia utilización dei índice de valor de riesgo alcanzado. La selección de este
índice se basa en que el mismo proporciona una indicación para identificar ios
elementos del sistema que contribuyen en un mayor grado a hacer el sistema menos
confiable. En tai sentido, ios elementos con el índice de valor de riesgo alcanzado
mayor son los de mayor impacto en el sistema si su probabilidad de falla se
incrementa o io que es lo mismo, su confiabiiidad se reduce inesperadamente
(Yañez y col., 2004:305).
El índice de valor de riesgo alcanzado (IVRA) para cada componente del sistema es
calculado a través de la siguiente ecuación:
Fs[Q(t)/Q¡(t)=1]
|VRA = = Fs[Q(t)] _ F8[Q(t)/Qi(t)=1] (61
Fs[Q(t)]
Donde
Fs[Q(t)] : probabilidad de faila del sistema con ios valores actuales de probabilidad
de falla de cada componente.
Fs[Q(t)/Qi(t)=1] : probabilidad de falla del sistema cuando la probabilidad de faila del

componente «i» se asume igual a uno (1), es decir, se asume que ei componente
falló.
Ei resultado del análisis del índice de importancia IVRA es una lista jerarquizada de
los componentes de acuerdo con su contribución a la ocurrencia dei evento.
1.12.5. Metodología propuesta para ejecutar análisis de confiabiiidad a nivel de

sistema
Con ia finalidad de facilitar ía ejecución dei análisis de confiabiiidad a nivel de

sistemas se proponen Sos siguientes pasos (Yañez y col., 2004:305-307):
Paso 1: adquisición del conocimiento relacionado con el funcionamiento del sistema

que se va a analizar. Esto implica una revisión completa del proceso de operación,
diagramas funcionales, pianos y cualquier otra información disponible que pudiera
ayudar a identificar ias entradas, entender ios procesos e identificar las salidas. Una
visita a las instalaciones del sistema es de vital importancia para tener una mejor
percepción acerca de las dimensiones físicas y características del sistema. El factor
humano es una excelente fuente de información, ya que con frecuencia conoce
información que no está disponible en ninguna de las otras fuentes. En muchos
casos, el analista tiene una idea acerca de la idiosincrasia interna del sistema; esto
ayuda a obtener mejores resuitados en el análisis.
Paso 2: defina las fronteras del sistema y ¡os niveles hasta ios que será ejecutado eí
análisis. La ambigüedad en ias fronteras del sistema puede üevar a resultados
ambiguos en eí análisis. Adicionalmente, los niveíes de análisis juegan un papel
importante en ia relación costo-beneficio deí análisis.
Paso 3: defina en cada nivel de análisis (horizontaimente) ios sistemas, sub

sistemas y componentes en los que e! sistema principal o la instalación debe
dividirse con la finalidad de facilitar el análisis. Frecuentemente, es bastante útil
hacer el análisis utilizando divisiones funcionales dei sistema.
Paso 4: defina y caracterice ei evento tope o evento no deseado para eí sistema en

análisis. Dependiendo de que tan bien se defina ei mismo, el árbol de falla dará o no
los resultados esperados. Cuando se define el evento no deseado es necesario
listar todas aquellas condiciones de operación conocidas en eí dominio del objetivo
del análisis.
Paso 5: desarrolle un árbol de faifa para el sistema. Para sistemas simples, muchas
veces ei desarrollo de un diagrama de bloques de confiabiiidad es suficiente para la
ejecución dei análisis. Sin embargo, el árbol de faila es una técnica aplicable a casi
cualquier tipo de sistema.
Paso 6: estime ios valores de ¡as probabilidades de falia de los diferentes

componentes del sistema de acuerdo con sus modos de faila.
Paso 7: ejecute un análisis de muestreo con la finalidad de identificar de acuerdo

con las probabilidades de falla de ¡os componentes, cua¡es de ellos debieran
tomarse en cuenta y cuales pudieran obviarse debido a que su probabilidad de falla
es muy baja en comparación con la de otros componentes.
Paso 8: ejecute un análisis detallado con la finalidad de identificar las causas

comunes de falla. Este análisis puede resultar en una tarea complicada, pero ia
literatura muestra que casi un 90% de ia contribución a la indisponibilidad total es
dominada por ios eventos relacionados con los sets de combinaciones mínimas de
primer orden que proceden de las causas comunes de falla. Por sets de
combinaciones mínimas de primer orden se entiende aquellos sets de
combinaciones mínimas compuestos por un soio componente.
Las causas comunes de falia deben ser incorporadas en cualquier análisis de

confiabiüdad de sistemas, ya que de lo contrario el análisis pudiera considerarse
incompleto. Con mucha frecuencia la data disponible no permite ejecutar un análisis
CCF. Para estos casos, existe data genérica disponible para tal fin y es preferible
ejecutarlo con data genérica que eliminarlo deí análisis.
Paso 9: una vez que eí árboi de falla o ei diagrama de bloques de confiabiiidad es

finalizado, se obtiene ía ecuación que permite estimar la probabilidad de ocurrencia
del evento tope; la cual es generada con los sets de combinaciones mínimas y para
obtenerlos se utilizan el álgebra booieana aplicada ai resultado derivado de las
compuertas lógicas y métodos de inspección.
Paso 10: ía ecuación mencionada en el paso anterior es utilizada para ejecutar el

análisis de medida de importancia mediante la aplicación del índice de vaior de
riesgo alcanzado. El resultado de este paso es una lista jerarquizada de los
componentes del sistema de acuerdo con su contribución a la ocurrencia del evento
tope.

Romero Anez Sara Maria Parte 1

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Romero Anez Sara Maria Parte 1

Загружено:

Авторское право:

Доступные форматы

REPÚBLICA BOLIVARIANA DE VENEZUELA

LA UNIVERSIDAD DEL ZULIA

CONFIABiLIDAD EN SISTEMAS INDUSTRIALES,

Msc. Sara María Romero Añez

Maracaibo, Diciembre de 2010

Dedico este trabajo con todo mi cariño y respeto:

A la memoria de mis queridos: Papá, Mamá, Hermana y Hermano.

A mis amigas y amigos.

A mi familia por apoyarme siempre.

A mi amiga Karim Oliva, por todo su apoyo.

A todas aquellas personas que de alguna manera contribuyeron para la realización

CAPÍTULO I. FUNDAMENTOS SOBRE CONFIABILIDAD ... 24

1.1. Conceptos básicos - 24

1.1.1.1. Definición de falla • 24

1.1.1.2. Clasificación de las fallas 25

1.1.1.3. Análisis de fallas • 27

1.1.1.4. Tiempo para la falla • 29

1.1.1.6. Tasa de falla (X) • 30

1.2. Generalidades sobre confiabiiidad 40

1.2.4. Importancia de ¡a confiabiiidad • 51

1.3.2. Aplicaciones de la confiabiiidad operacional 58

1.4.2. Ciclo de implantación de la confiabiiidad integra! 64

1.4.2.3. Optimización del mantenimiento de instalaciones 67

1.4.2.6. Optimización de los modelos de decisión 69

1.5.1. Definición de mantenimiento centrado en la confiabiiidad 76

1.5.2. Definición de términos asociados al mantenimiento centrado

1.8. Estudio de la confiabiiidad 96

1.8.1. Generalidades de los estudios de confiabiiidad 96

1.8.2. Características de los estudios de confiabiiidad 98

1.8.3. Tipos de censura en confiabiiidad 100

1.8.4. Especificación de la distribución de vida y estimación gráfica

1.8.5. Gráficas en papel de probabilidad 105

1.8.6. Lineaüzación de la función de distribución acumulada (fda) 10

1.8.7. Estimación gráfica de! parámetro de localización 110

1.8.8. Estudio de confiabiiidad para unidades que presenten varios modos de

1.9. Ingeniería de confiabiiidad 117

1.10. Relación entre el análisis de confiabiiidad y el análisis de riesgo 119

1.11. Confiabiiidad basada en el análisis probabilístico del tiempo para ¡a

1.11.1. Confiabiiidad en activos no reparables 125

1.11.1.1. Activos no reparables 125

1.11.1.2. Función confiabiiidad (C(T)) 126

1.11.1.3. Tiempo promedio para fallar (TPPF) 128

1.11.1.4. Función de velocidad de incremento del peligro (H(T)) o tasa de

1 . i 1. i .*+. 1. u u i va utí ia udi l e í a i o\J

1.11.1.5. Estimación de la confiabiiidad 132

1.11.1.5.1. Estimación de confiabiiidad de activos no reparables con

1.11.1.5.2. Estimación de confiabiiidad de activos no reparables con

1.11.2. Confiabiiidad de activos reparables 140

1.11.2.1. Variables probabilístícas de interés en análisis de confiabiiidad de

1.11.2.2. Modelos probabilísticos para la estimación o predicción del

1.11.2.2.1. Proceso ordinario de restauración (POR) 147

1.11.2.2.2. Proceso no homogéneo de Poisson (PNHP) 151

1.11.2.2.2.1. Simulación de Montecario para el proceso no homogéneo de

1.11.2.2.3. Proceso generalizado de restauración (PGR) 155

1.12. Confiabiiidad de sistemas 155

1.12.1. Generalidades sobre la confiabiiidad de sistemas 155

1.12.2. Modelos para estimación de confiabiiidad a nivel de sistemas 157

1.12.2.1. Diagramas de bloques de confiabiiidad (DBC) 158

1.12.2.2. Análisis de árboles de falla (AAF) 166

1.12.2.2.1. Componentes de los árboles de falla 168

1.12.2.2.2. Álgebra booleana 170

1.12.2.2.3. Desarrollo de un árbol de falla 171

1.12.2.3. Análisis de Markov 179

1.12.2.3.1. Desarrollo de modelos de Markov 179