MODELOS DE CONFIABILIDAD

INTEGRANTES:

GRANDA VILELA, GABRIEL

PAREDES CARRILLO, DIEGO
PAJUELO ALIAGA, DIETMAR
VELARDE GIBSON, ALVARO
TAIPE ORE, JUAN

DISTRIBUCIONES
ESTADSTICAS

MODELOS BSICOS DE
CONFIABILIDAD

Modelos de confiabilidad con datos

Censurados
A) Clasificacin de los datos

Los datos de falla pueden ser clasificados de varias maneras, por ejemplo si se
agrupan o no, y si tienen censura o no.
Ocurre censura cuando los datos son incompletos porque se han detenido
componentes antes de su falla o porque el ensayo ha terminado antes de
que fallen todas las unidades. Se puede categorizar la censura segn:

1.

Datos censurados una vez. Todas las unidades tienen el mismo intervalo de ensayo, y el
ensayo se concluye antes de que fallen todas las unidades.
Censura tipo I: El ensayo es terminado despus de un intervalo fijo de tiempo, t*.
Censura tipo II: El ensayo es terminado despus de que ha ocurrido un nmero fijo de
fallas, r.

2.

Datos multi-censurados. Los intervalos de ensayo o de operacin difieren entre las

unidades censuradas. Las unidades censuradas son removidas en varios instantes de la
muestra, o las unidades han iniciado su servicio en diferentes instantes.

B) Mtodos no paramtricos
El objetivo de este tipo de mtodos es derivar, directamente de los datos de falla, la distribucin de falla, la
funcin confiabilidad, y la tasa de fallas. Se aplican cuando ninguna distribucin terica se ajusta
adecuadamente a los datos.
1. Datos completos no agrupados
Dado que los instantes de falla estn ordenados en orden creciente
ti < ti+1
Se tiene que en el instante ti quedan n i unidades operando.
2. Datos completos y agrupados
Los instantes de falla que han sido organizados en intervalos de tiempo, son referidos como datos
agrupados.
Sean n1, n2,...,nk, el nmero de unidades que operan tras los instantes t1, t2,...,tk, respectivamente
3. Datos censurados no agrupados
Se ensayan n unidades hasta que ocurran r fallas. La curva de confiabilidad estimada est truncada a la
derecha en el instante en el que termina el test.

Modelos de confiabilidad y condiciones

de operacin
Los captulos anteriores se concentraron en el desarrollo de modelos
en los cuales la confiabilidad del componente o sistema era
considerada una funcin exclusiva del tiempo. En muchas
aplicaciones otros factores pueden tambin ser relevantes. Por
ejemplo, la falla de un componente puede ser dependiente del nivel
de carga o de las condiciones ambientales con el que opera. Los
modelos covariables incorporan estos factores adicionales en la
distribucin de fallas al expresarla como funcin de estas variables.
Ejemplo: La resistencia, y consecuentemente la confiabilidad, de una
viga de concreto reforzado puede depender de las impurezas
encontradas en el agua y en otros materiales de la mezcla.

A) Modelos covariables
Nuestro inters es desarrollar distribuciones de falla que incluyan uno o ms
covariables o variables explicatorias. El enfoque consiste en definir los parmetros
de la distribucin en funcin de las variables explicatorias.
Un covariable puede ser:
Voltaje
Corriente

Temperatura
Humedad
Otras medidas ambientales o de carga.

Debe existir alguna correlacin entre los covariables y el parmetro, aunque no es

necesario que sea una relacin de causalidad.

Modelos de fallas proporcionales

Los modelos que tienen la propiedad de que las tasas de fallas individuales son proporcionales entre s, y no dependen del tiempo son
conocidos como modelos de fallas proporcionales.
Ejemplo (Ploe, 1990), provee el siguiente modelo par la prediccin de la tasa de falla de rodamientos:

0.006

2.36

0
1

0.54

1
60

0.67

Donde:

b: es un valor de referencia asociado al tipo de rodamiento;

la: carga radial real;

lb: carga radial de diseo;

y: 3.33 para rodamientos de rodillos, 3.0 para rodamientos de bolas;

Ae: error angular de alineacin

V0: viscosidad de diseo del lubricante;

V1: viscosidad real;

C1: nivel de contaminacin del lubricante;

Mb: esfuerzo mximo admisible del material;

Mf: esfuerzo real;

Cw: factor de contaminacin del agua en el lubricante

=

1 + 460
2.023 + 1.029 0.0647 2

x es el porcentaje de agua presente en el aceite.

< 0.002

Modelos de localizacin-escala
Otra familia de modelos covariables es referida como la de modelos de localizacin-escala, que se obtienen al parametrizar la media
segn

=0

Caso lognormal
En este caso
=1

ln

=0

Ejemplo: El MTTF (horas de operacin) de un conector elctrico sigue una distribucin lognormal con parmetro de forma s = 0,73. Las
fallas estn relacionadas con la temperatura de operacin y el nmero de contactos. Se ha estimado el siguiente modelo covariable:

MTTF(x) = 3,86 + 0,1213x1 + 0,2886x2

Donde x1 es la temperatura de operacin en grados centgrados y x2 es el nmero de contactos. Un conector de un PC operara a 80C y
tiene 16 pines. Su tiempo medio entre fallas es
MTTF (80, 16) = 0,386 + 0,1213 (80) + 0,2886 (16)
MTTF (80, 16) = 10,46
y confiabilidad a las 5000 horas de uso ser:

5000 = 1

ln 5000 10.46
0.73

B) Modelos estticos
En muchas situaciones no es apropiado asumir que la confiabilidad
es una funcin del tiempo. Esta seccin considera una carga
aplicada a un sistema durante un periodo relativamente corto de
tiempo. Una falla ocurre si la carga excede la resistencia del sistema.
La resistencia del sistema es la mxima carga que el sistema puede
soportar sin fallar. Por tanto, la confiabilidad es vista de una manera
esttica (no dependiente del tiempo).

Carga aleatoria y resistencia constante

Si la resistencia del sistema es una constante conocida yk y la carga es una variable aleatoria, entonces la confiabilidad
(esttica) del sistema puede ser definida como la probabilidad de que la carga no supere la resistencia. Eso es,

= ( )

Ejemplo: La carga ejercida sobre un motor tiene la siguiente funcin de densidad de probabilidad:
2
= 1125
0

0 15

Y se ha estimado a travs de ensayos de laboratorio que la base del motor tiene una tolerancia fija de 14 Lbf. Luego, su
confiabilidad esttica es:
= ( 14)
14

=
0

1125

= 0.813

Carga constante y resistencia aleatoria

Si la carga es un valor constante conocido xs y la resistencia es una variable aleatoria, la confiabilidad es la
probabilidad de que la resistencia exceda la carga fija, o sea:
= ( )

Ejemplo: La resistencia de un nuevo pegamento sigue una distribucin aleatoria que depende de las mezcla de
compuestos usados en el proceso de manufactura.
10
10
= 2
0

Si se aplica una carga de 12 Lbf, cual es la confiabilidad?

= ( 12)

=
12

10

= 0.833

Carga aleatoria y resistencia aleatoria

Si ambos son aleatorios, la confiabilidad es la probabilidad de que la carga sea menor que la resistencia (o
equivalentemente, que la resistencia sea superior a la carga). Sin embargo, para calcular la confiabilidad, se debe
resolver la siguiente integral doble:

= ( )

=
0

()

y como
= ()
se tiene que

=
0

()

La confiabilidad depende de la regin de las dos curvas en las cuales las colas se superponen, o interfieren una con la
otra. Por esta razn el anlisis de carga vs resistencia es tambin conocido como teora de interferencia.

C) Modelos dinmicos
Si una carga es aplicada repetidamente en el tiempo sobre un sistema, entonces, bajo
ciertas condiciones, se puede estimar la confiabilidad dinmica. Se discutirn dos casos. En
el primero la carga es aplicada peridicamente al sistema. En el segundo caso, la carga es
aplicada en intervalos aleatorios que siguen una distribucin de Poisson. En ambos casos se
asumir que ni la resistencia ni la carga son funciones del tiempo (proceso estacionario). Ello
excluye situaciones donde el envejecimiento y el desgaste son relevantes.
1) Cargas peridicas
2) Cargas aleatorias

D) Modelos fsicos de falla

Este enfoque es aplicado por nuestra incertidumbre sobre los procesos fsicos que
ocasionan en la falla. De hecho, si las fallas siguen una distribucin exponencial (o casi
cualquier otra), entonces el TTF de una falla puede ser cualquier instante t 0. Tras un
largo nmero de eventos de falla se puede observar el patrn exponencial. Por tanto,
tras un largo nmero de fallas somos capaces de hacer buenas predicciones de
confiabilidad.

Otra limitacin de usar modelos estadsticos es que no consideran el efecto de cargas y

condiciones ambientales individuales. Los modelos covariables manejan esta situacin
hasta cierto punto, aun as siguen siendo modelos estadsticos desarrollados a partir de
muestras sobre una poblacin.
Las desventajas de este tipo de enfoque es que los modelos son especficos al
mecanismo de falla. Se requiere de una comprensin profunda del fenmeno; un nivel
importante de informacin experimental, anlisis ingenieril para derivar las ecuaciones.
Como resultado, el nmero de modelos disponibles es muy limitado.

Aunque no existe un enfoque bien definido para desarrollar un modelo fsico, se pueden
identificar varios pasos:
1. Identificar modos de falla y mecanismos;
2. Construir modelos matemticos;
3. Estimar la confiabilidad para las condiciones de operacin y ambientales presentes y
para las caractersticas dadas de los componentes;
4. Determinar la vida de servicio;
5. Redisear para incrementar la vida de servicio de diseo.
Mecanismos que han sido modelados:
Fatiga
Friccin

Corrosin
Contaminacin
Esfuerzo mecnico

Ejemplo 1:
Relacin emprica para medir la deformacin como una funcin del tiempo y de la temperatura sometida a esfuerzo constante, resultando
eventualmente en fractura:
= 0 1 + 3
Donde:

deformacin en el instante t

0 deformacin inicial

, k constantes

Si mx es la deformacin de fractura, este modelo permite estimar la vida de diseo con respecto al creep.

Ejemplo 2:
La vida til de las herramientas de corte, puede ser modelada por la geometra y las caractersticas operacionales del corte, as como la dureza del
material. Se pueden identificar varios modos de falla incluyendo fractura, deformacin plstica, desgaste gradual. Respecto de este ltimo modo de
falla:

=

Donde

T: vida de la herramienta en minutos;

Bbn: dureza Brinell;

V: velocidad de corte en pies/minuto;

F: avance en pulgadas/diente;

d: profundidad de corte en pulgadas;

c, m, , , : constantes determinadas empricamente.

Usualmente
>>>m
Lo que indica que la vida de la herramienta es ms sensible a la velocidad de corte, luego el avance, la profundidad de corte, y finalmente la dureza
del material.