Académique Documents
Professionnel Documents
Culture Documents
Rodrigo Pascual J.
rpascual@ing.uchile.cl
Dpto. Ing. Mecanica, U. de Chile.
Beauchef 850,
Santiago, Chile.
Version 2.91, septiembre 2008
ii
On ne voit bien quavec le coeur. Lessentiel est invisible pour les yeux.
Antoine de Saint-Exupery, Le petit prince.
Indice general
I
Bases generales
15
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
19
19
20
20
20
20
23
24
24
26
26
26
27
28
28
2. Estructura de costos
2.1. Introducci
on . . . . . . . . . . . . . . . . .
2.1.1. Costo global . . . . . . . . . . . .
2.2. Costo de intervenci
on . . . . . . . . . . .
2.3. Costo de falla . . . . . . . . . . . . . . . .
2.4. Costo de almacenamiento . . . . . . . . .
2.5. Costo de sobre-inversiones . . . . . . . . .
2.6. Valores referenciales . . . . . . . . . . . .
2.6.1. Para el costo de intervencion . . .
2.6.2. Para el costo de falla . . . . . . . .
2.6.3. Para el costo de almacenamiento .
2.7. Costos referenciales en plantas de proceso
2.7.1. Equipos con rendimiento variable .
2.8. Comentarios finales . . . . . . . . . . . . .
2.9. A explorar . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
31
32
32
32
34
34
35
36
36
37
37
38
39
42
42
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
45
45
46
48
48
49
49
50
53
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
iii
INDICE GENERAL
iv
55
55
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
la condicion
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
61
61
62
63
64
66
67
68
70
70
72
73
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
77
77
77
77
78
78
79
79
79
79
80
80
81
II
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Modelos de confiabilidad
85
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
87
88
89
90
93
94
95
96
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
99
99
100
101
105
105
106
106
106
107
107
108
108
.
.
.
.
.
.
.
INDICE GENERAL
7.4.
7.5.
7.6.
7.7.
7.8.
y
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
110
110
111
112
112
114
115
116
116
116
117
118
118
119
119
119
120
reemplazo
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
125
125
127
127
127
128
128
128
128
129
129
129
131
133
133
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
137
137
138
138
138
138
139
140
141
141
141
142
143
143
143
145
145
146
9. An
alisis de confiabilidad
9.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . .
9.2. Confiabilidad . . . . . . . . . . . . . . . . . . . . . .
9.3. Probabilidad acumulada de fallas . . . . . . . . . . .
9.4. Tasa de fallas instant
anea (t) . . . . . . . . . . . .
9.5. Densidad de probabilidad de falla . . . . . . . . . . .
9.6. Vida media . . . . . . . . . . . . . . . . . . . . . . .
9.7. Disponibilidad . . . . . . . . . . . . . . . . . . . . .
9.8. Tiempo medio entre fallas . . . . . . . . . . . . . . .
9.9. Mantenibilidad . . . . . . . . . . . . . . . . . . . . .
9.9.1. Criterios de Mantenibilidad . . . . . . . . . .
9.9.2. Tiempos asociados a las intervenciones . . . .
9.9.3. Tiempo para deteccion . . . . . . . . . . . . .
9.10. M T BF y M T T F . . . . . . . . . . . . . . . . . . .
9.11. Tasa de reparaci
on . . . . . . . . . . . . . . . . . . .
9.12. Efecto de las condiciones ambientales y de operacion
9.13. Comentarios finales . . . . . . . . . . . . . . . . . . .
9.14. A explorar . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
INDICE GENERAL
vi
10.Distribuciones estadsticas
10.1. Introducci
on . . . . . . . .
10.2. Distribuci
on de Poisson .
10.2.1. Teorema de Palm .
10.3. Distribuci
on geometrica .
10.4. Distribuci
on Gaussiana . .
10.5. Distribuci
on exponencial .
10.6. Distribuci
on de Weibull .
10.7. Comentarios finales . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
149
149
149
150
150
150
152
153
155
11.Modelos b
asicos de confiabilidad
11.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . .
11.2. Ejemplos de uso del analisis de confiabilidad . . . . . .
11.3. Distribuci
on exponencial . . . . . . . . . . . . . . . . .
11.4. Modelo de Weibull . . . . . . . . . . . . . . . . . . . .
11.4.1. Estimaci
on de par
ametros de Weibull . . . . .
11.4.2. Uso del modelo de Weibull . . . . . . . . . . .
11.5. Tasa de fallas con crecimiento exponencial . . . . . . .
11.6. Modelo de Gompertz-Makeham . . . . . . . . . . . . .
11.7. Verificaci
on de modelos . . . . . . . . . . . . . . . . .
11.7.1. Test 2 . . . . . . . . . . . . . . . . . . . . . .
11.7.2. Test de Kolmogorov-Smirnov (KS) . . . . . . .
11.8. Otros modelos de confiabilidad . . . . . . . . . . . . .
11.8.1. Modelo normal . . . . . . . . . . . . . . . . . .
11.8.2. Modelo log-normal . . . . . . . . . . . . . . . .
11.8.3. Desgaste mec
anico, (t) = at + b . . . . . . . .
11.8.4. Tasa de falla definida por tramos . . . . . . . .
11.9. Vida remanente esperada . . . . . . . . . . . . . . . .
11.10.Mantenimiento preventivo y confiabilidad condicional .
11.10.1.Optimizaci
on de intervalos de renovacion . . .
11.10.2.Ejemplo . . . . . . . . . . . . . . . . . . . . . .
11.10.3.Modelo de Dhillon . . . . . . . . . . . . . . . .
11.10.4.Modelo de fallas para madurez y vejez . . . . .
11.11.Comentarios finales . . . . . . . . . . . . . . . . . . . .
11.12.A explorar . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
159
159
159
160
160
162
167
168
171
171
171
173
180
180
182
183
184
184
188
189
192
193
193
199
199
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
205
205
205
207
207
209
209
221
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
225
225
225
225
228
228
229
229
229
231
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
INDICE GENERAL
vii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
232
233
235
236
236
14.Estimaci
on de confiabilidad con datos censurados y agrupados
239
14.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
14.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
15.Estimaci
on de confiabilidad con m
axima verosimilitud
15.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . .
15.2. Estimaci
on de m
axima verosimilitud . . . . . . . . . . . .
15.2.1. Distribuci
on exponencial . . . . . . . . . . . . . . .
15.2.2. Distribuci
on de Weibull . . . . . . . . . . . . . . .
15.2.3. Distribuciones normales y lognormales . . . . . . .
15.3. Estimaci
on de m
axima verosimilitud con datos censurados
15.3.1. Distribuci
on exponencial . . . . . . . . . . . . . . .
15.3.2. Distribuci
on de Weibull . . . . . . . . . . . . . . .
15.4. Estimaci
on del par
ametro de localizacion . . . . . . . . .
15.5. Intervalos de confianza . . . . . . . . . . . . . . . . . . . .
15.5.1. Distribuci
on exponencial . . . . . . . . . . . . . . .
15.5.2. Distribuci
on exponencial de 2 parametros . . . . .
15.5.3. Distribuci
on de Weibull . . . . . . . . . . . . . . .
15.6. Estimaci
on de par
ametros para modelos covariables . . . .
15.7. Comentarios finales . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
multiplemente
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
245
245
246
247
248
248
248
249
249
250
251
251
252
253
253
256
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
259
259
259
262
262
266
III
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
269
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
271
271
272
273
274
277
277
278
281
281
18.Asignaci
on de tareas y reemplazo
18.1. Introducci
on . . . . . . . . . . . . . . . . . . . .
18.2. Costos de falla . . . . . . . . . . . . . . . . . .
18.3. Perfil de costos de falla . . . . . . . . . . . . . .
18.4. Modelo de reasignaci
on para equipos multitarea
18.5. Ejemplo . . . . . . . . . . . . . . . . . . . . . .
18.6. Modelo de optimizaci
on . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
285
285
285
286
286
287
289
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
INDICE GENERAL
viii
18.7. Restricci
on de presupuesto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
18.8. Comentarios finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
19.Sistemas de apoyo a la toma de decisiones
19.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . .
19.2. Sistemas inteligentes de apoyo a la toma de decisiones
19.3. Modelo de DSS inteligente . . . . . . . . . . . . . . . .
19.3.1. Formato de los datos y verificacion . . . . . . .
19.3.2. An
alisis . . . . . . . . . . . . . . . . . . . . . .
19.3.3. Criterios de optimizaci
on . . . . . . . . . . . .
19.3.4. Selecci
on de metodo . . . . . . . . . . . . . . .
19.3.5. Modelos considerados . . . . . . . . . . . . . .
19.4. Estudio de casos . . . . . . . . . . . . . . . . . . . . .
19.4.1. Caso I: modelo geometrico I . . . . . . . . . . .
19.4.2. Caso II: modelo determinstico . . . . . . . . .
19.4.3. Caso III: modelo estoc
astico . . . . . . . . . . .
19.4.4. Caso IV: Weibull . . . . . . . . . . . . . . . .
19.4.5. Caso V: Modelo geometrico II . . . . . . . . . .
19.5. Comentarios finales . . . . . . . . . . . . . . . . . . . .
19.6. A explorar . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
295
295
296
296
297
297
298
298
299
307
307
311
312
314
317
317
317
20.Selecci
on de estrategias de mantenimiento
20.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . .
20.2. Estimaci
on de costos . . . . . . . . . . . . . . . . . .
20.2.1. Mantenimiento correctivos vs preventivo . . .
20.2.2. Mantenimiento sintom
atico . . . . . . . . . .
20.3. Selecci
on de estrategia de mantenimiento . . . . . .
20.4. Estudio de caso . . . . . . . . . . . . . . . . . . . . .
20.4.1. El componente . . . . . . . . . . . . . . . . .
20.4.2. Selecci
on del tipo de mantenimiento . . . . .
20.5. Correcci
on din
amica con ventana de oportunidad . .
20.6. Modelo con correcci
on por costos de intervencion . .
20.7. Modelo con distribuci
on normal . . . . . . . . . . . .
20.8. Maximizaci
on de disponibilidad . . . . . . . . . . . .
20.8.1. Weibull de 2 par
ametros . . . . . . . . . . . .
20.8.2. Diagrama de dispersion de tiempos . . . . . .
20.9. Mantenimiento preventivo aleatorio . . . . . . . . . .
20.9.1. Ejemplo . . . . . . . . . . . . . . . . . . . . .
20.10.Mantenimiento preventivo aleatorio optimo . . . . .
20.10.1.Estudio de caso . . . . . . . . . . . . . . . . .
20.11.Mantenimiento preventivo mnimo . . . . . . . . . .
20.12.Intervalos para preventivas con Weibull mixto . . . .
20.12.1.Estudio de caso . . . . . . . . . . . . . . . . .
20.13.Bono flexible para coordinar mandante y contratista
20.13.1.Comentarios . . . . . . . . . . . . . . . . . .
20.14.Comentarios finales . . . . . . . . . . . . . . . . . . .
20.15.A explorar . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
323
323
324
324
326
327
327
327
328
331
331
332
335
337
342
342
342
343
344
344
345
346
347
349
349
349
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
353
354
355
355
360
362
363
.
.
.
.
.
.
.
.
.
.
.
.
INDICE GENERAL
ix
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
364
366
367
368
371
371
373
380
382
383
384
386
387
387
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
393
393
393
395
396
397
397
397
400
401
403
404
407
408
408
410
415
415
416
417
417
417
418
418
419
419
420
423
424
430
434
435
437
437
439
442
443
444
INDICE GENERAL
en
. .
. .
. .
. .
. .
. .
. .
. .
tasa
. . .
. . .
. . .
. . .
. . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
de
. .
. .
. .
. .
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
444
446
447
447
448
449
449
450
451
454
454
463
463
465
465
469
469
472
472
476
477
477
482
483
producci
on
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
495
495
495
495
496
499
disponibilidad
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
26.Contratos de tercerizaci
on con bonos
26.1. Introducci
on . . . . . . . . . . . . . . . . . . . . .
26.2. Modelo inicial . . . . . . . . . . . . . . . . . . . .
26.2.1. Estudio de caso . . . . . . . . . . . . . . .
26.3. Contrato con bono a intervenciones preventivas .
26.3.1. Estudio de caso . . . . . . . . . . . . . . .
26.4. Contrato con bono por disponibilidad . . . . . .
26.4.1. Estudio de caso . . . . . . . . . . . . . . .
26.5. Multiples contratistas . . . . . . . . . . . . . . .
26.5.1. Estudio de caso . . . . . . . . . . . . . . .
26.6. Mandante busca disponibilidad, contratista busca
26.6.1. Bono por intervenciones preventivas . . .
26.7. Modelo con bandas flexibles en la tarifa . . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
margen
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
503
503
503
503
504
504
506
507
507
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
511
511
511
513
516
517
517
518
518
521
521
524
525
INDICE GENERAL
xi
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
525
526
529
529
532
533
533
534
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
537
537
537
539
541
541
541
543
28.Mantenimiento oportunista
28.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28.2. Formulaci
on del problema . . . . . . . . . . . . . . . . . . . . .
28.3. Estrategias de agrupamiento . . . . . . . . . . . . . . . . . . . .
28.3.1. Agrupamiento indirecto . . . . . . . . . . . . . . . . . .
28.3.2. Agrupamiento directo . . . . . . . . . . . . . . . . . . .
28.3.3. Agrupamiento indirecto con intervalos basicos m
ultiples
28.4. Modelos del deterioro Cm,i (t) . . . . . . . . . . . . . . . . . . .
28.5. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28.5.1. Agrupamiento indirecto . . . . . . . . . . . . . . . . . .
28.5.2. Agrupamiento directo . . . . . . . . . . . . . . . . . . .
28.6. Agrupamiento indirecto con tasa de fallas tipo Weibull . . . . .
28.7. Comentarios finales . . . . . . . . . . . . . . . . . . . . . . . . .
28.8. A explorar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
547
547
548
549
549
551
552
552
554
554
554
557
560
560
29.Reemplazo de equipos
563
29.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 563
29.2. Reemplazo sin considerar tasa de descuento . . . . . . . . . . . . . . . . . . . . . . . . . . 564
29.3. Reemplazo considerando tasa de descuento . . . . . . . . . . . . . . . . . . . . . . . . . . 564
29.4. Modelos predictivos sin tasa de descuento . . . . . . . . . . . . . . . . . . . . . . . . . . . 565
29.4.1. Depreciaci
on lineal y costo lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 567
29.4.2. Depreciaci
on exponencial y costo lineal . . . . . . . . . . . . . . . . . . . . . . . . 567
29.4.3. Depreciaci
on exponencial, costo exponencial . . . . . . . . . . . . . . . . . . . . . . 567
29.4.4. Depreciacion exponencial, costos con crecientes con ley de potencia . . . . . . . . . 569
29.5. Modelo considerando tasa de descuento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 570
29.6. Modelos con costos por unidad de tiempo y con costos totales considerando tasa de descuento572
29.7. Modelo considerando estacionalidad en los costos . . . . . . . . . . . . . . . . . . . . . . . 572
29.8. Costo por unidad de tiempo creciente e intervalo finito . . . . . . . . . . . . . . . . . . . . 575
29.8.1. Construcci
on del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 575
29.9. Equipos con mejoras tecnol
ogicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 576
29.9.1. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 576
29.9.2. Formulaci
on del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 576
29.9.3. Ejemplo numerico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 578
29.9.4. Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 578
29.10.Programaci
on din
amica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 579
29.10.1.Reemplazo de equipos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 579
29.10.2.Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 580
INDICE GENERAL
xii
. . . . . . . . .
. . . . . . . . .
periodo infinito
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
582
585
587
587
588
588
588
589
590
592
593
595
595
597
597
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
601
601
601
602
603
608
609
610
613
613
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
617
617
618
618
622
622
624
625
627
628
629
629
630
631
631
636
637
638
32.Planificaci
on de overhauls en flotas
32.1. Introducci
on . . . . . . . . . . . . .
32.2. Formulaci
on del modelo . . . . . .
32.3. Modelo matem
atico . . . . . . . .
32.3.1. Indices . . . . . . . . . . . .
32.3.2. Par
ametros . . . . . . . . .
32.3.3. Variables de decisi
on . . .
32.3.4. Objetivo . . . . . . . . . . .
32.3.5. Restricciones . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
641
641
642
642
642
642
643
643
643
mixtas
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
INDICE GENERAL
xiii
y preventivas
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
imperfectas
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
651
651
652
654
655
657
657
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
661
661
662
662
665
666
667
668
668
669
670
670
671
gradual
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
675
675
675
678
679
679
36.Modelos de conminuci
on
36.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36.2. Modelamiento matem
atico del proceso de conminucion . . . . . . . . . .
36.3. Modelo para molinos de bolas . . . . . . . . . . . . . . . . . . . . . . . .
36.3.1. Estudio de caso . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36.3.2. Evoluci
on del proceso con el desgaste de revestimientos y mallas
36.4. Comentarios finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
685
685
689
689
690
692
695
37.Dise
no con redundancia
37.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . .
37.1.1. Dependencia de la lnea . . . . . . . . . . . .
37.1.2. Estructura interna del equipo . . . . . . . . .
37.2. Conceptos probabilsticos . . . . . . . . . . . . . . .
37.2.1. Configuraci
on en serie . . . . . . . . . . . . .
37.2.2. Configuraci
on en paralelo . . . . . . . . . . .
37.2.3. Configuraci
on mixta . . . . . . . . . . . . . .
37.2.4. Redundancia pasiva . . . . . . . . . . . . . .
37.2.5. Redundancia activa . . . . . . . . . . . . . .
37.3. Configuraci
on
optima con restriccion de presupuesto
37.3.1. Descripci
on del modelo . . . . . . . . . . . .
37.3.2. Ejemplo numerico . . . . . . . . . . . . . . .
37.4. Criterio combinado presupuesto y confiabilidad . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
701
701
701
702
702
702
702
703
703
704
705
705
705
707
a desgaste
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
INDICE GENERAL
xiv
37.5. Configuraci
on
optima con restricciones de presupuesto y seguridad . . . . .
37.5.1. Descripci
on del modelo . . . . . . . . . . . . . . . . . . . . . . . . .
37.5.2. Ejemplo numerico . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37.6. Configuraci
on
optima minimizando el costo para nivel de confiabilidad dado
37.6.1. Descripci
on del modelo . . . . . . . . . . . . . . . . . . . . . . . . .
37.6.2. Ejemplo numerico . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37.7. Minimizaci
on de costo global con restriccion de confiabilidad y varias etapas
37.7.1. Modelo propuesto . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37.8. Redundancia
optima a costo global mnimo . . . . . . . . . . . . . . . . . .
37.8.1. Descripci
on del modelo . . . . . . . . . . . . . . . . . . . . . . . . .
37.8.2. Ejemplo numerico . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37.9. Redundancia activa con componentes sujetos a reparacion . . . . . . . . . .
37.9.1. Descripci
on del modelo . . . . . . . . . . . . . . . . . . . . . . . . .
37.9.2. Ejemplo numerico . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37.9.3. Capacidad de servicio infinita y redundancia k de n . . . . . . . . .
37.9.4. Modelo integrado con gesti
on de repuestos . . . . . . . . . . . . . . .
37.10.Costo de falla y redundancia . . . . . . . . . . . . . . . . . . . . . . . . . .
37.11.Sistemas k de n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37.12.Redundancia activa y beneficio/costo . . . . . . . . . . . . . . . . . . . . . .
37.12.1.Dos equipos en paralelo . . . . . . . . . . . . . . . . . . . . . . . . .
37.12.2.Tres equipos en paralelo . . . . . . . . . . . . . . . . . . . . . . . . .
37.13.Ejemplo numerico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37.14.Disponibilidad y tasa de producci
on . . . . . . . . . . . . . . . . . . . . . .
37.14.1.Formulaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37.14.2.Estudio de caso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37.14.3.Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37.15.A explorar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38.Tama
no de flotas, talleres y cuadrillas
38.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . .
38.2. Teora de colas . . . . . . . . . . . . . . . . . . . . . .
38.2.1. Casos estudiados . . . . . . . . . . . . . . . . .
38.2.2. Resultados de la teora de colas . . . . . . . . .
38.3. N
umero
optimo de m
aquinas para demanda fluctuante
38.3.1. Planteamiento del problema . . . . . . . . . . .
38.3.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . .
38.4. Tama
no de flota . . . . . . . . . . . . . . . . . . . . .
38.4.1. Planteamiento del problema . . . . . . . . . . .
38.4.2. Estudio de caso . . . . . . . . . . . . . . . . . .
38.5. Esfuerzo
optimo de una cuadrilla . . . . . . . . . . . .
38.5.1. Planteamiento del problema . . . . . . . . . . .
38.5.2. Descripci
on del modelo . . . . . . . . . . . . .
38.5.3. Ejemplo . . . . . . . . . . . . . . . . . . . . . .
38.6. Combinaci
on
optima de m
aquinas diferentes . . . . . .
38.6.1. Planteamiento del problema . . . . . . . . . . .
38.6.2. Descripci
on del modelo . . . . . . . . . . . . .
38.6.3. Ejemplo . . . . . . . . . . . . . . . . . . . . . .
38.6.4. Comentarios . . . . . . . . . . . . . . . . . . .
38.7. Tama
no de flota para satisfacer una demanda . . . . .
38.7.1. Formulaci
on del modelo . . . . . . . . . . . . .
38.8. Eficiencia operacional con restricci
on de capacidad . .
38.8.1. Introducci
on . . . . . . . . . . . . . . . . . . .
38.8.2. Modelo de simulaci
on . . . . . . . . . . . . . .
38.8.3. Comentarios . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
708
708
709
711
711
711
712
713
714
714
714
715
716
716
717
719
721
729
729
730
731
731
732
732
733
736
736
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
739
739
740
740
741
744
744
745
746
746
747
748
748
749
749
751
751
751
754
755
756
756
757
757
760
760
INDICE GENERAL
xv
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
767
767
768
768
769
769
771
773
773
774
778
778
778
780
786
786
40.Asignaci
on de recursos con restricci
on presupuestaria
40.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40.2. Modelo est
atico . . . . . . . . . . . . . . . . . . . . . . . . . .
40.2.1. Formulaci
on del modelo . . . . . . . . . . . . . . . . .
40.2.2. Ejemplo numerico . . . . . . . . . . . . . . . . . . . .
40.2.3. Comentarios . . . . . . . . . . . . . . . . . . . . . . .
40.2.4. A explorar . . . . . . . . . . . . . . . . . . . . . . . .
40.3. Modelo din
amico . . . . . . . . . . . . . . . . . . . . . . . . .
40.3.1. Formulaci
on del modelo basico . . . . . . . . . . . . .
40.3.2. Ejemplo numerico . . . . . . . . . . . . . . . . . . . .
40.3.3. Correcci
on temporal . . . . . . . . . . . . . . . . . . .
40.3.4. Diferentes escenarios . . . . . . . . . . . . . . . . . . .
40.3.5. Endeudamiento . . . . . . . . . . . . . . . . . . . . . .
40.3.6. Varios tipos de overhaul . . . . . . . . . . . . . . . . .
40.3.7. Minimizaci
on de presupuesto . . . . . . . . . . . . . .
40.3.8. Zonas criticas . . . . . . . . . . . . . . . . . . . . . . .
40.3.9. Presupuesto integrado para adquisiciones y overhauls .
40.3.10.Comentarios . . . . . . . . . . . . . . . . . . . . . . .
40.4. A explorar . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
789
789
791
791
793
796
796
796
796
798
799
800
800
801
802
803
804
805
806
IV
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Gesti
on de repuestos y cadena de suministros
41.Gesti
on de repuestos centrada en costos y confiabilidad
41.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41.2. Minimizaci
on del costo global sin demora en pedidos . . . . . . . . . . .
41.2.1. Incentivos personales . . . . . . . . . . . . . . . . . . . . . . . . .
41.2.2. Economas de escala y posibles castigos . . . . . . . . . . . . . .
41.2.3. Programa escalado de descuentos por cantidad . . . . . . . . . .
41.2.4. Economas de escala y varios proveedores . . . . . . . . . . . . .
41.2.5. Entrega uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . .
41.2.6. Costo global considerando tasa de descuento . . . . . . . . . . .
41.2.7. Convenio con el proveedor para anular costos de almacenamiento
41.3. Minimizaci
on del costo global con costo de falla . . . . . . . . . . . . . .
41.3.1. Items no son consumidos al llegar . . . . . . . . . . . . . . . . . .
809
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
811
812
813
815
816
818
820
821
823
823
824
826
xvi
INDICE GENERAL
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
creciente
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
828
829
830
831
831
836
836
838
838
839
840
841
842
842
846
847
847
848
849
849
851
852
853
42.Gesti
on de repuestos reparables centrada en nivel de servicio y consolidaci
on
42.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42.2. Formulaci
on del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42.2.1. Modelo b
asico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42.3. Analisis de sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42.4. Modelando la cooperacion entre compa
nas . . . . . . . . . . . . . . . . . . . . . .
42.4.1. Modelo para el pool de inventario . . . . . . . . . . . . . . . . . . . . . . .
42.5. Resultados del ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42.6. Implicaciones administrativas de la cooperacion . . . . . . . . . . . . . . . . . . . .
42.7. Estudio de caso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42.8. Nivel de referencia para pool de repuestos con restriccion de disponibilidad . . . .
42.9. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42.10.Comentarios finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
859
859
861
861
863
863
865
866
869
870
871
871
872
43.Gesti
on de repuestos reparables centrada en la disponibilidad de sistema
43.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43.1.1. Clasificaci
on de repuestos de baja rotacion . . . . . . . . . . . . . . . . .
43.2. Modelo multi-item . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43.2.1. Repuestos reparables . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43.2.2. Demanda con distribuci
on Poisson . . . . . . . . . . . . . . . . . . . . .
43.2.3. An
alisis marginal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43.2.4. Estudio de caso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43.2.5. Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43.2.6. Minimizaci
on del costo global . . . . . . . . . . . . . . . . . . . . . . . .
43.2.7. Modelo integrado de mantenimiento preventivo y nivel de stock . . . . .
43.3. Modelo multi-escal
on METRIC . . . . . . . . . . . . . . . . . . . . . . . . . . .
43.3.1. Formulaci
on del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . .
43.3.2. Ejemplo numerico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43.3.3. Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43.4. Estudio de caso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43.5. Modelo multijerarquico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
877
877
878
879
879
881
881
882
882
882
885
887
890
890
892
893
893
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
INDICE GENERAL
43.5.1. Ejemplo . . .
43.5.2. Ejemplo . . .
43.5.3. < 1 . . . .
43.5.4. Comentarios
43.6. A explorar . . . . . .
xvii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
893
898
898
899
899
44.Sistemas multi-escal
on y manejo de
44.1. Modelo de simulaci
on . . . . . . .
44.2. Formulaci
on del modelo . . . . . .
44.3. Ejemplo . . . . . . . . . . . . . . .
44.3.1. Resultados . . . . . . . . .
44.4. Modelo con consolidaci
on . . . . .
44.5. Comentarios finales . . . . . . . . .
44.6. A explorar . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
903
903
903
904
905
905
909
909
45.Modelo de Markov
45.1. Introducci
on . . . . . . . . . . . . .
45.2. Procesos de Markov . . . . . . . .
45.3. Planteamiento del modelo . . . . .
45.3.1. Nivel de servicio . . . . . .
45.3.2. Nivel de servicio en mision
45.3.3. Indisponibilidad de sistema
45.3.4. Costo global . . . . . . . .
45.4. Implementaci
on . . . . . . . . . . .
45.5. Estudio de caso . . . . . . . . . . .
45.6. Comentarios finales . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
913
913
913
914
915
916
916
917
917
918
919
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Planificaci
on y gesti
on estrat
egica
46.Planificaci
on de tareas
46.1. Introducci
on . . . . . . . . . . .
46.2. Planificaci
on de tiempos . . . .
46.2.1. Tareas . . . . . . . . . .
46.2.2. Tareas predecesoras . .
46.2.3. Etapas . . . . . . . . . .
46.2.4. Matriz de predecesoras .
46.2.5. Camino crtico . . . . .
46.3. Planificaci
on de cargas . . . . .
46.3.1. Aspectos probabilsticos
46.4. Planificaci
on de costos . . . . .
46.5. Comentarios finales . . . . . . .
46.6. A explorar . . . . . . . . . . . .
46.7. Sumario y objetivos . . . . . .
923
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
925
925
925
925
925
925
926
928
929
929
931
935
935
936
47.Indicadores de gesti
on
47.1. Indicadores adecuados . . . . . . . . . . . . . . . . .
47.2. Introduction . . . . . . . . . . . . . . . . . . . . . . .
47.2.1. The maintenance function . . . . . . . . . . .
47.2.2. The theory of performance measurement . . .
47.2.3. The practice of performance measurement . .
47.3. Classifying maintenance performance measures . . .
47.4. Approaches to measuring maintenance performance .
47.4.1. A value-based performance measure . . . . .
47.4.2. The Balanced Scorecard . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
939
939
941
941
942
944
946
948
948
949
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
INDICE GENERAL
xviii
.
.
.
.
.
952
954
955
955
956
963
964
966
966
966
966
967
967
969
970
972
973
973
973
976
976
979
989
990
990
991
992
992
993
994
995
995
996
997
998
998
50.Mantenimiento centrado
50.1. Introducci
on . . . . . .
50.2. Poltica de calidad . .
50.3. Deming . . . . . . . .
50.4. Costos de calidad . . .
50.5. Poltica 0 fallas . . . .
en
. .
. .
. .
. .
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
979
979
980
982
982
982
982
983
984
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
la calidad total
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1003
. 1003
. 1004
. 1004
. 1005
. 1005
INDICE GENERAL
xix
51.Subcontrataci
on
51.1. Tipos de subcontratos . . . . . . . . . . . . . . . . . . . . . . .
51.1.1. Subcontrataci
on parcial . . . . . . . . . . . . . . . . . .
51.1.2. Subcontrataci
on total . . . . . . . . . . . . . . . . . . .
51.1.3. Subcontrataci
on puntual . . . . . . . . . . . . . . . . . .
51.1.4. Subcontrataci
on continua . . . . . . . . . . . . . . . . .
51.2. Objetivos de la subcontratacion . . . . . . . . . . . . . . . . . .
51.2.1. Objetivos econ
omicos . . . . . . . . . . . . . . . . . . .
51.2.2. Objetivo de flexibilidad . . . . . . . . . . . . . . . . . .
51.2.3. Objetivo de garanta . . . . . . . . . . . . . . . . . . . .
51.3. Justificaci
on de la subcontratacion . . . . . . . . . . . . . . . .
51.4. Restricciones de un mandante . . . . . . . . . . . . . . . . . . .
51.4.1. Restricciones legislativas . . . . . . . . . . . . . . . . . .
51.4.2. Restricciones humanas . . . . . . . . . . . . . . . . . . .
51.4.3. Restricciones tecnicas . . . . . . . . . . . . . . . . . . .
51.4.4. Restricciones de confidencialidad . . . . . . . . . . . . .
51.4.5. Restricciones organizacionales . . . . . . . . . . . . . . .
51.4.6. Restricciones hacia el prestatario . . . . . . . . . . . . .
51.5. Actividades sujetas a subcontratacion . . . . . . . . . . . . . .
51.5.1. Prestaciones de medios y prestaciones de resultados . .
51.5.2. Ventajas y desventajas de las prestaciones de resultados
51.5.3. Subcontrataci
on puntual . . . . . . . . . . . . . . . . . .
51.5.4. Subcontrataci
on parcial . . . . . . . . . . . . . . . . . .
51.5.5. Subcontrataci
on total . . . . . . . . . . . . . . . . . . .
51.6. Selecci
on de contratistas . . . . . . . . . . . . . . . . . . . . . .
51.6.1. Seleccionar las actividades a subcontratar . . . . . . . .
51.6.2. La selecci
on del prestatario . . . . . . . . . . . . . . . .
51.6.3. Elaboraci
on del programa de cargas . . . . . . . . . . .
51.7. Criterios de selecci
on de un contratista . . . . . . . . . . . . . .
51.7.1. Definici
on de criterios . . . . . . . . . . . . . . . . . . .
51.7.2. Ponderaci
on de los criterios . . . . . . . . . . . . . . . .
51.8. Selecci
on final . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51.9. Como remunerar a los contratistas . . . . . . . . . . . . . . . .
51.9.1. Modos de remuneracion . . . . . . . . . . . . . . . . . .
51.9.2. Remuneraciones complementarias . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1009
. 1009
. 1009
. 1009
. 1009
. 1009
. 1010
. 1010
. 1011
. 1011
. 1012
. 1012
. 1012
. 1012
. 1012
. 1013
. 1013
. 1013
. 1013
. 1013
. 1014
. 1014
. 1014
. 1015
. 1015
. 1015
. 1015
. 1016
. 1018
. 1018
. 1020
. 1020
. 1020
. 1020
. 1022
52.Auditora interna
52.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52.1.1. C
alculo de la productividad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52.2. Comentarios finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1023
. 1023
. 1026
. 1026
53.Auditora externa
53.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53.2. Estudio de caso . . . . . . . . . . . . . . . . . . . . . . . . .
53.2.1. Estrategias de mantenimiento . . . . . . . . . . . . . .
53.2.2. Efectividad global . . . . . . . . . . . . . . . . . . . .
53.2.3. Organizaci
on estructural . . . . . . . . . . . . . . . . .
53.2.4. Manejo de recursos humanos . . . . . . . . . . . . . .
53.2.5. Planificaci
on y control de las ordenes de trabajo (OT)
53.2.6. Planificaci
on y control de detenciones . . . . . . . . .
53.2.7. Conclusiones . . . . . . . . . . . . . . . . . . . . . . .
53.3. Comentarios finales . . . . . . . . . . . . . . . . . . . . . . . .
53.4. A explorar . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1031
. 1031
. 1031
. 1033
. 1033
. 1036
. 1036
. 1037
. 1038
. 1038
. 1038
. 1038
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
INDICE GENERAL
xx
VI
An
alisis de fallas
1043
54.An
alisis de modos de falla
54.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . .
54.2. Clases de fallas . . . . . . . . . . . . . . . . . . . . . .
54.2.1. Fallas primarias . . . . . . . . . . . . . . . . . .
54.2.2. Fallas secundarias . . . . . . . . . . . . . . . .
54.3. Sistemas reparables y no reparables . . . . . . . . . . .
54.4. Analisis funcional de un sistema . . . . . . . . . . . . .
54.4.1. Objetivos . . . . . . . . . . . . . . . . . . . . .
54.4.2. Principio del an
alisis funcional . . . . . . . . .
54.4.3. Relaci
on entre falla funcional y equipo . . . . .
54.5. Analisis de modos de falla, efectos y criticidad . . . . .
54.6. Etapas del an
alisis . . . . . . . . . . . . . . . . . . . .
54.6.1. Establecer el alcance del an
alisis . . . . . . . .
54.6.2. Recopilaci
on de informaci
on . . . . . . . . . . .
54.6.3. Preparar la lista de componentes . . . . . . . .
54.6.4. Completando las fichas . . . . . . . . . . . . . .
54.7. Usos del FMECA . . . . . . . . . . . . . . . . . . . . .
54.8. Estudio de caso . . . . . . . . . . . . . . . . . . . . . .
54.8.1. Descripci
on de la compa
na . . . . . . . . . . .
54.8.2. Diagn
ostico inicial del mantenimiento . . . . .
54.8.3. Datos existentes . . . . . . . . . . . . . . . . .
54.8.4. An
alisis de modos de falla, efectos y criticidad
54.9. Comentarios finales . . . . . . . . . . . . . . . . . . . .
54.10.A explorar . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1045
. 1045
. 1046
. 1046
. 1046
. 1047
. 1047
. 1048
. 1048
. 1049
. 1050
. 1053
. 1053
. 1053
. 1054
. 1054
. 1055
. 1055
. 1055
. 1055
. 1056
. 1057
. 1061
. 1061
55.An
alisis de riesgos y operabilidad
55.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . .
55.2. Procedimiento . . . . . . . . . . . . . . . . . . . . . . .
55.2.1. Descomposici
on del sistema en secciones . . . .
55.2.2. Descripci
on del subsistema y de su intencion de
55.2.3. Formulaci
on de desviaciones . . . . . . . . . .
55.2.4. Identificaci
on de causas . . . . . . . . . . . . .
55.2.5. Evaluaci
on de consecuencias . . . . . . . . . . .
55.2.6. Salvaguardias . . . . . . . . . . . . . . . . . . .
55.2.7. Recomendaciones y acciones . . . . . . . . . . .
55.2.8. Registro . . . . . . . . . . . . . . . . . . . . . .
55.2.9. Completando el an
alisis . . . . . . . . . . . . .
55.3. Implementaci
on de un an
alisis HAZOP . . . . . . . . .
55.3.1. Definici
on de alcances, objetivos y fronteras . .
55.3.2. Selecci
on del grupo de expertos . . . . . . . . .
55.3.3. Preparaci
on . . . . . . . . . . . . . . . . . . . .
55.4. Ejemplo en un proceso continuo . . . . . . . . . . . .
55.4.1. Metodologa . . . . . . . . . . . . . . . . . . . .
55.5. Comentarios finales . . . . . . . . . . . . . . . . . . . .
. . . .
. . . .
. . . .
dise
no
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1065
. 1065
. 1066
. 1066
. 1066
. 1066
. 1066
. 1069
. 1069
. 1069
. 1069
. 1069
. 1069
. 1069
. 1070
. 1071
. 1071
. 1073
. 1079
56. Arboles
de falla y otras t
ecnicas
56.1. Sumario y objetivos . . . . . . . . . .
56.2. Introducci
on . . . . . . . . . . . . . . .
56.3. Arbol
de fallas . . . . . . . . . . . . .
56.3.1. Construcci
on del
arbol . . . . .
56.3.2. Procedimiento de construcci
on
56.3.3. Evaluaci
on del
arbol . . . . . .
56.3.4. An
alisis cualitativo . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1083
. 1083
. 1083
. 1083
. 1084
. 1086
. 1086
. 1086
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
INDICE GENERAL
56.3.5. An
alisis cuantitativo
56.3.6. Comentarios . . . .
56.4. An
alisis de Pareto . . . . .
56.5. Arboles
de mantenimiento .
56.6. Estudios de correlaci
on . . .
56.7. Diagramas Causa-efecto . .
56.8. Comentarios finales . . . . .
xxi
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
57.Diagramas de priorizaci
on
57.1. Introducci
on . . . . . . . . . . . . . . . . . . . .
57.2. Diagramas frecuencia-indisponibilidad . . . . .
57.2.1. Ejemplo . . . . . . . . . . . . . . . . . .
57.3. Diagrama de dispersi
on de tiempo de sistema .
57.4. Diagrama frecuenciaT F Sef . . . . . . . . . .
57.5. Diagrama M T T R . . . . . . . . . . . .
57.6. Metodos especficos para seleccion de repuestos
57.7. Metodologa de partici
on de repuestos . . . . .
57.7.1. Estudio de caso . . . . . . . . . . . . . .
57.8. Diagramas de dispersi
on de costos . . . . . . .
57.8.1. Formulaci
on del modelo . . . . . . . . .
57.8.2. Estudio de caso . . . . . . . . . . . . . .
57.8.3. Inclusi
on del costo de almacenamiento .
57.9. Comentarios finales . . . . . . . . . . . . . . . .
57.10.A explorar . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1099
. 1099
. 1106
. 1107
. 1110
. 1111
. 1113
. 1114
. 1115
. 1116
. 1116
. 1117
. 1117
. 1119
. 1124
. 1124
58.An
alisis de causa raz
1127
59. Arboles
de falla y eventos dependientes
59.1. Dependencia entre eventos terminales . . . . . .
59.1.1. A depende de B . . . . . . . . . . . . . .
59.1.2. A y B mutuamente exclusivas . . . . . . .
59.1.3. Dependencias en sistemas mas complejos
59.1.4. A y B con correlaci
on perfecta . . . . . .
59.2. Ejemplos . . . . . . . . . . . . . . . . . . . . . .
59.2.1. Simplificaci
on del
arbol . . . . . . . . . .
59.2.2. Sistema de refrigeracion . . . . . . . . . .
59.3. An
alisis de importancia . . . . . . . . . . . . . .
59.3.1. Medidas cuantitativas de importancia . .
59.3.2. Vesely-Fussell para conjuntos mnimos . .
59.3.3. Vesely-Fussell para componentes . . . . .
VII
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Anexos
1087
1088
1088
1091
1091
1095
1095
1133
. 1133
. 1133
. 1133
. 1133
. 1135
. 1137
. 1137
. 1138
. 1138
. 1140
. 1141
. 1144
1149
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1151
. 1151
. 1151
. 1152
. 1152
. 1152
. 1152
. 1153
. 1153
. 1153
. 1154
INDICE GENERAL
xxii
A.6. Ponderaci
on de las actividades de mantenimiento . . . . . . . . . . . . . . . . . . . . . . . 1154
B. Distribuciones estadsticas
1157
B.0.1. Ley Chi-cuadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1157
B.0.2. Ley de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1157
B.0.3. Ley de Fisher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1158
C. Integraci
on de la confiabilidad con distribuci
on Weibull
D. Sistemas de Informaci
on
D.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . .
D.2. Necesidades a satisfacer . . . . . . . . . . . . . . . . . . . . .
D.2.1. Necesidades propias a la mantenimiento . . . . . . . .
D.2.2. Necesidades de funciones anexas a la mantencion . . .
D.3. Funciones del sistema de informaci
on . . . . . . . . . . . . . .
D.3.1. Funciones propias al personal de intervencion . . . . .
D.3.2. Funciones propias a planificacion . . . . . . . . . . . .
D.3.3. Funciones propias a la gestion . . . . . . . . . . . . . .
D.4. Criterios de selecci
on . . . . . . . . . . . . . . . . . . . . . . .
D.5. Implementaci
on . . . . . . . . . . . . . . . . . . . . . . . . . .
D.5.1. Establecer punto de partida . . . . . . . . . . . . . . .
D.5.2. Modelos de flujos internos y externos . . . . . . . . . .
D.5.3. Organigrama de tareas . . . . . . . . . . . . . . . . . .
D.5.4. Determinaci
on de necesidades . . . . . . . . . . . . . .
D.5.5. Estudio de oportunidad . . . . . . . . . . . . . . . . .
D.5.6. Selecci
on . . . . . . . . . . . . . . . . . . . . . . . . .
D.6. Analisis de las funciones . . . . . . . . . . . . . . . . . . . . .
D.6.1. Trabajos . . . . . . . . . . . . . . . . . . . . . . . . . .
D.6.2. Gesti
on de repuestos y compras . . . . . . . . . . . . .
D.6.3. Gesti
on de costos . . . . . . . . . . . . . . . . . . . . .
D.6.4. Elementos de decisi
on . . . . . . . . . . . . . . . . . .
D.6.5. Recursos humanos . . . . . . . . . . . . . . . . . . . .
D.7. Cuestionario de evaluaci
on de un sistema de informacion . . .
D.7.1. Registro de equipos . . . . . . . . . . . . . . . . . . .
D.7.2. Mantenimiento preventivo y centrado en la condicion .
D.7.3. Planeamiento de las ordenes de trabajo . . . . . . . .
D.7.4. Administraci
on de las ordenes de trabajo . . . . . . .
D.7.5. Administraci
on de proyectos y paradas de planta . . .
D.7.6. Informaci
on general . . . . . . . . . . . . . . . . . . .
D.7.7. Informes de gesti
on . . . . . . . . . . . . . . . . . . . .
D.7.8. Hardware y software de base . . . . . . . . . . . . . .
D.7.9. Consideraciones tecnicas . . . . . . . . . . . . . . . . .
D.7.10. Performance . . . . . . . . . . . . . . . . . . . . . . .
D.7.11. Flexibilidad . . . . . . . . . . . . . . . . . . . . . . . .
D.7.12. Consideraciones de implementacion . . . . . . . . . . .
D.7.13. Documentaci
on . . . . . . . . . . . . . . . . . . . . . .
D.7.14. Soporte . . . . . . . . . . . . . . . . . . . . . . . . . .
D.7.15. Antecedentes y estrategias del producto . . . . . . . .
D.7.16. Aspectos financieros . . . . . . . . . . . . . . . . . . .
D.7.17. Condiciones contractuales . . . . . . . . . . . . . . . .
D.8. A explorar . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1159
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1161
. 1162
. 1163
. 1163
. 1164
. 1165
. 1165
. 1166
. 1166
. 1167
. 1167
. 1168
. 1168
. 1168
. 1170
. 1171
. 1172
. 1173
. 1173
. 1177
. 1179
. 1180
. 1182
. 1182
. 1182
. 1184
. 1184
. 1185
. 1185
. 1185
. 1186
. 1186
. 1186
. 1186
. 1187
. 1187
. 1187
. 1187
. 1188
. 1188
. 1188
. 1188
INDICE GENERAL
E. Overhaul
optimo con programaci
on
E.1. Introducci
on . . . . . . . . . . . . .
E.2. Descripci
on del modelo . . . . . . .
E.3. Ejemplo . . . . . . . . . . . . . . .
xxiii
din
amica y horizonte
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
de
. .
. .
. .
tiempo
. . . . .
. . . . .
. . . . .
infinito
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
F. Implementaci
on en solver AIMMS
G. Gua para b
usquedas bibliogr
aficas
G.1. Introducci
on . . . . . . . . . . . . . . . . . . .
G.2. B
usqueda inicial . . . . . . . . . . . . . . . .
G.3. B
usqueda sistem
atica . . . . . . . . . . . . . .
G.4. Expansi
on hacia
atras . . . . . . . . . . . . .
G.5. Expansi
on hacia adelante . . . . . . . . . . .
G.6. Documentaci
on de la b
usqueda . . . . . . . .
G.7. Actualizaci
on . . . . . . . . . . . . . . . . . .
G.8. Confeccion de informes, memorias y artculos
G.9. Lecturas recomendadas . . . . . . . . . . . . .
1193
. 1193
. 1193
. 1194
1199
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1205
. 1205
. 1205
. 1206
. 1206
. 1207
. 1207
. 1207
. 1208
. 1208
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1211
. 1211
. 1211
. 1212
. 1212
. 1212
. 1212
. 1213
. 1213
. 1213
. 1213
. 1213
. 1214
. 1214
. 1215
. 1215
. 1215
. 1215
. 1215
. 1215
. 1216
. 1216
. 1217
. 1217
. 1217
I. Dise
no pedag
ogico del curso
I.1. An
alisis de necesidades . . . . . . . . . . . . . . . . .
I.1.1. An
alisis de destinatarios . . . . . . . . . . . .
I.1.2. An
alisis de contexto . . . . . . . . . . . . . .
I.1.3. An
alisis de necesidades de formacion . . . . .
I.1.4. Tecnologa disponible . . . . . . . . . . . . .
I.2. Determinaci
on de objetivos de aprendizaje . . . . . .
I.2.1. Objetivos generales . . . . . . . . . . . . . . .
I.2.2. Temas y objetivos especficos para objetivo 1
I.2.3. Temas y objetivos especficos para objetivo 2
I.3. Dise
no de enfoques metodol
ogicos . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1221
. 1222
. 1222
. 1222
. 1223
. 1223
. 1223
. 1224
. 1224
. 1225
. 1225
.
.
.
.
.
.
.
.
.
INDICE GENERAL
xxiv
I.4. Selecci
on de medios . . . . . . .
I.4.1. Generaci
on de informes
I.4.2. El Proyecto . . . . . . .
I.5. Dise
no de la evaluaci
on . . . .
I.6. A explorar . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
J. Modelamiento y an
alisis de contratos para servicios de mantenimiento
J.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
J.1.1. Subcontrataci
on de las operaciones de mantenimiento . . . . . . . . .
J.1.2. Contrato para servicios de mantenimiento . . . . . . . . . . . . . . . .
J.1.3. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
J.2. Formulaci
on del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
J.2.1. Fallas del equipo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
J.2.2. Mantenimiento del equipo . . . . . . . . . . . . . . . . . . . . . . . . .
J.2.3. Decisi
on del cliente . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
J.2.4. Decisi
on del agente . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
J.2.5. Juego de Stackelberg . . . . . . . . . . . . . . . . . . . . . . . . . . . .
J.3. Analisis del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
J.3.1. Estrategia
optima del cliente . . . . . . . . . . . . . . . . . . . . . . .
J.3.2. Estrategia
optima del agente . . . . . . . . . . . . . . . . . . . . . . .
J.3.3. Efecto de variaciones en . . . . . . . . . . . . . . . . . . . . . . . . .
J.3.4. Efecto de variaciones en . . . . . . . . . . . . . . . . . . . . . . . . .
J.4. Ejemplo numerico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
J.4.1. Caso A: Cliente u
nico . . . . . . . . . . . . . . . . . . . . . . . . . . .
J.4.2. Caso B: M
ultiples clientes . . . . . . . . . . . . . . . . . . . . . . . . .
J.5. Comentarios y extensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
J.6. A explorar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1231
. 1232
. 1232
. 1233
. 1233
. 1233
. 1233
. 1234
. 1234
. 1235
. 1235
. 1236
. 1237
. 1238
. 1239
. 1239
. 1239
. 1239
. 1243
. 1246
. 1247
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1251
. 1251
. 1252
. 1253
. 1254
. 1254
. 1254
. 1256
. 1257
. 1257
. 1258
. 1258
. 1262
. 1265
L. Programaci
on estoc
astica aplicada a la planificaci
on de tareas de mantenimiento
L.1. Presentaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
L.2. Definici
on del Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
L.3. Metodos de Programacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
L.3.1. Tipos de Programacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
L.3.2. Programaci
on Discreta y Estocastica Aplicada al Mantenimento . . . . . . . . .
L.4. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
L.4.1. Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
L.4.2. Formulaci
on del Problema de Programacion Lineal . . . . . . . . . . . . . . . . .
L.4.3. Funcion Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
L.4.4. Planteamiento en Microsoft Excel/Whats Best . . . . . . . . . . . . . . . . . . .
L.4.5. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1269
. 1269
. 1269
. 1271
. 1271
. 1272
. 1273
. 1273
. 1274
. 1275
. 1276
. 1276
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1225
1225
1226
1227
1227
INDICE GENERAL
L.5. Conclusiones . . . . . .
L.6. Anexo . . . . . . . . . .
L.6.1. Funcion Objetivo
L.6.2. Restricciones . .
xxv
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1277
1277
1277
1278
1281
xxvi
INDICE GENERAL
INDICE GENERAL
Smbolos
Smbolo
a
a
A
Definicion
numero adimensional
coeficiente
vector
matriz
um
ut
ud
u
unidad monetaria
unidad de tiempo
unidad de distancia
unidad
t
T
f
instante (ut)
periodo de tiempo (ut)
frecuencia (ut1 )
Cx
cx
B
R
A
D
f
F
confiabilidad
disponibilidad
no disponibilidad
funcion densidad de probabilidad
funcion de probabilidad acumulada de falla
MTTR
MTTF
M T BF
tasa
tasa
tasa
tasa
tasa
probabilidad
OEM
set point multiplier/trip-multiply
de
de
de
de
de
fallas (f allas/ut)
arribos (arribos/ut)
servicio (intervenciones/ut)
descuento por unidad de tiempo
descuento continua
INDICE GENERAL
Terminologa
Engineering Asset Management A set of systematic and coordinated activities and practices through
which an organization optimally manages its assets, and their associated performance, risks and expenditures over their lifecycle for the purpose of achieving its organizational strategic plan? [11]
Sistema Conjunto de componentes interdependientes, concebidos para realizar una funcion dada, en
condiciones dadas, y en un intervalo de tiempo dado.
Equipo Es una parte de sistema con un proposito explcito (funcion), por ejemplo: clasificar , mezclar,
transportar.
Componente Parte fundamental del equipo. Puede ser reparable o no.
Unidad Es un conjunto de equipos que cumplen una funcion agregada, por ejemplo: chancador
Lnea Conjunto de unidades. Reciben como entrada la materia prima y entregan el producto terminado.
Ello define su funci
on.
Planta Conjunto de lneas en el sentido de produccion. Agrega ademas todas las funciones requeridas
para entregar producto terminado. Por ejemplo: produccion, mantenimiento, contabilidad, ingeniera,
informatica, etc.
Intervenci
on o trabajo Es una acci
on realizada sobre un componente. El objetivo de una intervencion
es lograr que el equipo este operativo e incrementar la disponibilidad del mismo.
Confiabilidad Probabilidad de que un sistema logre su funcion, en sus condiciones de uso, durante un
intervalo de tiempo dado [149].
Availability the ability of an item to be in a state to perform a required function under given conditions
at a given instant of time or over a given time interval, assuming that the required external resources are
provided [149].
maintainability ability of an item under given conditions of use, to be retained in, or restored to, a
state in which it can perform a required function, when maintenance is performed under given conditions
and using stated procedures and resources.
preventive maintenance maintenance carried out at predetermined intervals or according to prescribed criteria, and intended to reduce the probability of failure or the degradation of the functioning of
an item [?]
Leadtime Intervalo de tiempo requerido para recibir un componente donde es requerido, tras enviar la
orden de compra.
Repairable system A system which, after failure to perform at least one of its required functions,
can be restored to performing all of its required functions by any method, other than replacement of the
entire system [106].
A collection of two or more sockets and their associated parts which, after failing to perform at least
one of its functions, can be restored to service by any method, other than replacement of the entire system
[106].
Non repairable system A system which is discarded the first time that it ceases to perform satisfactorily. Ejemplo: satelite [106].
INDICE GENERAL
Parte
An item which is not subject to disassembly and hence, is discarded the first time it fails [106].
Socket
A circuit or equipment position which, at any given time, s a part of a given type [106].
System A collection of two or more sockets and their associated Its, interconnected to perform one or
more functions [106].
Stochastic point process
A stochastic point process...is a mathematical model for a physical phenomenon characterized
by highly localized events distributed randomly in a continuum... In the present application,
the continuum is time and the highly localized events are failures which are assumed to occur
at instants within the time continuum.
Ascher y Feingold [106]
Metamodelo
Any auxiliary model which is used to aid in the interpretation o a more detailed model
Friedman y Press [247]
SCADA
RFID
Pipeline N
umero de unidades de un item en reparaci
on en una faena o siendo reabastecidos a la faena
desde un escal
on de mantenimiento superior [244].
Backorder is a distribution term that refers to the status of items on a purchase order in the event
that some or all of the inventory required to fulfill the order is out of stock [245].
INDICE GENERAL
Prefacio
The study of the art of motorcycle maintenance
is really a miniature study of the art of rationality
itself. Working on a motorcycle, working well,
caring, is to become part of a process, to achieve
an inner peace of mind. The motorcycle is
primarily a mental phenomenon.
R. Pirsig[233]
Project-based learning forces students to take responsibility for their own learning.
I.S. Gibson [6]
...a vital component of making sure that ones models are reliable
because they do the same things as the real system
and for the same reasons. G. Coyle[94]
Engineering without labs [and design] is a different discipline. If we cut out labs [and design]
we might as well rename our degrees Applied Mathematics
Eastlake[5]
Innovation is always a numbers game; the more of it you do, the better your chances of reaping
a fat payoff.
G. Hamel [19]
...modellers must be encouraged to collaborate with managers and engineers, and such collaboration must be rewarded, not just through the successful application of models, but through
the recognition of peers...
P. Scarf [10]
I see more clearly than before that the path to motivating students is the joy of creation,
exploration, and discovery. I see also that these processes are social in nature and that shared
experiences in class and through teamwork projects are vital.
B. Shneiderman [10]
Sumario y objetivos
Al terminar de leer el prefacio, usted debera poder:
Discutir los objetivos de este libro
Conocer los objetivos de los modelos de apoyo a la toma de decisiones
Conocer como ser
a evaluado en el curso ME57a
Conocer los contenidos del curso ME57a por su titulo
Conocer la bibliografa de base del curso
5
INDICE GENERAL
Introducci
on
La continua expansi
on de la sociedad de la informaci
on en que vivimos impone cada vez mas requerimientos tanto en los productos y servicios como en los sistemas de produccion y manufactura. Ello obliga
a acelerar los procesos de toma de decisiones para satisfacer las necesidades impuestas por el mercado.
En el contexto planteado, el mantenimiento es una funcion clave para lograr la satisfaccion de las
demandas al proceso productivo. Cualquier mejora en su manejo puede tener un impacto importante en
la competitividad de la empresa. En esa lnea, el desarrollo e implementacion de las tecnologas de la
informacion apoyado por el modelamiento matematico para la toma de decisiones permite visualizar una
gesti
on del mantenimiento centrada en la informaci
on. En ella la informacion correcta esta disponible en el
momento adecuado y para la persona adecuada. La vision incluye la gestion de la calidad, el procesamiento
y agregacion de la informaci
on que se genera en produccion, y su transferencia a los modelos para la toma
de decisiones.
Los cursos ME57A y ME707 muestra algunos progresos recientes en metodologas para optimizar la
gestion del mantenimiento de sistemas industriales, y en estrategias para transformar el mantenimiento en una actividad que agregue valor a la empresa e incremente su competitividad. El curso ha sido
orientado fuertemente a la investigaci
on de operaciones. Ello conlleva a un esfuerzo de modelamiento
importante de los procesos de decisi
on que ocurren en la industria. Creemos importante que el alumno
comprenda el porque la construcci
on de modelos simples pueden ser de gran apoyo para su labor y para
eso, comenzaremos por definir modelo:
INDICE GENERAL
INDICE GENERAL
Charlas y visitas
Como una forma de acercamiento al medio industrial y tecnologico aplicado se programan varias
charlas, entre ellas:
gestion de mantenimiento
sistemas de informaci
on de mantenimiento
metodos de mantenimiento sintomatico
Analisis de fallas
sistemas expertos
El Proyecto
El proyecto (en grupos de 3 alumnos) corresponde a un 30 % de la nota del curso. Tiene por objetivo desarrollar los t
opicos que se dar
an durante el curso para un sistema mecanico en particular. Al
final el alumno tendr
a un conocimiento acabado (tanto tecnico como economico sobre el equipo) y el
mejor informe quedar
a en el Web para ser usado a conveniencia por los interesados. Los equipos deben
corresponder a maquinas que jueguen un rol importante en la lnea de produccion; con un grado de
complejidad suficiente para realizar an
alisis interesantes, y que sea de uso en una empresa seleccionada
por ustedes. Como novedad, este semestre el proyecto debe ser revisado por un ingeniero responsable
(similar a una pr
actica). El proyecto adem
as tiene caracter de competencia: ganara aquel grupo que logre
la mejor relacion entre ahorros provocados en un a
no vs el valor del equipo nuevo.
El proyecto debe incluir:
principio de funcionamiento, montaje, tecnicas de inspeccion disponibles, condiciones de operacion
en la empresa donde opera.
Desarrollo de un programa de mantenimiento centrado en la confiabilidad
Plan tecnico de mantenimiento
Plan de mantenimiento preventivo
Evaluaci
on de costos asociados a mantenimiento correctivo, preventivo y centrado en la condicion
Analisis de modos de falla, sus efectos y criticidad
Desarrollo del
arbol de fallas
Necesidades de repuestos en bodega, estudio de plazo optimo de reemplazo, tama
no optimo de
pedido, costo de almacenamiento asociado
Estudio de ahorros provocados como consecuencia del estudio, conclusiones
Otros puntos relevantes
INDICE GENERAL
Observaci
on 1 El proyecto ser
a evaluado por los informes escritos (75 %) y por las presentaciones
realizadas en clase (25 %). En las presentaciones se evaluar
a: calidad del contenido (50 %), calidad del
material audiovisual (25 %), claridad al explicar (15 %), calidad de las respuestas (10 %).
Observaci
on 2 El proyecto considera tres presentaciones parciales y una presentaci
on final:
semana 3
semana 8
semana 13
semana 15
Algunos consejos
El proyecto ha sido evaluado en varios semestres. Se aconseja:
Buscar equipos con historial de fallas y costos suficiente.
Se recomienda usar empresas que dispongan de un sistema de informacion.
Dado que el curso se centra en la minimizacion del costo global (y no de la seguridad) considerar
equipos donde ese sea el par
ametro mas importante a considerar.
Los modelos que se propondr
an en el curso se basan en una serie de hipotesis que deben cumplirse
para que el resultado sea valido. Ello obliga a verificar su cumplimiento (y estamparlo en el informe).
En caso de que un modelo no represente adecuadamente la situacion real; sera evaluado muy
positivamente la modificaci
on del mismo por parte de los alumnos. Sean crticos y constructivos.
Las conclusiones emitidas de los resultados de los analisis son ponderadas de manera importante
en la nota. Traten siempre de evaluar los ahorros y otras consecuencias de las acciones propuestas
tras los an
alisis. Comente cada captulo; explote sus resultados al maximo.
Lleve una tabla de actividades donde registre los siguientes campos: fecha, tipo de actividad (entrevista, estudio de los apuntes para el proyecto, implementacion de modelos, redaccion de informe),
tiempo efectivo que requiri
o la actividad, tiempo muerto que requirio la tarea (transporte, ..). Al
final del proyecto haga un resumen (como anexo del proyecto ) por tipo de actividad y genere
indicadores estadsticos. Este punto tambien es evaluado.
Traten siempre de comparar los resultados obtenidos con la manera en que actualmente se hace en
la empresa. Busque ahorros y ventajas provenientes de su trabajo.
Las unidades de tiempo m
as frecuentes son los dias, las semanas, los meses. El sentido practico
indica usar valores enteros de estas unidades de tiempo. Por ejemplo, en caso de que un modelo
resulte en un intervalo
optimo de 3.8678 semanas para intervenciones preventivas, eval
ue el aumento
de la funci
on objetivo si se hace cada 4 semanas.
Cuando usen un modelo matematico, justifiquen la estimacion inicial de los parametros requeridos.
En caso de incertidumbre, realicen analisis de sensibilidad.
cuando se refieran a probabilidades o costos sean especficos; son costos de falla o de intervencion?; por unidad de tiempo, por intervencion o por intervalo?, sobre que intervalo se eval
ua la
probabilidad? en que condiciones de operacion?, etc.
en general es muy conveniente mostrar soluciones graficas. As es facil observar el efecto de implementar alguna estrategia de mantenimiento que no necesariamente sea la optima seg
un el modelo
matem
atico pero que este en la region cercana. Por ejemplo, la figura (1) muestra un estudio del
efecto del intervalo entre pedidos sobre el costo de disponer repuestos en bodega. Observamos que
si bien el
optimo es puntual, la region aleda
na ofrece posibilidades razonables tambien (ver capitulo
41).
INDICE GENERAL
10
x 10
4.5
3.5
2.5
1.5
0.5
50
100
150
Tamao de lote
Desafo 2005
Este a
no se plantea nuevamente el desafo. Consiste basicamente, en tomar un artculo de journal
a ser propuesto por el profesor, el cual debe ser traducido e implementado. Ademas se debe repetir el
ejemplo numerico presentado en el mismo.
El desafo pretende:
acercar al alumno a la actualidad en investigacion de operaciones orientado a mantenimiento;
que realice una investigaci
on bibliogr
afica necesaria para alcanzar la meta;
que eventualmente continue trabajando el tema con miras a su tesis de grado;
que logre dominar las herramientas de optimizacion informaticas;
que sea capaz de escribir un articulo de conferencia.
Otras caractersticas del desafo:
es alternativo al proyecto;
es posible la renuncia. Dada la posibilidad de que requiera un tiempo excesivo, se abre la posibilidad
de comenzar un proyecto en forma tarda (hasta la semana 8);
es individual;
su grado de supervisi
on es mayor, se fijaran reuniones periodicas con el profesor para verificar
avances;
sigue el calendario de presentaciones orales del proyecto.
INDICE GENERAL
11
Forma de evaluaci
on
El curso ser
a evaluado con 3 controles y un examen (50 %), el proyecto/desafo (30 %) y las notas de
tareas y tests (20 %).
Las fechas fijadas para los controles son los jueves:
semana 5
semana 10
semana 15
INDICE GENERAL
12
Bibliografa recomendada
Gran parte del curso de basa en las siguientes referencias:
Campbell, J.D., Jardine, A.K.S., Maintenance Excellence, Marcel Dekker, Inc., 2001.
P. Lyonnet. Maintenance Planning, Methods and Mathematics. Chapman & Hall, 1991.
A.K.S. Jardine. Maintenance, Replacement and Reliability. Pitman Publishing, 1973.
Eppen, G.D. et al., Investigaci
on de Operaciones, Prentice Hall, 5ta edicion, 2000.
Varios, Pratique de la Maintenance Industrielle. Dunod Ed., 1998.
Pascual, R., El Arte de Mantener, Apuntes del curso ME57A, Universidad de Chile, 2004. bajar
No quisiera terminar este prefacio sin agregar una cita muy adecuada al desarrollo de este curso:
To do work in computational mathematics is ...a commitment to a more demanding definition
of what constitutes the solution to a mathematical problem. When done properly, it conforms
to the highest standard od scientific research.
Neuts, M.F[1]
Bibliografa
[1] Neuts, M.F., Computer power of the liberation of applied probability, Technical report 312, Department
of Statistics, Purdue University, 1973.
[2] Bisschop, J. Optimization Modelling, Paragon Decision Technology, The Netherlands, 2004. [bajar]
[3] Drew, D.R, Din
amica de Sistemas Aplicada, Isdefe, Madrid, 1995. [bajar]
[4] Coyle, G., The practice of system dynamics: milestones, lessons and ideas from 30 years experience,
System Dynamics Review, 14(4), 343365, 1998. [bajar]
[5] Eastlake, C. N., Tell me, Ill forget; show me, Ill remember; involve me, Ill understand (The tangible benefit of labs in the undergraduate curriculum), Proceedings ASEE Annual Conference, ASEE,
Washington, DC, 420, 1986.
[6] IS Gibson, C OReilly, M Hughes, Integration of ICT within a project-based learning environment,
European Journal of Engineering Education, 27(1), 2130, 2002.
[7] Hamel, G., The Why, What , and How of Management Innovation, Harvard business review, feb.
2006, 7284.
[8] Scarf, P.A., On the application of mathematical models in maintenance, European Journal of Operational Research, 99, 493-506, 1997.
[9] Cegelec SA, LAB, TUM, Analysis of organizational processes in maintenance logistics , Project Proteus, http://www.proteus-iteaproject.com/D/D52.zip.
[10] B. Shneiderman, Education by engagement and construction: experiences in the ATT Teaching Theater, Proceedings of ED-MEDIA 93 World Conference on Educational Multimedia and Hypermedia,
Orlando, Florida, June, 1993.
[11] PAS-55, Asset Management, British Standards Institute, 2004.
13
14
BIBLIOGRAFIA
Parte I
Bases generales
15
Captulo 1
El mantenimiento dentro de la
empresa
Un da, un hombre que pasaba por una zona que estaba en obras, observ a dos alba
niles que
en ese momento estaban trabajando. Al sentir curiosidad por lo que estaban haciendo, se
acerc
o a uno de ellos y pregunto:
-Perdone, qu est haciendo?. A lo que el alba
nil respondio: Estoy picando piedras.
Acto seguido, le hizo la misma pregunta al otro alba
nil, pero esta vez la respuesta fue distinta:
Estoy construyendo una catedral.
Christoper Wren
Despite the fact that the gap between OR/MS theory and practice is slowly narrowing, it
remains very large in maintenance management.
Pintelon & Gelders [26]
...A general problem with most of the models is that the necessary input data is seldom available - or, not in the format required by the models....
Many practitioners have found these problems so overwhelming that they do not even try to
use models to optimize the maintenance intervals. They rely on the manufacturers recommendations and past experience - and therefore end up with too frequent maintenance.
M. Rausand [18]
...it is the authors experience mat any introduction of quantitative reliability data or models
into the RCM process only clouds the PM issue and raises credibility questions that are of no
constructive value.
Smith, A. M., [22]
...In short, the idea (terotechnology) quite rapidly enlarged from being an approach in which
maintenance and unavailability costs were of central importance to one which was much more
general, and therefore less tangible. Because of this the concept never took root in British
industry.
Kelly, A., [7]
...there is more isolation between practitioners of maintenance and the researchers than in
any other professional activity...
, M. Malik[19]
The best thing you can do if you lack good information about the effect of age on reliability
is to pick a periodicity that seems right. Later, you can personally explore the characteristics
of the hardware at hand by periodically in e g the periodic@ and finding out what happens.
U.S. D.O.D., [23]
17
18
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Comprender que el mantenimiento es una funcion de apoyo dentro del empresa
Reconocer aquellos factores que afectan la gestion de mantenimiento y que pueden estar o no bajo
la responsabilidad del tomador de decisiones
Clasificar a que tipo de estrategia corresponde una actividad de mantenimiento dada
Comprender que el registro de los eventos (trabajos y fallas) as como los costos sirven de entrada
para los modelos de apoyo a la toma de decisiones
1.1.
19
Introducci
on
Seg
un el diccionario (2001) de la Real Academia Espa
nola de la lengua se define semanticamente
mantenimiento como.
1. m. Efecto de mantener o mantenerse.
2. m. Conjunto de operaciones y cuidados necesarios para que instalaciones, edificios, industrias, etc.,
puedan seguir funcionando adecuadamente.
Seg
un la norma francesa AFNOR 60.010, mantenimiento se define como:
El conjunto de acciones que permiten mantener o restablecer un bien a un estado especificado o en
capacidad de asegurar un servicio determinado.
Wireman [239] lo define como toda acci
on o actividad necesaria para mantener un sistema o componentes del equipo en el estado operacional deseado o restaurarlo a dicho estado.
De acuerdo al British Standards Institution [16]:
Maintenance is the combination of all technical and administrative actions, intended to retain
an item in, or restore it to a state in which it can perform its required function.
Hay que agregar a este concepto las nociones de acciones a tomar antes del montaje de los bienes
(etapa de dise
no) y la de la vida u
til nominal del equipo, que determina tambien las acciones a tomar.
1.1.1.
Una funci
on de apoyo
La funci
on mantenimiento cubre el conjunto de actividades que deben existir en una planta para
obtener un costo global de mantenimiento mnimo durante la vida prevista para los equipos.
Se trata de una funci
on de apoyo tal como las funciones:
calidad
seguridad
recursos humanos, etc.
Para optimizar la funci
on mantenimiento es necesario situar esta funcion en el marco de una funcion
mas global llamada funci
on equipos.
En una planta, para producir se requiere:
uno o m
as productos terminados definidos;
materias primas;
proceso de producci
on;
personal;
equipos.
La funci
on equipos incluye todas las actividades que conciernen a los activos fsicos de la empresa.
Ella se descompone en varias funciones:
mantenimiento;
inversiones en renovaci
on,
inversiones de productividad;
mejoras de equipos;
desarrollo de nuevos equipos.
20
1.1.2.
Sistemas de gesti
on
1.1.3.
Otros antecedentes
1.1.4.
La figura 1.1 muestra el mapa general del curso ME57a. Para facilitar su comprension no sean establecido todas las relaciones entre los conceptos. Los mapas conceptuales fueron introducidos por Novak[3]
en los 80 y su objetivo central es facilitar el aprendizaje significativo.
1.2.
Marco referencial
Es natural pensar que en una organizacion se realicen analisis para establecer los retornos causados
por los costos (de intervenci
on) de mantenimiento y que el presupuesto sea fijado a partir de la evaluacion
de las estrategias (proyectos) aplicadas. La realidad muestra que tal enfoque es muy difcil de realizar y
es as que los presupuestos son establecidos a partir de los costos incurridos en a
nos anteriores.
Las dificultades que aparecen al tratar de evaluar los proyectos en mantenimiento son:
21
22
1. existen multiples estrategias y niveles posibles de mantenimiento para cada equipo. Los efectos
economicos de cada alternativa son difciles de estimar en general.
2. los recursos necesarios para el mejoramiento del mantenimiento tienen costos que pueden ser aplicados a otros proyectos alternativos (cambio de tecnologa, ampliacion, reemplazo de equipos, inversiones en otros rubros, etc.),
Para estimar objetivamente la cantidad de recursos que se debe asignar al servicio de mantenimiento
es necesario establecer alg
un indicador de eficiencia de la empresa, que sea sensible a la toma decisiones.
Existen 2 clases de factores que afectan las decisiones de mantenimiento:
Factores externos a mantenimiento
que esta fuera del control del departamento de mantenimiento. Podemos subclasificarlos en dos niveles:
nivel empresa y nivel producci
on.
Factores a nivel empresa Representan los posibles proyectos alternativos no relacionados directamente con mantenimiento y que compiten por los recursos y que posiblemente logran incrementar la capacidad de producci
on. En este grupo de proyectos encontramos: redise
no de lneas de produccion, equipos
y componentes poco confiables o con bajo nivel de mantenibilidad, duplicacion de lneas y equipos para
disminuir posibles costos de falla por mantenimiento correctivo o preventivo, reemplazo por tecnologas
mas eficientes.
Factores asociados a producci
on
La tasa de producci
on y las variaciones de la misma influyen en el tiempo disponible para realizar
intervenciones sobre el equipo, as mismo tienen efecto sobre la tasa de fallas y la seriedad de las
mismas.
Las propiedades de la materia prima utilizada en el proceso pueden afectar la confiabilidad de la
planta; por ejemplo, una barra que no ha sido calentada suficientemente puede causar la falla de
un laminador.
Los esquemas de planificaci
on utilizados afectan la frecuencia y la duracion de los tiempos muertos
de producci
on. Ellos influye en el tiempo disponible para intervenir los equipos.
Los niveles de pilas entre las fases de una lnea de produccion afectan las demoras permisibles
debido a mantenimiento correctivo o preventivo. Mas aun, pueden aparecer problemas para rellenar
los niveles de referencia de una pila si el sistema que la alimenta es el cuello de botella del proceso.
Ninguno de estos factores est
a bajo el control del ingeniero de mantenimiento pero todos ellos afectan
su toma de decisiones. Por su lado, el jefe de produccion es afectado por las decisiones tomadas por
mantenimiento. En principio, debera existir una cooperacion cercana entre ambas funciones.
Factores asociados directamente a mantenimiento
En este caso, el ingeniero de mantenimiento tiene control sobre la variables que afectan su toma de
decisiones. Ello le permite jugar un rol importante en el objetivo com
un de entregar el programa de
produccion planificado a costo mnimo.
Entre los factores internos a mantenimiento se incluyen:
estrategias de mantenimiento;
n
umero y tama
no de cuadrillas;
cantidad y calidad de recursos humanos y materiales, propios y subcontratados;
esquema organizacional;
23
Factores
empresa
-Rediseo
-Ampliacin
-Renovacin
Factores
produccin
Factores
mantenimiento
-Tasa de produccin
-Planificacin de la produccin
-Propiedades materia prima
-Niveles de stock
-Estrategias
-Personal
-Organizacin
-Nivel repuestos
1.3.
Estrategias de mantenimiento
24
25
Costos
20
15
10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Nivel de mantencin
Figura 1.3: Costos de intervencion y de falla
1.4.
Estrategias
1.4.1.
El mantenimiento no correctivo (preventivo, centrado en la condicion y proactivo) se aplica prioritariamente a los componentes crticos de la produccion. Luego de seleccionados los equipos para los cuales se
realizara, es necesario descomponerlos en sub-componentes que sean mantenibles. Ejemplos: rodamientos,
correas, engranajes, etc.
En caso de seleccionar mantenimiento preventivo para un equipo, es necesario establecer frecuencias
de cambio de piezas, lubricaci
on, etc. Para ello se realiza un analisis estadstico de los ciclos de vida.
Las tareas a realizar deben ser descritas claramente en procedimientos y su registro debe ser llevado en
reportes. Ellos formar
a parte de la hoja de vida de cada equipo. Tal registro ayudara en la deteccion de
fallas, y la evaluaci
on de costos.
25
Mantencin
Mantencin
Post-falla
Mantencin
Correctiva
Mantencin
Pre-falla
Mantencin
Proactiva
Mantencin
Preventiva
Mantencin
Predictiva
Mantencin
Proactiva
Clase
Mec
anica
Tipo
Reemplazo
Regulacion
Chequeo
Electrica
Reemplazo
Regulacion
Chequeo
Componentes
Aceite
Filtros
Piezas de desgaste, frenos
Filtros
Rodamientos
Juntas
Resortes
Juegos/interferencias
Tension (correas)
Presion
bloqueos
Niveles
Contactos
Componentes asociados a fallas termicas
Capacitancias
Impedancias en circuitos, potenciometros
Valores de aislacion
Valores de capacitancia
26
1.4.2.
Mantenimiento preventivo
Cabe mencionar que el detener un equipo para realizar las tareas anteriores puede resultar muy
negativo para la funci
on producci
on. Comienza entonces un proceso de negociacion para fijar fechas para
realizar mantenimiento de este tipo.
La aplicacion de mantenimiento preventivo a equipos nuevos puede dificultarse por la falta de historial
y la falta de similitud con equipos antiguos:
...the lack of design similitude with prior systems makes robust scheduled maintenance impossible...
(Gauthier et al.,2000)[15],
1.4.3.
La idea que apoya a esta estrategia es que una parte solo debe ser cambiada si muestra deterioro que
pueda afectar su performance. Hay tecnicas que son de amplio uso en la industria actualmente
vibracion y ruido,
temperatura,
analisis de aceite.
Ejemplo 1 Un ejemplo de mantenimiento proactivo es el cambio de velocidad de operaci
on de un equipo
rotatorio, tras detectarse en un an
alisis de falla que hay una situaci
on de resonancia.
Telemantenimiento
El telemantenimiento es una estrategia de mantenimiento que tiene sus orgenes en los aos 80, propulsada por la madurez en nuevas tecnologas de medicion y de telecomunicaciones. Se basa en el mantenimiento centrado en la condici
on: un conjunto de sensores miden datos en cada equipo. Sus seales llegan
a una central de monitoreo (remota) que las registra y las contrasta con niveles de alarma prefijados. La
informacion es resumida en cuadros sin
opticos para su visualizacion y control. El(los) supervisor es capaz
de seguir la evoluci
on de una degradaci
on o la aparicion de un defecto y tiene la responsabilidad de detener el equipo y alertar a los equipos de mantenimiento. El telemantenimiento es utilizado principalmente
en cadenas de producci
on automatizadas.
Entre las ventajas de esta estrategia de mantenimiento se tiene:
permite que un recurso escaso y costoso como el de los expertos en analisis de condicion hagan su
trabajo en forma remota
facilita la colaboraci
on con otros expertos (trabajo colaborativo)
la rapidez en el acceso a a la informacion mejora la mantenibilidad (tanto en el tiempo requerido
para saber la existencia de una falla como en el de diagnostico).
ayuda a justificar la implementaci
on de un sistema de informacion moderno
Tecnologas como internet, las redes inalambricas (WiFi, Bluetooth,...) favorecen enormemente la
implementacion de esta clase de estrategia. Por supuesto, tanto la escasez de recursos como la inversion
requerida pueden frenar la implementaci
on de esta estrategia.
1.4.4.
Mantenimiento oportunista
Llamamos mantenimiento oportunista a aquel que combina el mantenimiento correctivo con el mantenimiento preventivo. Ella permite aprovechar la aparicion de una falla y su efecto de detencion sobre el
equipo para realizar tareas preventivas que de otra manera afectaran la disponibilidad del equipo para
producir e incrementaran el costo global de mantenimiento. Este tipo de estrategia es aplicable cuando
Fallas
27
Monitoreo de condicin
e Inspecciones
Datos de
condicin e
historiales
Mantenimiento
Correctivo
Mantenimiento
Predictivo
Mantenimiento
Proactivo
Modelos de
confiabilidad
Mantenimiento
Preventivo
Modelos de
costos
Anlisis de
riesgos
Optimizacin
del
mantenimiento
1.5.
Redes inal
ambricas y monitoreo de condiciones
La industria requiere medios economicos para monitorear los equipos y procesar la informacion recolectada. En muchas plantas ello ya se hace para los equipos mas crticos, a traves de redes fijas. El problema
de esta solucion es su costo en mano de obra y materiales. De acuerdo a Sharke[10] ello puede estar
en el orden 0.16-4.0 KUSD/pie de cableado en Norteamerica. Las redes inalambricas representan una
esperanza en eliminar la costosa barrera a informacion de condicion abundante.
Observaci
on 3 En la actualidad, aun si existe la posibilidad de usar la instalaci
on de control para
comunicar datos de condici
on, esta posibilidad no es explotada en general pues los sistemas de control no
contemplan m
odulos de mantenimiento centrado en la condici
on. Ello apunta al desarrollo de sistemas
integrados de control de producci
on y mantenimiento.
Observaci
on 4 Un estudio del departamento de energa de USA estima ahorros posibles por 122 109
BTU para 2020[10], gracias al monitoreo extensivo de los procesos termicos de generaci
on.
Las redes inal
ambricas standard -como las de celulares- usan topografias tipo estrella, en donde los
terminales -los celulares- se comunican a traves de nodos -antenas-. La comunicacion entre los dispositivos
pasa necesariamente por un nodo. Una alternativa a este tipo de arquitectura son las redes de malla (mesh
28
1.6.
Publicaciones especializadas
Existe una larga lista de journals dedicados al tema del mantenimiento, entre ellos resaltamos:
En confiabilidad,
Reliability Engineering and System Safety
IEEE Transactions on Reliability
En gestion de operaciones:
Interfaces
Naval Research Logistics
European Journal of Operations Research
Military Operations Research
1.7.
A explorar
(Wang, 2002) [18], (Dekker, 1996) [9] y (Scarf, 1997) [10] presentan surveys sobre la aplicacion de
modelos matem
aticos para la toma de decisiones de mantenimiento. Tambien indican tendencias actuales
y hacen analisis acabados sobre las dificultades que enfrentan los actores del mantenimiento para aplicar
enfoques objetivos para su gesti
on.
Moubray [19] discute los diferentes criterios que existen para definir una falla. Existe el punto de
vista de operaciones, el de mantenimiento y el de prevencion de riesgos. Tal definicion es muy importante
en la fijacion de estrategias de mantenimiento por lo cual un consenso debe ser alcanzado sobre que es
considerada una falla y que no.
Bibliografa
[1] Wireman, T.,World Class Maintenance Management, Industrial Press, New York, 1990.
[2] Luce, S., Choice criteria in conditional preventive maintenance. Mechanical Systems and Signal Processing, 13(1):163168, 1999. [bajar]
[3] Lyonnet, P., Maintenance Planning, Methods and Mathematics. Chapman & Hall, 1991. [bajar]
[4] Wildeman, R.E. The art of Grouping Maintenance. Ph.D. thesis, Erasmus University, Rotterdam,
1996. [bajar]
[5] Watson, C., Is preventive maintenance worthwhile?, In Operational Research in Maintenance (A.K.S.
Jardine, Ed.), Manchester University Press, 142-173, 1970. [bajar]
[6] Kobbacy, K.A.H., Proudlove, NC, Harper, MA, Towards an intelligent maintenance optimization
system, Journal of the Operational Research Society, 46 (7): 831-853, 1995. [bajar]
[7] Drew, D.R, Din
amica de Sistemas Aplicada, Isdefe, Madrid, 1995. [bajar]
[8] Scarf, P.A., On the application of mathematical models in maintenance, European Journal of Operational Research, 99, 493-506, 1997. [bajar]
[9] Kaffel, H., La maintenance distribuee: concept, evaluation et mise en oeuvre, Ph.D. Thesis, Universite
Laval, Quebec, Canada, 2001. [bajar]
[10] Sharke, P., Cheaper watches, Mechanical engineering, Feb., 2005. [bajar]
[11] Inman, D., Power Harvesting for Sensing, Pan-american Advanced Institute Lectures, Florianopolis,
2003. [bajar]
[12] http://www.javvin.com/protocolBluetooth.html
[13] http://www.palowireless.com/zigbee/articles.asp
[14] http://www.sensorsportal.com/HTML/standard 5.htm
[15] B. G. Gauthier, J. T. Gomez, W. A. Kusmik and J. S. Griffin, Simulation Based Design as an Enabler
for Condition-Based-Maintenance and Total Ownership Cost Reduction for Undersea Vehicles, 54th
Meeting of the MFPT Society (May 1-4, 2000). [bajar]
[16] British Standards Institution, BS3811:1993, British Standard Glossary of Maintenance Management
Terms in Terotechnology, BSI, Hemel Hempstead, 1993.
[17] Dekker, R., Applications of maintenance optimization models: a review and analysis, Reliability
Engineering & System Safety, 51, 229-40, 1996.
[18] Wang, H., A survey of maintenance policies of deteriorating systems, European Journal of Operational Research, 139, 469489, 2002.
[19] Hamel, G., The Why, What , and How of Management Innovation, harvard business review, 7284,
2006.
29
30
Captulo 2
Estructura de costos
...estimated cost of maintenance for a selected group of companies i0ncreased from 200billionin1979to600
billion in 1989...B.S. Blanchard [17]
...les defaillances sont a la maintenance
ce que les maladies sont a la medicine: leur raison dexister.
Kaffel, H.[8]
The interest rate relevant for a firms decision-making is
an important subject in its own right and is a lively topic
of concern among scholars and practitioners of finance.
Wagner, H.M.[12]
...in an event such as plant breakdown, plant supervisors are ill-prepared to determine the full
ramifications of the downtime, particularly in financial terms...
D.J. Edwards & S. Yisa[5]
In most mining operations today, maintenance typically accounts for more than 35 % of the
operating costs. Unnecessary downtime from poor maintenance can add 300 % more in lostproduction costs..
P.D. Tomlingson[23]
...in open cut mining, the loss in revenue resulting from a typical dragline being out of action
is $0.5-1.0 million per day. In the case of airline operations, the loss in revenue from a 747
plane being out of action is roughly $0.5 million per day...
...In the mining industry it (maintenance direct cost) can be as high as 40-50 % (which translates into $0.5 billion per year for a big mining firm) and in the transport industry it can vary
from 20-30 %...
Murthy et al.(2002) [?]
The maintenance cost associated with cement industry reaches in some cases to 30 percent of
the total expenditure.
Sandarisi & Almomany (2005) [26]
DuPont played a pioneering role in the development of capital-budgeting techniques when it
initiated the use of return on investment calculations in 1903...
Hamel, G.[19]
In refineries... it is not uncommon that the maintenance and operations departments are the
largest and that each comprises about 30 % of total manpower.
R. Dekker [9]
31
32
Sumario y objetivos
Al terminar de leer este capitulo, usted debera poder:
Conocer las componentes del costo global
Conocer los criterios para comparar los costos encontrados con los de las empresas de clase mundial
Saber que el factor que m
as afecta la toma de decisiones de mantenimiento es el costo de falla, en
una organizaci
on orientada al lucro
reconocer el efecto que tienen los stocks de repuestos en los tiempos fuera de servicio y en el costo
global
2.1.
Introducci
on
Como administradores del mantenimiento una de las principales tareas sera minimizar los costos de
mantenimiento. Es entonces muy importante analizar cuales son sus componentes.
Seg
un Komonen [10], los costos que aparecen del mantenimiento pueden ser divididos en dos grupos:
(1) Los costos que aparecen de las operaciones de mantenimiento (costos administrativos, de mano de
obra, costo de material, costo de subcontratacion, costo de almacenamiento, costo de capital), (2) perdida
de produccion debido a detenciones de los equipos de produccion o reducciones en su tasa de produccion, y
perdidas de calidad en el producto debido a malfuncionamiento de los equipos. Esta clasificacion enfatiza
los dos objetivos del mantenimiento: (1) alta disponibilidad de los equipos de produccion y (2) costos de
mantenimiento bajos.
2.1.1.
Costo global
Seg
un la norma francesa [231], el costo global de mantenimiento Cg es la suma de cuatro componentes:
costos de intervenciones (Ci );
costos de fallas (Cf );
costo de almacenamiento (Ca );
costo de sobre-inversiones (Csi ).
Cg = Ci + Cf + Ca + Csi
En general, se constata que la reducci
on de un componente del costo global implica el aumento de
uno o mas de los otros componentes (acci
on-reaccion). Por ejemplo, un programa preventivo excesivo
implica un gran costo de intervenci
on y de almacenamiento. Es necesario estudiar si el costo de falla baja
mas de lo que crecieron estas componentes. La reduccion del n
umero de piezas de repuesto disponibles en
bodega (y con ello los costos de almacenamiento) puede aumentar el costo de fallas. Disminuir inversiones
orientadas a provocar redundancia de equipos crticos o con mejor confiabilidad y disponibilidad puede
implicar costos de intervenci
on mayores y reparaciones mas largas.
2.2.
Costo de intervenci
on
(Mobley, 1990)[17] reporta que entre un 15 %y y un 40 % del costo total de un producto terminado
puede ser atribuido a actividades de mantenimiento en la fabrica[108].
El costo de intervenci
on (Ci ) incluye los gastos relacionados con el mantenimiento preventivo y correctivo. No incluye costos de inversi
on, ni aquellos relacionados directamente con la produccion: ajustes
de parametros de producci
on, limpieza, etc.
El costo de intervenci
on puede ser descompuesto en:
33
costos directos
total horas de intervencion
34
2.3.
Costo de falla
Estos costos corresponden a las perdidas de ingresos debidas a detenciones causadas por mantenimiento. El costo de falla puede ser calculado con la siguiente formula:
Cf = ingresos no percibidos + gastos extras de produccion+/-materia prima no utilizada
Para explicarlo, evaluemos el Cf en 3 casos:
El volumen de producci
on programado puede ser realcanzado;
El volumen de producci
on programado no puede ser alcanzado dado que la planta opera 24 horas
al da;
La producci
on no se detiene pero su calidad es degradada.
En el primer caso, el costo de falla de mantenimiento corresponde a los gastos necesarios para recuperar
la produccion perdida. Estos gastos son esencialmente:
la energa necesaria para la producci
on;
las materias primas;
los fungibles;
los gastos de servicios tales como calidad, compras, mantenimiento, etc.
Si la producci
on programada no puede ser alcanzada, el costo de falla de mantenimiento corresponde
a la perdida de ingresos menos el costo de las materias primas y productos consumibles que no fueron
utilizados durante la parada.
Si la producci
on ha perdido calidad, su precio es menor que el nominal. En este caso el costo de falla
corresponde a la perdida de ingresos asociada.
2.4.
Costo de almacenamiento
Los inventarios representan cerca de un tercio de los activos de una empresa tpica. Como ejemplo,
para 1992 se estimaba que el valor de inventarios de repuestos en Estados Unidos era de unos 1,1 1012
USD, lo que representaba cerca de un 20 % del PNB (Diaz y Fu, 2004[13]).
Los repuestos pueden ser clasificados como reparables o consumibles. Como valor de referencia, el
valor del inventario de repuestos reparables de las fuerzas armadas de los Estados Unidos era de 1010
USD en 1976 (Nahmias, 1981[14]), y ya se haba triplicado para 1994[13].
El costo de almacenamiento representa los costos incurridos en financiar y manejar el inventario de
piezas de recambio e insumos necesarios para la funcion mantenimiento. Incluye:
El interes financiero del capital inmovilizado por el inventario;
la mano de obra dedicada a la gesti
on y manejo del inventario;
los costos de explotaci
on de edificios: energa, mantenimiento;
amortizaci
on de sistemas adjuntos: montacargas, sistema informatico;
costos en seguros;
la depreciaci
on comercial de repuestos.
Observaci
on 5 Es importante no considerar los salarios del personal de bodega en el costo de intervenci
on; y si hacerlo en el costo de almacenamiento.
El costo de almacenamiento se mide como un costo por unidad de tiempo ca (t) en funcion del nivel
de repuestos disponibles en cada instante t, luego, si se desea evaluar durante alg
un intervalo dado T ,
Z T
Ca (T ) =
ca (t)dt
0
2.5.
35
Costo de sobre-inversiones
Al dise
nar un sistema de produccion, es conveniente elegir equipos que minimicen el costo global de
mantenimiento durante su ciclo de vida. Ello implica en general que se compren equipos cuyas inversiones
iniciales son mayores que las de otros que cumplen las mismos requerimientos pero cuyos costos de
intervenci
on y almacenamiento asociados se estiman menores.
A fin de incluir la sobre-inversi
on, se amortiza la diferencia sobre la vida del equipo. As es posible
castigar en el costo global las inversiones extras requeridas para disminuir los demas componentes del
costo.
Por ejemplo,
Considerese un equipo 1 con valor inicial A um,
Su costo de intervenci
on/ut es,
ci,1 = 1 A um/ut
Su ciclo de vida tiene duraci
on T1 ut;
El costo de intervenci
on acumulado durante la vida del equipo es,
Ci,1 = 1 AT1
por otro lado, existe la alternativa de un equipo 2,con mayor valor inicial, A ( > 1), cuyo costo de
intervenci
on por unidad de tiempo es,
ci,2 = 2 A
con
2 < 1
luego la inversi
on extra A corresponde a una sobreinversion para adquirir un equipo mas confiable, con
menor costo de intervenci
on:
Csi,2 = ( 1) A
y posiblemente con un ciclo de vida mas largo:
T2 = T1
con
>1
Los costos de ciclo de vida por unidad de tiempo de ambos equipos son (asumiendo que los costos de
falla y de almacenamiento por unidad de tiempo son iguales):
cg,1
Ci,1 + Csi,1
1 AT1 + 0
=
=
= 1
A
AT1
AT1
y
cg,2
Ci,2 + Csi,2
2 AT1 + ( 1) A
2
( 1)
=
=
=
+
A
AT2
AT1
T1
Si se cumple que
cg,2 < cg,1
o
2
( 1)
+
< 1
T1
Entonces vale la pena tener un costo de sobreinversion.
36
Equipo de producci
on
y tipo de uso
Proceso ligero
Proceso pesado
Equipos de trabajos p
ublicos
Equipos autodestructivos
Taller de fabricaci
on agroalimentario
Taller de procesamiento agroalimentario
Maquinas herramientas
Herramientas maestranza
Ci /Ve
%
3.1
6.9
15
25
4.1
8.5
9.5
13.1
Desviaci
on
%
0.9
1.5
2.3
0
0.7
1.3
1.7
0.9
Nro de horas
anuales
2500
7000
2000
5000
5500
5000
5000
3000
2.6.
Valores referenciales
A nivel de dise
no del departamento de mantenimiento y despues, a nivel de reingeniera de la organizacion es importante conocer valores de referencia para las componentes del costo global. Ello dependera principalmente del tama
no de la planta, el tipo de industria, entre otros criterios.
A fin de establecer valores de referencia para los costos de intervencion es necesario comparar nuestra empresa con otras del mismo rubro, pero de clase mundial .Podemos usar diferentes variables de
comparacion:
valor de los equipos en planta
volumen de producci
on
valor agregado
2.6.1.
Costo de intervenci
on vs valor de lo equipos
El valor de los equipos (Ve ) corresponde a los gastos que seran requeridos para comprar equipos que
realicen las mismas funciones. No se considera, transporte, instalacion, puesta a punto.
El Ci /Ve es uno de los indicadores m
as interesantes a fines de comparacion. La tabla 2.1 muestra
algunos valores de referencia.
Observaci
on 6 Para interpretar correctamente el Ci /Ve se debe tomar en cuenta el n
umero de horas
anuales que funciona el equipo. Un equipo funcionando 1000 h/a
no y otro similar operando 8500 h/a
no
evidentemente no tendr
an el mismo Ci /Ve
Ci vs volumen de producci
on
El volumen de producci
on (Vp ) es una medida del nivel de uso dado a los equipos. Por ejemplo: horas
de operacion continua en equipos, toneladas en equipos qumicos, siderurgia e industrias agroalimentarias.
Este indicador permite:
Comparar equipos o plantas similares tomando en cuenta las horas de utilizacion de los equipos;
Recalcar que la redundancia de equipos o el sobre-equipamiento eleva los costos de intervencion.
Equipos mostrando Ci /Vp muy sobre el valor referencial indica vejez del equipo o condiciones de
operacion difciles (ambiente, calidad de operadores).
37
1400
y = -222,58Ln(x) + 1590,6
1200
1000
800
600
400
200
0
0
100
200
300
400
Capacidad (KTon/ao)
Figura 2.1: Ci /Vp en industrias qumicas (Francos/Ton) (Vp =1 Ton)
Ci vs valor agregado
El valor agregado (Va ) por el equipo es un indicador muy usado aunque no toma en cuenta las
condiciones de operaci
on. El nivel de automatizacion puede no influenciar el Ci /Va debido a que a mayor
cantidad de equipos, mayor productividad (valor agregado) pero tambien se incrementan el costo de
intervenci
on.
2.6.2.
2.6.3.
El indicador:
costo de almacenamiento
valor de inventario
tiene un valor referencial en las industrias de 26 % con una desviacion media de 4 %.
Hay que tomar en cuenta que el nivel de repuestos esta estrechamente ligado al costo de falla y al
riesgo de que se produzcan fallas.
El valor de referencia medio del inventario de repuestos
valor del inventario
valor de los equipos
varia entre 1.5 % y 2.5 % del valor (nuevo) de los equipos a mantener.
38
Indicador
costos de intervenci
on/ventas
Dise
no de programas de mantenci
on/costos de capital
Costos de intervenci
on/presupuesto de operaciones
Variabilidad en costo de operaci
on a causa de mantencion
Disponibilidad de dise
no
Para una refinera tpica
Disponibilidad
Costo de falla
Fallas dominantes en refineras
Bombas y compresores
Hornos
Tuberas
Columnas y reactores
Intercambiadores
Fallas dominantes en plantas de amonaco
Compresores
Fugas
Calderas
Intercambiadores
Estimacion
6%
2-6 %
3-6 %
4%
hasta 50 %
20-30 %
50 %
70 %
95 %
Referencia
King90[4]
Grievink et
King90
Douglas88
Grievink et
Van rijn87
Grievink et
Grievink et
Douglas88
90-95 %
20-30 KUSD/h
Moore94
Moore94
Lees80
al. 93
al. 93
al. 93
al. 93
33.9 %
Less80
El costo de almacenamiento representa entre 4 % y 6 % del Ci . Por ello no debe ser una preocupacion
mayor en la gesti
on del costo global de mantenimiento (vease analisis de Pareto).
2.7.
2.7.1.
1
39
Supongamos que un equipo tiene una productividad linealmente dependiente del nivel de operacion
x:
k1 x um/ut
(2.1)
el nivel de operaci
on se mide en % respecto del valor de dise
no, por ejemplo. Asumamos que x debe estar
en un rango
x [xmn , xmax ]
(2.2)
El equipo dispone de un elemento de desgaste cuya vida es inversamente proporcional al nivel de operacion:
MTTF =
k2
ut
x
Para reemplazar al componente se requieren en promedio M T T R ut. Los costos de intervencion son
despreciables frente a los de falla.
La disponibilidad esperada toma la forma
A(x) =
=
MTTF
MTTF + MTTR
k2
x
k2
x
+ MTTR
k2
=
k2 + xM T T R
k1 k2
k2 + xM T T R
2
observamos que ella es positiva y que no se anula: i es creciente con x. Para maximizar los ingresos es
necesario trabajar en el punto extremo xmax .
Una tercera opci
on es minimizar el costo global por unidad de tiempo.
El caso de productividad m
axima (hipotetica) ocurre cuando la tasa de produccion es:
k1 xmax um/ut
un ciclo promedio dura
MTTF + MTTR
luego, una cota superior para los ingresos en ese periodo es
k1 xmax (M T T F (x) + M T T R)
1 control
I, 2004-II
40
k2
x
cg (x) =
cg (x) =
(2.3)
+ MTTR
k1 k2 (xmax x) + (k1 xmax M T T R + Ci ) x
=
k2 + xM T T R
k1 k2 xmax + x (k1 xmax M T T R + Ci k1 k2 )
=
k2 + xM T T R
k1 xM T T F Ci
MTTF + MTTR
Ejemplo 2 Consideremos que el tiempo medio para reparar sigue una ley exponencial:
M T T F (x) = k3 expk2 x
y que la productividad es proporcional a x (162). El costo de intervenci
on de una reparaci
on es Ci y toma
M T T R unidades de tiempo. Por razones tecnicas, se cumple tambien (2.2).
k1 = 1
k2 = 0,95
k3 = 4
xmn = 0,5
xmax = 1,4
MTTR = 1
Ci = 1
El costo global (2.3) alcanza su mnimo en
x = 1,29
(figura 2.3). La utilidad se muestra en figura (2.4). La hoja excel puede ser bajada [aqu].
41
MTTF
MTTR
1.5
0.5
0
0.5
0.6
0.7
0.8
0.9
1.1
1.2
1.3
1.4
1.34
1.32
1.3
cg (um/ut)
1.28
1.26
1.24
1.22
1.2
1.18
1.16
1.14
0.5
0.6
0.7
0.8
0.9
1.1
1.2
1.3
1.4
Figura 2.3: Costo global esperado por unidad de tiempo vs tasa de produccion normalizada
42
0.24
0.22
0.2
u (um/ut)
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.5
0.6
0.7
0.8
0.9
1.1
1.2
1.3
1.4
Figura 2.4: Utilidad esperada por unidad de tiempo vs tasa de produccion normalizada
2.8.
Comentarios finales
Hemos presentado la estructura de costos que utilizaremos en el curso. Para una organizacion orientada
al lucro, el motor principal del mantenimiento es el costo de falla, el cual puede ser difcil de modelar
pues depende de una serie de variables, punto que ilustraremos en el captulo siguiente.
2.9.
A explorar
(Al-muhaisen y Santirisi, 2002)[96] estudian los costos de intervencion en la industria del cemento.
Estiman que ellos est
an en el rango de 20-25 % de los costos de produccion, en segundo lugar tras el costo
de energa. El estudio se concentra en un estudio de caso de auditoria interna de mantenimiento.
(Yam et al., 2000)[99] presentan un estudio de benchmarking en las industrias de generacion de energa.
El estudio incluye una comparaci
on de costos de intervencion especficos en mantenimiento.
(Mckonee y Weiss, 1998)[21] reportan que los costos de intervencion de Du Pont en 1991 eran muy
similares a sus ingresos.
(Sherwin, 2000)[9] presenta un review de modelos de gestion estrategica. Su filosofa se centra en un
enfoque terotecnol
ogico (gesti
on de activos).
Bibliografa
[1] Varios, Pratique de la Maintenance Industrielle. Dunod Ed., 1998.
[2] Douglas, J.M., Conceptual Desgin of Chemical Processes. Mc-Graw-Hill, New York, 1988.
[3] Grievink, J.,Smith, K., Dekker, R. and van Rijn, C., Managing Reliability and Maintenance in the
Process Industry. Paper presented at Foundations of Computer Aided Process Operations, Crested
Butle Resort, CO, 1993.
[4] King,R. Safety in the Process Industries. Butterworth-Heinemann, Boston, MA, 1990.
[5] Lees, F.P. Loss Prevention in the Process Industries I and II. Butterworth-Heinemann, Boston, MA,
1980.
[6] Moore, J. World Wide Refining and Gas Processing Directory, Penn Well, Tulsa, OK, 1994.
[7] Tan, J.S. and Kramer, M.A., A General Framework for Preventive Maintenance Optimization in
Chemical Process Operations, Computers chem, Engng, 21(12), 1451-1469, 1997. [bajar]
[8] Van Rijn, C.F.H., A Systems Engineering Approach to Reliability, Availability, and Maintenance.
Paper presented at Foundations of Computer Aided Process Operations, Park city, UT, 1987.
[9] Musgrave, K. and Sulis, E., How Dome Increased Maintenance Effectiveness and Reduced Costs,
CIM Bulletin 86, 1993. (970): 60-63.
[10] Komonen,K. (1998) The structure and effectiveness of industrial maintenance, Acta Polytechnica
Scandinavica, Mathematics, Computing and Management in Engineering Series, 93. [bajar]
[11] Komonen, K., A cost model of industrial maintenance for profitability analysis and benchmarking,
International Journal of Production Economics, 79(1), 15-31, 2002. [bajar]
[12] Wagner, H.M., Principles of Operations Research, Prentice-Hall, 1969.
[13] Diaz, A., Fu, M.C., Multi-Echelon Models for Repairable Items: A Review.
[14] Nahmias, S. Managing Reparable item inventory systems: A review. In Schwarz (Ed.) Multi-level Production/Inventory Control Systems: Theory and Practice, v16, Studies in the Management Science,
North Holland, Amsterdam 1981.
[15] Kaffel, H., La maintenance distribuee: concept, evaluation et mise en oeuvre, Ph.D. Thesis, Universite
Laval, Quebec, Canada, 2001.[bajar]
[16] K. Al-Hassan, J. Fat-Lam Chan, A.V. Metcalfe, The role of total productive maintenance in business
excellence, Total quality management, 11(4,5,6), 596601, 2000. [bajar].
[17] Mobley, R.K., An Introduction to Predictive Maintenance Van Nostrand Reinhold, N.Y., 1990.
[18] D.J. Edwards, S. Yisa, Modelling the magnitude of plant downtime: a tool for improving plant operations management, Engineering, Construction and Architectural Management, 8(3), 225232, 2001.
[bajar].
43
44
[19] Al-Muhaisen,M.,Santarisi, N., Auditing of the maintenance system of Fuhais plant/Jordan Cement
Factories Co., Journal of Quality in Maintenance Engineering, 8(1), 62-76, 2002. [bajar].
[20] R. Yam, P. Tse, L. Ling, F. Fung,Enhancement of maintenance management through benchmarking,
Journal of Quality in Maintenance Engineering, 6(4), 224-240, 2000. [bajar]
[21] Mckone, K., Weiss, E., TPM: Planned and autonomous maintenance: Bridging the gap between
practice and research, Production and Operations Management 7 (4), 335 351, 1998.
[22] Sherwin, D., A review of overall models for maintenance management,Journal of Quality in Maintenance Engineering, 6(3), 138-164, 2000. [bajar]
[23] Tomlingson P.D., Maintenance: An opportunity for improvement, Mining Engineering, 1319, Feb.
2001. [bajar]
[24] D.N.P. Murthy, A. Atrens, J.A. Eccleston, Strategic maintenance management, Journal of Quality
in Maintenance Engineering, 8(4), 257-305, 2002.
[25] B.S. Blanchard, An enhanced approach for implementing total productive maintenance in the manufacturing environment, Journal of Quality in Maintenance Engineering, 3(2) , 69-80, 1997.
[26] N.S. Santarisi, R.M. Almomany, Mathematical modeling of wear rate of non-repairable parts and
their replacement strategies: Cement mill liners as a case study, Journal of Quality in Maintenance
Engineering, 11(1), 68-81, 2005.
Captulo 3
Resumen
Se presenta un modelo de costos de ciclo de vida centrado en la norma inglesa BS 3811:1993. Este
modelo de costos es complementario al visto anteriormente (norma francesa, 2) pues considera costos
de inversi
on, retiro y de operaci
on. Como ejemplo de aplicacion, el modelo es utilizado para identificar,
monitorear y mejorar el impacto economico del mantenimiento centrado en la condicion con vibraciones.
El analisis de costos de ciclo de vida permite identificar proyecto de mantenimiento que maximicen la
rentabilidad de la empresa. Adicionalmente, permite el desarrollo de indicadores de efectividad en la
gestion de mantenimiento y facilita la identificacion de areas problematicas. Se concluye que mientras
mayor sea la calidad de los datos y mas facil sea su identificacion, mayor sera el control posible sobre los
costos de intervenci
on y de falla. La estrategia propuesta identifica desviaciones en la performance de la
gestion, con lo cual su correction temprana es posible.
3.1.
Introducci
on
La realidad muestra que el mantenimiento es visto en general solo como un centro de costos. Los
beneficios econ
omicos de la aplicaci
on de gestion optima de mantenimiento se ven en otras areas tales
como producci
on, calidad y en la reduccion de capital detenido en equipos y repuestos. Los costos de
falla, tales como ingresos no percibidos por fallas, calidad pobre en el producto, perdida de clientes y
porcion del mercado, son en muchos casos difciles o imposibles de estimar. Cuando ocurre una falla, es
facil acusar un mantenimiento deficiente. Sin embargo, cuando no ocurren fallas, es difcil probar que el
mantenimiento logr
o prevenirlas[13].
Una de las ventajas del mantenimiento centrado en la condicion es que reduce las paradas planificadas
por mantenimiento preventivo[6, 7, 8]. La estrategia permite una deteccion incipiente de defectos que
pueden conllevar a fallas. Ello tambien puede ser utilizado para detectar causas de desviaciones en la
calidad del producto[?, 9]. La precision en los resultados del analisis de condicion resultan en menor
cantidad de paradas preventivas y correctivas. Ello permite la reduccion de costos de intervencion, la
45
46
implementacion de pr
acticas m
as eficientes, la optimizaci
on de la fuerza de trabajo y a la performance
general del sistema productivo[8, 10].
3.2.
El costo de ciclo de vida es definido en la norma inglesa BS 3811:1993 como el costo total de posesion
de un item, tomando en cuenta los costos de adquisicion, entrenamiento de personal, operacion, mantenimiento, modificaciones y retiro. La evaluacion de costos de ciclo de vida ha sido usada efectivamente en
una serie de toma de decisiones de largo plazo[11, 12, 30].
Los beneficios de la aplicaci
on del mantenimiento centrado en la condicion pueden ser observados en
varias funciones de la empresa: producci
on, control de calidad, logstica. Aun as, es difcil cuantificar
el impacto del mantenimiento en ellas. (Al-Najjar, 2004)[13] argumenta que ello es una de las razones
por las cuales el mantenimiento es visto exclusivamente como un centro de costos en vez de como un
centro de generaci
on de utilidades, especialmente cuando se requieren inversiones, como es el caso del
mantenimiento centrado en la condici
on.
La detencion que ocurre cuando se detecta una falla inminente (y no detectada por deficiencias en el
mantenimiento centrado en la condici
on) es definida como una parada no planificada antes de la falla[7].
Ellas, junto con las paradas por falla son culpables de las componentes del costo de falla:
1. Ingresos no percibidos por fallas y paradas no planificadas con falla inminente;
2. Reduccion en la tasa de producci
on efectivas por ciclos muertos -sin procesamiento de materia
prima-, velocidad reducida, reprocesamiento.
3. Productos con menor calidad (y menor precio de venta).
4. Recursos fijos desocupados por fallas y detenciones imprevistas.
5. Demoras en las entregas que impliquen castigos contractuales.
6. Productos deficientes que deben ser reparados o cambiados por cobro de la garanta, posibles pagos
de lucro cesante en el contrato de garanta.
7. Insatisfacci
on del cliente debido a baja calidad y/o demora en la entrega.
8. Extra-energa debido a sobre-consumos asociados a mantenimiento1 .
9. Desgaste acelerado producto de mala gestion/practica de mantenimiento.
10. Costo de almacenamiento excesivo
11. Sobre-inversiones en redundancia excesivos
12. Sobreinversiones en bodegas mas grandes y mantenimiento de equipos redundantes
13. Sobrecostos por mano de obra sub-capacitada
14. Castigos por poluci
on ambiental causada por mala condicion de los equipos y accidentes relacionados
con mantenimiento ineficiente.
15. Costos extras en seguros debido al historial de fallas y accidentes.
La importancia relativa de los costos asociados a la lista anterior varia entre las diversas industrias.
Su no ocurrencia puede ser considerada como un ahorro potencial y no como un costo potencial[13].
El costo de ciclo de vida Clc est
a compuesto por:
Clc = CA + CO + CS + CU + CIL + CM + CT um
1 (Rao,
(3.1)
1993)[14] argumenta que 20 % de la energa puede ser ahorrada con monitoreo eficiente y estrategias de gesti
on.
47
donde
CA es el costo de adquisici
on
CO son los costos de operaci
on;
CS son los costos de apoyo logstico;
CU es el costo de no disponibilidad;
CIL son las perdidas indirectas;
CM son los costos de modificaciones;
CT son los costos de retiro;
Entre los costo de apoyo logstico se cuentan los de intervencion de mantenimiento.Los costos asociados
a productos defectuosos por fallas de mantenimiento son: perdidas de mercado y de reputacion por
demoras en entregas asociadas a no disponibilidad por mantenimiento. Estos efectos no son visibles en
los sistemas de contabilidad actuales, al menos, no sin ser confundidos con otros costos. Basados en los
sistemas de informaci
on disponibles actualmente, es muy difcil establecer que partes del costo de falla
estan asociados a mantenimiento.
Para evaluar la importancia econ
omica de las actividades de mantenimiento y el impacto economico
de las inversiones realizadas en mantenimiento, es necesario estimar los ingresos del ciclo de vida. Una
manera de hacer esto es evaluando los ahorros logrados por la aplicacion de estrategias de mantenimiento
eficientes al analizar el costo de ciclo de vida y las interacciones entre la funcion mantenimiento y las
otras funciones de la planta, tales como produccion, calidad e inventario. Estos ahorros son usualmente
logrados a traves de:
1. Reducci
on en el tiempo de detencion generado por las fallas, las paradas no planificadas y las
intervenciones preventivas, o sea, incrementando la disponibilidad.
2. Reducci
on en el numero de productos rechazados debido a falta de mantenimiento o la ineficiencia
de mantenimiento, o sea, incrementar la tasa de calidad (productos buenos/productos procesados).
3. Reducci
on en los costos operativos. Ello puede ser logrado al alcanzar un alto grado de confianza
en la estrategia de mantenimiento aplicada debido a su habilidad para evitar perturbaciones a la
producci
on y continuamente reducir la probabilidad de fallas y otras detenciones no planificadas.
En consecuencia se logra:
a) Mantener e incrementar la tasa de produccion.
b) Reducir los costos de almacenamiento de materia prima, productos terminados, repuestos y
equipos redundantes.
c) Reducir primas de seguro debido a menor cantidad de accidentes/fallas.
4. Menores demoras en entregas, o sea, programas de entrega mas precisos. Ello puede ser facilitado
al mejorar la confiabilidad de los equipos y la efectividad global de los mismos (OEE) usando
estrategias de mantenimiento que mejoren continuamente y que detecten desviaciones incipientes (y
eliminen sus causas) en la condicion de los equipos. Lo anterior colabora en aumentar la participacion
de mercado de la empresa y aumentar su reputacion.
La evaluaci
on de los ahorros logrados por un mantenimiento eficiente se facilita al eval
uar los ingresos
de ciclo de vida. Ello incluye el estudio de factores externos que lo afectan:
1. Tasa de cambio monetaria para mercados internacionales, la que usualmente fluct
ua.
2. Crisis polticas y monetarias a nivel mundial que influencian el costo de los recursos de entrada
tales como materia prima, equipos y energa.
3. Nuevas tecnologas y productos, nuevos competidores.
4. Nuevas regulaciones nacionales e internacionales, por ejemplo, aquellas relacionadas con el ambiente
y la producci
on limpia.
48
La estimaci
on de los costos de intervencion y de falla apuntan a definir el mantenimiento como un
centro de costo. En una recesi
on, las compa
nias tienden a reducir el presupuesto de mantenimiento, sin
tomar en cuenta los beneficios que genera en las funciones de produccion, calidad, seguridad, y ambiente,
entre otras. M
as a
un, muchos tomadores de decisiones a nivel planta cuestionan los presupuestos de
mantenimiento al observar que la planta tiene tasas de falla bajas y las detenciones son cortas. Lo
anterior, sin tomar en cuenta del rol que cumple el mantenimiento en alcanzar esos logros.
Las actividades que agregan valor a nivel planta son usualmente monitoreadas a traves de su efecto
sobre el OEE, que es un indicador tecnico (ver 49). Al compararlo con los costos totales de produccion
o con el margen de la planta, es posible evaluar como reducir los costos de produccion, mantenimiendo
la satisfaccion de los clientes, accionistas y de la sociedad, y as incrementar las ventas de la compa
nia y
su cuota de mercado.
3.3.
Indicadores de gesti
on
3.4.
Modelo de costos
Identificacin de factores de
costo
Determinar parmetros
tcnicos y econmicos
Costos de
falla
Costos de
intervencin
Sistemas de informacin
Ahorros con
estrategias
eficientes
Inversiones en
mantenimiento
Indicadores de
mantenimiento
Herramientas
de
priorizacin
Identificacin
de problemas
Toma de
decisiones
Reduccin
de costos
49
Cambios
Rentabilidad
aumenta por
mantenimiento
Inversiones en
mantenimiento
3.5.
Estudio de caso
Tomamos el ejemplo de (Al-Najjar y Alsyouf, 2004)[13]. El estudio considera un equipo de alta criticidad en una papelera sueca. El intervalo de analisis es de 4 a
nos. Para restringir el estudio se consideran
solo los datos de historial de componentes mecanicos cuya falla sea factible de detectar a traves del analisis de vibraciones. A fin de usar el modelo, se confeccionaron dos hojas para registrar datos tecnicos y
economicos del equipo, alimentandose del sistema de informacion de la empresa (figura 3.2). Los datos
tecnicos requeridos fueron: tiempo de produccion planificado, tasa de produccion planificada, duracion
y frecuencia de paradas planificadas, fallas y paradas no planificadas, cantidad de items reprocesados o
perdidos producto de deficiencias en el mantenimiento. Los datos economicos incluan: costos directos de
mantenimiento, costos de operaci
on fijos y variables, utilidad neta por unidad de producto, inversiones
en mantenimiento, inventario de repuestos (figura 3.3).
3.5.1.
An
alisis de costos
El costo directo de mantenimiento asociado a componentes mecanicos se mostro relativamente constante durante el periodo de an
alisis con un promedio de 13,0 um/ut (um=106 coronas suecas, ut=a
no)
como se muestra en figura (3.4).
Las inversiones en mantenimiento en el equipo (se incluye la capacitacion asociada a mantenimiento)
crecieron entre 1997 y 1999, con un descenso en el a
no 2000, como se muestra en la figura (3.5). En
promedio es 0.455 um/ut.
El costo de falla asociado a mantenimiento correctivo, preventivo y predictivo, as como debido a
productos de mala calidad reprocesados o perdidos por mantenimiento deficiente se muestran en figura
(3.6). En promedio el costo de falla se estima en 30 um/ut, aunque esta creciendo en el tiempo.
La figura (3.7) de los elementos del costo de falla revela que la paradas cortas representan su principal
fuente, seguidas de paradas planificadas, problemas de calidad, fallas y paradas no planificadas antes de
la falla.
50
Datos tcnicos
horas
horas
ton/hr
Unidades
Unidades
mes
semana
da
Calentamiento mquina
Reparacin
producidas
Enfriamiento mquina
Esperas
Diagnstico de falla
Observacin
Mantenimiento planificado
Fecha
ao Tipo de parada
Horas de detencin
Paradas
Ocasin
Week No
Nivel
Vibracin
rechazadas
Observaciones
mes
Producto
semana
Vacaciones y feriados
da
Equipo
1
2
3
4
5
6
7
Figura 3.2: Datos tecnicos registrados para el equipo y para los componentes sujetos a inspeccion de
vibraciones
Los costos de almacenamiento promedio son de 0.41 um/ut lo que es considerado bajo con respecto a
cualquiera de los elementos del costo de falla estimado por unidad de tiempo2 .
La tasa de fallas promedio es de 1 ut1 . El tiempo medio para reparar es de M T T R = 1,6 horas.
El numero promedio de paradas por mantenimiento predictivo es de 3.25 ut1 , con un un tiempo medio
para intervenir de 4.07 horas. Las paradas predictivas aprovechan paradas propuestas en el programa de
produccion (semana por medio y con duracion de 8 horas) por lo que no a
naden costo de falla.
La figura (3.8) muestra la disminuci
on en el costo de falla gracias al mantenimiento centrado en la
condicion con an
alisis de vibraciones. Su promedio es estimado en 4 um/ut.
3.5.2.
Indicadores de gesti
on
El primer indicador utilizado fue el costo de intervencion de mantenimiento asociado a los componentes
mecanicos del equipo asociados al an
alisis de vibraciones (figura 3.4). Otro indicador utilizado fue las
inversiones hechas en mejorar la performance de la funcion mantenimiento (figura 3.5).
Tambien se usaron:
La razon entre el costo de intervenci
on de mantenimiento con respecto al costo de operacion;
El costo de intervenci
on de mantenimiento por unidad de tiempo de operacion (figura 3.9);
El costo de falla por unidad de produccion en rango aceptable (up = T on). El analisis de la tendencia
(3.10) muestra un crecimiento.
La razon entre la reducci
on del costo global por unidad de tiempo y las inversiones en mantenimiento
(figura 3.11). El valor medio es de 9.2 lo que es considerado alto respecto de los niveles de referencia
mostrados en (Nicholls,1989)[5];
2 Al-Najjar
incluye los costos de almacenamiento entre los costos de falla. Conceptualmente son distintos. NdP.
um/ut
1997
1998
1999
Seguros
Costos de energa
Inventario de repuestos
Inversiones en mantenimiento
Utilidad
Depreciacin equipo
Outsourcing
Equipos e instalaciones
Repuestos
Horas-hombre
Datos econmicos
Datos generales
Obs
16
14
12
10
2000
52
0,8
0,7
0,6
um/ut
0,5
Capacitacin
mantenimiento
Inversin general
0,4
0,3
0,2
0,1
0
1997
1998
1999
2000
40
35
30
um
25
20
15
10
5
0
1997
1998
1999
2000
20
18
16
um/ut
14
Paradas cortas
Paradas planificadas
Paradas correctivas
Paradas predictivas
12
10
8
6
4
2
0
Elemento causante
53
7
6
um/ut
5
4
3
2
1
0
1997
1998
1999
2000
um/ut
0,0014
0,0012
0,0010
0,0008
0,0006
0,0004
0,0002
0,0000
1997
1998
1999
2000
3.5.3.
Comentarios
54
2,5E-04
um/up
2,0E-04
1,5E-04
1,0E-04
5,0E-05
0,0E+00
1997
1998
1999
2000
14
12
um/um
10
8
6
4
2
0
1997
1998
1999
2000
3.6.
55
Comentarios finales
El modelo de costo de ciclo de vida presentado permite monitorear y controlar la gestion del mantenimiento. La toma de decisiones se centra en criterios economicos objetivos que facilitan el mejoramiento
continuo.
Al comparar las reducciones en el costo global producto de cada posible decision se revela su efecto
economico. La aplicaci
on de indicadores de gestion adecuados ayuda a detectar desviaciones en etapas
tempranas y as evitar mayores incrementos en el costo global.
En comparaci
on con el enfoque frances (2), este modelo de costos considera todos los costos asociado
al equipo durante su ciclo de vida. El horizonte de analisis es entonces mas largo, y la obtencion de ciertos
datos puede ser m
as difcil que en un enfoque exclusivamente centrado en el mantenimiento.
El ejemplo mostr
o que cada unidad monetaria de inversion en mantenimiento predictivo con analisis de
vibraciones caus
o una reducci
on de 9 unidades monetarias en el costo global (o aumento en la rentabilidad
de la empresa). Aun si la compa
nia estuviese en recesion, la inversion en este tipo de mantenimiento sera
altamente rentable para ella.
3.7.
A explorar
Vanier (2001) [64] estudia el problema de mantenimiento que existe en infraestructura civil. El paper
apunta a la falta de herramientas de evaluacion estrategicas. El problema es muy interesante pues el nivel
de inversi
on en el area es gigante (i.e., estimado en 3 101 0 USD en Estados Unidos para 2001). Como la
vida media de una obra est
a en el orden de los 30 a
nos, los costos de mantenimiento y renovacion son
muy altos en valores absolutos.
Waeyenbergh y Pintelon (2002) [30] exploran en las varias estrategias disponibles. Para los enfoques
centrados en el costo de ciclo de vida menciona como desventajas: se trata de filosofas de gestion mas
bien te
oricas, de difcil implementacion, el calculo del costo de ciclo de vida es complejo y dependiente
de muchas variables, es menos estructurado (es un conjunto de procedimientos en vez de un metodo
standard y sin ambiguedad).
56
Bibliografa
[1] Blanchard, B.S., Logistics Engineering and Management, 5th ed., Prentice Hall, New Jersey, 1998.
[2] Al-Najjar, B., Alsyouf, I., Enhancing a companys profitability and competitiveness using integrated
vibration-based maintenance: A case study, European Journal of Operational Research, 157, 643657,
2004. [bajar]
[3] Zhu, X., Sensor-based Condition Monitoring and Predictive MaintenanceAn Integrated Intelligent
Management Support System, International Journal of Intelligent Systems in Accounting,5,241-258,
1996. [bajar]
[4] Higgs, P.A. et al., A Survey on Condition Monitoring Systems in Industry, Proceedings of: ESDA
2004: 7th Biennial ASME Conference Engineering Systems Design and Analysis, Manchester, UK,
July 19-22, 2004. [bajar]
[5] Nicholls, C., Cost-effective condition monitoring, NIKAT Associate, Chester, UK, COMADEM International, 335348, 1989.
[6] Kerstein, H., Quality improvement through preventive maintenance, ASQC Quality Congress Transactions, Toronto, 402415, 1989.
[7] Al-Najjar, B., Condition-Based Maintenance: Selection and Improvement of a Cost-Effective
Vibration-Based Policy in Rolling Element Bearings, Doctoral Thesis, Lund University/LTH, Sweden, 1997.
[8] Anon., Integrated plant-wide condition monitoring and process data system. Insight/non-destructive
testing and condition monitoring, Journal of the British Institute 40 (12), 809, 1998.
[9] Olney, D., Swanson, B., Vibration monitoring with wireless networks, Quality, 41(6), 4244, 2002.
[10] Grall, A., Berenguer, C., Dieulle, L., A condition-based maintenance policy for stochastically deteriorating systems, Reliability Engineering and System Safety 76, 167180, 2002.
[11] Fabrycky, W.J., Blanchard, B.S., System Engineering and Analysis, Prentice-Hall Inc., Englewood
Cliffs, 1990.
[12] Ahlmann, H., The Economic Significance of Maintenance in Industrial Enterprises, Lund University,
Lund Institute of Technology, Sweden, 1998.
[13] Waeyenbergh, G., Pintelon, L., A framework for maintenance concept development, International
Journal of Production Economics, 77, 299-313, 2002.
[14] Rao, B.K.N., Profitable condition monitoring and diagnostic management. In: Profitable Condition
Monitoring. Kluwer, London, 3744, 1993.
[15] Cepin, M., Optimization Of Safety Equipment Outages Improves Safety Reliability Engineering &
System Safety, 77(1), 71-80, 2002. [bajar]
57
58
[16] Hokstad P., Qien, K., Reinertsen, R., Recommendations On The Use Of Expert Judgment In Safety
And Reliability Engineering Studies. Two Offshore Case Studies, Reliability Engineering & System
Safety, 61(1-2), 65-76, 1998. [bajar]
[17] Hokstad, P., Frovig A.T., The Modelling Of Degraded And Critical Failures For Components With
Dormant Failures, Reliability Engineering & System Safety, 51(2), 189-199, 1996. [bajar]
[18] Tjiparuro, Z., Thompson, G., Review Of Maintainability Design Principles and their Application
To Conceptual Design, Proceedings Of The Institution Of Mechanical Engineers Part E-Journal Of
Process Mechanical Engineering 218 (E2), 103-113, 2004.
[19] Hoshiya, M., Nakamura, T., Mochizuki, T., Stochastic Asset Pricing With Seismic Hazard Risk,
Journal Of Engineering Mechanics-ASCE 130 (7): 780-785, 2004.
[20] Jiang, R., Zhang WJ, Ji, Selecting The Best Alternative Based On Life-Cycle Cost Distributions Of
Alternatives, International Journal Of Production Economics 89 (1): 69-75, 2004. [bajar]
[21] Van Noortwijk, J.M., Explicit Formulas For The Variance Of Discounted Life-Cycle Cost, Reliability
Engineering & System Safety, 80(2), 185-195, 2003. [bajar]
[22] Takahashi Y, Kiureghian A.D., Ang Ahs, Life-Cycle Cost Analysis Based On A Renewal Model Of
Earthquake Occurrences, Earthquake Engineering & Structural Dynamics, 33(7), 859-880, 2004.
[23] Kleyner A, Sandborn P, Boyle, J., Minimization Of Life Cycle Costs Through Optimization Of
The Validation Program - A Test Sample Size And Warranty Cost Approach, Proceedings : Annual
Reliability And Maintainability Symposium, 553-558, 2004.
[24] Khan, F.I., Haddara, M.A., Risk-Based Maintenance (Rbm): A Quantitative Approach For Maintenance/Inspection Scheduling And Planning, Journal Of Loss Prevention in the Process Industries,
16(6), 561-573, 2003.
[25] Weissmann J, Weissmann A.J., Gona, S., Computerized Equipment Replacement Methodology, Transportation Research Record (1824),77-83, 2003.
[26] Crow, L.H., Methods For Reducing The Cost To Maintain A Fleet Of Repairable Systems, Proceedings: Annual Reliability And Maintainability Symposium, 392-399, 2003. [bajar]
[27] Bupasiri, R., Wattanapongsakorn, N., Hokierti, J., Et Al., Optimal Electric Power Distribution System Reliability Indices Using Binary Programming, Proceedings : Annual Reliability And Maintainability Symposium : 556-561, 2003.
[28] Lee, D.B., Fundamentals Of Life-Cycle Cost Analysis, Transportation Research Record (1812), 203210, 2002.
[29] Jiang R, Zhang WJ, Ji, P., Required Characteristics Of Statistical Distribution Models For Life Cycle
Cost Estimation, International Journal Of Production Economics, 83(2), 185-194, 2003.
[30] Park J.H., Seo K.K., Wallace D, et al., Approximate Product Life Cycle Costing Method For The
Conceptual Product Design, Cirpannals-Manufacturing Technology, 51(1), 421-424, 2002.
[31] Waeyenbergh, G., Pintelon, L., A Framework For Maintenance Concept Development, International
Journal of Production Economics, 77(3), 299-313, 2002.
[32] Zayed, T.M., Chang, L.M., Fricker, J.D., Life-Cycle Cost Analysis Using Deterministic And Stochastic Methods: Conflicting Results, Journal Of Performance Of Constructed Facilities, 16(2), 63-74,
2002.
[33] Ramaswamy, M.K., Warranty, Product Spectrum And Customer Role, Proceedings : Annual Reliability And Maintainability Symposium, 490-495, 2002.
59
[34] Stewart, M.G., Reliability-Based Assessment Of Ageing Bridges Using Risk Ranking And Life Cycle
Cost Decision Analyses Reliability Engineering & System Safety, 74(3), 263-273, 2001.
[35] Norris G.A., Integrating Life Cycle Cost Analysis and LCA, International Journal Of Life Cycle
Assessment, 6(2), 118-120, 2001.
[36] Monga A, Zuo M.J., Optimal Design Of Series-Parallel Systems Considering Maintenance and Salvage Value, Computers & Industrial Engineering, 40(4), 323-337, 2001.
[37] Monga A, Zuo M.J., Optimal System Design Considering Maintenance And Warranty, Computers
& Operations Research, 25(9), 691-705, 1998.
[38] Cole R.J., Sterner E., Reconciling Theory And Practice Of Life-Cycle Costing, Building Research
And Information, 28(5-6), 368-375, 2000.
[39] Jackson J.A., Kloeber J.M., Ralston B.E., Et Al., Selecting A Portfolio Of Technologies: An Application Of Decision Analysis, Decision Sciences, 30(1), 217-238, 1999.
[40] Su C.T., Chang C.C., Minimization Of The Life Cycle Cost For A Multistate System Under Periodic
Maintenance, International Journal Of Systems Science, 31(2), 217-227, 2000.
[41] Koushki P.A., Yaseen S, Ali L.I., Evaluation Of Bus Transit Maintenance And Operation Costs In
Kuwait, Transport Reviews, 19(4), 305-314, 1999.
[42] Pohl E.A., Dietrich D.L., Optimal Stress Screening Strategies For Multi-Component Systems Sold
Under Warranty: The Case Of Phase-Type Lifetimes, Annals Of Operations Research, 91, 137-161,
1999.
[43] Dunston P.S., Williamson C.E., Incorporating Maintainability In Constructability Review Process,
Journal Of Management in Engineering, 15(5), 56-60, 1999.
[44] Prasad, B., A Model For Optimizing Performance Based On Reliability, Life-Cycle Costs And Other
Measurements, Production Planning & Control, 10(3), 286-300, 1999. [bajar]
[45] Hatch, M., Badinelli, R.D., A Concurrent Optimization Methodology for Concurrent Engineering,
IEEE Transactions On Engineering Management, 46(1), 72-86, 1999. [bajar]
[46] Karyagina M, Wong W, Vlacic, L., Life Cycle Cost Modelling Using Marked Point Processes, Reliability Engineering & System Safety, 59(3), 291-298, 1998. [bajar]
[47] Asiedu Y, Gu P., Product Life Cycle Cost Analysis: State Of The Art Review, International Journal
Of Production Research, 36(4), 883-908, 1998.
[48] Abraham D.M., Dickinson R.J., Disposal Costs For Environmentally Regulated Facilities: LCC Approach, Journal Of Construction Engineering And Management-ASCE 124(2), 146-154, 1998. [bajar].
[49] Wang K.H., Sivazlian B.D., Life Cycle Cost Analysis For Availability System With Parallel Components, Computers & Industrial Engineering, 33(1-2), 129-132, 1997. [bajar].
[50] Alfredsson P., Optimization Of Multi-Echelon Repairable Item Inventory Systems With Simultaneous Location of Repair Facilities, European Journal Of Operational Research, 99(3), 584-595, 1997.
[bajar].
[51] Murphy M.D., Paasch R., Reliability Centered Prediction Technique For Diagnostic Modeling And
Improvement Research In Engineering, Design-Theory Applications And Concurrent Engineering
9(1), 35-45, 1997.
[52] Dahlen P, Bolmsjo G.S., Life-Cycle Cost Analysis Of The Labor Factor, International Journal Of
Production Economics, 46, 459-467, 1996.
60
[53] Vujosevic R., Maintainability Analysis in Concurrent Engineering Of Mechanical Systems, Concurrent Engineering-Research and Applications, 3(1), 61-73, 1995.
[54] Dhillon B.S., Optimum Life Cycle And Labour Costs Estimation Of Repairable Equipment, Microelectronics and Reliability, 36(2), 227-229, 1996. [bajar].
[55] Goble W.M., Paul B.O., Life-Cycle Cost Estimating - Weighing All the Costs of Ownership, Chemical
Processing, 58(6), 34-39, 1995.
[56] Bodsberg, L., Hokstad, P., A System Approach To Reliability And Life-Cycle Cost Of Process SafetySystems, IEEE Transactions On Reliability 44 (2): 179-186, 1995.
[57] Chang M, Lewins J.D., Using Life Cycle Revenue Loss And Monte Carlo Simulation As A Prior
And Direct Assessment Of Consequences Of Un-Wished Events, Annals Of Nuclear Energy, 25(1-3),
117-127, 1998.
[58] Hedge G.G., Life-Cycle Cost - A Model And Applications, IIE Transactions 26(6), 56-62, 1994.
[59] Lansdowne Z.F., Built-In-Test Factors In A Life-Cycle Cost Model, Reliability Engineering & System
Safety, 43(3), 325-330, 1994.
[60] Deivanayagam, S., Designing For Maintainability - Computerized Human Models, Computers &
Industrial Engineering, 23(1-4), 195-196, 1992.
[61] Aitken A.A., Bonis R.L., Latter B.C., Et Al., The Impact Of Product Reliability On Return On
Investment, Proceedings Annual Reliability And Maintainability Symposium, 272-276, 1991.
[62] Govil, K.K., A Simple-Model For Life-Cycle Cost Vs Maintainability Function, Microelectronics And
Reliability, 32(1-2), 269-270, 1992.
[63] Stump, E.J., An Application Of Markov-Chains To Life-Cycle Cost-Analysis, Engineering Costs And
Production Economics, 14 (2), 151-156, 1988.
[64] Vainer, D.J., Why Industry Needs Asset Management Tools, Journal of Computing in Civil Engineering, 15(1), 35-43, 2001. [bajar].
[65] Military Handbook, Life Cycle Cost Model for Defense Material Systems, Data Collection Workbook,
February 1984. [bajar].
[66] Barkham,J.N., Plant lifetime management-an integrated approach, IEE International Conference on
Life Management of Power Plants, 12-14 December, 11-13, 1994.
[67] M Engelhardt, P Skipworth, DA Savic, A Cashman, GA, Determining maintenance requirements of
a water distribution network using whole life costing, Journal of Quality in Maintenance Engineering,
8(2), 152-164, 2002.
[68] http://www.barringer1.com
Captulo 4
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Comprender los procesos de cola envueltos en un taller de mantenimiento y su efecto sobre la
producci
on.
Comprender la utilidad de disponer de equipos y repuestos redundantes, pilas de stock y medios
alternativos de producci
on para paliar el efecto de intervenciones correctivas y preventivas en el
costo de falla.
Construir modelos de simulaci
on para procesos de cola de mantenimiento.
4.1.
Introducci
on
Los costos que aparecen cuando un equipo falla pueden ser divididos en 2 grandes categoras:
costos de intervenci
on correctivos
mano de obra
repuestos
costos de falla
Los costos de de intervenci
on correctivos pueden ser registrados facilmente usando metodos de contabilidad. Por su lado, la evaluaci
on de los costos de falla se presenta como un problema difcil que solo
puede ser resuelto con certeza bajo condiciones bien especiales (sencillas), como veremos mas adelante.
Una estimaci
on adecuada de los costos de falla de cada equipo puede influenciar las decisiones
asociadas al mantenimiento de 3 maneras:
61
62
400
Capacidad (Toneladas)
350
300
250
200
150
100
50
0
1960
1970
1980
1990
2000
Tiempo
4.2.
Estudio de caso
Durante los u
ltimos 20 a
nos se ha observado una clara tendencia a incrementar la capacidad y el
nivel de automatizaci
on en los equipos mineros. Ello ha sido motivado fundamentalmente por razones
de economa, pero tambien por la conveniencia de reducir el recurso humano en tareas tan hostiles. La
figura (4.1) muestra la evoluci
on de la capacidad de los camiones de mina a rajo abierto en los u
ltimos
40 a
nos. Se aprecia que en los u
ltimos 30 a
nos ella se ha triplicado.
Los equipos de mayor capacidad logran ahorro por la generacion de economas de escala, razones para
ello son:
Los costos de intervenci
on se reducen
Las cuadrillas de mantenedores y operadores son mas peque
nas;
Los consumos energeticos por tonelada de producto se reducen;
Los costos de almacenamiento se reducen;
1 Ese
63
4.2.1.
Formulaci
on del modelo
64
4.2.2.
Simulaci
on
Calcular la estimaci
on para el costo de falla con
T
Cf (T ) =
0
donde
1
0
I(t) =
la fracci
on de tiempo donde existe costo de falla como
RT
(T ) =
I(t)dt
T
Ik (t) =
1
0
Ik (t)dt
T
si x(t) = k, t (0, T )
-
65
1.5
Status operativo
0.5
-0.5
20
40
60
80
100
120
140
160
180
200
Tiempo (horas)
20
19
18
17
16
15
14
13
12
20
40
60
80
100
120
140
160
180
Tiempo (horas)
Figura 4.3: N
umero de equipos en operacion
200
66
0.4
0.35
Probabilidad
0.3
0.25
0.2
0.15
0.1
0.05
4.2.3.
Ejemplo num
erico
10
ciclos/hora 1 USD/Ton
3
= 800 USD/hora
idem, para los de 360 toneladas,
cf,360 = 1200 USD/hora
luego el costo global por unidad de tiempo (considerando solo mantenimiento correctivo) es
cg,240 = 800 + 85
= 885 USD/hora
y
cg,360 = 1200 + 100
= 1300 USD/hora
Capacidad (Ton)
240
360
360
M T BF (horas)
65
65
65 0,90
nc
3
2
2
cf (USD/hora)
885
1300
1300
67
Cg (MUSD/a
no)
0,84
1,47
1,66
0,08
0,10
0,11
Var.Cg ( %)
+75 %
+97 %
4.3.
Considerese una lnea de produccion con 2 equipos en serie (A y B). Entre ambos se mantiene una
pila del producto semi-terminado cuyo nivel de referencia es xr unidades. La lnea produce a un ritmo de
x unidades/unidad de tiempo en estado estacionario. El tiempo medio entre fallas de A es de M T BFA .
La confiabilidad de B es unitaria. El tiempo medio para reparar A es M T T RA . Un producto terminado
vale p um. Los costos de intervenci
on correctivos son CicA um/falla. Establezca un modelo para el costo
global esperado durante un intervalo T (con T M T BFA ).
Siendo un modelo sencillo consideraremos que los tiempos entre fallas y los tiempos para reparar son
constantes. Evaluemos primero el costo de intervencion correctivo. Se esperan:
=
1
fallas/ut
M T T FA + M T T RA
luego
cic = CicA um/ut
Para el tiempo medio entre fallas definiremos dos casos. En el primero la reparacion demora menos que
lo que dura el pulm
on representado por la pila, luego:
MTTR <
xr
x
Asumiremos adicionalmente que la pila puede alcanzar su nivel de referencia antes de que ocurra la
proxima falla y que no hay costos extras por acelerar el proceso a tasas de produccion ligeramente
superiores a x.
Por conveniencia definiremos una parametro indicador:
1 si M T T R < xxr
I=
0
3 control
68
xr
unidades de tiempo
x
x
xr
= (1 I) M T T R
xp
um/ut
x
luego el costo global queda:
cg = ci + cf
(4.1)
xr
= CicA + (1 I) M T T R
xp
um/ut
x
Ahora, debemos calcular la probabilidad de no superar las reservas que hay en la pila, ello es (redefiniendo
el parametro I):
xr
I = P TTR <
x
Z xxr
=
fr (t)dt
0
4.3.1.
Para calcular el costo asociado a tener una pila (por razones de confiabilidad) debemos primero
estimar cual es el nivel promedio de la pila. Cuando el sistema esta en regimen, la pila mantiene el nivel
de referencia xr . Consideraremos que el tiempo para retomar el nivel xr es despreciable frente al M T BFA .
En caso de que la pila no se alcance a consumir durante la reparacion, tenemos que el nivel promedio
por unidad de tiempo es (vease figura 4.5):
(xM
T T R) M T T R
x
1 = xr (M T BF + M T T R)
2
2
xM
TTR
= xr
2
MTBFA
Nivel de la pila
xr
69
MTTRA
x MTTRA
tiempo
MTBFA
MTTRA
Nivel de la pila
xr
tiempo
70
10
c
g
c
i
c
f
cp
cx
10
10
10
10
10
100
200
300
400
500
600
xr (Ton-Cu)
4.3.2.
Ejemplo
Considere el caso de una mina de cobre donde hay una cinta transportadora con capacidad nominal
5 Ton/ut (material). La ley es de 1 %. El precio del cobre es 3333 um/Ton-Cu. El costo de intervencion
correctivo es de 1400 um/falla y la reparacion toma 4,56 104 um. El tiempo medio para fallar desde
la ultima reparaci
on es de 0,333 ut. El sobrecosto por recargar la pila es de 500 um/falla. La tasa de
descuento es de 0.05 um/um/ut. Reconociendo terminos:
x = 5 0,01 365 24 = 438000 Ton-Cu/ut
p = 3333 um/Ton-Cu
CicA = 1400 um
M T T R = 4,56104 ut
M T T F = 0,329 ut
Cx = 500 um
= 0,05 um/um/ut
Los resultados se muestran en la figura 4.7. Se observa para la tasa de descuento dada el nivel optimo
de la pila es el que satisface la demanda durante la reparacion promedio. Una situacion distinta ocurre
cuando la tasa de descuento es alta (ver figura 4.8).
Una posible mejora al modelo es considerar que la pila debe ser rellenada y ello consume un tiempo
que debe ser optimizado, lo que veremos a continuacion.
4.3.3.
Supongamos que la pila es rellenada tras una falla o fluctuacion en la demanda en un intervalo de
tiempo que depende del nivel hasta el cual fue vaciada y del aumento en la tasa de produccion x,
x = x u/ut
que implica una baja en la eficiencia productiva que tiene un costos de cx um/ut.
4 control
1, 2005-I.
71
10
c
g
c
i
c
f
cp
cx
10
10
10
10
100
200
300
400
500
600
xr (Ton-Cu)
Nivel de la pila
xr
Tiempo
1
2
= xr xM
TTR 1
u
2
x
1 =
En el segundo caso,
(M T T R + M T T F )xr 12 xxr xr + M T T R
x
0 =
MTTR + MTTF
1 2 1
MTTR
1
1
= xr xr
+2
+
u
2
x
xr
x
xr
x
xr +
1 xr
2 x xr
72
Nivel de la pila
xr
MTTR
xr/x
Tiempo
MTTF
xr/ x
xr
um/ut
x
4.4.
MTTO
1. Que decisi
on se debe tomar si no se considera el costo de falla del overhaul?
2. Existen n 1 m
aquinas similares que seran atendidas en el overhaul. Se estima que durara M T T O.
Cual es la decisi
on optima en este caso?
3. De que depende el seleccionar entre el modelo de (1) y el (2)?
Se consideran dos alternativas posibles:(a) intervenir ahora (y no durante el overhaul) y (b)esperar al
overhaul. En caso de intervenir ahora, se incurre en el costo de intervencion y ademas se suma el costo
de falla por tener que detener producci
on, eso es:
Cg,a = (ci + cf ) M T T R
en caso de esperar al overhaul, es posible que ocurra la falla antes del mismo con probabilidad (1 p). Por
enunciado del problema no se incurren en costos extras por el hecho de que la intervencion sea correctiva.
En caso de que la m
aquina opere satisfactoriamente hasta el overhaul ella sera intervenida durante el
mismo. Tal probabilidad es p. Consideremos que el hacer o no el overhaul de planta no depende del equipo
considerado. Luego, no hay costo de falla asociado al equipo:
Cg,b = (ci + cf ) M T T R (1 p) + ci M T T R p
= [ci + (1 p) cf ] M T T R
73
4.5.
Comentarios finales
Se ha presentado un modelo para estimar la evolucion del costo de falla de un equipo desde el momento
en que ocurre la falla hasta que se retorna a la operacion normal. Hemos considerado su interdependencia
con otros equipos en lo que hemos denominado grupos. El costo de falla ha sido desglosado en 4 categoras.
Ello permite una mejor comprensi
on y analisis de las perdidas en que incurre la empresa cuando un equipo
falla.
Debido a la diversidad de modos de falla en que un equipo puede sufrir y de la gran cantidad de
escenarios en los cuales ellos pueden pasar (pues depende de la variabilidad en la demanda y del estado
del resto de los equipos del grupo) el analisis se puede tornar extremadamente complejo y es necesario
establecer un grado de profundidad de compromiso.
Hemos visto como la aproximacion general al costo de falla como una costo por unidad de tiempo
constante cf puede ser poco representativa de la compleja realidad operacional.
Adicionalmente, en este modelo se ha considerado cargar el costo financiero de la inversion en el
equipo solo cuando ocurre la falla. Ello puede considerarse arbitrario si se hace la analoga con el costo
de almacenamiento o la depreciaci
on de equipos.
El modelo ha considerado que el ritmo de produccion se mantiene, luego no se ha incluido el termino
por las demandas no satisfechas.
Tambien hemos visto como el incremento en los costos de falla puede ser importante en el proceso de
toma de decisi
on sobre el tama
no
optimo de los camiones de rajo abierto. Otros costos, tales como el de
almacenamiento o el de intervenciones preventivas no han sido modelados, pero la extension del modelo
propuesto debiera ser expedita.
74
Bibliografa
[1] Fair, A., Coward, J., Oxenford and Lipsett, M., Technology Visions for Mining at Syncrude, CIM
Bulletin, 92(1026), 113-120, 1999.
[2] Mchattie, L. and Pearcy, D., Development of an Asset Management Strategy for the Iron Ore Company of Canada, 10th CIM Maintenance Engineering Conference, Saskatchewan, Canada, 1998.
[3] Roman, P.A., Daneshmend, L., Economies of Scale in Mining- Assessing Upper Bounds with Simulation, The Engineering Economist, 45(4), 326-338, 2000. [bajar]
[4] Vorster,M.C., De la Garza, J.M., Consquential equipment costs associated with lack of availaibility
and downtime, Journal of Construction Engineering and Management-ASCE, 116(4), 656-669, 1990.
[bajar]
[5] Concannon, K., Jardine, A.K.S., McPhee, J., Balance Maintenance Costs Against Plant Reliability
with Simulation Modelling, IE, 22-26, 1990.
[6] Edwards, D.J., Holt, G.D., Harris,F.C., A model for predicting plant maintenance costs, Construction
Management & Economics, 18(1), 65-75, 2000. [bajar]
[7] D.J. Edwards, S. Yisa, Modelling the magnitude of plant downtime: a tool for improving plant operations management, Engineering Construction & Architectural Management, 8(3), 2001. [bajar]
[8] Downtime model development for construction equipment management,Nepal M.P., Park M., Engineering, Construction and Architectural Management, 11(3), 199210, 2004. [bajar]
[9] Z.W. Mitchell, A Statistical Analysis of Construction Equipment Repair Costs Using Field Data &
The Cumulative Cost Model, Ph.D Thesis, Faculty of the Virginia Polytechnic Institute and State
University, 1998. [bajar]
[10] Cor, H., Using Simulation to Quantify the Impacts of Changes In Construction Work, Masters
Thesis, Faculty of the Virginia Polytechnic Institute and State University, 1998. [bajar]
[11] G. Kannan, M.C. Vorster , J.C. Martinez, Developing the statistical parameters for simultaneous
variation in final payload and total load time, Proceedings of the 31st conference on Winter simulation: Simulationa bridge to the future, 1016-1022, December 05-08, 1999, Phoenix, Arizona.
[12] Hassanein, A., Moselhi, O., Planning and scheduling highway construction, Journal of Construction
Engineering and Management-ASCE, 130(5), 638-646, 2004. [bajar]
[13] O. Berman, D. Krass, J. Wang, Locating service facilities to reduce lost demand, IIE Transactions,
38, 933946, 2006.
75
76
Captulo 5
Introducci
on
El modelo que presentaremos esta orientado a tareas que sean realizadas por grupos de equipos
similares; por ejemplo, una flotilla de camiones de carga. El lector interesado es referido al articulo de
Vorster [1].
5.2.
An
alisis del costo de falla
Para estimar adecuadamente el costo de falla de un equipo, es necesario relacionarlo con otros que
cumplan funciones similares en grupos (molinos, camiones mina, etc). Tal clasificacion permite tomar
en cuenta que ante la falla de uno, otros asumen parcial o totalmente las tareas que el mismo realizaba.
Adicionalmente, un equipo puede cumplir diversas funciones productivas seg
un una serie de variables:
nivel de producci
on, estacionalidad, requerimientos de otras areas productivas ,etc. Ello obliga a definir
diversos escenarios de operaci
on en que la falla del equipo puede ocurrir (transporte de lingotes,
transporte de maquinaria, etc.).
Adem
as, podemos establecer diversas categoras de costos de falla, para priorizar y facilitar el analisis
de costos.
As, tenemos que para un universo de equipos dado, se aplican diversos niveles de clasificacion: grupo,
escenarios, categoras.
Observaci
on 9 Un proximo nivel de clasificaci
on podra incluir los modos de falla de los equipos; sin
embargo ello puede alargar el an
alisis de manera importante. N dP .
La habilidad para estimar los costos de falla depende de la disponibilidad de informacion para describir
lo que ocurre cuando un equipo falla. Por tanto, es necesario definir escenarios para describir la tarea y
que pasa cuando un miembro de un grupo falla. Con ello se logra enfocar el analisis de costos y definir
marcos de referencia para describir los efectos economicos de la falla.
Muchos equipos realizan m
as de un tipo de tarea y fallan bajo diferentes circunstancias. El tiempo (y
recursos) necesarios para superarlas es, en general, diferente para cada escenario.
Observaci
on 10 Al momento de estimar los costos de falla, se ponderan y suman los diferentes escenarios.
5.3.
78
5.3.1.
Este tipo de costo aparece por el efecto que la falla de un equipo tiene en la productividad de los
recursos asociados al mismo: mano de obra, otros equipos. Usualmente:
aparecen r
apidamente tras la falla,
estan directamente relacionados con la ocurrencia de la falla y,
son proporcionales al numero de fallas.
Ejemplo 3 costo asociado al tiempo productivo perdido por un conductor cuyo cami
on ha fallado
Ejemplo 4 costo asociado al tiempo productivo perdido por el mec
anico que debe atender la pana y no
realizar sus trabajos programados
Este tipo de costo de falla tambien incluye aquellos que ocurren cuando la falla de un equipo afecta
la productividad de otra (que no pertenezca a su grupo, ello sera considerado en otra categora).
Ejemplo 5 Perdida de productividad de un cami
on de carga cuando el cargador frontal falla.
Ejemplo 6 Perdida de productividad de un cargador frontal cuando el cami
on que est
a cargando falla.
5.3.2.
Se definen los costos financieros de los equipos como aquellos costos que pueden o deben ser cargados
dado que se espera que los recursos que representan inversiones de capital en bienes productivos deben
estar disponibles para operar tanto como sea posible. Se basan en el concepto de que debe existir un
mecanismo de castigo que motive a los gerentes a tener los equipos disponibles cuando sea necesario.
Estos costos son an
alogos de muchas maneras a los costos de almacenamiento.
Observaci
on 11 Este costo no es considerado por la norma francesa en el costo global de mantenimiento. Parece arbitrario cobrarlo solo cuando la maquina ha fallado. Por comparaci
on, el costo de
almacenamiento es cargado 100 % del tiempo. N dP .
79
5.3.3.
5.3.4.
Impacto de m
etodos alternativos
Este tipo de costo de falla ocurre cuando la falla de una maquina obliga a cambiar desde un metodo
optimo a otro con mayores costos de operacion. Ocurren normalmente solo tras un periodo extendido
de falla, y frecuentemente envuelven costos adicionales asociados a movilizar recursos necesarios para el
metodo alternativo.
Ejemplo 8 Uso de vehculos standard en vez de vehculos adaptados a tareas especificas.
5.4.
Estimaci
on del costo de fallas
A fin de evaluar cada una de las categoras de costo de fallas antes descritas se definen procedimientos
para su correcta estimaci
on:
5.4.1.
La figura 5.2 muestra el periodo de tiempo en el cual se incurre en este tipo de costo y su evolucion
temporal. Se ubican en alguna zona entre el cese de la operaciones normales (tc ) y el instante cuando se
retorna a la situaci
on normal de operacion (tr ).
En general, cada recurso asociado al equipo con falla es afectado de manera diferente y tiene un delay
(intervalo [tc , tl ]) diferente. Durante este intervalo el impacto de la falla aun no es observable.
Ejemplo 9 delay corto: el del chofer de un cami
on que ha fallado.
Cada uno de los recursos asociados es impactado durante el intervalo [tc , td ]. La duracion del impacto
puede ser igual a la duraci
on total [tc , tr ] si el replaneamiento del recurso no es posible. Por otro lado,
puede ser sustancialmente m
as corta que [tc , tr ] si se puede reasignar el recurso durante el periodo afectado
por la falla.
Como la duraci
on y el delay es distinto para cada recurso asociado afectado, la curva acumulada de
costo de falla tiene perfiles del tipo lmno. Finalmente el costo total de falla es y(d) $/falla.
80
5.4.2.
Son calculados de manera similar al caso anterior, tomando en cuenta el delay del impacto y su
duracion (ver figura 5.3). Para estimarlo se requiere del costo financiero por unidad de tiempo cf,f que
se obtiene a partir de la inversion inicial en el mismo.
5.4.3.
Los costos de falla de este tipo ocurren cuando uno o mas equipos de un grupo falla(n) y ello causa
que el remanente de equipos absorba su carga de una manera mas costosa, para mantener el nivel del
servicio.
El problema para cuantificar estos costos reside en los siguientes factores:
1. El nivel de demanda del servicio vs el numero de equipos disponibles para cubrirla
2. La capacidad de trabajo grupal est
a definida por la condicion de que un numero dado de equipos
estara disponible en cualquier instante, de acuerdo a la disponibilidad de cada miembro del grupo.
Lo anterior se revela muy complejo en general y para resolverlo se recurre a simulaciones de Monte
Carlo, las que realizan los siguientes pasos:
1. Se calcula la disponibilidad Aj de cada maquina de acuerdo a
Aj =
Dj
Dj + Nj
donde
Dj es el tiempo que la j-esima maquina esta detenida por fallas y
Nj es el tiempo de operaci
on de la misma.
2. Usando los valores Aj , la simulaci
on estima las probabilidades de disponer de q = 0, 1, 2, 3, ...
unidades fuera de servicio y la frecuencia con que cada unidad j falla estadsticamente cuando hay
q equipos fuera de servicio.
3. Usando los resultados de la simulaci
on, se calcula la probabilidad cruzada P (j, q) de que q unidades
esten fuera de servicio cuando el equipo j ha fallado.
4. Se calcula el costo adicional por unidad de tiempo cf,s (j, q) requerido para mantener le nivel del
servicio si hay q = 1, 2, 3, ..., m unidades fuera de servicio.
5. Se estiman los costos por unidad de tiempo para cada maquina j a traves de
X
cf,s (j) =
P (j, q)cf,s (j, q)
q
81
n
m
c
5.4.4.
Impacto de m
etodos alternativos
Los costos de falla de esta clase aparecen cuando la falla de un equipo del grupo fuerza un cambio de
metodo y la organizaci
on sufre un costo de falla proporcional al costo diferencial entre los metodos.
La evolucion de este tipo de costos desde la falla se muestra en figura 5.4. En este caso se nota:
1. Hay un salto vertical yl ym justo al comenzar el uso del nuevo metodo en el instante tl ; representa
el costo de configurar el nuevo metodo.
2. El costo por unidad de tiempo durante el uso del nuevo metodo es la diferencia entre los costos por
unidad de tiempo entre el metodo original y el metodo alternativo.
3. Hay un segundo salto vertical yn yo al final del uso del metodo alternativo y que refleja el costo
de regresar al metodo original.
Observaci
on 12 Dado que los costos de movilizaci
on y desmovilizaci
on son variables seg
un la severidad
de las fallas; se aproxima ponderando los diferentes casos y encontrando un valor esperado para yl ym
y yn yo .
82
Bibliografa
[1] Vorster,M.C., De la Garza, J.M., Consquential equipment costs associated with lack of availaibility
and downtime, Journal of Construction Engineering and Management-ASCE, 116(4), 656-669, 1990.
83
84
Parte II
Modelos de confiabilidad
85
Captulo 6
88
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Comprender las hip
otesis que se utilizan en los modelos de confiabilidad
Conocer las metodol
ogias empleadas para modelos de apoyo a la toma de decisiones de mantenimiento
6.1.
Introducci
on
En esta parte del curso veremos una serie de modelos de confiabilidad1 y costos aplicados al mantenimiento. Comenzaremos en este captulo por entregar una vision general de las tecnicas utilizadas
actualmente para optimizar la gesti
on del mantenimiento.
Como ejemplo, tomemos el problema de programacion de tareas preventivas. Existe un gran n
umero
de modelos de optimizaci
on posibles, ello, por varias razones:
Existen muchas configuraciones posibles de componentes en un sistema. La inter-dependencia
economica que exista entre ellos en terminos de costos de falla y de intervencion puede hacer
conveniente su agrupamiento en lo que hemos llamado mantenimiento oportunista;
Existen diferentes modelos estoc
asticos para medir la efectividad de las tareas de mantenimiento.
Por ejemplo, algunos modelos consideran que tras un overhaul o intervencion preventiva el equipo
queda tan bueno como nuevo. En el otro extremo, otros modelos asumen que una reparacion tan
solo regresa el componente a su condicion de operacion justo antes de que ocurriese la falla. Se habla
entonces de que el equipo queda tan bueno como antes. En general, cada tarea de mantenimiento
estara entre ambos extremos y hablamos de mantenimiento imperfecto;
Existen diferentes escenarios de produccion en los cuales las fallas pueden ocurrir, afectando la
estimacion del costo de falla;
La flexibilidad (o la falta de ella) del sistema para continuar ofreciendo el servicio ante una falla
tambien afecta los costos de falla. Una condicion importante es la redundancia de equipos.
Observaci
on 13 La mayora de los modelos de confiabilidad asumen que el sistema o componente tras
una intervenci
on (correctiva y/o preventiva) quedan tan bueno como nuevo o tan mal como antes de que
ocurriese la falla. En la practica, La hip
otesis de intervenci
on perfecta puede ser razonable para sistemas
sencillos, con un solo componente. La hip
otesis de intervenci
on minima puede ser razonable para sistemas
donde se interviene un componente entre los muchos que lo constituyen[?]. En general la situaci
on es
intermedia, por ejemplo: Tras un ajuste, un motor no es tan bueno como nuevo pero si ha sufrido un
rejuvenecimiento.
La bibliografa reciente puede ser clasificada en 2 grandes grupos:
metodos basados en minimizaci
on de funciones objetivos a partir de metodos de programacion lineal
y no lineal;
metodos basados en modelos de Markov.
A continuaci
on veremos una descripci
on breve de ambos grupos.
1 definamos inicialmente la confiabilidad R(t) como la probabilidad de que un equipo o componente opere satisfactoriamente en alg
un instante t dado
6.2.
89
Modelos de programaci
on lineal y no lineal
Esta clase de metodos expresan un objetivo como funcion de las variables de decisi
on. Usan tecnicas
de optimizaci
on standard para variables continuas y/o discretas.
La formulaci
on de un modelo de programacion pasa por definir en primer lugar los parametros (o
variables exogenas), las variables de decision (o variables endogenas), y las restricciones y la funcion
objetivo, que son descritas por ecuaciones.
Consideremos por ejemplo la siguiente situacion: se dispone de un componente cuya tasa de fallas2
crece monot
onicamente en el tiempo. Existen 2 tipos de mantenimiento posibles: correctivo y preventivo.
Ambas restauran el equipo a una condicion como nuevo. El problema es determinar el mejor programa
preventivo para el componente sobre un horizonte de tiempo infinito. En otras palabras, el problema es
encontrar el intervalo de tiempo
optimo Tp entre intervenciones preventivas.
Sobre un horizonte de tiempo infinito, y sin considerar el valor del dinero en el tiempo, el costo
promedio por unidad de tiempo es una funcion objetivo apropiada (y muy usada). Es posible calcular
el costo por unidad de tiempo como una funcion de la funcion de densidad de probabilidad f (t) o de la
probabilidad acumulada de falla F (t) asociada a la falla del componente, el costo de correctivo de una
reparaci
on (Cc ) -considerando costo de falla y de intervencion-, el costo preventivo de una intervencion
(Cp ) -considerando el costo de intervencion mas el posible costo de falla asociado- y el tiempo medio de
intervenci
on -preventivo o correctivo-, Tm :
Cc F (Tp ) + Cp [1 F (Tp )]
tf (t)dt
0
F (Tp ) + Tp [1 F (Tp )] + Tm
F (Tp )
cg (Tp ) = R Tp
= R Tp
0
Cc F (Tp ) + Cp [1 F (Tp )]
tf (t)dt + Tp [1 F (Tp )] + Tm
El numerador es el costo esperado para una intervencion y se calcula como la suma de los costos de
mantenimiento, ponderados por sus probabilidades de ocurrencia. Tras cualquier accion sobre el equipo,
la proxima intervencion tiene una probabilidad F (t) de ser correctiva y una probabilidad [1 F (Tp )] de
ser preventiva.
El denominador corresponde al valor esperado de tiempo entre intervenciones; el cual es la suma del
intervalo esperado hasta la proxima intervencion mas el tiempo esperado para realizarla.
La duraci
on de un ciclo sin falla es Tp (con probabilidad R = 1 F ) y la de un ciclo con falla es (ver
figura 23.1)
R Tp
0
tf (t)dt
F (Tp )
90
0.4
0.35
0.3
f(t) 0.25
0.2
0.15
F(t)
0.1
0.05
Tp
6.2.1.
Ejemplo
Frecuencia relativa
Un componente de un equipo m
ovil sigue una distibucion como la mostrada en figura 34.3. Los costos
globales de las intervenciones preventivas y correctivas son 3 y 9 um/intervencion respectivamente. Eval
ue
que intervalo entre preventivas es m
as econ
omico: 5,10,15 o 20 ut.
10
15
20
Edad (ut)
cg,p (Ts ) =
En este caso,
Cgp = 3 um
Cgc = 9 um
Si se fija Ts = 5 ut,
1
5
F (5) =
1
4
R(5) = 1 =
5
5
Z 5
Z 5
1 1
1
1
tf (t)dt =
tdt =
25 =
25
25
2
2
0
0
luego,
3 45 + 9 15
14
=
15
5 45 + 12
cg,p (5) =
Para Ts = 10 ut,
F (10) =
2
5
2
3
R(10) = 1 =
5
5
Z 10
Z 10
1
1 1
tf (t)dt =
tdt =
100 = 2
25
25
2
0
0
luego,
cg,p (10) =
3 53 + 9 25
27
=
um/ut
3
40
10 5 + 2
Para Ts = 15 ut,
F (15) =
3
5
3
2
R(15) = 1 =
5
5
Z 15
Z 15
1
1 1
9
tf (t)dt =
tdt =
225 =
25
25
2
2
0
0
luego,
cg,p (15) =
3 25 + 9 35
22
2
9 = 35
15 5 + 2
Para Ts = 20 ut,
F (20) = 1
R(20) = 0
Z 20
Z
tf (t)dt =
0
15
1
tdt +
25
20
15
luego,
cg,p (20) =
2
9
2 1
23
tdt = +
(400 225) =
25
2 25 2
2
30+91
18
=
23
5 0 + 23
2
A(Ts ) =
91
92
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
5
10
15
20
Edad (ut)
4
5
10 35
5 45 + 12
+ 12 + 3 45 + 9
1
5
= 0,517
10 53 + 2
= 0,597
+ 2 + 3 35 + 9 25
A(15) =
15 52 + 92
= 0,614
15 25 + 92 + 3 25 + 9 35
A(20) =
5 0 + 23
2
= 0,561
5 0 + 23
+
3
0+91
2
Aparecen varias modificaciones posibles a este modelo al relajar una o mas de la hipotesis anteriores.
Sin embargo, los problemas se pueden tornar mucho mas complejos de resolver. Consideremos por ejemplo:
si el estado del componente no es binario. Los componentes puede mostrar mas de un estado
de falla. Un ejemplo tpico es la degradaci
on gradual de la funcionalidad. En tal caso se requiere un modelo
de la performance del componente en el tiempo, as como un modelo de como la eficiencia componente
afecta economicamente a la planta.
Si la tasa de fallas no es funci
on exclusiva del tiempo. La tasa de fallas tambien puede
ser dependiente de variables continuas (desgaste, temperatura, presion, etc.) o de variables discretas
(ocurrencia de eventos tales como n
umero de partidas o detenciones, n
umero de perturbaciones, etc.).
En tal caso el programa preventivo puede ser definido como una funcion del tiempo, y de variables de
condicion y/o operaci
on, por ejemplo.
Si la frecuencia de fallas no es monot
onica creciente con el tiempo. El intervalo entre
intervenciones preventivas Tp es optimizado cuando el gradiente de los costos correctivos por unidad de
tiempo iguala al gradiente de los costos preventivos por unidad de tiempo. Si la tasa de fallas no es
monotonicamente creciente, tal condici
on se puede alcanzar para varios puntos en el tiempo. Luego, la
funcion objetivo puede tener varios mnimos locales.
93
Si el costo no es el u
nico objetivo. Aparte de los costos existen otros objetivos posibles para
definir un programa preventivo. Por ejemplo, la seguridad es un objetivo si la combinacion de fallas
puede ocasionar un evento peligroso. Tambien se puede considerar la maximizacion de la disponibilidad
del equipo. En caso de disponer de multiples objetivos es conveniente construir una funcion objetivo que
combine cada objetivo.
Si los costos no pueden ser estimados o conocidos al nivel del componente. En algunos
sistemas industriales, la producci
on no es una funcion directa de la disponibilidad de los componentes. En
este caso, aquellos componentes que pueden limitar la produccion son los llamados cuellos de botella, y
en general es necesario recurrir a simulaciones de Monte Carlo para estimar los costos de falla esperados.
Si existen otras clases de intervenciones posibles. Si es posible realizar monitoreo de condiciones, se podr
a realizar la intervencion preventiva justo antes de que el equipo falle. Ello puede ser
incluido en el modelo presentado anteriormente. Sin embargo, si se considera el mantenimiento oportunista, el objetivo puede ser diferente. El costo global por unidad de tiempo sera entonces una funcion
del costo de mantenimiento oportunista, la aparicion de oportunidades, y las variables de decision que controlen cuando realizar intervenciones oportunistas. Por ejemplo, se puede especificar una perodo critico
To a partir de la cual se realice mantenimiento oportunista.
Si el componente no queda como nuevo tras una intervenci
on correctiva o preventiva.
Si una intervenci
on preventiva solo logra que el equipo funcione tal como antes de ser intervenidos (en
terminos de tasa de fallas o confiabilidad), entonces ella no debe ser realizada, dado que no tiene efectos
para reducir la aparici
on de fallas. Si la intervencion no logra dejar el equipo como nuevo, entonces el
problema puede incluir varios tipos de intervenciones correctivas y preventivas que son parametrizadas
como intermedias entre dejar el equipo como antes o dejarlo como nuevo.
Si el horizonte de an
alisis es finito. La hipotesis de que el horizonte de analisis sea infinito
permite que el objetivo sea el costo esperado por unidad de tiempo. Si el intervalo esperado entre 2
intervenciones no es significativo frente al horizonte de analisis, entonces es necesario evaluar todas las
posibles combinaciones y frecuencias de eventos correctivos y preventivos para calcular la funcion objetivo
de manera exacta.
Si se considera el valor del dinero en el tiempo. Si los costos de falla e intervencion son
variables en el tiempo, entonces no se puede usar el costo global por unidad de tiempo como objetivo. Es
necesario disponer de modelos con tasa de descuento.
6.3.
Modelos de Markov
(6.1)
94
(6.2)
(6.3)
Gertsbakh (1977) [1] entrega una lista de problemas de optimizacion de mantenimiento resueltos con
modelos de Markov. Este tipo de modelos provee una representacion simple que permite estimar la funcion
objetivo como una funci
on de las variables de decision sin tener que realizar simulaciones de Monte Carlo
o integraciones multiples sobre todos los eventos posibles (horizonte finito de analisis).
Se pueden plantear modelos de Markov aun si algunas de las hipotesis antes listadas son relajadas.
Por ejemplo, cuando la tasa de fallas es una funcion de otras variables aparte del tiempo, los estados
de un componente pueden ser representados por un vector de estados con n variables. Los modelos de
Markov son u
tiles para representar los estados de un componente cuando existen estados intermedios
de falla (funcionalidad degradada) o diferente niveles o tipos de intervenciones de mantenimiento (entre
dejar como nuevo o como antes de la intervencion). Ademas, se pueden evaluar las ecuaciones (6.1) y
(6.2) sin necesidad de que el horizonte de analisis sea infinito, y cuando los costos son funcion del tiempo,
ellos pueden ser acumulados como una funcion de los estados y transiciones del modelo.
Cuando se considera mantenimiento oportunista, se a
nade complejidad al analisis dado que la falla de
un componente provee oportunidades de mantenimiento preventivo para otros. Como existen interacciones
economicas entre los componentes, el modelo de Markov requiere la definicion de estados representando las
n dimensiones de las vidas de los componentes. Sin embargo, con n vidas de componentes divididas en d
instantes discretos, la soluci
on estacionaria del modelo (con dn estados) requiere guardar d2n elementos de
M para los calculos matriciales. Cuando el n
umero de componentes crece, la memoria del computador se
vuelve una limitaci
on. Adicionalmente, el tiempo de resolucion crece proporcionalmente a d3n . Lo anterior
descarta a los modelos de Markov como herramientas practicas para el mantenimiento oportunista[2].
6.4.
De acuerdo a (Wagner, 1975)[8], existen 3 criterios en base a costos que pueden ser usados para
comparar decisiones asociadas a mantenimiento:
1. Los costos esperado por unidad de tiempo, que son determinados al promediar los costos sobre un
intervalo de tiempo infinito;
2. Los costos actualizados esperados sobre un intervalo de tiempo infinito, que son determinados al
sumar los valores actualizados de los costos acontecidos en el tiempo (usando la tasa de descuento),
bajo la hip
otesis de que el valor del dinero decrece en el tiempo
3. Los costos equivalentes esperados por unidad de tiempo, los cuales son determinados al aplicar un
promedio ponderado sobre los costos actualizados sobre un intervalo de tiempo infinito.
10
-1.72
10
-1.73
10
-1.74
10
-1.75
60
80
100
120
140
Tiempo (ut)
160
95
180
200
Cc
= 1,5
Cp
2.
Calcule el intervalo
optimo entre preventivas.
Retomando el modelo ya visto anteriormente, solo es necesario corregir el termino asociado a la duracion
de las intervenciones y normalizar con respecto a Cp :
cg (Tp )
= R Tp
Cp
tf (t)dt
0
F (Tp )
F (Tp ) + [1 F (Tp )]
+ Trc F (Tp ) + (Tp + Trp ) [1 F (Tp )]
6.5.
Comentarios finales
1, 2006-II.
96
6.6.
A explorar
Van Noortwijk (2003) [7] discuten sobre posibles funciones objetivos centrados en costos. Proponen
formulas para estimar la varianza de tales funciones.
Guo et al. (2001) [11] presentan un review muy crtico sobre modelos matematicos propuestos para
el analisis de sistemas reparables. En esa linea tambien es muy interesante explorar Ascher y Feingold
(1984) [106].
Bibliografa
[1] Gertsbakh, I.B., Models of Preventive Maintenance. Elsevier, New york, 1977.
[2] Tan, J.S., Kramer, M.A., A General Framework for Preventive Maintenance Optimization in Chemical Process Operations, Computers in Chemical Engineering, 21(12), 1451-1469, 1997. [bajar]
[3] Zheng,X. and Fard,N., A Maintenance Policy for Repairable Systems based om Opportunistic Failurerate Tolerance. IEEE Transactions on Reliability, 40, 237-244, 1991.
[4] Dougherty, E.M., Is human failure a stochastic process?, Reliability Engineering and System Safety,
55, 209-215, 1997. [bajar]
[5] H. Wang, H. Pham, Some maintenance models and availability with imperfect maintenance in production systems, Annals of Operations Research, 91, 305318, 1999. [bajar]
[6] H. Pham, H. Wang, Imperfect maintenance, European Journal of Operational Research, 94, 425438,
1996. [bajar]
[7] Van Noortwijk,J.M., Explicit formulas for the variance of discounted life-cycle cost, Reliability Engineering and System Safety, 80, 185195, 2003. [bajar]
[8] Wagner, H.M., Principles of operations research, 2nd ed. Englewood Cliffs, NJ, Prentice-Hall, 1975.
[9] ISO 8402, Quality vocabulary. ISO, Geneva, 1986.
[10] Scarf, P.A., On the application of mathematical models in maintenance, European Journal of Operational Research, 99, 493-506, 1997.
[11] R. Guo, H. Ascher, E. Love, Towards Practical and Synthetical Modelling of Repairable Systems,
Economic Quality Control, 16(2), 147 182, 2001.
[12] Ascher, H., and H. Feingold, Repairable Systems Reliability. Modeling,Inference, Misconceptions and
Their Causes, Marcel-Dekker, New York, 1984.
[13] Ascher, H.E., Basic Probabilistic and Statistical Concepts for Maintenance of Parts and Systems,
IMA Journal of Mathematics Applied in Business & Industry 3, 153-167, Oxford University Press,
1992.
[14] Ascher, H. E. and Kobbacy, K.A.H., Modelling Preventive Maintenance for Deterirating Repairable
System, IMA Journal of Mathematics Applied in Business & Industry 6, 85-99, Oxford University
Press, 1995.
[15] Ascher H.E. and Hansen, C. K., Spurious Exponentiality Observed when Incorrectly Fitting a Distribution to Nonstationary Data, IEEE Transaction on Reliability, 47(4), 451-459, 1998.
[16] Ascher, H.E., A Set-of-Number is Not a Data-Set. IEEE Transaction on Reliability 48, No 2, 135-140,
1999.
[17] Ascher H.E. and Hansen, C.K., Comment on: Stupid Statistics (Editorial), IEEE Transaction on
Reliability 49(2), 134-135, 2000.
97
98
Captulo 7
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Realizar an
alisis de tendencias de historiales de falla
Aplicar tests estadsticos de tendencia
Comprender los procesos estudiados en ingeniera de confiabilidad
7.1.
Introducci
on
En este captulo estudiaremos la confiabilidad de un sistema reparable en funcion del tiempo. Consideraremos la estimaci
on de indicadores tales como disponibilidad, n
umero esperado de fallas durante
un intervalo dado, el tiempo medio esperado para la primera falla, y el tiempo medio entre fallas. Para
lograrlo, usaremos conceptos de procesos estocasticos. Un proceso estocastico es un conjunto de variables
99
100
N
umero
de fallas
N (t)
0
1
2
3
4
5
6
7
Tiempo
Calendario
Sj
0
177
242
293
336
368
395
410
Tiempo
entre fallas
Tj
0
177
65
51
43
32
27
15
x
177
65
x
242
51
x
293
43
x
336
32
27 15
x
x x
368 395 410
7.1.1.
Procesos de conteo
Consideremos un sistema reparable puesto en operacion en t = 0. La primera falla del sistema ocurre
en t = S1 . Tras lo cual es reparado. La duracion de la reparacion es despreciable. Las fallas subsecuentes
ocurren en Si, i = 2, ....Sea Ti el intervalo de tiempo entre la fall i 1 y la falla i, i = 1, 2, ...,S0 = 0.
La secuencia de intervalos entre fallas en general no es independiente e identicamente distribuida,
i.i.d., a menos que el sistema sea reemplazado tras cada falla o restaurado a una condicion tan bueno
como nuevo en cada reparaci
on (mantenimiento perfecto), y las condiciones ambientales y operacionales
permanezcan constantes durante el periodo completo.
Ejemplo 11 La tabla (K.1) muestra un secuencia de fallas de un sistema. Los datos se muestran en figura
7.1. Se observa que los tiempos entre fallas se acortan con el tiempo. El sistema se est
a deteriorando, y
las fallas se hacen mas frecuentes. Un sistema con estas propiedades es conocido como un sistema triste
(Ascher y Feingold [106]).
El n
umero de fallas tambien puede ser ilustrado versus el tiempo calendario, como se muestra en
figura 7.2. Notemos que la funci
on es constante entre fallas y tiene saltos unitarios. Esta representacion
es conocida como diagrama de Nelson-Aalen [4, 5].
101
8
7
Nmero de fallas
6
5
4
3
2
1
0
0
100
200
300
400
500
7.1.2.
Conceptos b
asicos de procesos de conteo
Incrementos independientes
Se dice que un proceso de conteo tiene incrementos independientes si para:
0 < t1 < t2 < ... < tk
k = 2, 3, ...
los valores,
[N (t1 ) N (0)],
[N (t2 ) N (t1 )],
[N (t3 ) N (t2 )],
...
son todas variables aleatorias independientes. En ese caso el n
umero de fallas en un intervalo no es
afectado por el n
umero de fallas que hayan ocurrido en alg
un intervalo precedente. Esto significa que
aun si un sistema sufre un n
umero inusual de fallas en cierto intervalo, ello no afectara la distribucion de
fallas en el futuro.
102
90
Fallas
Preventivas
80
Nmero de fallas
70
60
50
40
30
20
10
0
0
5000
10000
15000
20000
25000
1382
2990
4124
6827
7472
7568
8845
9450
9453
9794
10848
11528
11993
11933
12300
15058
15413
16497
17315
17352
17632
18122
19067
19172
19299
19360
19686
19940
19944
20121
20132
20431
20525
21057
21061
21309
21310
21378
21391
21456
21461
21603
21658
21688
21750
21815
21820
21822
21888
21930
21943
21946
22181
22311
103
22634
22635
22669
22691
22846
22947
23149
23305
23491
23526
23774
23791
23822
24006
24006
24286
25000
25000
25010
25048
25268
25400
25500
25518
Cuadro 7.2: Historial de fallas del motor diesel de un submarino [106]. En negrilla, los mantenimientos
preventivos.
104
Incrementos estacionarios
Se dice que un proceso de conteo tiene incrementos estacionarios si para dos instantes:
t > ts 0
y para cualquier intervalo de duraci
on Tc :
Tc > 0
las variables aleatorias:
[N (t) N (ts )]
y
[N (t + Tc ) N (ts + Tc )]
estan identicamente distribuidas. Ello implica que la distribucion del n
umero de fallas en un intervalo de
tiempo solo depende de la longitud del intervalo y no de la distancia del intervalo al origen.
Proceso estacionario
Se dice que un proceso de conteo es estacionario (u homogeneo) si tiene incrementos estacionarios.
Proceso regular
Se dice que un proceso de conteo es regular si:
Pr(N (t + t) N (t) 2) = o(t)
cuando t es peque
no y o(t) es una funcion que satisface:
lm
t0
o(t)
=0
t
d (E(N (t))
dt
t0
Observemos que,
Z
W (t) = E(N (t)) =
w( )d
0
La tasa del proceso es conocida usualmente como tasa de ocurrencia de fallas o ROCOF por sus siglas
en ingles (Rate of OCcurrence Of Failures).
105
7.1.3.
7.2.
Proceso homog
eneo de Poisson
(v)n en
n!
106
El n
umero esperado de fallas en cualquier intervalo de longitud v es:
W (t + v) W (t) = E(N (t + v) N (t)) = v
Observamos que
E(N (t)) = t
Los intervalos entre fallas son i.i.d. con valor esperado 1/.
El instante de ocurrencia de la n-esima falla
Sn =
n
X
Ti
i=1
(t)n1 et
(n 1)!
para
t0
7.2.1.
Propiedades asint
oticas
N (t)
N (t) t
(t)
t
cuando t , corresponde a la funci
on acumulada de probabilidad de una Gaussiana con parametros
(0, 1).
Pr
7.2.2.
Estimaci
on e intervalos de confianza
t
Un intervalo de confianza con probabilidad 1 cuando se han observado n fallas durante un intervalo
t esta dado por:
1
1
( z1/2,2n , z/2,2(n+1) )
2t
2t
donde
z,n
corresponde al valor de la distribuci
on X 2 con nivel de confianza y n grados de libertad.
7.2.3.
Suma y descomposici
on de HPP
7.2.4.
107
Distribuci
on condicional
tet e(t0 t)
t0 et0
t
=
para t (0, t0 ]
t0
=
Cuando sabemos que una falla ocurrio en el el intervalo (0, t0 ], el instante en ello ocurrio tiene una
distribuci
on uniforme. El instante esperado en que la falla ocurrio es:
E(T1 |N (t0 = 1) =
7.2.5.
t0
2
HPP compuestos
Consideremos un proceso HPP con tasa y asociemos la variable Vi a la falla i. Vi puede ser por
ejemplo el costo de falla asociado a la i-esima falla. Supongamos que V1 , V2 ,... son independientes y con
distribuci
on com
un:
Fv () = Pr(V )
Asumamos adem
as que las variables V1 , V2 , ..., son independientes de N (t). El costo acumulado al instante
t es:
N (t)
X
Vi
Z(t) =
i=1
El proceso Z(t) es llamado un proceso HPP compuesto. Para calcular el valor esperado de Z(t) requerimos
del siguiente teorema:
Teorema 1 Sean X1 , X2 , X3 ,... un conjunto de variables aleatorias independientes e identicamente
distribuidas con media finita . Sea N una variable estoc
astica entera de modo que el evento (N = n) sea
independiente de Xn+1 ,Xn+2 ,... para todo n = 1, 2, 3, ... Entonces:
!
N
X
Xi = E (N )
(7.1)
E
i=1
y
var
N
X
!
Xi
i=1
Sea:
E(Vi ) = v
var(V i) = 2
De ecuaciones (7.1) y (7.2) obtenemos:
E(Z(t)) = t
var(Z(t)) = ( 2 + 2 )t
(7.2)
108
Asumamos que las consecuencias son positivas y que las fallas totales del sistema ocurren cuando Z(t) > c
para alg
un valor critico de c dado. Tenemos que:
Pr(Tc > t) = Pr(Z(t) c)
!
N
X
= Pr
Vi c
i=1
n
X
(t) t (n)
=
e FV (c)
n!
n=0
Pr(Tc
0
Z
X
0
n=0
> t)dt
n
(t) t
(n)
e dt FV (c)
n!
1
(n)
F (c)
n=0 V
FV (c) =
k
X
()
e
k!
k=n
7.3.
1 + c
Procesos de renovaci
on
La teora de renovaci
on tiene sus origenes en el estudio de reemplazo de componentes. En esta seccion
estudiamos la estimaci
on de disponibilidad y el n
umero esperado de fallas en un intervalo de tiempo. Este
ultimo valor puede ser usado, por ejemplo, para estimar requerimientos de repuestos.
7.3.1.
Conceptos b
asicos
Proceso de renovaci
on
Un proceso de renovaci
on es un proceso de conteo con intervalos entre ocurrencias T1 , T2 ,... que son
independientes e identicamente distribuidos donde:
FT (t) = Pr(Ti t)
para
t0
i = 1, 2, ...
Los eventos que son observados (mayormente fallas) son llamadas renovaciones y FT (t) es la distribucion subyacente del proceso. Asumiremos que la distribucion tiene media y varianza 2 . Observamos
que el proceso HPP es un caso especial de proceso de renovacion en donde la distribucion subyacente es
exponencial.
109
Sn =
Ti
El n
umero de renovaciones en el intervalo (0, T ]:
N (t) = max{n : Sn t}
La funci
on renovaci
on:
W (T ) = E(N (t))
lo que corresponde al n
umero de renovaciones en el intervalo (0, t].
La densidad de renovaci
on:
d
w(t) = W (t)
dt
La funci
on densidad de renovaci
on coincide con la de ROCOF cuando los eventos considerados son fallas.
Consideremos un proceso de renovacion en donde la distribucion subyacente tiene una tasa de fallas
creciente. Se puede demostrar que:
RT (t) et/
cuando,
t<
Ademas,
F n (t) 1
n1
X
j=0
(t/)j t/
e
j!
(7.3)
La ecuaci
on (7.3) provee un limite conservativo para la probabilidad de que la n-esima falla ocurra antes
del instante t, cuando t < y la tasa de falla es creciente (entre eventos).
Distribuci
on de N (t)
Para valores grandes de n podemos usar la ley de grandes numeros:
(n + 1) t
Pr(N (t) n)
Takacs deriv
o la siguiente formula la cual es valida cuando t es grande:
!
n t/
p
Pr(N (t) n)
t/3
Funci
on de renovaci
on
F (n) (t)
(7.4)
n=1
W (t x)dFT (x)
= FT (t) +
0
La ecuaci
on (7.4) es conocida como la ecuacion fundamental de renovacion que puede ser aproximada
(cuando t es grande) por:
t
1 2
W (t) +
1
2 2
110
(7.5)
7.3.2.
Proceso de renovaci
on con distribuci
on gamma
t 1
1 e2t
2
4
y la densidad de renovaci
on es:
w(t) =
1 e2t
2
7.3.3.
Proceso de renovaci
on con distribuci
on de Weibull
En este caso,
W (t) =
X
(1)k1 Ak (t)k
k=1
(k + 1)
donde
A1 = 1
A2 = 2 1 A1
A3 = 3 1 A2 2 A1
..
.
An = 2
n1
X
j=1
2 Anj
111
1.4
densidad de renovacion
Numero esperado de fallas
Unidades correspondientes
1.2
0.8
0.6
0.4
0.2
0.5
1.5
2.5
Figura 7.4: Proceso de renovacion con distribucion gamma con parametros (2,1)
7.3.4.
t
cuando N (t) = 0
t Sn (t) -
Pr(T > y + t)
Pr(T > t)
Procesos de renovaci
on superpuestos
Consideremos un sistema en serie con n componentes independientes, como nuevos en t = 0. Cuando
un componente falla, es reemplazado por uno nuevo. En general, cada componente posee su propia
distribuci
on subyacente.
El proceso formado por la uni
on de las fallas de todos los componentes es llamado un proceso de
renovaciones superpuestas (Superimposed Renewal Process, SRP ). En general, un SRP no es un proceso
de renovaci
on. Sin embargo, se ha demostrado que la superposicion de infinitos procesos de renovacion
converge a un HPP [9]. Como los sistemas estan compuestos en general por un n
umero importante de
componentes, este resultado ha sido muy usado (y abusado) para asumir que los tiempos entre fallas
poseen una distribuci
on exponencial.
112
7.3.5.
Procesos de renovaci
on alternantes
Consideremos un sistema que es activado en t = 0. Cada vez que el sistema falla es reparado. Sean
U1 , U2 ,... los intervalos donde el sistema esta operativo. Asumiremos que los tiempos para fallar son
independientes e identicamente distribuidos con distribucion Fu (t) y media M T T F . De la misma manera,
asumiremos que los tiempos para reparar D1 , D2 ,... tambien lo son, con distribucion FD (t) y media
M T T R. El M T T R incluye el tiempo total en que el sistema esta no disponible lo que usualmente es
mayor que el tiempo que toma la reparaci
on misma. Consecuentemente, preferimos usar M DT (Mean
DownTime) en vez de M T T R.
Si al terminar una reparaci
on el sistema queda como nuevo, obtenemos un proceso de renovacion con
periodos de renovaci
on:
Ti = Ui + Di
para
i = 1, 2, ...
El tiempo medio entre renovaciones es:
T = M T T F + M DT
El proceso resultante es denominado un proceso de renovacion con alternancia. La funcion de distribucion
subyacente corresponde a la convoluci
on:
FT (t) = Pr(Ti t)
= Pr(Ui + Di t)
Z t
=
FU (t + x)dFD (x)
0
En este tipo de proceso tiene sentido habla de disponibilidad la que se define a continuacion.
Disponibilidad
La disponibilidad A(t) de un componente (sistema) es definida como la probabilidad de que el componente (sistema) este funcionando en el instante t, eso es:
A(t) = Pr(X(t) = 1)
donde X(t) denota el estado del sistema.
7.4.
Proceso no homog
eneo de Poisson
En un proceso no homogeneo de Poisson la tasa de fallas del proceso es una funcion del tiempo
calendario. Esta definici
on incluye la situaci
on en donde la tasa de ocurrencia de eventos es funcion de
una variable explicativa que a su vez es funcion del tiempo. El parametro basico de un NHPP es la tasa
de fallas.
Es importante observar que un NHPP no requiere incrementos estacionarios. Ello implica que puede
ser mas probable que ocurran fallas en ciertos instantes versus otros, con lo cual los periodos entre fallas
no son independientes ni identicamente distribuidos. En consecuencia, no pueden aplicarse las tecnicas
estadsticas que usan como hip
otesis el que los datos sean i.i.d..
Los NHPP son usados frecuentemente para modelar tendencias en los intervalos entre eventos, eso
es, sistemas felices o tristes. Parece natural pensar que un sistema feliz tiene un ROCOF decreciente,
mientras que un sistema triste tiene un ROCOF creciente.
Definici
on 2 Un proceso de conteo es un proceso no homogeneo (o no estacionario) de Poisson con tasa
w(t) para t 0, si:
1.
N (0) = 0,
113
2.
3.
Pr(N (t + t) N (t) 2) = o(t), lo que implica que el sistema no puede sufrir mas de una falla
en un instante,
4.
W (t) =
w(t)dt
0
es el n
umero esperado de fallas en (0, t]. La varianza es:
var(N (t)) = W (t)
Cuando n es grande,
Pr(N (t) n) =
n W (t)
p
W (t)
!
(7.9)
De (7.8), el n
umero de fallas en (v, t + tv ] tiene distribucion de Poisson:
n
Pr(N (t + tv ) N (t) = n) =
para
n = 0, 1, 2, ...
y el n
umero espera de fallas en (v, t + tv ]:
E(N (t + tv ) N (t)) = W (t + tv ) W (t)
114
R t+tv
w(x)dx
Pr(Sn > t)
7.4.1.
Asumamos que el proceso es observado en t0 y sea Y (t) el intervalo hasta la proxima falla (la vida
residual). Se tiene:
Pr(Y (t0 ) > t) = Pr(N (t + t0 ) N (t0 ) = 0)
= e[W (t+t0 )W (t0 )]
= e
R t0 +t
t0
w(x)dx
22 xdx
W (t) =
0
= (t)2
La distribucion hasta la primera falla es:
R1 (t) = e(t)
= e
R t0 +t
t0
(t2 +2t0 t)
w(x)dx
115
M T BFn =
(t2 +2t0 t)
dt
7.4.2.
Modelos param
etricos de NHPP
(7.11)
El modelo fue propuesto por Crow [3]. La estimacion de maxima verosimilitud entrega:
=
=
n ln t0
n
n
Pn
i=1
ln si
t0
(7.12)
(7.13)
Modelo lineal
w(t) = (1 + t)
El sistema es triste si < 0. Solo debe ser usado cuando w(t) > 0.
Modelo loglineal
w(t) = e+t
Un sistema es triste si > 0, es HPP si = 0 o es feliz si < 0. El modelo fue propuesto inicialmente
en Cox & Lewis [151]. La estimaci
on de maxima verosimilitud entrega las siguientes formulas. Para :
n
X
si +
i=1
= ln
n
nt0
1 et0
!
n
0
et
1
116
Hipotesis
HPP (H)
Renovacion (R)
Estacionario (S)
Secuencia
Alternativa
Tendencia monotonica (M)
Tendencia no monotonica (N)
7.4.3.
7.5.
Los tests de tendencia pueden ser clasificados por: (1) el tipo de hipotesis considerada y (2) el tipo de
alternativa contra la cual se testea. La tabla 7.3 muestra las alternativas disponibles.
Se dice que un proceso estoc
astico con una secuencia X1 , X2 , ... de intervalos entre fallas es un proceso
en deterioro (o sea, el sistema se deteriora con el tiempo al ser modelado con este proceso) si:
FXi (x) < FXj (x)
para
i1
y para cada par:
j>i
donde
FX (x) = Pr(X < x)
Se dice entonces que el proceso tiene tendencia monotonica al deterioro.
7.5.1.
En esta categora solo estudiaremos el test de Laplace y el test del standard MIL-HDBK-189.
Test de Laplace
Cuando el sistema ha sido estudiado hasta que han ocurrido n fallas,
U=
1
n1
Pn1
j=1 Sj Sn /2
p
Sn / 12(n 1)
(7.14)
117
1
n
Pn
Sj t0 /2
t0 / 12n
j=1
(7.15)
n1
X
ln
Sn
Si
ln
t0
Si
i=1
n
X
i=1
La distribuci
on asint
otica de Z es con 2(n 1) y 2n grados de libertad respectivamente. La hipotesis
es rechazada para valores peque
nos o grandes de Z. Valores bajos de Z corresponden a sistemas tristes,
valores grandes de Z corresponden a sistemas felices.
Ejemplo 17 Al aplicar el test MIL-HDBK-189 a las secuencias anteriores el indicador resultante es:
U = 4,1
para el sistema triste, y
U = 20,0
La tabla 2 para 2(7 1) = 12 grados de libertad dejan de lado la hip
otesis HPP para niveles de confianza
similares a los del test de Laplace.
7.5.2.
Al revisar la literatura de confiabilidad, el HPP aparece como el modelo mas usado. Sin embargo, un
HPP no es capaz de mostrar las tendencias de la conocida curva de la ba
nera las cuales si son observadas
en procesos de renovaci
on. Entre los tests de tendencia mas conocidos para procesos de renovacion se
tiene: Mann [30], Ferguson [31], Lewis-Robinson [33] y Srinivasan [32]. Aqu describiremos brevemente
los tests de Mann y de Lewis-Robinson. El lector interesado es referido a Ascher and Feingold [106].
El test de Mann se realiza al contar los arreglos reversos (reverse arrangements) entre los intervalos
entre fallas Xi ordenados cronol
ogicamente. Se dice que hay un arreglo reverso cuando,
Xi < Xj
para,
i<j
118
Sea Rm como el n
umero total de arreglos reversos para i = 1...m 1 y j = 2...m. Rm es calculado al
comparar cada intervalo Xi contra todo Xj posterior. Como hay un total de m(m 1)/2 comparaciones,
E[Rm|renovacion] =
m(m 1)
4
7.6.
En las secciones anteriores estudiamos 2 grupos de procesos asociados a sistemas reparables: procesos
de renovacion y procesos no homogeneos de Poisson. El HPP es un caso especial de ambos a la vez.
En un proceso de renovaci
on, toda intervencion es perfecta, en tanto que en un NHPP toda intervencion es mnina. Una reparaci
on normal estara en alg
un punto entre estos 2 extremos.
Consideremos un sistema que es puesto en operacion en el instante t. La tasa de fallas inicial es z(t)
y el ROCOF condicional se wc (t), definido por:
P r(N + t N (t) = 1|Ht )
(7.16)
t
t
donde Ht corresponde a la historia del proceso hasta t, pero sin incluir ese ultimo instante. Algunos
supuestos:
wc (t|Ht ) = lm
7.6.1.
7.6.2.
119
Se han propuesto varios modelos en donde el efecto de una intervencion es la reduccion del ROCOF .
La reducci
on puede ser un valor fijo, una fraccion del valor actual, o una funcion de la historia del proceso.
Tomemos por ejemplo el modelo de Chan & Shaw [17]. Sea z(t) la tasa de fallas hasta antes de la
primera falla.Si todas las reparaciones fueran mnimas, de acuerdo a su modelo:
wc (Si+ ) = wc (Si )
para una reducci
on fija , o:
wc (Si+ ) = wc (Si )(1 )
(7.17)
wc (t) = z(t)
(1 )i z(SN (t)i )
i=0
por lo que el modelo es llamado reduccion aritmetica de intensidad con memoria infinita, ARI .
Otro enfoque consiste en asumir que una reparacion reduce el desgaste que ocurre desde la ultima
reparaci
on:
+
wc (Si+ ) = wc (Si ) wc (Si ) wc (Si1
)
luego:
wc (t) = z(t) z SN (t)
por lo que el modelo es llamado reduccion aritmetica de intensidad con memoria uno, ARI1 . Desde estos
dos modelos extremos, Doyen y Gaudoin [18] proponen modelos con memoria finita, ARIm . Otro modelo
interesante es el Zhang y Jardine [2], el cual es visto en el captulo 31.
7.6.3.
Modelos de reducci
on de edad
Malik [19] propone un modelo donde cada reparacion reduce la edad del sistema en un intervalo
proporcional al intervalo desde la ultima reparacion. Despues de la primera falla:
wc (Si+ ) = w1 (Si i)
para cualquier instante,
wc (t) = w1 (Si N (t))
7.7.
Comentarios finales
Hemos visto las diferentes clases de modelos utilizados para modelar sistemas reparables. En particular, hemos estudiado tecnicas para establecer si hay tendencias en los sistemas hacia un mejoramiento
(sistema feliz ) o empeoramiento de los intervalos entre fallas (sistema triste) en el mediano y largo plazo.
El Diagrama de Nelson-Aalen as como los tests de tendencia se revelan como herramientas de validacion
de los modelos de confiabilidad cl
asicos que se apoyan en la hipotesis de que los intervalos entre eventos
de falla son independientes e identicamente distribuidos (iid ).
120
7.8.
A explorar
Lindquist [23] muestra resultados comparativos para varios tipos de tests de tendencia.
Berman [29] propone un modelo para procesos inhomeogeneos de Poisson que permite modelar tasas
de fallas con periodos cclicos. Incluye un test de tendencia especifico.
Jiang et al. [20] estudian los efectos de las censuras en la estimacion de NHPP.
Akersten [12] explora el uso de los diagramas T T T para estudiar la confiabilidad de sistemas reparables. Kvaloy y Lindqvist [28] los utilizan para estudiar tendencias de sistemas a mostrar curvas tipo
ba
nera.
Bibliografa
[1] Rausand, M., Hoyland, A., System Reliability Theory, 2nd ed., Wiley, New York, 2004.
[2] Ross, S. M. Stochastic Processes, 2nd ed. Wiley, New York, 1996.
[3] Ascher, H., and H. Feingold, Repairable Systems Reliability. Modeling,Inference, Misconceptions and
Their Causes, Marcel-Dekker, New York, 1984.
[4] Aalen, O.O., Non-parametric inference for a family of counting processes, Annals of Statistics 6:701726, 1978.
[5] Nelson, W., Hazard plotting for incomplete failure data, Journal of Quality Technology 1:27-52, 1969.
[6] Crowder, M. J., A. C. Kimber, R. L. Smith, and T. J. Sweeting, Statistical Analysis of Reliability
Data, Chapman and Hall, London, 1991.
[7] Nancy R. Mann, Ray E. Schafer Nozer D. Singpurwalla, Methods for statistical analysis of reliability
and life data, New York : John Wiley & Sons, 1974.
[8] Hokstad, P. The failure intensity process and the formulation of reliability and maintenance models,
Reliability Engineering and System Safety 58:69-82, 1997.
[9] Drenick, R. F., The failure law of complex equipment, Journal of the Society for Industrial Applied
Mathematics, 8:680-690, 1960.
[10] Brown, M., F. Proschan, Imperfect repair, Journal of Applied Probability, 20:851-859, 1983.
[11] Akersten, P. A., Imperfect repair models, In Safety and Reliability. Proceeedings of the European
Conference on Safety and Reliability - ESREL98 S.Lydersen, G. K. Hansen, and H. A. Sandtorv,
eds. A. A. Balkema, Rotterdam, pp. 369-372, 1998.
[12] Akersten, P. A., Repairable Systems Reliability, Studied by TTT-Plotting Techniques, Ph.D. thesis. Division of Quality Technology, Department of Mechanical Engineering. Linktiping University,
Sweden, 1991.
[13] Crow, L. H., Reliability analysis of complex repairable systems, In Reliability and Biometry. F.
Proschan,and R. J. Serfling, ed. IAM, Philadelphia, 379-410, 1974.
[14] Cox, D. R., and P. A. Lewis, The Statistical Analysis of Series of Events, Methuen, London, 1966.
[15] Pham, H., and H. Wang. Imperfect maintenance, European Journal of Operational Research 94:425438, 1996.
[16] Block, H. W., W. S. Borges, and T. H. Savits, Age-dependent minimal repair, Journal of Applied
Probability 22:370-385, 1985.
[17] Chan, J-K., and L. Shaw., Modeling repairable systems with failure rates that depend on age and
maintenance, IEEE Transactions on Reliability 42(4):566-571, 1993.
[18] Doyen, L., and 0. Gaudoin, Modelling and assessment of maintenance efficiency for repairable systems, Proceedings from ESREL Conference, 19-21 March, Lyon, France, 2002.
121
122
[19] Malik, M.A.K., Reliable preventive maintenance policy, AIIE Transactions 11:221-228, 1979.
[20] S.T. Jiang, T.L. Landers, T.R. Rhoads, Semi-parametric proportional intensity models robustness
for right-censored recurrent failure data, Reliability Engineering and System Safety, 90, 9198, 2005.
[21] Ascher, H.E., Lin, T.-T.Y., Siewiorek, D.P., Modification of: error log analysis: statistical modeling
andheuristic trend analysis Reliability, IEEE Transactions, 41(4), 599 - 601, 1992.
[22] Lin, T.T.Y., Siewiorek, D.P., Error log analysis: statistical modeling and heuristic trend analysis
IEEE Transactions on Reliability, 39(4), 419 - 432, 1990.
[23] Lindqvist B. Statistical modeling and analysis of repairable systems. In: Ionescu D, Limnios N,
editors. Statistical and probabilistic models in reliability. Birkhauser, Boston, 325, 1998.
[24] Cox, D. R., Some statistical methods connected with series of events with discussion, Journal of the
Royal Statistical Society, Series B, 17, 129-164, 1955.
[25] Aalen, O. O., Statistical inference for a family of counting processes, PhD thesis, University of
California, Berkeley, 1975.
[26] Andersen, P., Borgan, O., Gill, R., Keiding, N, Statistical Models Based on Counting Processes,
Springer, 1992.
[27] Proschan, F., Theoretical explanation of observed decreasing failure rates, Technometrics, 5, 375-383,
1963.
[28] Kvaloy, J. T., Lindqvist, B. H., TTT-based tests for trend in repairable systems data, Reliability
Engineering and System Safety, 60(1), 13-28, 1998.
[29] Berman, M., Inhomogeneous and modulated gamma processes, Biometrika, 68, 143-152, 1981.
[30] H.B. Mann, Nonparametric Tests against Trend, Econometrika, 13, 245-259, 1945.
[31] G.A. Ferguson, Nonparametric Trend Analysis, McGill Univ. Press, Montreal, 1965.
[32] V.S. Srinivasan, Tests for New Different than Repaired, IEEE Trans., R-27, 280-282, 1978.
[33] P.A. Lewis and D.W. Robinson, Testing for a Monotone Trend in a Modulated Renewal Process, in
Reliahility and Biometry, F. Proschan and R.J. Serfling, eds., SIAM, Philadelphia, 163-182, 1974.
[34] MILSTD690C, Failure Rate Sampling Plans and Procedures, U.S. Department of Defense, 1993.
[35] MILSTD756B Reliability Modeling and Prediction, U.S. Department of Defense, 1981.
[36] MILSTD1635, Reliability Growth Testing, Department of Defense.
[37] BSI BS 5760: PART 6, Reliability of Systems, Equipment and Components, part 6Guide to
Programs for Reliability Growth (IEC 1014: 1989), 1991.
[38] IEC 606054 (200108) Equipment Reliability Testing, part 4Statistical procedures for exponential distributionpoint estimates, confidence intervals, prediction intervals and tolerance intervals,
2001.
[39] IEC 606056 (199704) Equipment Reliability Testing, part 6Tests for the validity of the constant
failure rate or constant failure intensity assumptions, 1997.
[40] IEC 61649 (199705) Goodness-of-fit Tests, Confidence Intervals and Lower Confidence Limits for
Weibull Distributed Data, International Electrotechnical Comission, 1997.
[41] Nelson, W., Accelerated Testing, Statistical Models, Test Plans and Data Analyses, John Wiley and
Sons, New York, 1990.
[42] MIL-HDBK-338B, Electronic Reliability Design, U.S. Department of Defense, 1998.
123
[43] Lim, T. J., Estimating system reliability with fully masked data under Brown-Proschan imperfect
repair model, Reliability Engineering and System Safety 59:277-289, 1998.
[44] TL Landers, ST Jiang, JR Peek, Semi-parametric PWP model robustness for log-linear increasing
rates of occurrence of failures, Reliability Engineering and System Safety, 2001.
[45] S.T. Jiang, T.L. Landers, T.R. Rhoads, Proportional Intensity Models Robustness with Overhaul
Intervals, Quality and Reliability Engineering International, 22(3), 251 - 263, 2005.
[46] J.I. Ansell, M.J. Phillips, Practical Methods for Reliability Data Analysis, Oxford University Press,
1994.
[47] Ansell JI, Phillips MJ, Practical reliability data analysis. Reliab Eng Syst Saf, 28(3):33756, 1990.
[48] Majumdar, S.K., An optimum maintenance strategy for a vertical boring machine system,
Opsearch,30(4), 344-365, 1993.
[49] Majumdar, S.K., Study On Reliability Modeling Of A Hydraulic Excavator System, Quality And
Reliability Engineering International, 11(1), 49-63, 1995.
[50] R. Abernethy, The New Weibull Handbook, 5th Ed., 2006.
124
Captulo 8
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Verificar las tendencias que delatan el mantenimiento imperfecto y el proceso de envejecimiento
Proponer y ajustar un modelo N HP P para estimar la tasa de fallas y predecir el numero de fallas
Aplicar el modelo de tasa de fallas y de costos a la toma de decisiones de reemplazo de equipos
8.1.
Introducci
on
El an
alisis del historial de fallas es muy importante para el estudio de reemplazo de equipos. Si los
costos globales por unidad de tiempo son constantes hay una indiferencia al reemplazo a menos que exista
obsolescencia tecnologica, por ejemplo.
En general, los an
alisis de confiabilidad (i.e, cap. 20 en toma de decisiones) asumen que las acciones de
mantenimiento son perfectas, en el sentido de que dejan el equipo como nuevo. Si la renovacion ocurre, los
tiempos entre fallas ser
an independientes e identicamente distribuidos con lo cual pueden ser ordenados
(i.e. 11) para ajustar alguna distribucion estadstica standard.
La hip
otesis de renovaci
on es v
alida en muchos casos, sin embargo hay muchas situaciones en mantenimiento donde ella no aplica, sobre todo en el reemplazo de equipos complejos. Al existir mantenimiento
imperfecto, las fallas:
1. no est
an distribuidas identicamente y,
2. no son independientes,
con lo cual no pueden ser ajustadas a distribuciones standard. Lo anterior implica la verificacion
de ambas condiciones antes de realizar cualquier analisis de confiabilidad standard. Coetzee [1] propone
usar el esquema de figura (8.1). El primer paso consiste en estudiar la curva del numero acumulado de
fallas vs las unidades de tiempo acumuladas desde que el equipo estaba nuevo (i.e., figura ??). Aun si no
existe tendencia al crecimiento en la tasa de fallas, es necesario verificar la independencia entre las fallas
sucesivas. El lector interesado es referido al test propuesto en Krishnaiah y Sen [8].
125
126
Tendencia
creciente?
si
no
Dependencia?
si
no
Proceso de renovacin
Tcnicas de anlisis
convencional
8.2.
127
Modelos de envejecimiento
Existen varios otros modelos NHPP. Estos los modelos loglineal y de potencia han ganado mas
aceptacion. Tambien encontramos el modelo de Dhillon, que logra representar las 3 zonas en la curva de
la ba
nera (ver xx).
8.2.1.
Modelo loglineal
(8.1)
propuestos en Cox y Lewis [151]. Al usar el modelo (8.1) se tiene que el numero esperado de fallas en el
intervalo (T1 , T2 ) es:
1 T1
e0 1 T2
E (N (T2 ) N (T1 )) = 1 e
e
(8.2)
y el tiempo medio entre fallas tambien depende de que intervalo se considere:
M T BF (T1 , T2 ) =
e0
1 (T2 T1 )
T
T
e 1 2 e 1 1
El numero esperado de fallas durante la vida T del equipo esta dado por:
e0 1 t
e 1
n(t) =
1
8.2.2.
(8.3)
(8.4)
Modelo de potencia
(8.5)
Ademas,
E (N (T2 ) N (T1 )) = 0 T2 T1
(8.6)
M T BF (T1 , T2 ) =
T T1
2
0 T2 T1
Ti +
n
nTn
=
1
1 e1 Tn
(8.7)
donde Ti corresponde al intervalo de tiempo transcurrido desde que el equipo esta como nuevo y la
ocurrencia de la i-esima falla y n es el numero de fallas registradas. El parametro
0 es estimado a partir
de:
n
1
0 = ln 1 Tn
(8.8)
e
1
Para el modelo (8.5),
n
= P
(8.9)
n
Tn
ln
i=1
Ti
y
0 = n
Tn
Una forma alternativa considera una estimacion con mnimos cuadrados ponderados.
(8.10)
128
8.2.3.
Modelo de Dhillon
El modelo de Dhillon [225] permite modelar las 3 etapas de la vida de un equipo. La tasa de fallas
esta descrita por la ecuaci
on:
1
(8.11)
(t) = + (1 ) D eD t
2
t
con
01
El primer termino en (8.11) modela la infancia del equipo y el segundo el proceso de envejecimiento. Al
integrar, el numero de fallas en el intervalo (0, t) es:
(8.12)
E (N (t) N (0)) = t + (1 )eD t
notemos como el primer termino en (8.12) crece con la raiz de t y el segundo exponencialmente. entrega
la importancia relativa de ambos terminos.
8.3.
Modelos de reemplazo
Consideremos
Una intervenci
on correctiva del cami
on cuesta Cic um, lo que incluye los costos de intervencion.
El costo de un cami
on nuevo es CiR um.
cgp es el costo global de intervenciones preventivas por unidad de tiempo;
cop es el costo de operaci
on por unidad de tiempo.
Los costos de operaci
on y de intervenciones preventivas por unidad de tiempo pueden ser considerados constantes.
Se desea establecer un intervalo
optimo entre reemplazos.
8.3.1.
Para ello, Coetzee propone minimizar el costo de intervencion esperado por unidad de tiempo, eso es:
ci (T ) =
Los u
ltimos dos terminos del lado derecho son constantes por lo cual no afectan el problema de
minimizacion y pueden ser descartados como posibles parametros 1 .
8.3.2.
Morimura y Makabe [9] proponen el reemplazo del equipo tras n reparaciones mnimas. En caso de
usar el modelo loglineal,
(em 1) e0
n =
(8.13)
1
donde m es obtenido a partir de:
em
CR
1
(m 1) =
1
Cic e0
1
(8.14)
CR
Cic ( 1)
(8.15)
1 Este modelo descarta el efecto del costo de falla por lo cual se produce una suboptimizacion en la decision de reemplazo.
NdP
i
1
2
3
4
5
129
M T BF (ud)
94
70
54
41
33
Cuadro 8.1: Tiempos medios entre fallas para las primeras 5 fallas de los motores. Una ud corresponde a
1000 millas [5]
.
0
1
M LE
5,73
0,0093
2,36
7,79 106
W LS
4,76
0, 0042
1,40
1,63 103
Cuadro 8.2: Parametros estimados con maxima verosimilitud (MLE) y mnimos cuadrados ponderados
(WLS)
8.4.
8.5.
8.5.1.
(8.16)
4
1 = 1,07 10
Tambien se ajust
o el mismo modelo utilizando mnimos cuadrados, en este caso:
0 = 6,671
1 = 1,15 104
130
140
Data
MLE
LS
Dhillon
120
100
80
60
40
20
0
0
10000
20000
131
10000
primeras 10 fallas
ultimas 10 fallas
avg ult.
avg prim.
TBF (ut)
1000
100
10
1
1
Indice de evento
Figura 8.4: Tiempos medios entre falla al principio y al final de la vida del equipo
y al ajustar el modelo de Dhillon,
= 0,0286
= 7,725
(8.17)
4
D = 2,10 10
8.5.2.
Intervalo de reemplazo
Una intervenci
on correctiva del camion cuesta 7165 um y el costo de un camion nuevo es 1300000 um.
La tasa de fallas se ha modelado seg
un los parametros de ecuacion (8.16). Tenemos entonces:
CiR = 1300000 um/reemplazo
Cic = 7165 um/reparacion
Al usar el modelo descrito en 8.3. El intervalo optimo resultante es:
T = 21306 ut
con un costo esperado:
cg (T ) = 100,65 um/ut
donde se ha descartado el aporte constante de cgp y cop . La figura (8.6) muestra un analisis de sensibilidad.
El modelo de reemplazo (8.13) entrega:
n = 118
2
Una variante considera el valor residual del equipo. Si el valor de un camion usado de 1000 ut es
50 % de su valor original, y asumimos un modelo de depreciacion exponencial:
R(15000) = 0,5 1300000
= 1300000e15000
luego,
= 1,1 104 1/ut
2 Examen
2007-I.
132
0,014
MLE
LS
Dhillon
0,012
0,01
0,008
0,006
0,004
0,002
0
0
5000
10000
15000
20000
450
400
350
300
250
200
150
100
50
0
5000
10000
15000
20000
25000
30000
35000
40000
Figura 8.6: Estudio de sensibilidad del costo global esperado por unidad de tiempo en funcion del intervalo
entre reemplazos
133
250
200
150
100
50
0
5000
10000
15000
20000
25000
30000
35000
40000
Figura 8.7: Estudio de sensibilidad del costo global esperado por unidad de tiempo en funcion del intervalo
entre reemplazos y considerando valor residual
y en este caso,
CiR + n(T )Cic R(T )
+ cip + cop
T
La figura (8.7) compara los 2 modelos (considerando que la tasa media de fallas crece exponencialmente
con el intervalo). Al considerar el valor residual el optimo se encuentra en T = 19000 ut.
ci (T ) =
8.6.
Comentarios finales
8.7.
A explorar
Proschan [6] presenta un historial del equipo de acondicionamiento de aire de una flota de aviones.
Los historiales pueden ser bajados [aqu]. Coetzee [1] muestra el proceso de envejecimiento. Crow [10]
presenta un metodo para estimar los parametros para el modelo de potencia cuando se dispone de una
flota de equipos. Presenta una serie de ejemplos de aplicacion.
134
Bibliografa
[1] Coetzee, J.L., The role of NHPP models in the practical analysis of maintenance failure data, Reliability Engineering and System Safety 56, 161-168, 1997.
[2] Cox, D. R. and Lewis, P. A., The Statistical Analysis of Series of Events, Methuen, London, 1966.
[3] Crow, L. H., Reliability analysis for complex repairable systems. In Reliability and Biometry, eds F.
Proschan and R. J. Serfling. SIAM, Philadelphia, 379-410, 1974.
[4] Barlow, R. E. and Hunter, L., Optimum preventive Expected cumulative number of failures maintenance policies, Operations Research, 8, 140 90-100, 1960.
[5] Davis, D. J., An analysis of some failure data, Journal of the American Statistical Society, 47,
113-150, 1952.
[6] Proschan, F., Theoretical explanation of observed decreasing failure rate, Technometrics, 6, 375-383,
1963.
[7] Dhillon, B.S., A hazard rate model, IEEE Transactions on Reliability, 28, 150-154, 1979.
[8] Krishnaiah, P. R. and Sen, P. K., eds., Handbook of Statistics, Vol. 4Nonparametric Methods,
North-Holland, Amsterdam, 1984.
[9] Makabe, H. and Morimura, H., On some preventive maintenance policies, Journal of the Operational
Research Society of Japan, 6, 17-47, 1963.
[10] Crow, L.H., Evaluating the reliability of repairable systems, Reliability and Maintainability Symposium, 275-279, 1990.
135
136
Captulo 9
An
alisis de confiabilidad
...responsibility for teaching statistical methods in our universities must be entrusted, certainly
to highly trained mathematicians, but only to such mathematicians as have had sufficiently
prolonged experience of practical research, and of responsibility for drawing conclusions from
data, upon which practical action is to be taken...
R.A. Fisher [6]
...teaching of maintenance modelling to students of Engineering, Management and OR is only
in its infancy....
P. Scarf [10]
...an approximate result at the end of a fortnight may be of more value than a precise one
obtained by waiting for another three months...
...as is often the case, several mechanisms, each exhibiting a different value, are present. A
Weibull plot which lumped all these together would always tend to show, quite misleadingly,
a p-value close to unity, tending to the quite erroneous assumption that wear-out, say, was
not present...
A. Kelly [7]
Actuar es f
acil, pensar es difcil; actuar seg
un se piensa es a
un mas difcil.
No basta saber, se debe tambien aplicar. No es suficiente querer, se debe tambien hacer.
Johann Wolfgang von Goethe
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Definir y calcular: confiabilidad, tasa de fallas, disponibilidad, mantenibilidad, tasa de reparacion.
9.1.
Introducci
on
El dise
no de un programa eficiente de mantenimiento (en terminos de su costo global) implica la comprension de los fen
omenos de falla de los equipos. Dado que las fallas de los equipos son eventos aleatorios,
estudiaremos conceptos y modelos estadsticos que nos permitan controlar y mejorar la confiabilidad, y
con ello los costos.
La mayor dificultad que enfrentaremos sera el alto grado de incertidumbre de los estudios y los efectos
de condiciones cambiantes ambientales y de operacion en el comportamiento de los equipos.
137
Unidad
138
x
x
x
x
Edad
Figura 9.1: Estudio en una poblacion de 4 unidades
9.2.
Confiabilidad
n(t)
N
La figura 9.1 muestra un ejemplo. Hasta la edad indicada por la linea roja, ningun individuo (unidad)
de esa poblacion de 4 ha fallecido (fallado).
9.3.
La probabilidad acumulada de falla F (t) se define como la probabilidad de que un tem falle en
el intervalo (0, t). Entonces:
R(t) + F (t) = 1
y puede ser estimada como:
F (t) =
9.4.
N n(t)
N
9.5.
La funci
on densidad de probabilidad de fallas f (t) se define como la probabilidad instantanea
de que un tem que no ha fallado en el intervalo (0, t) falle en el intervalo (t, t + dt). Se trata entonces de
una probabilidad condicional (de que sobreviva hasta la edad t y de que falle en dt:
f (t)dt = R(t)(t)dt
luego,
f (t) = R(t)(t)
139
Unidad
x
x
x
x
Edad
Figura 9.2: Una aproximaci
on para la tasa instantanea de fallas en este caso es 2/4/Deltat
tambien podemos escribir,
f (t) =
dF (t)
dt
luego,
dF (t) = (1 F (t)) (t)dt
y
Z
1
dF =
(1 F )
Z
(t)dt
Z
ln(R) =
R(t) = e
(t)dt
R
0
(t)dt
R(t1 ) R(t2 )
R(t1 )(t2 t1 )
9.6.
Vida media
La vida media de un componente no reparable es el valor de tiempo esperado para que el componente
falle. Tambien es conocido como el tiempo medio para fallar, o M T T F por sus sigla en ingles.
Z
MTTF =
tdF
(9.1)
Z0
=
tf dt
0
140
t (Kciclos)
0
10
20
30
40
50
n(t)
100
80
55
20
5
0
n(t)
100
80
55
20
5
0
R(t)
1.00
0.80
0.55
0.20
0.05
0.00
R(t)dt
0
9.7.
Disponibilidad
9.8.
141
Un indicador u
til es el tiempo medio entre fallas (M T BF ); o en otras palabras, el tiempo promedio
en que el equipo no falla. Matem
aticamente ello corresponde a la esperanza de T (T siendo el perodo
entre 2 fallas), dada la funci
on de distribucion f (t) (9.5):
Z
M T BF = E(t) =
tf (t)dt
0
(9.2)
Esta expresion es valida cuando se aplica una estrategia de mantenimiento correctiva. En caso de
aplicarse una estrategia preventiva cada Ts ut, que implique una intervencion perfecta, o equivalentemente
un reemplazo, se tiene:
R Ts
R(t)dt
M T BF (Ts ) = 0
(9.3)
F (Ts )
donde M T BF (T ) correponde al intervalo medio de tiempo entre 2 intervenciones correctivas. La prueba
puede ser obtenida de (Barlow & Proschan, 1996) [6] 1 . Notese que difiere del intervalo de tiempo medio
entre 2 intervenciones (ya sean preventivas o correctivas):
R Ts
tf dt
F (Ts )
F (Ts )
M T BI(Ts ) = Ts R +
Ts
Z
= Ts R +
tf dt
0
Ts
Rdt
(9.4)
por supuesto, cuando Ts tiende a infinito (estrategia correctiva), las expresiones (9.3) y (9.4) convergen
a (9.2).
Ejemplo 20 Considerese un componente con una funci
on confiabilidad linealmente decreciente. La confiabilidad es 1 en t = 0 y de 0 en t = 10000 horas. Calcule su MTBF.
Soluci
on 4 La funci
on confiabilidad puede ser expresada como:
1 104 t para t < 10000
R(t) =
0
en otro caso
Usando la ecuaci
on 9.2,
Z
M T BF =
9.9.
Mantenibilidad
9.9.1.
Criterios de Mantenibilidad
Las normas francesas X60 300 y X60 301 especifican 5 tipos de criterios de mantenibilidad.
El primer criterio se refiere al mantenimiento preventivo: para tales fines es conveniente conocer la
accesibilidad de los componentes, su desmontabilidad, y su intercambiabilidad.
1 ver
142
El segundo criterio se centra en el mantenimiento correctivo: implica el tiempo para buscar la pana,
y el tiempo requerido para diagnosticar.
El tercer criterio se enfoca hacia la organizacion del mantenimiento a traves de la periodicidad de las
intervenciones preventivas, el agrupamiento de tareas similares (rutas e intervenciones oportunistas), la
homogeneidad de la confiabilidad de los componentes, la presencia de indicadores y contadores y a la
complejidad de las intervenciones.
El cuarto criterio se centra en la calidad de la documentacion tecnica: su profundidad, su disponibilidad, el modo de transmisi
on, y los principios generales de redaccion y presentacion de la documentacion
tecnica.
El ultimo criterio tiene relacion con el seguimiento del fabricante: evolucion del fabricante, calidad del
servicio post-venta, obtenci
on de piezas de recambio.
(Labib, 1998)[19] caracteriza el intervalo de tiempo de parada correctiva en 3 fases principales: respuesta, diagnosis, reparaci
on. La fase de respuesta es el intervalo entre la ocurrencia de la falla y la toma
de conocimiento por parte del ingeniero de mantenimiento. De acuerdo a Labib, este intervalo de tiempo
debe ser eliminado y ello se facilita enormemente con la puesta a punto de un sistema de informacion
que emita alarmas tan pronto la falla ocurre. La fase de diagnosis puede ser reducida con capacitacion
adecuada y acceso r
apido a informaci
on pertinente (historial de fallas, arboles de mantenimiento, arboles
de falla, analisis de modos de falla, etc.). La fase de reparacion puede ser minimizada con un sistema de
gestion de repuestos y proveedores integrado en el sistema de informacion (ver tambien ??).
9.9.2.
143
Para representar a la mantenibilidad podemos usar las mismas distribuciones empleadas para la
confiabilidad. Una muy usada es la log-normal; ello se justifica pues el T T R se puede modelar en muchos
casos como la suma de una distribucion exponencial con otra normal. Tal suma es bien representada por
una distribuci
on lognormal[2].
9.9.3.
El tiempo de detecci
on se define como la duracion entre el instante en que el equipo falla hasta en
instante en que la falla es detectada. Hay componentes cuyas fallas no son detectadas inmediatamente;
por ejemplo, una bomba en standby puede fallar estando en su fase standby y por tanto la falla no
sera detectada hasta la pr
oxima inspeccion.
Considerese un componente cuya falla es detectada solo durante la mantenimiento preventivo. Sea el
intervalo de este tipo de mantenimiento Tmp . En este caso el tiempo de deteccion es estimado en Tmp /2;
este valor es aceptable en el an
alisis de confiabilidad si:
Tmp
9.10.
M T BF
10
M T BF y M T T F
El tiempo medio para falla (M T T F por sus siglas en ingles) se define como es el tiempo esperado en
el cual el componente falla siendo que esta nuevo o como nuevo en t = 0. De su definicion:
M T BF = M T T F + M T T R
9.11.
Tasa de reparaci
on
Definici
on 5 La tasa de reparaci
on m (t), se define como la probabilidad por unidad de tiempo de que
el componente sea reparado en el tiempo t siendo que el componente ha fallado en t = 0 y no ha sido
reparado en [0, t).
Ejemplo 21 En figura 9.3 se muestra el historial de fallas de 3 componentes en un perodo de estudio de
100 das. Los tres componentes estaban como nuevos en el instante t = 0. Calcule el M T T F , M T T R
y la tasa de reparaci
on.
144
Comp. A
falla 1
falla 2
TTR
Comp. B
falla 1
Comp. C
falla 1
falla 2
TTR
T
Horizonte
unidades
time to repair
tiempo inicio falla
100
horas
40.1
83
1.5
0.8
TTR
41.4
1.3
TTR
40.6
82
1.1
1.5
0.0
1.5
0.8
0.0
0.0
Tiempo (das)
1.3
1.1
0.0
1.5
Figura 9.4: Status operacional medido desde el inicio de la reparacion, para las 5 instancias estudiadas
Soluci
on 6 En este caso,
MTTF =
La tasa de reparaci
on m es calculada a partir de su definici
on (5). Sup
ongase que se toma un intervalo
de tiempo dt = 0,25 horas. Si t en este caso se inicia al comenzar la reparaci
on, en t = 0,75 ninguno de
los 5 componentes est
a reparado (ver figura 9.4). En [0.75,1) ya se ha reparado 1 luego:
m (0,75) =
1/5
= 0,8
0,25
1/4
=1
0,25
145
4
3 .5
3
m (t)
2 .5
2
1 .5
1
0 .5
0
0 .5
1
tie m p o (t)
1 .5
1/3
= 1,33
,25
2/2
=4
,25
Siguiendo para varios valores, se construye la curva + en figura 9.11. Si se cambia dt = 0,5 se construye
la curva o.
Observaci
on 14 N
otese que las estimaciones para m (t) difieren de manera importante. Para definir un
valor aceptable se debe buscar la convergencia de las curvas entre 2 valores dt de prueba. Si la convergencia
a
un no se logra se sigue bajando el valor. En el ejemplo anterior se podra evaluar con dt = 0,125
9.12.
9.13.
Comentarios finales
Hemos presentado varios de los conceptos asociados al analsis de confiabilidad. En los proximos
captulos continuaremos viendo metodologias para estimar los parametros que caractericen la ocurrencia
de las fallas en el tiempo; tambien haremos un estudio respecto de otras variables que afectan la confiabilidad; entre ellas: las condiciones de operacion; las condiciones ambientales; la ocurrencia de eventos
puntuales.
146
9.14.
A explorar
Jacquelin [8] presenta un algoritmo para calcular los valores de la tabla de la mediana.
Bibliografa
[1] C.R. Sundararajan. Guide to Reliability Engineering. Van Nostrand Reinhold, 1991.
[2] Baldin, A., Furlanetto, L., Roversi, A., Turco, F., Manual de Mantenimiento de Instalaciones Industriales, Editorial Gustavo Gili, S.A., Barcelona, 1982.
[3] P. Lyonnet. Maintenance Planning, Methods and Mathematics. Chapman & Hall, 1991. [bajar]
[4] Kaffel, H., La maintenance distribuee: concept, evaluation et mise en oeuvre, Ph.D. Thesis, Universite
Laval, Quebec, Canada, 2001. [bajar]
[5] Labib, A.W., World-class maintenance using a computerised maintenance management system, Journal of Quality in Maintenance Engineering, 4(1), 66-75, 1998. [bajar]
[6] Box, J.F., R.A. Fisher: The Life of a Scientist, Wiley, New York, 1978.
[7] Kelly, A., Maintenance Strategy, Cap. 5, Butterworth-Heinemann, 1997.
[8] Jacquelin, J., A Reliable Algorithm for the Exact Median Rank Function, IEEE Transactions on
Electrical Insulation 28(2), 1993.
147
148
Captulo 10
Distribuciones estadsticas
Quiz
a la nube sea
no menos vana
que el hombre que la mira en la ma
nana
Jorge Luis Borges
10.1.
Introducci
on
En este captulo presentamos brevemente varios tipos de distribucion utilizados en analisis de confiabilidad. Si usted esta familiarizado con conceptos tales como densidad de probabilidad, probabilidad
acumulada o valor esperado puede pasar al captulo siguiente.
Las distribuciones se pueden clasificar seg
un describan eventos discretos (n
umero de fallas..) o continuos (medidas de cantidades fsicas tales como las masa, ...)
10.2.
Distribuci
on de Poisson
mk
k!
k
X
j=0
em
mj
j!
20
= 0,135
0!
150
10.2.1.
Teorema de Palm
Uno de los pilares de la teora de inventarios de repuestos reparables es el teorema de colas de Palm
[?]. Su importancia deriva de su utilidad para estimar la distribucion de probabilidad estacionaria del
numero de unidades en reparaci
on a partir de la distribucion del proceso de demandas y de la distribucion
del tiempo para reparar.
Teorema 7 Si la demanda de un item sigue un proceso de Poisson con par
ametro 1/ut y el tiempo
para reparar es i.i.d. con un distribuci
on con valor esperado M T T R ut, entonces el numero de unidades
en reparaci
on en estado estacionario sigue un proceso de Poisson con media T .
Lo que es conocido como la hip
otesis de infinitos canales de servicio, dado que no se generan colas o
interacciones entre las reparaciones de los items. El teorema es muy u
til pues evita el tener que medir la
distribucion de los T T R: un buen ahorro de esfuerzo para el planificador.
10.3.
Distribuci
on geom
etrica
La distribuci
on geometrica, tal como la de Poisson, es discreta y existe solo para valores enteros no negativos. Es u
til para modelar el numero de ensayos exitosos consecutivos al realizar ensayos independientes
de un sistema.
f (x) = pq x
x entero, no negativo
q = 1p
y
F (x) =
x
X
pq i
i=0
q
p
p corresponde a la probabilidad de exito en un ensayo.
E(x) =
0,03
25
X
= 1
0,03 0,97i
i=0
= 0,453
10.4.
Distribuci
on Gaussiana
1
f (t) = (t) = e
2
(t)2
2 2
x
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
0
0,50000
0,53983
0,57926
0,61791
0,65542
0,69146
0,72575
0,75804
0,78814
0,81594
0,84134
0,86433
0,88493
0,90320
0,91924
0,93319
0,94520
0,95543
0,96407
0,97128
0,01
0,50399
0,54380
0,58317
0,62172
0,65910
0,69497
0,72907
0,76115
0,79103
0,81859
0,84375
0,86650
0,88686
0,90490
0,92073
0,93448
0,94630
0,95637
0,96485
0,97193
0,02
0,50798
0,54776
0,58706
0,62552
0,66276
0,69847
0,73237
0,76424
0,79389
0,82121
0,84614
0,86864
0,88877
0,90658
0,92220
0,93574
0,94738
0,95728
0,96562
0,97257
0,03
0,51197
0,55172
0,59095
0,62930
0,66640
0,70194
0,73565
0,76730
0,79673
0,82381
0,84849
0,87076
0,89065
0,90824
0,92364
0,93699
0,94845
0,95818
0,96638
0,97320
0,04
0,51595
0,55567
0,59483
0,63307
0,67003
0,70540
0,73891
0,77035
0,79955
0,82639
0,85083
0,87286
0,89251
0,90988
0,92507
0,93822
0,94950
0,95907
0,96712
0,97381
0,05
0,51994
0,55962
0,59871
0,63683
0,67364
0,70884
0,74215
0,77337
0,80234
0,82894
0,85314
0,87493
0,89435
0,91149
0,92647
0,93943
0,95053
0,95994
0,96784
0,97441
0,06
0,52392
0,56356
0,60257
0,64058
0,67724
0,71226
0,74537
0,77637
0,80511
0,83147
0,85543
0,87698
0,89617
0,91308
0,92785
0,94062
0,95154
0,96080
0,96856
0,97500
151
0,07
0,52790
0,56749
0,60642
0,64431
0,68082
0,71566
0,74857
0,77935
0,80785
0,83398
0,85769
0,87900
0,89796
0,91466
0,92922
0,94179
0,95254
0,96164
0,96926
0,97558
0,08
0,53188
0,57142
0,61026
0,64803
0,68439
0,71904
0,75175
0,78230
0,81057
0,83646
0,85993
0,88100
0,89973
0,91621
0,93056
0,94295
0,95352
0,96246
0,96995
0,97615
0,09
0,53586
0,57535
0,61409
0,65173
0,68793
0,72240
0,75490
0,78524
0,81327
0,83891
0,86214
0,88298
0,90147
0,91774
0,93189
0,94408
0,95449
0,96327
0,97062
0,97670
La tasa de fallas (t) no puede ser escrita en forma explicita para la distribucion normal, pero puede
ser evaluada numericamente con:
f (t)
(t)
(t) =
=
R(t)
1 (t)
152
=0
9
=0.5
=1.0
(t)
0
-3
-2.5
-2
-1.5
-1
-0.5
0.5
1.5
4
1
1 + 0,196854t + 0,115194t2 + 0,000344t3 + 0,019527t4
2
10.5.
Distribuci
on exponencial
t0
f (t)dt = 1 et
153
R(t)
R0
(t)
Tp
Tiempo
Figura 10.3: Tasa de fallas cuasi-constante
Lo anterior se expresa en jerga estadstica diciendo que el equipo no tiene memoria; vale decir, su
comportamiento es independiente de su historia anterior.
En general, cuando un elemento cumple una cierta edad, la tasa de fallas empieza a crecer rapidamente
(desgaste). Para evitar lo anterior (el incremento de costo de fallas), se deben acrecentar los esfuerzos
en mantenimiento preventivo, disminuyendo los plazos entre intervenciones preventivas y/o inspecciones.
Para ver el efecto de tales medidas, veamos como son afectadas las curvas de tasas de falla y confiabilidad.
En figura 10.3, se observa como un mantenimiento programado con un intervalo Tp (de modo que la
confiabilidad se mantenga sobre un nivel basal R0 ) logra mantener la tasa de fallas constante durante un
largo periodo de tiempo. Luego, la distribucion exponencial se adapta bien para este sistema, para estas
condiciones de mantencion.
Consideremos a continuaci
on la situacion mostrada en figura 10.4. En este caso la tasa de fallas oscila
entre los valores 1 y 2 . Como una primera aproximacion y a fin de simplificar los calculos, podemos
considerar el valor promedio para los calculos de confiabilidad:
m =
1 + 2
2
Otro caso en el que se puede considerar una tasa de fallas constante considera un sistema complejo con
varios componentes y modos de fallas asociados. Si los componentes poseen tasas de fallas constante, la
tasa de fallas compuesta del equipo tambien sera constante. Ello tambien puede considerarse as cuando
ellas son variables en el tiempo, como se ilustra en figura 10.5 y seg
un la formula:
X
(t) =
i (t)
i
10.6.
Distribuci
on de Weibull
Esta distribuci
on es usada en estudios de confiabilidad, especialmente de sistemas mecanicos. Tiene
la ventaja de ser muy flexible, y adaptable a una variedad de observaciones experimentales.
1
t
t
f (t) =
e( )
donde
t y 0;
es el par
ametro de forma;
es el par
ametro de escala;
154
2
m
1
(t)
Tp
Tiempo
Figura 10.4: Tasa de fallas creciente
i
2
1
(t)
Tiempo
Figura 10.5: Tasa de fallas compuesta
155
es el par
ametro de localizaci
on.
t
F (t) = 1 e( )
1
E(t) = + 1 +
2
1
2
2
2
= 1+
1+
La funci
on Gamma est
a definida por
Z
(t) =
y t1 ey dy
10.7.
Comentarios finales
Existe una variedad de posibles distribuciones a ser utilizadas en analisis de confiabilidad. Las de uso
mas frecuente son: Weibull, exponencial, normal.
156
Bibliografa
[1] P. Lyonnet., Maintenance Planning, Methods and Mathematics. Chapman & Hall, 1991.
[2] M. Zelen and N.C. Severo, Probability functions, in: Handbook of Mathematical Functions, eds. M.
Abramowitz and I.A. Stegun, Applied Mathematics Series 55, U.S. Department of Commerce, 925
995, 1964.
157
158
Captulo 11
Modelos b
asicos de confiabilidad
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Estimar los par
ametros de las distribuciones Weibull, exponencial, normal cuando no hay censuras.
Calcular la confiabilidad, la tasa de fallas, el tiempo medio entre fallas cuando no hay censuras.
Realizar tests de confianza para validar los modelos propuestos.
Calcular la vida residual esperada
11.1.
Introducci
on
Las m
aquinas y sus componentes fallan inevitablemente en alg
un momento. Uno de los desafos importantes de la ingeniera de la confiabilidad es predecir cuando ocurrira la falla. Para ello, aprovechamos
los datos hist
oricos del mismo equipo o de otros equipos similares, operando en circunstancias similares.
Aunque algunas fallas de componentes pueden ser bien modeladas por la distribucion normal, ella
es muy restrictiva para la mayora de las circunstancias que aparecen en la gestion de activos fsicos.
Por ejemplo, la distribuci
on Normal es simetrica respecto de la media y los tiempos de falla en general
muestran una distribuci
on no simetrica. Lo u
ltimo es facilmente representado en una distribucion de
Weibull.
La figura (11.1) representa la tasa de falla a medida que el equipo envejece en funcion del parametro
de la distribuci
on de Weibull. Si es mayor que 1, la tasa de fallas se incrementa en el tiempo y se
debe identificar en que punto es economicamente conveniente el reemplazo. Para hacer eso, se combina
la curva de confiabilidad (figura 11.2) con los costos asociados a reemplazo y reparacion.
Es importante observar que en los modelos de confiabilidad que se presentan a continuacion se considera que tras cada falla (con su reparacion o reemplazo correspondiente) o tras cada intervencion
preventiva, el componente vuelve a tener maxima confiabilidad y se considera como nuevo. Luego, la
edad del equipo (t) vuelve a correr desde 0. Consideramos entonces un proceso de renovaci
on.
En la secci
on 11.4 dedicada al analisis de Weibull consideraremos que se trata de componentes no
reparables o de componentes reparables que reciben una estrategia de mantenimiento correctiva, eso es,
solo son intervenidos cuando fallan. En caso de recibir mantenimiento preventivo, ocurre un proceso
que altera la funci
on confiabilidad y que es conocido en la comunidad de analisis de confiabilidad como
censura, cosa que estudiaremos en el capitulo 12.
11.2.
160
Se establece el n
umero esperado de fallas durante el proximo intervalo para fijar el tama
no de
las cuadrillas;
Se establece un programa
optimo de los repuestos requeridos para las reparaciones pronosticadas,
2. Estimar plazos
optimos entre overhauls para minimizar el costo global esperado;
3. Estimar redundancia
optima de equipos en una lnea con componentes cuello de botella;
4. Corregir plazos entre intervenciones preventivas propuestas por el fabricante en funcion de las
condiciones de operaci
on y mantenci
on locales;
5. Estimar periodos
optimos para reemplazo de equipos;
6. Determinar instantes
optimos para intervenciones preventivas conociendo el valor de los datos de
condicion del equipo.
7. Estimar intervalos entre inspecciones de equipos en operacion o de respaldo.
11.3.
Distribuci
on exponencial
La distribuci
on exponencial se aplica cuando la tasa de fallas es constante y tiene la ventaja de ser
muy simple de aplicar. En la vida real, los componentes electronicos tienen una tasa de falla constante
(t) = , por lo que:
R(t) = e
Rt
0
du
= et
y usando la ecuaci
on del valor esperado:
Z
M T BF =
et dt =
11.4.
Modelo de Weibull
161
=2
1.6
1.4
=3
1.2
0.8
=1
0.6
0.4
=.5
0.2
0
0
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
tie m p o
1
0 .9
0 .8
C o nfia b ilid a d
0 .7
0 .6
0 .5
0 .4
0 .3
0 .2
0 .1
0
0 .5
1
tie m p o
1 .5
162
(
R(t) =
e(
t>
F (t) = 1 R(t)
(
t
1 e( )
=
0
(
f (t) =
1
e(
(11.1)
t>
(11.2)
t>
es el par
ametro de forma (adimensional);
es el parametro de escala o tiempo caracterstico (en unidades de tiempo);
es el parametro de localizaci
on (en unidades de tiempo).
(t) =
=
f (t)
R(t)
(
(11.3)
t
1
0
1
M T BF = + 1 +
El n
umero esperado de fallas en un intervalo T ,
Z T
n(T ) =
(T )dt
0
(
=
t>
(11.4)
(11.5)
(11.6)
T >
(11.7)
Observaci
on 18 Para el caso = 0, = 1 la ley de Weibull se reduce a la ley exponencial con par
ametro
= 1 . Para > 3 la ley converge hacia la distribuci
on normal.
Observaci
on 19 El tiempo caracterstico representa la duraci
on esperado en 63.2 % de los casos.
Observaci
on 20 positivo es la vida asegurada, negativo es el predesgaste del componente.
11.4.1.
Estimaci
on de par
ametros de Weibull
M
etodo Gr
afico, = 0
Para aplicar la ley se deben estimar los 3 parametros. Para ello se utiliza el metodo grafico Allen
Plait. Se utiliza(ba) una hoja especial (papel Weibull) que usa las siguientes escalas
x = ln t
(11.8)
y = ln ln
1
.
1 F (t)
(11.9)
= 0 es equivalente a que el origen del tiempo para la ley es el mismo que el de las observaciones (y
al modelo de Weibull de 2 par
ametros):
1 F (t) = e( )
t
163
1.0
0.5
ln(ln(1/R))
0.0
0.0
1.0
2.0
3.0
4.0
5.0
-0.5
t
t'
-1.0
-1.5
-2.0
-2.5
ln t
1
ln ln
= ln t ln
1 F (t)
y = ax b
h
1
n+1
3. Estimar la funci
on de distribucion con el metodo de rangos de la mediana
peque
na:
i 0,3
F (i) =
n + 0,4
o por el metodo de rangos medios:
i
F (i) =
n+1
si la poblacion es
(11.10)
(11.11)
164
Rango
i
1
2
3
4
5
6
7
8
9
Vida
(h)
205
312
402
495
570
671
801
940
1150
F (i)
%
10
20
30
40
50
60
70
80
90
beta =
1.7918
>> eta=exp(P(2)/(-P(1)))
eta =
715.9655
>>
>>
>>
>>
Y2=polyval(P,X);
plot(X,Y,+,X,Y2)
xlabel(log t)
ylabel(log(log(1/(1-F))))
165
0.5
log(log(1/(1-F)))
-0.5
-1
-1.5
-2
-2.5
5.2
5.4
5.6
5.8
6.2
log t
6.4
6.6
6.8
7.2
Figura 11.4:
=0
1.5
0.5
log(log(1/(1-F)))
-0.5
-1
-1.5
-2
-2.5
-3
7.5
8.5
9.5
10
log t
Figura 11.5: Ajuste de Weibull para = 0, norma del residuo 0.49, = 1,94, = 8499
166
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
V ida
2175
2800
3300
3800
4250
4650
5250
5840
6300
6700
7150
7800
8500
9200
10500
11000
12600
14000
15800
F (i)( %)
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95
0.3
0.28
0.26
0.24
0.22
0.2
0.18
0.16
0.14
0.12
800
900
1000
1100
1200
1300
1400
167
=1280
1.5
0.5
log(log(1/(1-F)))
-0.5
-1
-1.5
-2
-2.5
-3
6.5
7.5
8.5
9.5
10
log t
Figura 11.7: Ajuste de Weibull para = 1280, normal del residuo 0.13, = 1,45, = 7053
el tiempo medio para fallar:
M T T F = 6,89 ut
La hoja excel puede ser bajada [aqu].
11.4.2.
Un estudio para establecer los parametros de Weibull nos permite estimar una expresion de su tasa
de fallas y de su funci
on de confiabilidad. Esta u
ltima permite establecer tiempos entre inspecciones al
fijar niveles basales de confiabilidad. El valor de nos muestra en que parte de la curva de la ba
nera
se encuentra el equipo para un modo de falla dado. Si < 1 puede ser rentable reducir el programa
preventivo. En caso contrario, probablemente es mas rentable crear o aumentar tal programa.
Ejemplo 33 Un estudio de confiabilidad ha entregado la siguiente funci
on;
1
si 0 < t < t0
R=
(tt0 )+1
e
t > t0
donde ,, t0 son constantes y [0, t) es el periodo transcurrido desde la u
ltima intervenci
on. Exprese la
tasa de fallas en funci
on del tiempo. Se reconoce una distribuci
on de Weibull por el termino t1 . Se
tiene:
1
si 0 < t <
R(t) = ( t )
e
t>
(t) =
1
(11.12)
Reconociendo terminos:
t0 =
+1=
1
=
1
+1
Usando (21.14),
(t) =
( + 1) (t t0 )
si 0 < t < t0
t > t0
(11.13)
168
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
500
1000
1500
2000
2500
Edad (um)
11.5.
(11.14)
Aprovechando la identidad[3]:
R(t) = e
Rt
0
( )d
luego,
Z
( )d =
0
e0 e0 +1 t
e0 (1 e1 t )
=
e1
e1
y obtenemos,
t
e0 1e 1
e1
R(t) = e
y aprovechando,
f (t) = (t)R(t)
= e0 +1 t+
t
e0 1e 1
e 1
169
10
10
10
10
-2
10
-4
10
-6
10
-8
10
500
1000
1500
2000
2500
Edad (um)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
500
1000
1500
2000
2500
170
10
10
-5
10
-10
10
500
1000
1500
2000
2500
Edad (um)
Hasta (ut)
5
10
15
20
25
30
35
40
45
50
55
60
65
70
P
% que fallo
8
12
15
15
12
12
7
6
5
3
2
1
1
1
100
% acumulado (F )
8
20
35
50
62
74
81
87
92
95
97
98
99
100
100
80
60
40
Datos
Weibull
20
0
0
20
40
Edad (ut)
60
80
11.6.
171
Modelo de Gompertz-Makeham
R(t) = e
y
f (t) = (t)R(t)
0 T +1 (eT 1)
= 0 + 1 et e
Se ha observado una correlaci
on entre los valores de y 1 :
ln 1 = ln 2 T1
donde
T1 = 95 a
nos
2 = 0,5 1/a
no
para los seres humanos.
Si
= 0,02
0 = 0,003
aplicando (),
1 = 0,075
y
M T T F = 10,6 a
nos
11.7.
Verificaci
on de modelos
Para derivar la ley que describe la confiabilidad de los equipos, tomamos un conjunto de observaciones y proponemos la hip
otesis de que ellas obedecen alguna ley en particular (log-normal, exponencial,
Weibull,..). Luego obtenemos los par
ametros asociados a tal ley.
La calidad del proceso anterior debe ser verificada. Para ello primero aceptamos que al imponer una
ley dada se incurre en alg
un error, pero queremos que el riesgo de que ello ocurra sea menor: definimos
como medida el nivel de confianza , en otras palabras, la probabilidad de que el modelo sea erroneo.
11.7.1.
Test 2
Para usar este test se debe disponer de al menos n = 50 observaciones. Si es el caso se sigue el siguiente
proceso:
1. Se agrupan las observaciones. Debe haber al menos 5 observaciones en cada grupo. Los intervalos
para definir los grupos no son necesariamente de la misma longitud.
172
r
2
X
(ni n pi )
i=1
n pi
donde:
r es el n
umero de grupos
ni es el n
umero de observaciones en el i-esimo grupo
P
n es el n
umero total de observaciones (n = i ni )
pi probabilidad, de acuerdo a la ley, de que una observacion pertenezca al i-esimo grupo
Observaci
on 24 n pi es el n
umero de observaciones exceptuadas del i-esimo grupo, seg
un la ley
propuesta.
E tiene una distribuci
on 2 con grados de libertad:
=rk1
donde:
k = 1 para la ley exponencial,
k = 2 para la ley normal,
k = 3 para la ley de Weibull
Se tiene entonces que:
P E 2,1 = 1
y la hipotesis de que las observaciones siguen la ley propuesta es rechazada si:
E > 2,1
Ejemplo 36 Sup
ongase que para un grupo de equipos similares se han observado los siguientes T BF :Hicimos
i
1
2
3
4
5
6
TBF (horas)
0-500
500-1000
1000-1500
1500-2000
2000-2500
2500-3000
P
ni
7
8
9
10
12
8
54
i
1
2
3
4
5
6
TBF (horas)
0-500
500-1000
1000-1500
1500-2000
2000-2500
2500-3000
ni
7
8
9
10
12
8
n = 54
pi
500
1 e 1600
500
1000
e 1600 e 1600
1500
1000
e 1600 e 1600
1500
2000
e 1600 e 1600
2000
2500
e 1600 e 1600
2500
3000
e 1600 e 1600
173
n pi
14.5
10.8
7.8
5.7
4.2
3.0
n i n pi
-7.5
-2.6
1.2
4.3
7.8
5.0
(ni npi )2
npi
3.9
0.6
0.2
3.2
14.5
8.3
E = 31,0
0,995
0,00004
0,01002
0,07172
0,20698
0,41175
0,67573
0,98925
1,34440
1,73491
2,15585
2,60320
3,07379
3,56504
4,07466
4,60087
5,14216
5,69727
6,26477
6,84392
7,43381
8,03360
8,64268
9,26038
9,88620
10,51965
11,16022
11,80765
12,46128
13,12107
13,78668
0,990
0,00016
0,02010
0,11483
0,29711
0,55430
0,87208
1,23903
1,64651
2,08789
2,55820
3,05350
3,57055
4,10690
4,66042
5,22936
5,81220
6,40774
7,01490
7,63270
8,26037
8,89717
9,54249
10,19569
10,85635
11,52395
12,19818
12,87847
13,56467
14,25641
14,95346
0,975
0,00098
0,05064
0,21579
0,48442
0,83121
1,23734
1,68986
2,17972
2,70039
3,24696
3,81574
4,40378
5,00874
5,62872
6,26212
6,90766
7,56418
8,23074
8,90651
9,59077
10,28291
10,98233
11,68853
12,40115
13,11971
13,84388
14,57337
15,30785
16,04705
16,79076
0,95
0,00393
0,10259
0,35185
0,71072
1,14548
1,63538
2,16735
2,73263
3,32512
3,94030
4,57481
5,22603
5,89186
6,57063
7,26093
7,96164
8,67175
9,39045
10,11701
10,85080
11,59132
12,33801
13,09051
13,84842
14,61140
15,37916
16,15139
16,92788
17,70838
18,49267
0,90
0,01579
0,21072
0,58438
1,06362
1,61031
2,20413
2,83311
3,48954
4,16816
4,86518
5,57779
6,30380
7,04150
7,78954
8,54675
9,31224
10,08518
10,86494
11,65091
12,44260
13,23960
14,04149
14,84795
15,65868
16,47341
17,29188
18,11389
18,93924
19,76774
20,59924
0,80
0,06418
0,44629
1,00517
1,64878
2,34253
3,07009
3,82232
4,59357
5,38006
6,17908
6,98867
7,80733
8,63386
9,46733
10,30696
11,15212
12,00226
12,85695
13,71579
14,57844
15,44461
16,31404
17,18650
18,06180
18,93975
19,82019
20,70298
21,58797
22,47505
23,36411
0,70
0,14847
0,71335
1,42365
2,19470
2,99991
3,82755
4,67133
5,52742
6,39330
7,26722
8,14787
9,03428
9,92568
10,82148
11,72117
12,62435
13,53068
14,43986
15,35166
16,26585
17,18227
18,10072
19,02109
19,94323
20,86704
21,79240
22,71923
23,64746
24,57698
25,50776
0,50
0,45494
1,38629
2,36597
3,35669
4,35146
5,34812
6,34581
7,34412
8,34283
9,34182
10,34100
11,34032
12,33975
13,33927
14,33886
15,33850
16,33818
17,33790
18,33765
19,33743
20,33723
21,33704
22,33688
23,33673
24,33658
25,33646
26,33634
27,33623
28,33613
29,33603
0,30
1,07420
2,40794
3,66487
4,87843
6,06443
7,23113
8,38343
9,52446
10,65637
11,78072
12,89867
14,01110
15,11872
16,22209
17,32169
18,41789
19,51102
20,60135
21,68913
22,77454
23,85779
24,93901
26,01837
27,09596
28,17191
29,24632
30,31929
31,39087
32,46116
33,53024
0,20
1,64238
3,21888
4,64163
5,98862
7,28927
8,55806
9,80325
11,03009
12,24214
13,44196
14,63142
15,81199
16,98479
18,15077
19,31065
20,46507
21,61456
22,75955
23,90042
25,03750
26,17109
27,30145
28,42879
29,55332
30,67520
31,79461
32,91168
34,02657
35,13937
36,25018
0,10
2,70554
4,60518
6,25139
7,77943
9,23635
10,64464
12,01703
13,36156
14,68366
15,98717
17,27501
18,54934
19,81193
21,06414
22,30712
23,54182
24,76903
25,98942
27,20356
28,41197
29,61509
30,81329
32,00689
33,19624
34,38158
35,56316
36,74123
37,91591
39,08748
40,25602
0,05
3,84146
5,99148
7,81472
9,48773
11,07048
12,59158
14,06713
15,50731
16,91896
18,30703
19,67515
21,02606
22,36203
23,68478
24,99580
26,29622
27,58710
28,86932
30,14351
31,41042
32,67056
33,92446
35,17246
36,41503
37,65249
38,88513
40,11327
41,33715
42,55695
43,77295
0,025
5,02390
7,37778
9,34840
11,14326
12,83249
14,44935
16,01277
17,53454
19,02278
20,48320
21,92002
23,33666
24,73558
26,11893
27,48836
28,84532
30,19098
31,52641
32,85234
34,16958
35,47886
36,78068
38,07561
39,36406
40,64650
41,92314
43,19452
44,46079
45,72228
46,97922
0,010
6,63489
9,21035
11,34488
13,27670
15,08632
16,81187
18,47532
20,09016
21,66605
23,20929
24,72502
26,21696
27,68818
29,14116
30,57795
31,99986
33,40872
34,80524
36,19077
37,56627
38,93223
40,28945
41,63833
42,97978
44,31401
45,64164
46,96284
48,27817
49,58783
50,89218
0,005
7,87940
10,59653
12,83807
14,86017
16,74965
18,54751
20,27774
21,95486
23,58927
25,18805
26,75686
28,29966
29,81932
31,31943
32,80149
34,26705
35,71838
37,15639
38,58212
39,99686
41,40094
42,79566
44,18139
45,55836
46,92797
48,28978
49,64504
50,99356
52,33550
53,67187
0,001
10,82736
13,81500
16,26596
18,46623
20,51465
22,45748
24,32130
26,12393
27,87673
29,58789
31,26351
32,90923
34,52737
36,12387
37,69777
39,25178
40,79111
42,31195
43,81936
45,31422
46,79627
48,26762
49,72764
51,17897
52,61874
54,05114
55,47508
56,89176
58,30064
59,70221
11.7.2.
174
El test se basa en comparar la verdadera funcion de distribucion con la dada por la ley propuesta;
aca se usa los valores absolutos de las diferencias entre punto y punto.
Sea F (t) la verdadera distribuci
on y F (t) la distribucion propuesta. La discrepancia para ti es:
Dni = F(t) F (t)
F(t) puede ser estimado por el metodo de las rangos medios
F(t) =
i
n+1
Ejemplo 37 Un equipo tiene los siguientes tiempos entre fallas (en das): 23,16,56,71,4,25,51,30 Se
puede asumir que la poblaci
on sigue una distribuci
on Gaussiana con media 34 y desviaci
on standard 22,
con = 5 %? Para encontrar F(t) se puede normalizar e ir a la tabla de la distribuci
on normalizada, por
ejemplo:
4 34
p(t < 4) = p
= 0,086
22
En Excel =DISTR.NORM.ESTAND((4-34)/22)}Seg
un la tabla
ti
4
16
23
25
30
51
56
71
F (t)
0.086
0.200
0.308
0.345
0.425
0.779
0.841
0.955
F(t)
1
9
2
9
3
9
4
9
5
9
6
9
7
9
8
9
max
Dni
0.025
0.022
0.025
0.099
0.127
0.112
0.063
0.065
0,127
A
1
2
3 N
4
1
5
2
3
6
4
7
5
8
9
6
10
7
11
8
12
9
13
14 10
15
16 11
17 12
18 13
19 14
20 15
21
22 16
23 17
24 18
25 19
26 20
27
28 25
29 30
30 35
31
32 >35
33
34
175
0,20
0,900
0,684
0,565
0,494
0,446
0,15
0,925
0,726
0,597
0,525
0,474
0,10
0,950
0,776
0,642
0,564
0,510
0,05
0,975
0,842
0,708
0,624
0,565
0,01
0,995
0,929
0,828
0,733
0,669
0,410
0,381
0,358
0,339
0,322
0,436
0,405
0,381
0,360
0,342
0,470
0,438
0,411
0,388
0,368
0,521
0,486
0,457
0,432
0,410
0,618
0,577
0,543
0,514
0,490
0,307
0,295
0,284
0,274
0,266
0,326
0,313
0,302
0,292
0,283
0,352
0,338
0,325
0,314
0,304
0,391
0,375
0,361
0,349
0,338
0,468
0,450
0,433
0,418
0,404
0,258
0,250
0,244
0,237
0,231
0,274
0,266
0,259
0,252
0,246
0,295
0,286
0,278
0,272
0,264
0,328
0,318
0,309
0,301
0,294
0,392
0,381
0,371
0,363
0,356
0,21
0,19
1,18
0,22
0,20
0,19
0,24
0,22
0,21
0,27
0,24
0,23
0,32
0,29
0,27
1,07
1,14
1,22
1,36
1,63
1 .4
1 .2
1
0 .8
0 .6
0 .4
0 .2
0
-0.2
-0.4
10
20
30
40
tie m p o
50
60
70
i
1
2
3
4
5
6
7
TBF(hrs)
24.5
35.5
38.5
39.5
42.5
57.5
62.5
80
176
ti
Fhip
205
312
402
495
570
671
801
940
1150
Fre a l
0.10
0.20
0.30
0.40
0.49
0.59
0.71
0.80
0.90
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
Di
Abs(Di)
0.001
0.002
-0.001
0.003
-0.014
-0.011
0.005
0.004
0.003
max
0.001
0.002
0.001
0.003
0.014
0.011
0.005
0.004
0.003
0.014
TBF(hrs)
24.5
35.5
38.5
39.5
42.5
57.5
62.5
F
1
8
2
8
3
8
4
8
5
8
6
8
7
8
F=0,0232
1 e0,023224,5
1 e0,023235,5 =
1 e0,023238,5
1 e0,023239,5
1 e0,023242,5
1 e0,023257,5
1 e0,023262,5
Dn
0,31
0,31
0,21
-0.10
0.00
0.01
0.11
0.31
2.
Calcule el MTBF
3.
4.
Establezca plazos entre mantenciones preventivas para asegurar una confiabilidad de al menos 95 %.
Soluci
on 9 El listing Matlab para la m
aquina 1 se muestra a continuaci
on:
Tiempo entre
fallas (h)
400
140
300
220
440
530
620
710
850
1200
1000
177
Indice de
la falla
1
2
3
4
5
6
7
8
9
10
11
Indice de
la falla
1
2
3
4
5
>>t=sort([400 140 300 220 440 530 620 710 850 1200 1000])
>>F=[1:length(t)]/(length(t)+1)
>>X=log(t);
>>Y=log(log(1./(1-F)));
>>P=polyfit(X,Y,1);
>>beta=P(1)
>>eta=exp(P(2)/(-P(1)))
>>Y2=polyval(P,X);
>>plot(X,Y,+,X,Y2)
>>xlabel(log t)
>>ylabel(log(log(1/(1-F))))
>>MTBF=eta*gamma(1+1/beta)
lo que arroja los siguientes valores:
M T BF
max
= 1,54
= 677
= 609
= 0,0254
M T BF
max
= 1,86
= 544
= 483
= 0,069
178
0.5
log(log(1/(1F)))
0.5
1.5
2.5
4.5
5.5
6
log t
6.5
7.5
0.5
log(log(1/(1F)))
0.5
1.5
2
5.4
5.6
5.8
6.2
6.4
log t
6.6
6.8
Indice
1
2
3
4
5
6
7
TBF
24h
35
38
39
42
57
62
F
1/8
2/8
3/8
4/8
5/8
6/8
7/8
F
24
1 e 42
35
1 e 42
38
1 e 42
39
1 e 42
42
1 e 42
57
1 e 42
62
1 e 42
= 0,435
= 0,566
= 0,596
= 0,605
= 0,632
= 0,743
= 0,771
179
kF Fk
0,310
0,316
0,224
0,105
0,007
0,007
0,103
2.
Calcule el MTTR.
3.
F (t) = 1 e 42
Puede aceptarse con un nivel de confianza de 95 %? Eval
ue el test que considere mas conveniente y
establezca conclusiones.
Debido al bajo n
umero de muestras, se decide realizar un test KS. El valor maximo de kF Fk es
0.316. Al chequear en la tabla KS para n = 7, = 0,05 es
D7,0,05 = 0,486
por tanto se acepta la hip
otesis.
180
11.8.
11.8.1.
Modelo normal
Para la distribuci
on normal,
Fi =
ti
= (zi )
la funcion inversa puede ser escrita como:
zi = 1 (Fi )
1
= ti
o sea zi es lineal en t. Al graficar los pares (ti ,zi ) se debe observar una recta. Las estimaciones para los
parametros se obtienen de la mejor recta
y = ax + b
con
y i = zi
xi = ti
seg
un mnimos cuadrados, y
1
b
= a
a
=
b
Ejemplo 43 Se registraron los siguientes TTF para un conjunto de rodamientos: 68.0, 75.5 83.0, 80.3,
87.7, 77.6, 71.1, 81.9, 87.4, 69.6, 78.0, 77.8, 88.4, 78.2, 71.4, 80.2, 85.6, 98.3, 74.3, 74.6. Estime los
par
ametros de la distribuci
on a partir del metodo gr
afico. Compare resultados con el metodo de muestreo
usualmente usado.
El grafico (11.19) muestra los resultados. En este caso:
a = 9,815
b = 0,124
luego,
1
= 8,09
0,124
= 8,09 (9,815) = 79,44
= 7,48
= 8,09 (9,815) = 79,45
A
B
C
D
1
t_i
F_i
z_i
2 i
1 68,0
0,034 -1,821
3
2 69,6
0,083 -1,383
4
3 71,1
0,132 -1,115
5
4 71,4
0,181 -0,910
6
5 74,3
0,230 -0,738
7
6 74,6
0,279 -0,585
8
7 75,5
0,328 -0,444
9
8 77,6
0,377 -0,312
10
9 77,8
0,426 -0,185
11
10 78,0
0,475 -0,061
12
11 78,2
0,525
0,061
13
12 80,2
0,574
0,185
14
13 80,3
0,623
0,312
15
14 81,9
0,672
0,444
16
15 83,0
0,721
0,585
17
16 85,6
0,770
0,738
18
17 87,4
0,819
0,910
19
18 87,7
0,868
1,115
20
19 88,4
0,917
1,383
21
20 98,3
0,966
1,821
22
181
2,00
y = 0,1239x - 9,8427
R2 = 0,9572
1,50
1,00
z_i
0,50
0,00
60,0
-0,50
70,0
80,0
90,0
-1,00
-1,50
-2,00
tiempo (10^2 horas)
1
=1, =.5
=0, =1
=0, =.1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
Tiempo
100,0
182
11.8.2.
Modelo log-normal
La funcion distribuci
on de fallas se describe en ?? es:
2
1 1
1 ln t m
f (t) =
exp
,t0
2
2 t
y
Z
R(t) = 1 F (t) con F (t) =
f (u)du
0
donde m y corresponden a la media y a la desviacion standard del tiempo en que fallan pero luego de
aplicar el logaritmo natural. Haciendo un cambio de variables:
ln t ln t
(11.15)
F (t) =
1 t
=
ln
t
donde (x) es la funci
on de Gauss normalizada.
1
M T BF = exp t + 2
2
1
1
ln ti ln t
luego, si se grafican los pares (ln ti , zi ) se debe observar una recta. Usamos:
xi = ln ti
y i = zi
y ajustamos la mejor recta:
y = ax + b
de la que se obtienen los par
ametros para la distribucion:
1
b
y
t = ea
Ejemplo 44 La vida de un barra de direcci
on de un autom
ovil tiene una distribuci
on log-normal con vida
media e5 horas. La desviaci
on standard en el gr
afico semilogartmico es 1.4. Calcular la confiabilidad a
las 300 horas y el MTBF. De acuerdo a los datos: ln t = 5, = 1,4.
ln 300 5
R(300) = 1
= 1 (0,502) = 0,308
1,4
2
1
M T BF = e(5+ 2 1,4 ) = 395 horas
Ejemplo 45 Los resortes de compresi
on de los amortiguadores de impacto de un vehculo siguen una
distribuci
on log-normal con par
ametros ln t = 7 y = 2. El tiempo se mide en horas de operaci
on.
1.
Cual debe ser el periodo entre reemplazos si se desea una confiabilidad minima de 90 %?
2.
Cual es el M T BF ?
R(t) = 1
ln t 7
2
183
= 0,9
entonces
(x) = 0,1
luego,
x = 1,282
y
ln t 7
= 1,282
2
t = e1,2822+7
= 84,4
para el tiempo medio entre fallas,
1
M T BF = exp 7 + 22
2
= 8103
Ejemplo 46 Se desea verificar que los tiempos de reparaci
on de una bomba siguen una distribuci
on
lognormal. Se registraron 24 reparaciones (minutos). Los datos ordenados y los resultados se muestran
en figura (11.21). Tenemos:
a = 7,60
b = 1,60
luego,
1
= 0,625
b
t = e0,625(7,60) = 115,6 (min)
11.8.3.
Desgaste mec
anico, (t) = at + b
R(t) = e
Rt
0
(at+b)du
y
Z
M T BF =
= e( 2 at
1
e( 2 at
1
+bt)
+bt)
dt
184
D
E
z_i
ln(t_i)
-1,900 3,784
-1,478 3,852
-1,223 3,978
-1,029 4,091
-0,868 4,121
-0,727 4,344
-0,599 4,366
-0,480 4,440
-0,368 4,601
-0,260 4,613
-0,155 4,629
-0,051 4,650
0,051 4,721
0,155 4,805
0,260 4,808
0,368 4,933
0,480 5,019
0,599 5,023
0,727 5,227
0,868 5,364
1,029 5,385
1,223 5,406
1,478 5,439
1,900 6,211
3,00
y = 1,6045x - 7,6087
R2 = 0,9696
2,50
2,00
1,50
1,00
0,50
z
A
B
C
t_i
F(t_i)
1 i
1
44,0 0,029
2
2
47,1 0,070
3
3
53,4 0,111
4
4
59,8 0,152
5
5
61,6 0,193
6
6
77,0 0,234
7
7
78,7 0,275
8
8
84,8 0,316
9
9
99,6 0,357
10
11 10 100,8 0,398
12 11 102,4 0,439
13 12 104,6 0,480
14 13 112,3 0,520
15 14 122,1 0,561
16 15 122,5 0,602
17 16 138,8 0,643
18 17 151,3 0,684
19 18 151,9 0,725
20 19 186,2 0,766
21 20 213,5 0,807
22 21 218,2 0,848
23 22 222,8 0,889
24 23 230,1 0,930
25 24 498,4 0,971
0,00
3,50
-0,50
4,00
4,50
5,00
5,50
6,00
6,50
-1,00
-1,50
-2,00
-2,50
ln(t)
11.8.4.
Si la tasa de fallas durante la infancia y la vejez del equipo pueden ser aproximada por funciones
lineales, y constante durante la madurez (figura 11.22),
para 0 t tb
1 bt +
para tb t tu
(t) =
tb =
t2
e(a+)tb 2
tb
R(t) =
et+a 2
2
c (ttb tu ) +t+a tb
2
e 2
11.9.
para 0 t tb
para tb t tu
para t > tb + tu
185
a+
(t)
0
0
tb
t b + tu
tiempo
f (t + t0 )
f (t + t0 )
1 d
=
R(t + t0 ) =
R t0
R(t0 ) dt
R(t0 )
1 0 f (t)dt
(11.16)
Ahora es posible para el tiempo remanente esperado para fallar (MRL) o vida remanente esperada es:
Z
M RL(t0 ) =
tft0 (t)dt
(11.17)
0
ft0 (t) =
et0
e(t+t0 )
= et
= f (t)
lo que es conocido como la propiedad de falta de memoria de la distribucion exponencial. En este caso:
M RL(t0 ) =
1
ut
1
t
t
e( )
podemos definir,
=
obtenemos:
ft0 (t) =
t+t0
1
t0
e(
e( )
t+t0
186
0.03
Weibull base
exponencial
Weibull condicional
0.025
0.02
0.015
0.01
0.005
20
40
60
80
100
120
140
160
180
200
Tiempo (ut)
Figura 11.23: Funcion de densidad de probabilidad condicional para = 100 con = 1 y 3, t0 = 133,9
0.5
1
2
3
t0
300.0
150.0
132.9
133.9
MTTF
200
100
88.6
133.9
M RL
546.4
100.0
31.2
15.3
t
0
t+t0
1
t0
e(
e( )
t+t0
dt
(11.18)
1
f (t) = e
2
(t)2
2 2
187
luego,
ft0 (t) =
f (t + t0 )
R(t0 )
1 e
2
=
1
(t+t0 )2
2 2
( )2
2 2
1 e
d
2
R t0
Z
M RL(t0 ) =
tft0 (t)dt
(11.20)
=
1
( )2
2 2
1 e
d
2
R t0
1
t e
2
(t+t0 )2
2 2
dt
En Maple:
mu:=100;
sigma:=25;
t0:=150;
f:=1/sigma/sqrt(2*Pi)*exp(-1/2*((t-mu)/sigma)^2);
R0:=1-evalf(int(f,t=-infinity..t0));
f0:=1/sigma/sqrt(2*Pi)*exp(-1/2*((t+t0-mu)/sigma)^2);
MRL=evalf(1/R0*int(t*f0,t=0..infinity));
En cuyo caso,
R0 = ,022
M RL = 9,3 ut
Una componente sigue una distribucion Gompertz-Makeham con parametros:
0 = 0,003
= 0,02
1 = 0,075
Se dispone de un individuo que ha sobrevivido 15 ut. Cual es su esperanza de vida residual?
En este caso,
R(t) = e
0 t+1 (et 1)
y
0 T +1 (eT 1)
f (t) = 0 + 1 et e
luego,
ft0 (t) =
f (t + t0 )
R(t0 )
0 (t+t0 )+1 (e(t+t0 ) 1)
0 + 1 e(t+t0 ) e
e
0 t0 +1 (et0 1)
188
y
Z
M RL(t0 ) =
0 + 1 e(t+t0 ) e
e
0 t0 +1 (et0 1)
dt
En Maple,
restart;
t0:=15;lambda0:=.003;lambda1:=.075;alpha:=0.02;
x:=t*(((lambda0+lambda1*exp(alpha*(t+t0)))...
*exp(-((lambda0*alpha*(t+t0)+lambda1*(exp(alpha*(t+t0))-1))/alpha)))/...
(exp(-((lambda0*alpha*t0+lambda1*(exp(alpha*t0)-1))/alpha))));
MRL:=int(x,t=0..1e4);
Para este caso,
M RL(15) = 8,25ut
11.10.
(11.21)
notese que (11.21) corresponde a una confiabilidad condicional dado que si t (T, 2T ), se sabe que el
sistema ha sido intervenido preventivamente en t = T , regresando a su estado AGAN.
Observaci
on 25 Si sabe que el sistema ha sobrevivido hasta t, se podra mejorar la estimaci
on de la
confiabilidad condicional. NdP.
Siguiendo la misma l
ogica:
Rp (t, T, n) = R(T )n R(t nT ) para nT t (n + 1)T, n = 0, 1, 2, ...
donde Rc (T )n es la probabilidad de sobrevivir tras n intervalos de mantenimiento preventivo.
RT
Z
M T T Fp =
Rp (t)dt =
0
R(t)dt
F (t)
Ejemplo 48 Si,
R(t) = et
y
Rp (t) = et e(tnT )
= et
= R(t)
lo que nos muestra el nulo efecto de realizar mantenimiento preventivo si la distribuci
on es exponencial.
189
Confiabilidad
0.8
0.6
0.4
0.2
Sin MP
MP (solo ciclo actual)
MP (ciclos acumulados)
10
20
30
40
50
60
70
80
90
100
tnT
) para nT t (n + 1)T
Tomemos el caso,
=2
= 100 ut
T = 20 ut
La figura (11.24) muestra las curvas de confiabilidad asociadas. Al no realizar mantenimiento preventivo la
confiabilidad alcanza un 90 % a los 32.5 ut. Al hacer mantenimiento preventivo cada 20 ut, la confiabilidad
alcanza 55.9 dias. El resultado es una extension de 32 % en la vida del componente. La figura 11.25
muestra el caso cuando < 1. El hacer mantenimiento preventivo esta introduciendo nuevos modos de
falla (por ejemplo, defectos de manufactura, partes defectuosas).
Ejemplo 50 Se dispone de un sistema no reparable con par
ametros Weibull:
= 1,7
= 137 dias de operaci
on
La planta opera 7/7. Estime un intervalo entre preventivas que asegure un 90 % de confiabilidad en los
pr
oximos 3 meses. El ultimo componente fue instalado hoy.
La figura 11.26 muestra el resultado cuando T = 10 ut. Ello implica 9 reemplazos en los pr
oximas 90
ut.
11.10.1.
Optimizaci
on de intervalos de renovaci
on
190
Confiabilidad
0.8
0.6
0.4
0.2
Sin MP
MP (solo ciclo actual)
MP (ciclos acumulados)
10
20
30
40
50
60
70
80
90
100
Confiabilidad
0.8
0.6
0.4
Sin MP
MP (solo ciclo actual)
MP (ciclos acumulados)
0.2
10
20
30
40
50
60
70
80
90
Figura 11.26: Confiabilidad bajo un programa preventivo, = 1,7, = 137, Rmin = 0,9, T = 10.
191
para overhaul (y el LRU queda como nuevo). En caso de no fallar, el LRU es reemplazado por uno como
nuevo cada TR ut. TR es un m
ultiplo entero del lcm(k)2 :
TR = kR lcm(k)
Por regulaci
on la confiabilidad del LRU entre overhauls debe cumplir:
RLRU (t) RLRUmn
La confiabilidad del i-esimo SRU tras ni ciclos sin falla:
Rip (t, ki T, ni ) = Ri (ki T )ni Ri (t ni ki T ) para ni ki T t (ni + 1)ki T, ni = 0, 1, 2, ...
donde Ri (t) corresponde a la confiabilidad del i-esimo SRU cuando su edad es t ut. y la confiabilidad del
LRU,
RLRU (t) =
I
Y
Rip (t, ki T, ni )
i=1
y evaluado en t = TR ,
ni =
TR
kR lcm(k)
=
ki T
ki
con
k = {k1 , ..., kI }
RLRU (TR ) =
I
Y
Ri (ki T )ni
(11.22)
i=1
=2
= 100 ut
=3
= 180 ut
192
0.9
0.8
0.7
k2
0.6
0.5
0.4
0.3
0.2
0.1
k1
11.10.2.
Ejemplo
t
t+1
la confiabilidad est
a dada entonces por:
Rt
R(t) = e
(t)dt
= (t + 1)et
el tiempo medio entre fallas,
Z
M T BF =
R(t)dt
0
=2
la confiabilidad condicional:
(t0 + t + 1)e(t0 +t)
(t + 1)et
t0 + t + 1 t
=
e
t+1
Rt0 (t) =
193
1200
5
1000
4
k2
800
3
600
400
200
1
k1
M RL(t0 ) =
Rt0 (t)dt
0
=1+
11.10.3.
1
t0 + 1
Modelo de Dhillon
1
1
kAt 2 + (1 k)bebt
2
cuya funci
on confiabilidad es:
1
2
R(t) = ekAt
11.10.4.
(1k)b(ebt 1)
Bas
andonos en los filtros pasabajos, low pass pi network filter (ver figura 11.30) que tiene factores de
atenuaci
on en funcion de la frecuencia de acuerdo a:
2n
A
=1+
A0
0
donde n es el numero de elementos del filtro y 0 es la frecuencia de corte del filtro. La figura (11.31)
muestra el factor de atenuaci
on para:
0 = 2
n=4
194
0.9
0.8
0.7
(t)
0.6
0.5
0.4
0.3
0.2
0.1
0
10
tiempo
10
A0/A
0.5
1.5
2.5
195
y que muestra claramente los efectos del filtro. Aplicando la misma idea a la tasa de fallas, proponemos
el modelo de 3 par
ametros:
"
1 #
t
(t) = 0 1 +
(11.23)
T1
Notemos que si:
t T1
se tiene que:
(t) 0
Integrando, el numero esperado de fallas en el intervalo [0, t] es:
0
N (t) =
t + T1
t
T1
!
La confiabilidad:
R(t) = e
Rt
0
( )d
0 t+T1 Tt
1
=e
La funci
on densidad de probabilidad:
f (t) = (t)R(t)
"
1 # 0
t+T1 Tt
t
1
= 0 1 +
e
T1
Z
M T BF =
R(t)dt
0
t+T1 Tt
1
dt
196
3.4
3.3
3.2
3.1
2.9
2.8
0.5
1.5
2.5
3.5
4.5
tiempo (ut)
2.5
f(t)
1.5
0.5
0.5
1.5
2.5
3.5
4.5
tiempo (ut)
Equipo
1
2
3
4
5
total fallas
Horas de seguimiento
Stand-by
Operacin
2800
400
300
2500
2700
700
2500
800
0
3100
7
12
197
198
A
B
C D
E
F
G
H
I
J
Control 2 me57a 2003-I
modelo 1
no considera m. preventivas
datos
n=6
t_i (dias)
TBF
TBF
180
i ordenado
F_i
X=log(t_i) Y=ln(ln(1/(1-F_i))
1190
1010
1
340
0,14
5,83
-1,87
beta
1710
520
2
500
0,29
6,21
-1,09
eta
2050
340
3
520
0,43
6,25
-0,58
2790
740
4
670
0,57
6,51
-0,17
3290
500
5
740
0,71
6,61
0,23
3960
670
6
1010
0,86
6,92
0,67
1,00
0,50
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
0,00
-0,505,50
2,41
721,20
y = 2,4099x - 15,864
2
R = 0,9675
6,00
6,50
7,00
-1,00
-1,50
-2,00
-2,50
X
A
B
C
D E
F
G
H
I
J
K
1 Modelo 2 considera MP
2
M. preventiva T(mp,falla)
3 datos
TTF
F_i
X
Y
4 t_i (dias) t_i
0
i ordenado
5
180
600
180
1
180 0,14 5,19 -1,87
6
1190
1200
590
2
250 0,29 5,52 -1,09
7
1710
1800
510
3
290 0,43 5,67 -0,58
beta
8
2050
2400
250
4
390 0,57 5,97 -0,17
eta
9
2790
3000
390
5
510 0,71 6,23 0,23
10
3290
3600
290
6
590 0,86 6,38 0,67
11
3960
12
13
1,00
14
y = 2,025x - 12,27
15
0,50
R2 = 0,9824
16
0,00
17
5,00
5,50
6,00
6,50
-0,50
18
19
-1,00
20
-1,50
21
-2,00
22
23
24
199
2,02
434,53
11.11.
Comentarios finales
Hemos visto una serie de distribuciones parametricas para la estimacion de la confiabilidad. En particular nos hemos concentrado sobre la distribucion de Weibull. As mismo hemos visto como estimar los
parametros de la distribuciones asumidas y como verificar su validez con los test 2 y de KolmogorovSmirnov. El uso de las distribuciones vistas para la minimizacion del costo global de mantenimiento y la
maximizaci
on de la disponibilidad sera visto en los proximos captulos.
Se han usado varios criterios para seleccionar la distribucion que mejor se ajusta al historial. Por
ejemplo, aquella que tenga el menor error cuadratico o el menor valor chi cuadrado puede ser seleccionada.
11.12.
A explorar
Lawless [246] incluye un capitulo sobre tests de confianza para procesos no homogeneos de Poisson
con datos censurados. Wu et al. [5, 6] discuten metodos de estimacion alternativos a los vistos aqu para
la distribuci
on Weibull. Utilizan tecnicas de simulacion de Monte Carlo.
200
2,30
4,50
5,19
5,35
5,52
5,67
5,74
5,86
5,89
5,97
6,04
6,23
6,38
-2,60
-1,87
-1,42
-1,09
-0,82
-0,58
-0,37
-0,17
0,03
0,23
0,43
0,67
0,97
gamma
beta
eta
0,00
coef. Corr
0,89
6,00
A
B
C
D
E
F
G
considera MP perfecta, MC perfecta
1 Modelo
2
M. preventiva Eventos
3 datos
t_i
t_i
TBE
TBE
F_i
4 t_i (dias)
i
ordenado
5
180
0
0
180 1
10,0 0,07
6
1190
600
180
420 2
90,0 0,14
7
1710
1200
600
590 3
180,0 0,21
8
2050
1800
1190
10 4
210,0 0,29
9
2790
2400
1200
510 5
250,0 0,36
10
3290
3000
1710
90 6
290,0 0,43
11
3960
3600
1800
250 7
310,0 0,50
12
2050
350 8
350,0 0,57
13
2400
390 9
360,0 0,64
14
2790
210 10
390,0 0,71
15
3000
290 11
420,0 0,79
16
3290
310 12
510,0 0,86
17
3600
360 13
590,0 0,93
18
3960
19
20
21
1,50
22
1,00
y = 0,875x - 5,2613
23
0,50
R2 = 0,7979
0,00
24
3,00
4,00
5,00
-0,502,00
25
-1,00
26
-1,50
27
-2,00
28
-2,50
29
-3,00
30
-3,50
31
X
32
33
Figura 11.37: Modelo III, considera intervenciones preventivas y correctivas perfectas ( = 0 horas
201
4,43
5,10
5,54
5,65
5,52
5,90
5,95
6,05
5,89
6,14
6,20
6,37
6,50
-2,60
-1,87
-1,42
-1,09
-0,82
-0,58
-0,37
-0,17
0,03
0,23
0,43
0,67
0,97
gamma
beta
eta
coef. Corr
-74,25
1,80
431,67
0,97
6,40
A
B
C
D
E
F
G
considera MP perfecta, MC perfecta
1 Modelo
2
M. preventiva Eventos
3 datos
t_i
t_i
TBE
TBE
F_i
4 t_i (dias)
i
ordenado
5
180
0
0
180 1
84,2 0,07
6
1190
600
180
420 2
164,2 0,14
7
1710
1200
600
590 3
254,2 0,21
8
2050
1800
1190
10 4
284,2 0,29
9
2790
2400
1200
510 5
250,0 0,36
10
3290
3000
1710
90 6
364,2 0,43
11
3960
3600
1800
250 7
384,2 0,50
12
2050
350 8
424,2 0,57
13
2400
390 9
360,0 0,64
14
2790
210 10
464,2 0,71
15
3000
290 11
494,2 0,79
16
3290
310 12
584,2 0,86
17
3600
360 13
664,2 0,93
18
3960
19
20
21
1,50
y = 1,8038x - 10,947
22
1,00
R2 = 0,9354
23
0,50
0,00
24
4,90
5,40
5,90
-0,504,40
25
-1,00
26
-1,50
27
-2,00
28
-2,50
29
-3,00
30
-3,50
31
X
32
33
Figura 11.38: Modelo III, considera intervenciones preventivas y correctivas perfectas ( = 74 horas
0.9
0.8
Confiabilidad
0.7
0.6
0.5
0.4
0.3
0.2
0.1
500
1000
1500
2000
2500
3000
3500
4000
tiempo (horas)
202
0.9
0.8
Confiabilidad
0.7
0.6
0.5
0.4
0.3
0.2
0.1
500
1000
1500
2000
2500
3000
3500
4000
tiempo (horas)
1
0.9
0.8
Confiabilidad
0.7
III
0.6
0.5
0.4
0.3
II
0.2
I
0.1
0
500
1000
1500
2000
2500
3000
3500
4000
tiempo (horas)
-3
x 10
I
II
III
100
200
300
400
500
600
700
800
900
tiempo (horas)
1000
Bibliografa
[1] Ebeling, C.E., An Introduction to Reliability and Maintainability Engineering, Ch. 15, McGraw-Hill,
1997.
[2] P. Lyonnet., Maintenance Planning, Methods and Mathematics. Chapman & Hall, 1991. [bajar]
[3] C.R. Sundararajan.Guide to Reliability Engineering. Van Nostrand Reinhold, 1991.
[4] Andersen, T.M., Rasmussen, M., Decision support Decision support in a condition based environment
Journal of Quality in Maintenance Engineering, 5(2), 89-101, 1999. [bajar]
[5] D. Wu, G. Lu, Improved Estimation of Weibull Parameters with the Linear Regression Method, Journal
of the American Ceramic Society, 87(9), 1799-1802, 2004.
[6] D. Wu, J. Zhou, Y. Li, Unbiased estimation of Weibull parameters with the linear regression method,
Journal of the European Ceramic Society, 26, 10991105, 2006.
[7] A. Benard and E.C. Bos-Levenbach, The plotting of observations on probability paper, Report SP 30
of the Statistical Department of the Mathematics Centrum, Amsterdam, 1953.
[8] Benard, A and Bos-Levenbach, E. C., Het uitzetten van waarnemingen op waarschijnlijkdeids-papier
(The Plotting of Observations on Probability Paper), Statististica Neerlandica, 7, 163-173, 1953.
[9] L.A. Gavrilov, N.S. Gavrilova, The Reliability Theory of Aging and Longevity, J. theor. Biol., 213,
527-545, 2001.
[10] Gompertz, B., On the nature of the function expressive of the law of human mortality and on a new
mode of determining life contingencies Philos. Trans. Roy. Soc. London A 115, 513585, 1825.
[11] Makeham, W. M., On the law of mortality, J. Inst. Actuaries 13, 325-358, 1867.
[12] L.A. Gavrilov, N.S. Gavrilova, Why We Fall Apart. EngineeringS Reliability Theory Explains Human
Aging, IEEE Spectrum, 41(9), 30-35, 2004.
[13] Lawless, J.F., Statistical Models and Methods for Lifetime Data, John Wiley & Sons, New York,
1982.
203
204
Captulo 12
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Reconocer la importancia de considerar el mantenimiento preventivo como un factor imprescindible
en la identificaci
on de par
ametros de confiabilidad
Calcular la confiabilidad a partir de un historial de fallas con censuras
12.1.
Introducci
on
En este capitulo veremos como estimar parametros de modelos de confiabilidad al introducir el concepto de censura en el historial de fallas. Tambien veremos que existen dos enfoques generales para
ajustar distribuciones de confiabilidad a los datos de falla: el primero, y usualmente el preferido, consiste
en ajustar una distribuci
on general (Weibull, normal, lognormal, etc., ver capitulo anterior). El segundo
consiste en obtener, directamente de los datos, una funcion de confiabilidad o una tasa de fallas emprica.
Este segundo enfoque ser
a visto en este captulo.
12.2.
Clasificaci
on de los datos
Los instantes de falla pueden ser representados por los valores t1 , t2 ,...,tn , donde ti representa el
tiempo de falla de la i-esima unidad. Por convencion los datos son ordenados de modo que:
t1 t2 ... tn
Los datos de falla pueden ser clasificados de varias maneras, por ejemplo si se agrupan o no, y si
tienen censura o no. Este u
ltimo concepto es tratado a continuacion.
205
206
Unidad
x
x
x
x
Tiempo
x
x
o
o
Tiempo
207
x
Unidad
o
x
o
x
Tiempo
12.3.
M
etodos no param
etricos
El objetivo de este tipo de metodos es derivar, directamente de los datos de falla, la distribucion de
falla, la funci
on confiabilidad, y la tasa de fallas. Se aplican cuando ninguna distribucion teorica se ajusta
adecuadamente a los datos.
12.3.1.
(12.2)
por tanto,
F (tn ) = 1
y existe una posibilidad nula de que hayan unidades operando para t > tn . Como es poco probable que
alguna muestra incluya el tiempo de supervivencia mas largo, la ecuacion (12.1) tiende a subestimar la
confiabilidad. Adem
as, es razonable esperar que las primeras y las ultimas observaciones, en promedio,
tengan la misma distancia con respecto al 0 % y 100 % de posibilidad, respectivamente (simetra).
Una mejor estimaci
on de F (t) es:
i
F (ti ) =
(12.3)
n+1
luego
i
n+1
n+i1
=
n+1
i) = 1
R(t
(12.4)
Una forma alternativa de estimar la confiabilidad es usar la mediana1 . Ella es preferida a veces pues la
distribuci
on de (12.3) tiene alg
un grado de asimetra para valores de i cercanos a 0 y a n. Las posiciones
1 La
208
1
50,0
1
2
3
4
5
6
7
8
9
10
2
29,2
70,7
3
20,6
50,0
79,3
4
15,9
38,5
61,4
84,0
5
12,9
31,3
50,0
68,6
87,0
6
10,9
26,4
42,1
57,8
73,5
89,0
7
9,4
22,8
36,4
50,0
63,5
77,1
90,5
8
8,3
20,1
32,0
44,0
55,9
67,9
79,8
91,7
9
7,4
17,9
28,6
39,3
50,0
60,6
71,3
82,0
92,5
10
6,6
16,2
25,8
35,5
45,1
54,8
64,4
74,1
83,7
93,3
1
0.9
0.8
0.7
F(i)
0.6
0.5
i/n
i/(n+1)
Mediana
(i-0.3)/(n+0.4)
0.4
0.3
0.2
0.1
0
medianas son funciones tanto de n como de i, y deben ser calculadas numericamente (ver tabla 12.1).
Tambien se puede aproximar por la f
ormula:
i 0,3
F (ti ) =
n + 0,4
(12.5)
Si los tama
nos de muestra son relativamente grandes ambas aproximaciones son muy similares. Las
figuras (12.4) y (12.5) comparan las aproximaciones para F y su desviacion con respecto al metodo de
las medianas, respectivamente, para n = 8.
Una vez obtenida una aproximaci
on para R, se puede estimar la funcion densidad de probabilidad
por
i+1 ) R(t
i)
R(t
f(t) =
ti+1 ti
1
=
(ti+1 ti ) (n + 1)
con
ti t ti+1
y
(12.6)
209
0.1
i/n
i/(n+1)
(i-0.3)/(n+0.4)
0.08
Desv.c/r a mediana
0.06
0.04
0.02
-0.02
-0.04
(t) =
=
f(t)
R(t)
(12.7)
1
(ti+1 ti ) (n + 1 i)
12.3.2.
Se ensayan n unidades hasta que ocurran r fallas. Para datos censurados a la derecha, las estimaciones
de R(t), f (t) y (t) pueden ser calculadas a partir de las ecuaciones (12.4), (12.6) y (12.7). La curva de
confiabilidad estimada est
a truncada a la derecha en el instante en el que termina el test. En este caso,
el ajuste de una distribuci
on te
orica puede proveer una imagen mas completa del proceso de falla al lado
derecho de la distribuci
on.
Para datos multi-censurados, ti representara el instante de una falla y t+
a un instante de
i representar
censura. Se asumir
a que la vida de las unidades censuradas sigue la misma distribucion que aquellas que
no lo han sido. Ambos tipos de instantes son ordenados de menor a mayor en un solo vector de eventos.
12.3.3.
Los instantes de falla que han sido organizados en intervalos de tiempo, son referidos como datos agrupados. Sean n1 , n2 ,...,nk , el n
umero de unidades que operan tras los instantes t1 , t2 ,...,tk , respectivamente.
Una estimaci
on para R(t) es
i ) = ni
R(t
n
donde n es el n
umero de unidades operando al inicio del test. Dada la larga cantidad de datos, es
impractico el uso de los datos considerados individualmente, como vimos antes. Por tanto:
210
i
0
1
2
3
4
5
6
7
t(meses)
0
5
10
15
20
25
30
35
ni ni1
0
3
7
8
9
13
18
12
ni
70
67
60
52
43
30
12
0
R
1.000
0.957
0.857
0.743
0.614
0.429
0.171
0.000
f
0.0086
0.0200
0.0229
0.0257
0.0371
0.0514
0.0343
0.0086
0.0209
0.0267
0.0346
0.0605
0.1200
0.2000
i+1 ) R(t
i)
R(t
f(t) =
ti+1 ti
1
=
(ti+1 ti ) n
y
f(t)
R(t)
ni ni+1
=
(ti+1 ti ) ni
(t) =
para
ti t ti+1
Para estimar el M T T F usamos el punto medio de cada intervalo. Eso es:
_
MTTF =
donde
k1
X
ni ni+1
ti
n
i=0
ti+1 ti
ti =
2
y
t0 = 0
n0 = n
Ejemplo 55 Se observan 70 compresores en intervalos de 5 meses, con el siguiente n
umero de fallas: 3,
7, 8, 9, 13, 18, 12. Estime R(t), f (t) y (t) y determine el MTTF.
Por ejemplo,
70 3
= 0,957
70
67 60
f (t = 5) =
= 0,0200
(10 5)70
67 60
(t = 5) =
= 0,0209
(10 5)67
R(t = 5) =
MTTF =
211
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
15
20
25
30
35
Tiempo (meses)
i
n+1
entonces,
i
n+1
n+1i
=
n+1
R(ti ) = 1
y [7]:
R(ti1 ) =
n+2i
n+1
por lo que
i ) = n + 1 i R(t
i1 )
R(t
n+2i
Si en vez de ocurrir una censura en vez de una falla en ti , la confiabilidad no debe cambiar, luego
+ ) = R(t
i1 )
R(t
i
(12.8)
donde t+
i es el instante en que ocurre una censura. Sea:
1 si hay censura en ti
i =
0 entonces,
n+1i
n+2i
i1 )
= i R(t
i) =
R(t
1i
R(0)
=1
La figura 12.7 muestra el procedimiento.
i1 )
R(t
212
historial de fallas
y censuras
Ordenar por
edades
De i=1 a N
Calcular i
Calcular
Ri(Ri-1)
213
1
Lewis'87
excluyendo censurados
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
1000
2000
3000
4000
5000
6000
7000
ti
1
2
3
4
5
6
7
8
9
10
150
340+
560
800
1130+
1720
2470+
4210+
5230
6890
0
1
0
0
1
0
1
1
0
0
11i
12i
10
11
9
10
8
9
7
8
6
7
5
6
4
5
3
4
2
3
1
2
Ri
10 1
10
11 1 = 11 = 0,9091
0
9
10
10
10
11 = 11 = 0,9091
1
8
10
9 11 = 0,8081
7 1
8 0,8081 = 0,7071
6 0
7 0,7071 = 0,7071
5 1
6 0,7071 = 0,5892
4 0
5 0,5892 = 0,5892
3 0
4 0,5892 = 0,5892
2 1
3 0,5892 = 0,3928
1 0
0,3928 = 0,1964
2
La figura (12.8) muestra la curva de confiabilidad obtenida con el modelo de Lewis y se superpone
una donde se han excluido intensionalmente los puntos censurados. Se observa como efectivamente el no
considerar los datos censurados implica una subestimacion de la confiabilidad.
Modificaci
on a Lewis
Consideremos la aproximaci
on de rangos medianos,
i 0,3
F (ti ) =
n + 0,4
214
i
1
2
3
4
5
6
7
8
9
10
ti
150
340+
560
800
1130+
1720
2470+
4210+
5230
6890
0
1
0
0
1
0
1
1
0
0
10,7i
11,7i
Ri
0,9065
0,9065
0,8023
0,6981
0,6981
0,5757
0,5757
0,5757
0,3625
0,1492
0,9065
0,8969
0,8851
0,8701
0,8507
0,8246
0,7872
0,7297
0,6296
0,4118
n + 0,7 i
n 0,3 i
i1 )
R(t
y considerando la condici
on (41.5),
i) =
R(t
n + 0,7 i
n + 1,7 i
1i
i1 )
R(t
Estimador de Kaplan-Meier
Un metodo popular para obtener una funcion de confiabilidad emprica es el metodo de KaplanMeier, el cual es equivalente a la ecuaci
on (12.1) si los datos estan completos. Sean tj los instantes de
falla (ordenados) y nj el n
umero de unidades operando justo antes de la j-esima falla. Asumiendo que
los instantes de censura no coinciden con los de falla, el metodo propone:
Y
1
R(t) =
1
nj
j:tj t
y
=1
R(t)
para
0 t < t1
El metodo adem
as provee una estimaci
on para la desviacion standard de la confiabilidad estimada:
v
u
X
1
u
std [R(t)] = tR(t)2
(12.9)
nj (nj 1)
j:tj t
Ejemplo 57 Usando los datos del ejemplo (56) y considerando R(ti + 0) como la confiabilidad justo
despues de la iesima falla, estime la confiabilidad con el metodo de Kaplan-Meier. La tabla (12.5)
muestra los valores estimados para la confiabilidad y su desviaci
on standard. La figura (12.9) muestra
una comparaci
on de los valores estimados de R.
215
std R
tj
nj
1 1/nj
i + 0)
R(t
1
2
3
4
5
6
7
8
9
10
150
340+
560
800
1130+
1720
2470+
4210+
5230
6890
10
9/10
R(150) =
8
7
7/8
6/7
0,134
0,155
4/5
0,173
2
1
1/2
0
0,210
9
10 1
= 0,9
0,095
1
Lewis'87
Kaplan-Meier
Rangos ajustados
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
1000
2000
3000
4000
5000
6000
7000
216
M
etodo de los rangos ajustados
Un metodo alternativo para estimar R(t) con datos multi-censurados hace uso de la ecuacion (12.5),
ajustando el orden de la iesima falla, en caso necesario, para tomar en cuenta los instantes de censura
ocurridos antes de la misma. Como la unidad censurada tiene alguna probabilidad de falla antes o despues
de la proxima(s) falla(s), ello influenciar
a el rango de las fallas subsecuentes. Por ejemplo, suponga que se
obtuvieron los siguientes datos: 50, 80+ , 160. Entonces, la primera falla tendra rango i = 1; sin embargo,
la segunda falla podra tener rango i = 2 si la unidad censurada fallase despues de las 160 horas. Por
tanto, la segunda unidad fallada recibir
a un rango entre 2 y 3, siguiendo la formula, que considera todas
las posibles posiciones relativas de la unidad censurada:
i =
(n + 1) iti1
1 + n0
donde
n es el n
umero total de unidades operando;
n0 es el n
umero de unidades despues de la unidad censurada siendo calculada;
iti1 es el rango de la falla ocurrida en el instante i 1.
El incremento de rango es recalculado para la proxima falla que haya tras una censura. Su rango
ajustado es:
iti = iti1 + i
y
= iti 0,3
R(t)
n + 0,4
Ejemplo 58 si aplicamos el metodo al ejemplo (56),
i
1
2
3
4
5
6
7
8
9
10
ti
150
340+
560
800
1130+
1720
2470+
4210+
5230
6890
i
1
111
1+8
= 1,11
iti
i) = 1
R(t
0,933
1 + 1,11 = 2,11
2,11 + 1,11 = 3,22
0,826
0,719
113,22
1+5
= 1,30
0,594
114,52
1+2
= 2,16
0,387
0,179
iti 0,3
n+0,4
217
0
4
y = 1,436x - 9,1898
-2
-3
-4
-5
LN(Edad(dias))
0.01
0.009
0.008
0.007
cgp/Cgf (ut-1)
LN(LN(1/R))
-1
0.006
0.005
0.004
0.003
0.002
0.001
200
400
600
800
1000
1200
1400
1600
1800
2000
Ts (dias)
218
100
90
Fallas acumuladas
80
70
60
50
40
30
20
10
0
0,00
2,00
4,00
6,00
8,00
10,00
12,00
14,00
16,00
18,00
edad(dias)
1
2
3
4
5
6
7
0
0,5
0,5
3
7
25
87,5
160
Suspension?
1
1
0
0
0
0
0
2006-II.
ltimo ao
1
2
3
4
5
219
1,00
LN(LN(1/R))
0,50
0,00
0,00
-0,50
1,00
2,00
3,00
4,00
5,00
y = 0,5243x - 2,1167
(1er ao)
-1,00
y = 1,8126x - 9,4943
(ltimo ao)
-1,50
-2,00
LN(Edad(das))
(das)
1er a
no
0.52
57
Ultimo
a
no
1.81
188
6,00
220
Ejemplo 61 La censura se utiliza cuando se observan los instantes de falla de un sistema contiene 2 o
m
as componentes en serie. Cuando el sistema falla, un componente a
nadir
a un instante de falla para ese
componente y un instante de censura para el resto de componentes. Por ejemplo, se han observado las
siguientes instantes de falla para un sistema con 3 componentes en serie, con 10 equipos operando hasta
fallar: Para estimar la confiabilidad del componente 1, las fallas de los componentes 2 y 3 son tratadas
Componente
que fallo
C1
C2
C1
C1
C3
C2
C1
C1
C3
C1
Equipo
1
2
3
4
5
6
7
8
9
10
Instante de
falla (h)
352
521
177
67
411
125
139
587
211
379
ti
67
125+
139
177
211+
352
379
411+
521+
587
i)
R(t
0,909
0,808
0,707
0,589
0,471
0,235
t
250
780
673
891
190
1020
no fallo
922
432
modo de falla
1
1
2
1
2
1
1
2
12.4.
221
Comentarios finales
Hemos visto una serie de metodos no parametricos para estimar la confiabilidad y la tasa de fallas.
Este tipo de metodos es preferido cuando el ajuste de una distribucion teorica general (Weibull, normal,...)
no es aceptable.
Hemos definido censura de datos de falla y hemos clasificado los datos de falla seg
un esten censurados
por otros modos de falla o por mantenimiento preventivo y en caso de ser un n
umero importante, si estan
agrupados o no. Ello mejora la estimacion de la confiabilidad cuando los registros de falla consideran
varios modos de falla o instantes en los cuales se realizaron tareas preventivas. El analisis se ha concentrado
en componentes no reparables (M T T F ), sin embargo, su extension a componentes reparables es directa.
222
Bibliografa
[1] Ebeling, C.E., An Introduction to Reliability and Maintainability Engineering, Ch. 12, McGraw-Hill,
1997.
[2] Lewis, E.E., Introduction to Reliability Engineering, John Wiley & Sons, New York, 1987.
[3] Sherwin, D., A review of overall models for maintenance management, Journal of Quality in Maintenance Engineering, 6(3), 138-164, 2000. [bajar]
223
224
Captulo 13
Modelos de confiabilidad y
condiciones de operaci
on
Los buenos guerreros hacen que los adversarios vengan a ellos,
y de ning
un modo se dejan atraer fuera de su fortaleza.
Sun Tzu. El Arte de la guerra.
13.1.
Introducci
on
Los captulos anteriores se concentraron en el desarrollo de modelos en los cuales la confiabilidad del
componente o sistema era considerada una funcion exclusiva del tiempo. En muchas aplicaciones otros
factores pueden tambien 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 distribucion de fallas al expresarla como funcion de estas variables.
Ejemplo 62 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.
13.2.
Modelos covariables
Nuestro interes es desarrollar distribuciones de falla que incluyan uno o mas covariables o variables
explicatorias. El enfoque consiste en definir los parametros de la distribucion en funcion de las variables
explicatorias. En general, si es un parametro de la distribucion seleccionada, entonces dejaremos que
= (x)
donde x es el vector de covariables. Un covariable puede ser un voltaje, corriente, temperatura, humedad, u
otras medidas ambientales o de carga. Debe existir alguna correlacion entre los covariables y el parametro,
aunque no es necesario que sea una relacion de causalidad.
13.2.1.
Los modelos que tienen la propiedad de que las tasas de fallas individuales son proporcionales entre
si, y no dependen del tiempo son conocidos como modelos de fallas proporcionales.
Caso exponencial
En este caso, el modelo covariable mas simple esta dado por
(x) =
k
X
i=0
225
ai xi
226
k
Y
ai xi
i=0
(x) =
k
Y
eai xi
i=0
Pk
=e
i=0
ai xi
227
Caso Weibull
En este caso es com
un asumir que solo la vida caracterstica es dependiente de los covariables. Si
tomamos un modelo multiplicativo:
P
(x) = e ai xi
tenemos
R(x, t) = e( (x) )
t
adem
as,
(x, t) =
=
t1
(x)
t1
P
ai xi
k
X
ai xi
i=1
(100) = e23,20,34(100)
= 18, 034 hr
0,6667
Una disminuci
on de (1100/115)100 = 13 % en la carga aumenta la vida del equipo en 18033/333 = 54
veces!
228
13.2.2.
Modelos de localizaci
on-escala
k
X
ai xi
i=0
Caso lognormal
En este caso
R(t) = 1
ln t
Pk
i=0
ai xi
13.3.
ln 5000 10,46
0,73
Modelos est
aticos
En muchas situaciones no es apropiado asumir que la confiabilidad es una funcion del tiempo. Esta
seccion considera una carga aplicada a un sistema durante un perodo relativamente corto de tiempo. Una
falla ocurre si la carga excede la resistencia del sistema. La resistencia del sistema es la maxima carga
que el sistema puede soportar sin fallar. Por tanto, la confiabilidad es vista de una manera estatica (no
dependiente del tiempo).
Ejemplo 67 Trenes de aterrizaje de aeronaves durante un aterrizaje, cohetes durante su lanzamiento,
un edificio soportando un hurac
an.
Los modelos est
aticos manejan el caso cuando una carga instantanea o (cuasi-instantanea) es aplicada
al sistema.
Para cuantificar la carga y la resistencia, definamos una variable aleatoria x que represente la carga
aplicada al sistema. Sea fx (x) la funci
on densidad de probabilidad, e y la variable aleatoria que representa
la capacidad del sistema. fy (y) es su funci
on densidad de probabilidad. La probabilidad de que la carga
no exceda el valor x0 est
a dada por:
Z x0
P (x x0 ) = Fx (x0 ) =
fx (x)dx
(13.1)
0
Estudiamos a continuaci
on varias situaciones posibles.
13.3.1.
229
Si la resistencia del sistema es una constante conocida yk y la carga es una variable aleatoria, entonces
la confiabilidad (est
atica) del sistema puede ser definida como la probabilidad de que la carga no supere
la resistencia. Eso es,
Z
yk
R=
fx (x)dx = Fx (yk )
0
13.3.2.
13.3.3.
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:
R = P (x y)
Z Z y
=
fx (x)dx fy (y)dy
Z0 0
=
Fx (y)fy (y)dy
0
(13.2)
230
y como
R(y) = Fx (y)
se tiene que
Z
R=
R(y)fy (y)dy
(13.3)
fx (x) =
fy (y) =
para 0 x 50
-
0
0,0008y
0
para 0 y 50
-
entonces,
Ry
1
dx
0 50
Fx (y) =
1
y
50
para 0 y 50
-
para 0 y 50
-
Entonces
Z
50
y
0,0008ydy +
50
0
= 0,667
R=
1(0)dy
50
Caso exponencial
En este caso,
fx (x) =
1 x
e x
x
fy (y) =
1 yy
e
y
1
1 + xy
La figura (13.1) muestra la confiabilidad vs la razon xy . Se observa que para obtener valores razonables
se requiere
x
1
y
10
Caso normal
En este caso,
y
x
R = q
x2 + y2
231
1
0.95
0.9
0.85
0.8
0.75
0.7
0.65
0.6
0.55
0.5
0.1
0.2
0.3
0.4
0.5
x/y
0.6
0.7
0.8
0.9
m
ln mxy
R = q
s2x + s2y
Ejemplo 72 Una estructura tiene una capacidad para soportar terremotos que sigue una distribuci
on
lognormal con valor mediano 8.1 en la escala de Richter y par
ametros de forma sy = 0,07. Hist
oricamente,
la magnitud de los terremotos en esta regi
on sigue una distribuci
on lognormal con valor mediano 5.5 y
sx = 0,15. La confiabilidad est
atica de la estructura para un terremoto es:
!
ln 8,1
5,5
R= p
0,152 + 0,072
= 0,99
13.4.
Modelos din
amicos
Si una carga es aplicada repetidamente en el tiempo sobre un sistema, entonces, bajo ciertas condiciones, se puede estimar la confiabilidad din
amica. Se discutiran dos casos. En el primero la carga es
aplicada peri
odicamente al sistema. En el segundo caso, la carga es aplicada en intervalos aleatorios que
siguen una distribuci
on de Poisson. En ambos casos se asumira que ni la resistencia ni la carga son funciones del tiempo (proceso estacionario). Ello excluye situaciones donde el envejecimiento y el desgaste
son relevantes.
232
13.4.1.
Cargas peri
odicas
Asumamos que la carga es aplicada n veces (ciclos) en los instantes t1 , t2 , ..,tn , y que la carga tiene
una distribucion con funci
on densidad de probabilidad fx (x). por su lado, la resistencia del sistema tiene
una funcion densidad de probabilidad fy (y). Sean xi e yi la carga y la resistencia en el i-esimo ciclo. Tras
n ciclos la confiabilidad Rn est
a dada por:
Rn = P (x1 < y1 , ..., xn < yn )
= P (x1 < y1 ) ... P (xn < yn )
si asumimos que las cargas y la resistencia son independientes en cada ciclo.
Si las distribuciones de x e y son identicas para cada ciclo (proceso estacionario), entonces
P (xi < yi ) = R
donde R es la confiabilidad est
atica para la aplicacion de una sola carga. Luego:
Rn = R n
Ejemplo 73 La resistencia a la ruptura de una viga de soporte tiene par
ametros de Weibull = 1200
Lbf y = 2,1, Se usan 4 vigas para soportar una estructura que carga las vigas con 100 Lbf c/u. Cual es
la confiabilidad de la estructura?
La estructura falla si falla cualquiera de las vigas. Ello se puede representar como un sistema de componentes en serie. Luego, la confiabilidad est
atica de la estructura es la multiplicaci
on de las confiabilidades
est
aticas de las vigas que la componen:
2,1
100
R4 = e4( 200 )
= 0,9785
Si los instantes en que se aplica la carga son constantes y conocidos, la confiabilidad dinamica puede
ser estimada a partir de
R(t) = Rn
para
tn t tn+1
con
t0 = 0
En caso de que la aplicaci
on de las cargas sea periodica con intervalo t,
t
R(t) = R t
Ejemplo 74 Una estructura est
a dise
nada para soportar una fuerza de 10 KLbf . Para probarlo, se
aplica una fuerza con un cilindro hidr
aulico que ejerce una fuerza con distribuci
on exponencial con media
1 KLbf . Si el cilindro act
ua cada 2 minutos, cual es la confiabilidad de completar un turno de 8 horas?
R = 1 e10/1
y
8/(2/60)
R(8) = 1 e10/1
= 0,9891
13.4.2.
233
Cargas aleatorias
Pn (t) = (t)
et
n!
(13.4)
con
n = 0, 1, 2, ...
es el n
umero medio de aplicaciones por unidad de tiempo, luego
t es el n
umero medio de aplicaciones durante el intervalo (0, t).
La confiabilidad puede ser encontrada a partir de
R(t) =
Rn Pn (t)
n=0
t
n e
Rn (t)
n!
n=0
n
X
(tR)
t
=e
n!
n=0
=
X
xn
= ex
n!
n=0
luego
R(t) = e(1R)t
(13.5)
Observaci
on 27 El resultado anterior es equivalente a usar una tasa de fallas solo dependiente del
tiempo
= (1 R)
N dP .
Ejemplo 75 Una estructura est
a dise
nada para soportar vientos de hasta 120 mph. Las r
afagas de un
hurac
an siguen una distribuci
on normal con media 86 mph y una desviaci
on standard de 9 mph. En
la regi
on, los huracanes ocurren con una frecuencia que sigue una distribuci
on de Poisson con media 2
huracanes/a
no. Obtenga una expresi
on para la confiabilidad.
Soluci
on 13 Siguiendo la ecuaci
on (13.1), la confiabilidad est
atica de la estructura es
R=
120 86
9
= 0,99992
y usando ecuaci
on ??,
R(t) = e(0,00008)2t
Si se desea una confiabilidad de 0.99, esta estructura de este tipo durara,
ln 0,99
0,00016
= 62,8 a
nos
t=
234
R(t) =
Rn Pn (t)
n=0
= P0 (t) + R
Pn (t)
n=0
Pi (t) = 1
i=0
luego
R(t) = P0 (t) + R(1 P0 (t))
Como
P0 (t) = et
para un proceso Poissoniano,
R(t) = et + R(1 et )
= R + (1 R)et
(13.6)
Ejemplo 76 Una v
alvula de protecci
on tiene una resistencia con media 3700 Lbf . La carga est
a distribuida exponencialmente con media 740 Lbf . Una vez aplicada, la carga permanecer
a constante. Se
realizan procedimientos de emergencia 1 vez por a
no. Calcule la confiabilidad al a
no de operaci
on.
Soluci
on 14 Primero calculamos la confiabilidad est
atica R a partir de ecuaci
on 13.3.3:
x
740
=
y
3700
= 0,2
luego
1
1 + 0,2
= 0,83
R=
y usando ecuaci
on 13.6,
R(t) = 0,83 + 0,17et
con t en a
nos. Al cabo de un a
no,
R(1) = 0,892
13.5.
235
Hasta ahora, hemos tratado la ocurrencia de fallas como un proceso aleatorio. Este enfoque es aplicado
por nuestra incertidumbre sobre los procesos fsicos que ocasionan en la falla. Como consecuencia, debemos
desarrollar modelos estadsticos. De la recoleccion y analisis de datos de falla, podemos estimar los
parametros usados en tales modelos. Dada la naturaleza estadstica del modelo, las estimaciones de
confiabilidad son v
alidas para la poblacion pero dicen poco sobre un individuo especfico. De hecho,
si las fallas siguen una distribuci
on exponencial (o casi cualquier otra), entonces el T T F de una falla
puede ser cualquier instante t 0. Tras un largo n
umero de eventos de falla se puede observar el patron
exponencial. Por tanto, tras un largo n
umero de fallas somos capaces de hacer buenas predicciones de
confiabilidad. Una segunda limitaci
on de usar modelos estadsticos es que no consideran el efecto de
cargas y condiciones ambientales individuales. Los modelos covariables manejan esta situacion hasta
cierto punto, aun as siguen siendo modelos estadsticos desarrollados a partir de muestras sobre una
poblacion.
Un enfoque alternativo est
a representado por los modelos basados en la fsica de la falla. Ellos son
modelos matem
aticos, usualmente determinsticos, basados en los mecanismo de falla y la causa raz de
las fallas. Una falla no es vista como un evento estocastico. En vez, se estima un tiempo para falla para
cada modo de falla basados en las condiciones de operacion, propiedades del material, la geometra, etc.
Los tiempos estimados para cada modo son ordenados y el mas proximo es el T T F estimado para el
componente. Las desventajas de este tipo de enfoque es que los modelos son especficos al mecanismo de
falla. Se requiere de una comprensi
on profunda del fenomeno; un nivel importante de informacion experimental, an
alisis ingenieril para derivar las ecuaciones. Como resultado, el n
umero 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 matem
aticos;
3. Estimar la confiabilidad para las condiciones de operacion y ambientales presentes y para las caractersticas dadas de los componentes;
4. Determinar la vida de servicio;
5. Redise
nar para incrementar la vida de servicio de dise
no.
Mecanismos que han sido modelados:
fatiga
fricci
on
corrosion
contaminaci
on
esfuerzo mec
anico
Ejemplo 77 Andrade (1914) [3] propuso la siguiente relaci
on emprica para medir la deformaci
on como
una funci
on del tiempo y de la temperatura sometido a esfuerzo constante, resultando eventualmente en
fractura:
3
= 0 1 + t ekt
donde
deformaci
on en el instante t
0 deformaci
on inicial
, k constantes
Si max es la deformaci
on de fractura, este modelo permite estimar la vida de dise
no con respecto al
creep.
236
Ejemplo 78 La vida u
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, deformaci
on pl
astica, desgaste gradual. Respecto de este u
ltimo modo de falla,
F. Taylor (1907) propuso el siguiente modelo:
m
t=
c (Bbn )
v f d
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 m
as sensible a la velocidad de corte, luego el avance, la
profundidad de corte, y finalmente la dureza del material.
Considerese el siguiente caso:
f = 0,02 pulg/rev
d = 0,011 pulg
v = 40 pies/min
Bbn = 180
A partir de un ajuste por mnimos cuadrados de datos obtenidos en ensayos de laboratorio se lleg
o al
siguiente modelo:
1,54
0,023 (180)
t = 7,1
= 186 min
40 0,024,53 0,0112,1
Observaci
on 28 Sera interesante optimizar los par
ametros de corte para maximizar la disponibilidad,
por ejemplo. N dP .
13.6.
Comentarios finales
Tanto los modelos covariables como los modelos basados en la fsica de la falla estiman la confiabilidad
a partir de condiciones medibles experimentalmente. Sin embargo, existen diferencias importantes entre
ambos enfoques. Los modelos covariables retienen explcitamente una distribucion de falla preseleccionada; cuyos parametros son determinados a partir de los covariables. Los modelos basados en la fsica de
la falla tratan el tiempo para falla como una variable determinstica, aunque en algunas aplicaciones se
debe interpretar como un valor medio. Los modelos covariables no son modelos fsicos y no muestran
necesariamente causa y efecto, aun si los covariables pueden expresar la causalidad asociada a la falla.
Los modelos fsicos, por su lado, tratan de capturar las variables causales relevantes y sus interrelaciones
para modelar el mecanismo de falla. Los modelos covariables generalmente no incluyen constantes fsicas,
como si lo hacen los modelos fsicos. Ambos tipos de modelos estan basados en datos experimentales, y
ambos usan tecnicas de mnimos cuadrados para estimar sus parametros.
13.7.
A explorar
(Murty y Naikan, 1997)[37] utilizan la teora de interferencias para la seleccion de maquinaria, a fin
de alcanzar un nivel adecuado en la confiabilidad del producto.
Bibliografa
[1] Ebeling, C.E., An Introduction to Reliability and Maintainability Engineering, Ch. 7, McGraw-Hill,
1997.
[2] Ploe, R.J., Skewis, W.H., Handbook of Reliability Prediction Procedures for Mechanical Equipment,
David Taylor Research Center, Bethesda, Maryland,1990.
[3] Andrade, E.N. da C., The flow in Metals under Large Constant Stress, Proceedings of the Royal
Society, Vol. 90A, 1914, pp. 329-342.
[4] Murty, A.S.R., Naikan, V.N.A.,Machinery selection process capability and product reliability dependence, International Journal of Quality & Reliability Management, 14(4), 381-390, 1997. [bajar]
237
238
Captulo 14
Estimaci
on de confiabilidad con
datos censurados y agrupados
14.1.
Introducci
on
Los datos censurados y agrupados pueden ser analizados en una tabla de vida. Este tipo de tablas
sumariza la informaci
on de supervivencia de las unidades sujetas a falla. Ellas han sido usadas en investigacion medica para estimar la probabilidad de supervivencia de pacientes con ciertas enfermedades y que
han recibido tratamientos u operaciones quir
urgicas. Asumamos que los instantes de falla o censura han
sido agrupados en k + 1 intervalos de la forma (ti1 , ti ) con i = 1, 2, .., k + 1, donde t0 = 0 y tk+1 = .
Los intervalos no requieren ser de la misma duracion. Sean:
Fi el numero de fallas en el i esimo intervalo;
Ci numero de datos censurados en el iesimo intervalo;
Hi el numero de unidades en riesgo en el instante ti1 ,
Hi = Hi1 Fi1 Ci1
Hi0 el numero de unidades ajustado al riesgo de que los instantes de censura ocurran uniformemente
sobre el intervalo:
Ci
Hi0 = Hi
2
entonces, la probabilidad condicional de una falla dado que se ha sobrevivido hasta ti1 ,
Fi
0
Hi
luego, la probabilidad condicional de sobrevivir al intervalo es
pi = 1
Fi
0
Hi
240
a
no
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
nro. de fallas
5
10
12
8
10
15
9
8
4
3
i
1
2
3
4
5
6
7
8
9
10
Fi
5
10
12
8
10
15
9
8
4
3
Ci
0
1
5
2
0
6
3
1
0
1
Hi
200
195
184
167
157
147
126
114
105
101
Hi 0
200
194,5
181,5
166
157
144
124,5
113,5
105
100,5
pi
0,975
0,949
0,934
0,952
0,936
0,896
0,928
0,930
0,962
0,970
Ri
0,975
0,925
0,864
0,822
0,770
0,690
0,640
0,595
0,572
0,555
0.9
0.8
0.7
0.6
0.5
0.4
1980
1981
1982
1983
1984
1985
1986
1987
1988
Ao
1989
1990
14.2.
241
Ejemplo
Construya una tabla de vida para los motores de una flota de 200 aviones que tienen el historial
mostrado en tabla 14.1. Los datos censurados representan aquellos aviones que tuvieron otros modos de
falla.
La solucion es mostrada en la tabla 14.2.
Una aproximaci
on para la desviacion standard de la confiabilidad estimada es:
v
u
i
u X
1 pk
i
i ) = tR
std(R
Hk0 pk
k=1
242
Bibliografa
[1] Ebeling, C.E., An Introduction to Reliability and Maintainability Engineering, Ch. 12, McGraw-Hill,
1997.
243
244
Captulo 15
Estimaci
on de confiabilidad con
m
axima verosimilitud
15.1.
Introducci
on
P (x = x0 ) = f (x0 ) = (1 p)
con
x = 1, 2, 3, ...
x 1
O sea es la probabilidad de x0 1 ensayos exitosos (con probabilidad (1 p) 0 ) seguido por una falla
(con probabilidad p).
Si x1 , x2 ,..., xn representa una muestra de tama
no n de esta distribuci
on, se tiene que
n
Y
f (xi )
(15.1)
i=1
Pn
= pn (1 p)
i=1 (xi 1)
La ecuaci
on (15.1) es llamada funci
on de verosimilitud y representa la probabilidad de obtener la
muestra observada. Dado que la ecuacion (15.1) contiene el parametro desconocido p, y deseamos encontrar el valor del mismo que sea consistente con la muestra observada. Si se encuentra una valor que
maximice la funci
on de verosimilitud, este tambien maximizara la posibilidad la probabilidad de encontrar
la muestra observada. Por tanto, deseamos resolver el siguiente problema:
Pn
max g(p) = pn (1 p)
0p1
245
i=1 (xi 1)
246
Podemos encontrar el m
aximo de una funcion al encontrar el punto donde la primera derivada es cero.
Ello se hace mas f
acil si se usa el logaritmo de la funcion de verosimilitud, o
( n
)
Y
m
ax ln g(p) = ln
f (xi )
i=1
"
= n ln p +
n
X
#
(xi 1) ln(1 p)
i=1
p
o
Pn
(xi 1)
=0
1p
i=1
n
p = Pn
i=1
(15.2)
xi
Por tanto, el valor de p obtenido a partir de (15.2) es el estimador de maxima verosimilitud para esta
distribucion (que es denominada geometrica).
Ejemplo 80 Se registraron los siguientes numero de representan los ciclos de operaci
on de un equipo que
fall
o y detuvo la linea de producci
on: 5,8,2,10,7,1,2,5. La variable aleatoria de interes, x, es el numero
de ciclos de operaci
on necesarios para obtener una falla. Asumiendo una distribuci
on geometrica,
n
p = Pn
i=1
xi
8
=
40
= 0,2
luego,
P (x = x0 ) = 0,8x0 1 0,2
La media de esta distribuci
on es 1/p. Luego, 40/8 = 5 es el numero medio de ciclos de operaci
on
hasta que ocurre una falla. La probabilidad de que ocurra una falla en el tercer ciclo es
P (3) = 0,831 0,2
= 0,128
15.2.
Estimaci
on de m
axima verosimilitud
En general, para encontrar el estimador de maxima verosimilitud de una distribucion con datos completos, se debe encontrar el m
aximo de la siguiente funcion de verosimilitud con respecto a los parametros
T
desconocidos = {1 , 2 , ..., k } :
n
Y
L() =
f (ti |)
i=1
El objetivo es encontrar los valores de los estimadores de que logran que la funcion L sea lo mas grandes
posible para valores dados de t1 , t2 , ...,tn . Dada forma multiplicativa de L, el maximo de logaritmo de L
es usualmente un problema m
as f
acil de resolver (se torna lineal). En general, la condiciones necesarias
para encontrar el estimador se obtiene al igualar a cero el gradiente de logaritmo de L con respecto al
vector de parametros .
Si hay datos censurados a la derecha (tipo I), se modifica la funcion de verosimilitud a
L() =
r
Y
i=1
nr
f (ti |) [R(t )]
247
donde
r es el numero de fallas;
n es le numero de unidades en riesgo de falla;
t es la duraci
on del test.
nr
El factor [R(t )]
es la probabilidad de que n r unidades censuradas no fallen antes de que finalice
el test. Para datos censurados tipo II, se reemplaza t por tr .
15.2.1.
Distribuci
on exponencial
Tanto para datos completos como censurados, el estimador de maxima verosimilitud para el parametro
esta dado por:
r
=
T
donde
r es el numero de fallas, y
T se define seg
un el tipo de test:
Para datos sin censura,
n
X
T =
ti
i=1
r
X
ti + (n r) t
i=1
r
X
ti + (n r) tr
i=1
r
Y
eti etr
nr
i=1
P
r ri=1 ti (nr)tr
= e
y el logaritmo de L,
ln L() = r ln
r
X
ti (n r) tr
i=1
derivando,
r
r X
ti (n r) tr = 0
i=1
Resolviendo para ,
r
r
=
T
t
(n
r)
t
r
i=1 i
= Pr
248
15.2.2.
Distribuci
on de Weibull
El estimador de m
axima verosimilitud para una distribucion de Weibull de 2 parametros puede ser
calculado numericamente. Tanto para datos completos como censurados, el valor estimado del parametro
de forma , es encontrado al resolver la siguiente ecuacion:
Pr
r
t ln ti + (n r) ts ln ts
1X
1
g() = i=1Pir
ln ti = 0
r i=1
i=1 ti + (n r) ts
donde
1
t
ts =
tr
t
=
t + (n r) ts
r i=1 i
Un valor inicial para el proceso iterativo se puede obtener a partir del metodo grafico.
Ejemplo 81 Estime, usando m
axima verosimilitud, los valores para los par
ametros de la distribuci
on de
Weibull asociados a los datos de falla: 25.1, 73.9, 75.5, 88.5, 95.5, 112.2, 113.6, 138.5, 139.8, 150.3,
151.9, 156.8, 164.5, 218, 403.1.
15.2.3.
La obtencion del estimador puede ser revisada en referencia [4], por ejemplo. Sus valores son:
Pn
ti
= i=1
n
(n 1)s2
2
=
n
donde
Pn
n
2
n1
Para la distribuci
on lognormal, se aplica nuevamente la relacion utilizada para la distribucion normal.
En este caso,
Pn
ln ti
= i=1
n
entonces
t = e
s
Pn
2
)
i=1 (ln ti
s =
n
s2 =
15.3.
2
i=1 ti
Estimaci
on de m
axima verosimilitud con datos censurados
multiplemente
iC
15.3.1.
249
Distribuci
on exponencial
En este caso,
Y
L () =
r eti
iF
eti
iC
= e
iF
ti
iC
t+
i
iC
X
r X
ti
t+
i =0
iF
luego
iC
r
P
+
iF ti +
iC ti
=P
resultado que confirma que para una distribucion exponencial se puede estimar la tasa de fallas a partir
del numero total de fallas dividido por el tiempo total.
15.3.2.
Distribuci
on de Weibull
Siguiendo los desarrollos de Nelson [5], la estimacion del parametro de forma implica la solucion del
problema no lineal:
X ln ti
X
X 1
1
=
ti ln ti
(15.3)
ti
iF
iF +C
iF +C
Obtenida la estimaci
on de ,
v
u X
u
ti
= t
r
(15.4)
iF +C
Ejemplo 82 Se pusieron 15 unidades para una prueba de 500 horas. Se registraron los siguientes instantes de falla: 34, 136, 145+ , 154, 189, 200+ , 286, 287, 334, 353, 380+ . Encuentre estimaci
on para
par
ametros exponencial y de Weibull.
Para el caso exponencial:
T = 34 + 136 + 145 + 154 + 189 + 200 + 286+
287 + 334 + 353 + 380 + 4 500
= 4498
y fallar
on 8 unidades, luego:
=
8
fallas/hora
4498
Para la estimaci
on de Weibull, se asigna un tiempo de censura de 500 horas para las unidades que no
fallaron. El lado izquiedo de la ecuaci
on (15.3) es 5.21385. La iteraci
on resulta en
= 1,43
Usando (15.4),
= 491
250
E
F
Y
2,00
-2,86
-2,27
-1,88
1,00
-1,59
-1,36
-1,16
0,00
-0,98
4,00
-0,83
-1,00
-0,68
-0,54
-0,42
-2,00
-0,29
-0,17
-0,06
-3,00
0,06
0,18
-4,00
0,30
0,42
0,55
0,70
0,88
1,12 beta
1,70 eta
y = 0,4967x - 4,6144
2
R = 0,9662
6,00
8,00
10,00
12,00
A
B
C
D
ti
F
2 i
X
3
1
101
0,056 4,62
4
2
172
0,098 5,15
5
3
184
0,141 5,21
6
4
274
0,184 5,61
7
5
378
0,226 5,93
8
6
704
0,269 6,56
9
7
1423
0,312 7,26
10
8
2213
0,355 7,70
11
9
2965
0,397 7,99
12 10
5208
0,440 8,56
13 11
5879
0,483 8,68
14 12
6336
0,526 8,75
15 13
6428
0,568 8,77
16 14
6630
0,611 8,80
17 15
7563
0,654 8,93
18 16 10435
0,697 9,25
19 17 30138
0,739 10,31
20 18 30580
0,782 10,33
21 19 38265
0,825 10,55
22 20 47413
0,868 10,77
23 21 81607
0,910 11,31
24 22 158007
0,953 11,97
25 23 182958
0,996 12,12
0,497
10830
15.4.
Estimaci
on del par
ametro de localizaci
on
Cuando la gr
afica de Weibull muestra curvaturas en vez de rectas, es una indicacion de que existe una
denominada vida garantizada o vida minima. Para obtener una recta, es necesario restar la vida minima
, definiendo:
t0i = ti
La estimacion de m
axima verosimilitud para no esta bien definida. Un borne superior para es t1 ,
el instante de la primera falla. El metodo gr
afico ofrece la posibilidad de iterar sobre este parametro para
obtener la mejor recta posible. Otra posibilidad es utilizar el trabajo presentado en referencia [2]:
=
t1 tn t2j
t1 + tn 2tj
donde
j = np
y
p=
0.5
0.8829n0,3437
(15.5)
251
(seg
un referencia [3]):
= 0, 517
= 13948
Una estimaci
on para p se calcula a partir de la ecuaci
on (15.5):
p = 0,8829 (23)
= 0,3
0,3437
luego
j = round (0,3 23)
=7
y
101 182958 14232
101 + 182958 2 1423
= 91,3
15.5.
Intervalos de confianza
15.5.1.
Distribuci
on exponencial
k=
2 (r + 1)
2r
2T
2/2,k
2T
21/2,2r
censura tipo I
censura tipo II y datos completos
252
Ejemplo 84 Se ensayaron 30 unidades hasta observar 20 fallas. Los tiempos de falla registrados son:
50.1, 20.9, 31.1, 96.5, 36.3, 99.1, 42.6, 84.9, 6.2, 32.0, 30.4, 87.7, 14.2, 4.6, 2.5, 1.8, 11.5, 84.6, 88.6,
10.7.
Un intervalo de confianza del 90 % para el M T T F de la distribuci
on exponencial para datos con
censura tipo II con n = 30 y r = 20 es:
T = 50,1 + 20,9 + ... + 10,7 + (30 20) 99,1 = 1827,3
20,975,40
20,025,40
= 24,433
= 59,342
2 (1827,3)
= 61,58
59,342
2 (1827,3)
M T T FU =
= 149,58
24,433
M T T FL =
15.5.2.
Distribuci
on exponencial de 2 par
ametros
t
t
i=1 ti
MTTF =
= t1
+ (n r) ts nt1
r
MTTF
n
donde
ts =
t
tr
censura tipo I
censura tipo II
2 (r 1)
2 (r 1)
MTTF MTTF 2
M T T F = M T T FU
2
/2,2r2
1/2,2r2
L = t1
MTTF
F,2,2r2 t1
n
y
e(t)/M T T FL R(t) e(t)/M T T FU
donde
h
i
F,2,2r2 = (r 1) 1/(r1) 1
15.5.3.
253
Distribuci
on de Weibull
Para obtener intervalos de confianza para la distribucion de Weibull se requiere el uso de tecnicas
numericas o tablas especiales. Para tama
nos de muestra grande con datos completos, se pueden usar las
expresiones[?]:
0,78z/2 /
e
e1,05z/2 /(
n)
0,78z/2 /
e
e1,05z/2 /(
n)
donde
y son valores estimados de m
axima verosimilitud;
z/2 es la desviaci
on normal standard.
Ejemplo 85 De las 15 fallas del ejemplo 81, y usando las siguientes valroes estimados:
= 1,806
= 158,65
Obtenga los intervalos de confianza para 90 %.
Tenemos,
n = 15
z0,05 = 1,645
luego,
1,297 2,52
124,1 203,3
La referencia [246] presenta intervalos de confianza para datos censurados.
15.6.
Estimaci
on de par
ametros para modelos covariables
En general, las estimaciones de maxima verosimilitud para los parametros de los modelos covariables,
implica resolver sistemas de ecuaciones no lineales. Ilustraremos este tipo de estimacion con un modelo
covariable exponencial donde
Pk
= e i=0 ai xi
donde
x0 = 1
y se desea estimar el valor de los parametros ai . Si los datos estan completos:
L(a) =
n
Y
Pk
i=0
ai xij tj
Pk
i=0
ai xij
j=1
donde xij es el valor del i-esimo covariable asociado a la j-esima falla. La funcion logartmica de verosimilitud es
( k
)
n
X
X
P
k
a
x
i
ij
i=0
ln L(a) =
ai xij tj e
j=1
i=0
X
Pk
ln L X
=
xij
tj xij e i=0 ai xij = 0
ai
j=1
j=1
254
con
i = 0, 1, ..., k
Un estimador menos eficiente pero m
as simple de resolver es obtenido al usar mnimos cuadrados. Para
desarrollarlo, se escribe la funci
on de confiabilidad en terminos de los covariables:
Pk
R(t) = et exp(
o
i=0
Pk
ln R = te
i=0
ai xi )
ai xi
k
X
ai xi
i=0
R(t) = e
t
Pk
exp
a x
i=0 i i
luego
1
ln ln
1 F (t)
= ln t
k
X
ai xij
(15.6)
i=0
a0
p=
a1
1
b = ln ln
1 F(tj )
y cada fila de A,
ln t
1 x1j
0,4903
4,2125
p=
0,0075
t_i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
x_0i
4,7
7,5
10,3
20,5
141,6
166
209,1
324,1
551,3
3125
4671
5049
5220
9658
1
1
1
1
1
1
1
1
1
1
1
1
1
1
x_1i F
160
160
160
160
120
120
120
120
100
90
100
100
90
90
ln(t_i)
0,049
0,118
0,188
0,257
0,326
0,396
0,465
0,535
0,604
0,674
0,743
0,813
0,882
0,951
1,548
2,015
2,332
3,020
4,953
5,112
5,343
5,781
6,312
8,047
8,449
8,527
8,560
9,176
1.5
0.5
-0.5
A*x
1
2 i
3
4
5
6
7
8
9
10
11
12
13
14
15
16
255
-1
-1.5
-2
-2.5
-3
-3
-2.5
-2
-1.5
-1
-0.5
0.5
1.5
ln(ln(1/(1-F)))
-2,999
-2,074
-1,572
-1,214
-0,929
-0,685
-0,468
-0,268
-0,076
0,113
0,307
0,515
0,759
1,107
256
luego
= 0,490
a0 = 8,59
a1 = 0,02
entonces
=
k
X
ai xi
i=0
= 8,59 0,02x
15.7.
Comentarios finales
En este capitulo hemos tratado la estimacion de los parametros de la distrubicion a partir del metodo
se presenta como una alternativa al metodo de mnimos cuadrados ya visto
de maxima verosimilitud. El
anteriormente. Adem
as hemos establecido intervalos de confianza para las estimaciones.
Varios de los modelos desarrollados est
an disponibles en Web en la planilla Excel ebeling15.xls.
Bibliografa
[1] Ebeling, C.E., An Introduction to Reliability and Maintainability Engineering, Ch. 15, McGraw-Hill,
1997.
[2] Muralidhar, K.H., and Zanakis, S., A Simple Minimum-Bias Percentile Estimator of the Location
Parameter for the Gamma, Weibull and Lognormal Distributions, Decision Sciences, Vol. 23, No. 4,
pp 862-879, 1992.
[3] Lawless, J.F., Statistical Models and Methods for Lifetime Data, John Wiley & Sons, New York, 1982.
[4] Ross, S.M., Introduction to Probability and Statistics for Engineers and Scientists, John Wyley &
Sons, New York, 1987.
[5] Nelson, W., Applied Lide Data Analysis, John Wyley & Sons, New York, 1982.
257
258
Captulo 16
Introducci
on
Ocurre (m
as frecuentemente de lo que los analistas de confiabilidad desearan) que los registros de intervenciones no especifiquen que modos de falla han aparecido, o que componentes han sido reemplazados
en cada ocasion. Ello conlleva limitaciones al analisis de confiabilidad, dado que pueden haber multiples
modos de falla mezclados. Para solventar la situacion, consideraremos modelos Weibull mixtos del tipo:
R(t) = pR1 (t) + (1 p)R2 (t)
con
i
t
Ri (t) = e
, i = 1, 2
0p1
De acuerdo a Jiang & Kececioglu [1], la distribucion de Weibull mixta provee un buen modelo para
sistemas/componentes mec
anicos y electricos cuando la falla de los componentes es causada por mas de
un modo de falla.
Al graficar,
x = ln t
y = ln( ln R)
ya no se espera obtener una recta como si es el caso cuando p = 1 o p = 0. Un ejemplo se muestra en
figura 16.1. Jiang & Kececioglu [2] clasificaron 6 clases de curvas cuando aplica una Weibull mixta.
16.2.
La figura 16.2 muestra las edades (Kms) de falla de cargadores frontales [5]. La data incluye suspensiones por mantenimiento preventivo.
Jiang & Murthy entregan los valores:
p = 0,88
= {1,3, 8,7}
= {9050, 850} ut
Los resultados se muestran en figura 16.3 y 16.4.
Minimizando el error cuadr
atico se obtiene:
259
260
2
1
0
-1
-2
-3
-1
Figura 16.1: Gr
afico de Weibull cuando se mezclan 2 subpoblaciones
50
45
40
Individuo
35
30
25
20
15
10
5
0
0
0.5
1.5
Edad (ut)
2.5
4
x 10
261
-1
-2
-3
Jiang
Pascual
Lewis
-4
-5
6
6.5
7.5
8
x
8.5
9.5
10
1
Jiang
Pascual
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.5
1.5
Edad (ut)
2.5
4
x 10
262
60
50
Individuo
40
30
20
10
0
0
100
200
300
400
Edad (ut)
500
600
700
800
p=
= {, }
= {, } ut
16.3.
La figura 16.5 muestra las edades de muerte de una poblacion de 60 ratones [4] 1 .
Jiang & Murthy entregan los valores:
p = 0,3
= {7,6, 7,6}
= {250, 650} ut
Minimizando el error cuadr
atico
e2y =
(ymod y)2
se obtiene:
p = 0,306
= {6,1, 7,4}
= {260, 643} ut
16.4.
263
3
Jiang
Pascual
Rangos medianos
2
1
0
-1
-2
-3
-4
-5
-6
5
5.2
5.4
5.6
5.8
6.2
6.4
6.6
6.8
1
Jiang
Pascual
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
100
200
300
400
500
Edad (ut)
600
700
800
900
264
60
50
Individuo
40
30
20
10
0
0
100
200
300
400
500
Edad (ut)
600
700
800
900
Al hacer un an
alisis Weibull simple se obtiene:
= 0,6
= 1183 ut
lo que indicara no seleccionar una estrategia preventiva centrada en el uso.
Las fallas a pocas unidades tiempo parecen indicar un problema de calidad del mantenimiento. El
analisis Weibull mixto entrega:
= {1,0, 1,34}
= {2,8, 609}
p = 0,063
con lo cual podemos estimar que los individuos debiles tienen una vida esperada de 2.8 ut, en tanto
que los fuertes de 559 ut. La poblaci
on completa tiene un M T T Tc de 525 ut. La falla de los fuertes tiene
> 1, con lo cual vale la pena una estrategia preventiva centrada en el uso. Los debiles corresponden al
6 % de la poblaci
on.
265
0,5
0
-1
-0,5
Ln(-Ln(R))
-1
-1,5
Lewis
Weibull simple
Weibull mixto
-2
-2,5
-3
-3,5
-4
-4,5
Ln t
100%
90%
80%
70%
60%
Lewis
Weibull simple
Weibull mixto
50%
40%
30%
20%
10%
0%
0
100
200
300
400
500
600
700
Edad (ut)
800
266
16.5.
Comentarios finales
Los casos ilustran claramente como el ajuste de un Weibull simple puede llevar a conclusiones erroneas
en relacion al tipo de mantenimiento a realizar. El parametro p se revela muy interesante para evaluar la calidad del mantenimiento. Jiang y Kececioglu, [1] proveen un metodo eficiente para estimar los
parametros del modelo a partir de la estimacion de maxima verosimilitud.
Bibliografa
[1] S. Jiang, D. Kececioglu, Maximum Likelihood Estimates, from Censored Data, for Mixed-Weibull
Distributions,IEEE Transactions on Reliability, 41(2), 1992.
[2] S. Jiang, D. Kececioglu, Graphical representation of two mixed-Weibull distributions, IEEE Trans.
Reliability, 41, 241-247, 1992.
[3] R. Jiang, D.N.P. Murthy, Modeling Failure-Data by Mixture of 2 Weibull Distributions: A Graphical
Approach, IEEE Transactions on Reliability, 44(3), 477-488, 1995.
[4] R.C. Elandt-Johnson, N.L. Johnson, Survival Model and Data Analysis, 192-196, John Wiley & Sons,
1980.
[5] A.D.S. Carter, Mechanical Reliability (2nd ed.), 303-308, 455-460; John Wiley & Sons, 1986.
[6] M. E. Parra, J. Giglio, Estudio de Confiabilidad y Optimizacion de Estrategias de Mantenimiento en
Sistema de Suministro de Agua Fresca a Minera Escondida - Pozos Monturaqui, Conferencia Mapla,
Vina del Mar, 2006.
267
268
Parte III
269
Captulo 17
Disponibilidad y costos de
intervenci
on
...in six large copper mines responsible for 58 percent of the copper production of Chile maintenance costs on average accounted for 44 percent of the combined total mine maintenance
and operating costs...
...on average, unplanned maintenance accounts for 65 percent, 44 percent and 56 percent of
drill, shovel and haul-truck fleet maintenance downtime, respectively...
Knights et al. [4]
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
comprender que la maximizaci
on de la disponibilidad puede implicar costos de intervencion excesivos
que afecten la rentabilidad de la empresa.
proponer una ley que relacione costos de intervencion con disponibilidad.
aplicar el modelo propuesto para fijar niveles aceptables de disponibilidad y negociar presupuestos
de mantenimiento
comprender que hay factores independientes del costo que tambien pueden afectar la disponibilidad,
por ejemplo la aplicaci
on de practicas de mantenimiento productivo total.
17.1.
Introducci
on
272
4000
Ingresos
Costos
Utilidad
3500
3000
(um/ut)
2500
2000
1500
1000
500
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
17.1.1.
Disponibilidad
La disponibilidad es el indicador m
as importante para la evaluacion de la efectividad de un planta
industrial, en donde la gram mayora de los equipos son reparables[1]. La disponibilidad estacionaria
de una planta, para un periodo dado, est
a definida como la fraccion de tiempo en la cual la planta se
encuentra produciendo su producci
on de dise
no en condiciones adecuadas:
A=
MTTF
MTTF + MTTR
Observaci
on 30 Notemos que en la definici
on de disponibilidad, solo incluimos tiempos muertos asociados a mantenimiento correctivo. En un contexto real tambien aparecen tiempos muertos por mantenimiento preventivo (y por otras causas no asociadas a mantenimiento -ver 49).
Al graficar las utilidades por unidad de tiempo vs la disponibilidad, se puede obtener algo similar a lo
mostrado en figura 17.1. Para niveles bajos de disponibilidad la planta operara a perdida. Esta tendencia
continua hasta que se alcanza un punto de equilibrio en la cual la planta ni pierde ni gana. Este punto
es denominado el limite inferior de la disponibilidad (Al ). Al seguir incrementando la disponibilidad, la
utilidad neta crece hasta un valor m
aximo denominado disponibilidad optima (A ). Tras este punto, al
incrementar la disponibilidad, la utilidad decrece hasta otro punto de equilibrio entre costos e ingresos
(limite superior de la disponibilidad, Ah ). Cualquier esfuerzo ulterior que mejore la disponibilidad resultara em perdida neta para la empresa. En consecuencia es necesario trabajar entre los limites superior e
inferior para tener utilidades. El presupuesto de mantenimiento es el criterio mas importante para estimar
la disponibilidad.
17.1.2.
273
Formulaci
on del modelo
(17.1)
(17.2)
cop
um/u
p
(17.3)
El costo de mantenimiento por unidad de tiempo,para estimar los parametros ci y basta con
disponer de al menos dos puntos (Ci1 , A1 ), (Ci2 , A2 ); de lo cual es posible despejar (si usamos el
modelo de ecuaci
on 17.1):
log cci1
i2
=
A1
A2
ci =
Ci1
A1
Observaci
on 31 En caso de haber 3 pares, se puede realizar un ajuste cuadr
atico. ci representa el costo
de intervenci
on por unidad de tiempo cuando la disponibilidad es nula. Si no hubiese disponibilidad no
debera haber costo de intervenci
on.
El costo global por unidad de tiempo es:
ct = cf ix + cop + ci
(17.4)
= cf ix + cop + ci A um/ut
los ingresos netos por unidad de tiempo son:
p pu um/ut
(17.5)
274
(17.6)
(17.7)
Al buscar las dos races de up se encontraran los limites inferior y superior para la disponibilidad. El
optimo se encuentra cuando el gradiente de up se anula:
dup
=0
dA
derivando (17.7),
r (pu Cs ) ci A1 = 0
Observaci
on 32 Como es l
ogico, los costos fijos no intervienen en la obtenci
on del
optimo de A.
En consecuencia,
A =
1
ln
1
r (pu Cs )
ci
(17.8)
ci = ci e 1A
(17.9)
Observaci
on 33 Estos modelos para ci (A) dependen de 2 par
ametros por lo cual se requieren de al
menos dos pares (ci , A) para estimarlos. Ello puede ser difcil de disponer en la practica y en tal caso se
podra estudiar un modelo con un par
ametro. Por ejemplo:
ci = e 1A
Observaci
on 34 El modelo de ecuaci
on (17.9) asume un costo infinito para A = 1. En un caso real,
la disponibilidad no puede ser nunca unitaria pues se debe detener el equipo para realizar intervenciones
preventivas.
17.1.3.
Ejemplo ilustrativo
Consideremos el ejemplo propuesto en (Murty & Naikan, 1995)[1]. Se trata una planta cuya inversion
en activos es de 60 107 um. La tasa de produccion es de r = 2670 u/hora. La vida u
til de dise
no de la
planta es de Tl = 30 a
nos; si se opera 16 horas/da. Los salarios alcanzan los 40 105 um/mes. En el a
no 1,
el costo de intervenci
on de mantenimiento sumo 2,6320 107 um y se alcanzo una disponibilidad de 62 %.
Al a
no siguiente se gastaron 2,7231 107 um y se alcanzo una disponibilidad de 65 %. El precio unitario
de un producto es de pu = 60 um. Los costos de operacion (excluyendo salarios) alcanzan los 54,7 107
um/a
no. Se desea establecer un nivel
optimo de disponibilidad.
Consideremos como unidad de tiempo el minuto. Cada a
no se dispone de:
365 16 60 = 350400 min/a
no
para operar.
Los costos fijos son:
60 107
30(350400)
= 57,04 um/min
cf ix =
275
x 10
ci (um/ao)
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Los par
ametros de costos de mantenimiento son:
1,788 107
350400
= 51 um/min
ci =
= 0,14715
El modelo ajustado y los valores del historial se observan en figura (17.2). Notemos que la extrapolacion
para valores altos puede estar sesgada por la cercana entre los puntos disponibles.
La tasa de producci
on de dise
no es
r =
2670
= 44,5 u/min
60
Cs =
276
1000
exp((1-A)-1)
A
900
800
up (um/ut)
700
600
500
400
300
200
100
0
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Figura 17.3: Utilidad para ambos modelos propuestos en (Murty & Naikan,1995)
Los limites para la disponibilidad son (ver figura 17.1):
Ainf = 0,230
Asup = 0,948
A = 0,861
Al operar en el
optimo, la utilidad neta es
up = 616,86 um/min
y el costo de intervenci
on de mantenimiento alcanza:
ci = 147,0 um/min
= 5,15 107 um/a
no
lo que implica un aumento de
5,15
1 = +95 %
2,632
en el presupuesto.
Al probar el modelo de ecuaci
on (17.1) los costos de mantenimiento no suben los suficiente para afectar
la disponibilidad y el modelo tiene un
optimo en A = 1 (figura 17.3). Este valor es muy discutible pues
las intervenciones preventivas de un programa caro afectan la disponibilidad tambien.
Ejercicio 4 Mejore el modelo propuesto para considerar el efecto de la implementaci
on de TPM. Tome
en cuenta que durante el segundo a
no del estudio, 25 % del parque de equipos reciba atenci
on TPM de
parte del operador.
17.1.4.
277
Considerando TPM
Supongamos que el costo de intervencion depende tambien de la fraccion [0, 1] de equipos a los
cuales se aplica TPM seg
un:
ci = (1 A)e 1A e um/ut
El modelo es de dos par
ametros ( y ).
log ci = log(1 A) +
+
1A
luego,
1
1A
= log ci log(1 A)
Si tenemos informaci
on de 2 unidades de tiempo,
1
1A1
1
1A2
1
2
=
Ax = b
Para el caso del ejemplo:
1
10,62
1
10,65
A=
b=
0
0,25
luego,
=
2,00
1,35
De validarse este modelo con mas datos en el futuro, esta mostrando que el TPM esta bajando los
costos de intervenci
on ( negativo). La utilidad obtenida se muestra en figura (17.4). Solo se muestran
las zonas con utilidad positiva. EL TPM se muestra conveniente para el incremento de las utilidades.
17.1.5.
Comentarios
Este modelo muestra como un incremento injustificado en los costos de intervencion de mantenimiento
puede afectar negativamente la utilidad de la empresa. Las nociones entregadas por el modelo permiten
establecer un criterio agregado para fijar el presupuesto de mantenimiento por unidad de tiempo.
El modelo puede servir como herramienta de negociacion de mejores presupuestos de mantenimiento,
basandose en mejoras logradas en la disponibilidad en el pasado.
Una posible falencia de este metodo es que explica todo cambio en la disponibilidad en costos asociados
a mantenimiento; pueden haber otros factores que la afecten y que no se reflejen en el presupuesto de
mantenimiento, por ejemplo el T P M .
Tal como est
a, el modelo considera tasa de produccion y precio del producto constantes. El modelo
podra ser extendido para considerar variaciones en estos parametros.
Ciertas intervenciones se realizan en forma discreta y pueden afectar notablemente la disponibilidad
estacionaria y el presupuesto. Un ejemplo son los overhauls.
Los costos de intervenci
on debe estar en unidades monetarias constantes. En caso de devaluaciones o
revaluaciones de la moneda, debe tomarse en cuenta en la estimacion de los parametros de costo.
Otra modificaci
on posible considerara la minimizacion del costo global. Basta probar que su mnimo
se encuentra donde est
a el m
aximo de la utilidad. Tambien se podra incluir un analisis que considere el
valor del dinero en el tiempo.
278
17.2.
Knights et al. [4] proponen un modelo para los costos de mantenimiento de la forma:
ci = cip Dp + cic Dc + c0
(17.10)
(17.11)
279
Costo de intervencin
(USD/ao)
Dc(horas/ao)
Dp(horas/ao)
Figura 17.5: Ajuste de hiperplano a costos de intervencion por unidad de tiempo en funcion de no
disponibilidad planificada y no planificada (a.p.d. ref. [4]).
1. Justifica inversiones en mantenimiento planificado. Si se invierte Dp ut/ut en mantenimiento
preventivo y ello provoca Dp menos en mantenimiento correctivo:
Dp = |Dc |
(en general ahorra mas), entonces el ahorro en costo de intervencion es:
(1)
(0)
ci = ci ci
= [cip (Dp + Dp ) + cinp (Dc Dp ) + c0 ] [cip Dp + cic Dc + c0 ]
= cip Dp cinp Dp
= cip Dp (1 c ) um/ut
2. Si ante una variaci
on en el tiempo planificado Dp se provoca una disminucion Dc tal que:
Dp < Dc
entonces se produce un incremento en la disponibilidad:
A = A(1) A(0)
= [1 (Dp + Dp ) (Dc Dc )] [1 Dp Dc ]
= Dc Dp
con lo cual se provoca una reduccion el costo global producto de la disminucion del costo de falla:
cf A
donde cf corresponde al costo de falla esperado por unidad de tiempo.
Si reescribimos (57.1) y (17.11) en terminos de las razones de costo y no disponibilidad:
ci = cip Dp (1 + c t ) + c0
280
1A
(1 + t )
Despejando ci en funci
on de A,
ci (A) = cip
1 + c t
1 + t
(1 A) + c0
(17.12)
para
Dc + Dp 1
D puede ser interpretado como la no disponibilidad correctiva cuando Dp crece mucho (eso es,
cuando se intensifica el programa preventivo). D0 corresponde a la no disponibilidad correctiva cuando
no se realiza mantenimiento preventivo (Dp = 0).
Ejemplo 87 1 Calcule la fracci
on de tiempo en que se debe hacer mantenimiento planificado de modo
que se maximice la disponibilidad cuando:
cip = 1,0 um/ut
cic = 4,0 um/ut
c0 = 0,5 um/ut
= 40
D = 0,1
D0 = 1
realice un an
alisis de sensibilidad. Eval
ue la disponibilidad optima y el costo de intervenci
on obtenido.
Sustituyendo (57.2) en (57.1) y (17.11) respectivamente, obtenemos:
ci (Dp ) = cip Dp + cic D + (D0 D )eDp + c0
A(Dp ) = 1 Dp D + (D0 D )eDp
que es mostrada en gr
afico (17.6) para los par
ametros entregados.
En caso de maximizar la disponibilidad,
(Dp , A , ci ) = (0,090, 0,785, 1,09)
y si se minimizan los costos de intervenci
on:
(Dp , A , ci ) = (0,124, 0,770, 1,05)
1 control
2, semestre 2006-II.
281
2
ci
1.8
1.6
A y ci (um/ut)
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0
0.2
0.4
0.6
0.8
Dp
17.2.1.
Comentarios
El modelo solo toma en cuenta los costos de intervencion y no el costo global. Intuitivamente, el
modelo no tiene sentido cuando A tiende a 1.Lo natural es que a medida que el sistema se perfecciona
las razones cambien e incluso se vuelvan menores que 1.
17.3.
A explorar
282
Bibliografa
[1] Murty A.S.R., Naikan, V.N.A., Availability and maintenance cost optimization of a production plant,
International Journal of Quality & Reliability Management, 12(2), 28-35, 1995. [bajar]
[2] Jardine, A.K.S., Maintenance, Replacement and Reliability. Pitman Publishing, 1973. [bajar]
[3] Knights, P., Oyanader, P., Benchmarking de Indices de Mantenimiento para Plantas Concentradoras
en Chile, Encuentro de mantenedores de plantas mineras, Chile, 2004.
[4] P.F. Knights, D. Louit, A. Lay, Determining return on investment of maintenance projects using
statistical cost modeling, Mining Engineering, January 2004.
[5] Madu, C.N., Simulation metamodeling of a maintenance float system, In: Maintenance Modeling and
Optimization, Ed.: Ben-Daya et al., Kluwer, 2000.
283
284
Captulo 18
Asignaci
on de tareas y reemplazo
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Estimar el costo de falla de un equipo en funcion del tiempo que tome una intervencion (correctiva
o preventiva) sobre el mismo y del rol que cumpla.
Aplicar el modelo propuesto para seleccionar los roles mas eficientes para la minimizacion del costo
global esperado por unidad de tiempo.
18.1.
Introducci
on
18.2.
Costos de falla
Los costos de los equipos pueden ser divididos en dos categoras: costos de posesion y costos de
operacion. Los costos de posesi
on incluyen la compra, el financiamiento, y la reventa. Los costos de
operacion y mantenimiento incluyen el combustible, los consumibles, mantenimiento. Tambien es posible
definir una tercera categora, los costos de falla, que aparecen debido a que el equipo opera mas o menos
frecuentemente con una productividad inferior a la esperada, impactando varios aspectos del proceso de
producci
on.
La existencia de los costos de falla ha sido largamente reconocida[3, 4, 5], pero ha sido poco tomada en
cuenta en los modelos de reemplazo. Ello se debe a que su estimacion introduce dificultades e imprecisiones
debido a que no aparecen en los sistemas de contabilidad. Sin embargo, su rol en la toma de decisiones
no debe ser subestimada pues es el elemento que motiva la toma de decisiones de mantenimiento. Como
una forma de evaluar el costo de falla, Nunnaly[5] propone:
285
286
Tarea 3
700
600
500
400
300
200
100
TTR (ut)
18.3.
18.4.
Modelo de reasignaci
on para equipos multitarea
Se disponen de m = 1...M equipos similares , que pueden realizar j = 1..J asignaciones o tipos de
trabajo diferentes. Definimos el costo global ponderado por unidad de tiempo para un equipo i realizando
Equipo m
0
1
2
3
4
com
(um/ut)
90
20
50
85
85
cim
(um/ut)
70
110
100
70
70
m
(fallas/ut)
0,01
0,07
0,041
0,022
0,013
287
M T T Rm
(ut)
3,0
4,5
2,0
3,5
4
co,m,j + ci,m,j
+ cf,m,j
m,j
(18.1)
donde m,j se define como el ndice de productividad relativa para el equipo m asignado a tareas tipo j.
Este factor expresa equipos similares pero de edades diferentes tienen diferentes nivel de productividad
producto de avance tecnol
ogicos. No toma en cuenta la frecuencia y la duracion de las fallas. co,m,j
representa el costo de posesi
on por unidad de tiempo. ci,m,j corresponde a los costos de intervencion
tanto de operaci
on como de mantenimiento.
Para estimar el costo esperado de falla primero se caracteriza la tasa de fallas (m ) y el tiempo medio
para reparar (M T T Rm ). Entonces:
cf,m,j = m Cf,m,j (M T T Rm ) um/ut
(18.2)
donde Cf,m,j es la integral de la curva de costos de falla, que depende de la duracion de las intervenciones.
18.5.
Ejemplo
288
Tarea 2
700
600
600
Tarea 1
700
500
400
300
200
100
500
400
300
200
100
TTR (ut)
Tarea 4
700
600
600
Tarea 3
700
500
400
300
200
100
TTR (ut)
500
400
300
200
100
TTR (ut)
TTR (ut)
Equipo m/Asignacion j
0
1
2
3
4
1
1,0
0,6
0,8
0,9
0,9
2
1,0
0,8
0,9
0,9
1,0
3
1,0
0,8
1,0
1,0
1,0
4
1,0
1,0
1,0
1,0
1,0
Equipo m/Tarea j
0
1
2
3
4
1
175
368
232
211
198
2
169
290
189
199
175
289
3
174
271
187
186
161
4
164
173
161
165
162
cw
g,1,3 =
La tabla (22.1) muestra los costos globales ponderados para todos los casos posibles.
El cargador 1 es menos competitivo que el cargador 0 (el retador) o que cualquiera de los demas
cargadores. En consecuencia debe ser reemplazado. En tal caso las combinaciones (m, j) con menor costo
global ponderado son (0, 1), (2, 2), (4, 3), (3, 4). Si se adquieren dos cargadores nuevos, ellos deben ser
asignados a las tareas 1 y 2. El equipo 4 es mas competitivo que uno nuevo en la tarea 3. Lo mismo es
valido para el equipo 2 con respecto a la tarea 4.
18.6.
Modelo de optimizaci
on
1
0
18.7.
Restricci
on de presupuesto
En el modelo anterior, no hemos incluido una restriccion a las adquisiciones. Una forma sencilla de
hacerlo considera limitar el numero de retadores que puede ser adquirido:
X
I0,j nmax
j
La tabla (18.4) muestra la sensibilidad de la solucion optima respecto del parametro nmax .
290
nmax
2
1
0
Tipo de tarea
1 2 3 4
0 0 2 4
0 0 2 4
0 2 4 3
3 2 4 1
cw
g
666
666
690
734
c_g^w*
700
680
660
640
620
0
inf
n_max
18.8.
Comentarios finales
1 2005-II.
Equipo m/Tarea j
1
2
3
4
M T T R (ut)
4
1.5
3
3.5
1
1980
855
1530
1755
2
1530
338
945
1238
3
1485
675
1350
1418
4
540
203
405
473
Cuadro 18.5: Costo de falla al acortar los M T T R en 0.5 ut (um/interv.) (aproximados desde los graficos)
Equipo m/Tarea j
1
2
3
4
1
138.6
35.1
33.7
22.8
2
107.1
13.8
20.8
16.1
291
3
104.0
27.7
29.7
18.4
4
37.8
8.3
8.9
6.1
Equipo m/Tarea j
1
2
3
4
1
130.0
250.0
193.8
172.2
2
130.0
187.5
172.2
155.0
3
130.0
187.5
155.0
155.0
4
130.0
150.0
155.0
155.0
Equipo m/Tarea j
1
2
3
4
1
268.6
285.1
227.4
195.0
2
237.1
201.3
193.0
171.1
3
234.0
215.2
184.7
173.4
4
167.8
158.3
163.9
161.1
Equipo m/Tarea j
1
2
3
4
4
1
1
1
1
292
Bibliografa
[1] Vorster, M.C., Glenn A., Model for Retiring, Replacing, Or Reassigning Construction Equipment, J.
Const. Eng. and Management, 113(1), 125-137, 1987. [bajar]
[2] Taylor, J. S., A statistical theory of depreciation based on unit costs, J. Am. Stat. Assoc., 18 (New
Series) (114), 1013, 1923.
[3] Van Duzer, W.A., When should equipment be replaced?, Construction methods, Jan., 62, 1930.
[4] Caterpilar Tractor Company. Equipment economics. Market Development Div., Caterpilar Tractor
Co., Peona, Ill, 1969.
[5] Nunally, S. W., Managing construction equipment, Prentice-Hall, Englewood Cliffs, N.J., 1977.
[6] Douglas, J., Equipment costs by current methods, J. Constr. Div., ASCE, l04(C02), 191205, 1978.
293
294
Captulo 19
19.1.
Introducci
on
Basicamente, los sistemas de informacion actuales trabajan como bases de datos, que mantienen
registros del historial de mantenimiento de los equipos, las ordenes de trabajo, repuestos, etc. Ademas,
entregan reportes, que requieren de procesamiento de los datos para producir indicadores de costos,
analisis de fallas, an
alisis de disponibilidad, etc. Actuando asi, podemos hablar de sistemas de informacion
pasivos.
Algunos sistemas ofrecen opciones de optimizacion de las tareas de mantenimiento. Tambien se pueden
encontrar paquetes especializados[1, 10, 11, 12]. Sin embargo, estos paquetes requieren la intervencion
del usuario en una forma u otra. Esta intervencion puede incluir un nivel de actividades muy variable,
por ejemplo: ingresar los datos al computador, verificar su calidad y consistencia, seleccionar un modelo
matem
atico adecuado para el an
alisis, recomendar acciones en base al resultado del analisis, examinar
estrategias alternativas. Este tipo de implementacion ha probado ser muy u
til en sistemas con pocos
componentes (por ejemplo; los m
as crticos en un analisis de Pareto) pero no es adecuada cuando el
n
umero de componentes es grande.
La realidad actual muestra que los sistemas de informacion de mantenimiento en sistemas a gran
escala sirven b
asicamente para producir indicadores de gestion. Este uso restringido de la informacion no
es causado por una falta de interes de los actores, sino a la escasez de recursos para analizar la informacion
disponible.
La optimizaci
on de la gesti
on del mantenimiento requiere tomar los siguientes puntos en consideracion:
Los sistemas consisten de un gran n
umero de componentes Lo que conlleva a una gran variedad
de situaciones que pueden ser tratadas utilizando diferentes modelos y metodos.
Los sistemas actuales requieren un alto grado de expertize Los ingenieros de mantenimiento a
cargo de la optimizaci
on requieren estar familiarizados con el modelamiento del mantenimiento, aparte
de su know-how ingenieril sobre los sistemas estudiados.
El tiempo de an
alisis por componente o sistema es prohibitivo Aun si se dispone del recurso
humano capacitado, las tareas de analisis requieren de un tiempo prohibitivo por la gran cantidad de
295
296
componentes y por la posible dificultad en obtener informacion suficiente y fidedigna. Es as, que solo los
sistemas mas crticos son analizados.
El cambio en las tecnologas y redise
nos es constante El reemplazo de componentes con otros
de tipos diferentes o modificaciones que se realicen sobre el dise
no implican nuevos desafos en el tiempo.
Lo anterior apunta al dise
no e implementacion de sistemas inteligentes de apoyo a la toma decisiones,
que requieran poca supervision por parte del ingeniero de mantenimiento.
19.2.
La toma de decisiones asistida por computador es conocida como DSS por sus siglas en ngles1 .
Desde mediados de los a
nos 80 han aparecido una serie de tecnicas de inteligencia artificial y sistemas
expertos que han ayudado al desarrollo de los DSS, llevandolos a un estado en que pueden ser considerados
inteligentes. (Eom y Lee, 1990)[3] sugieren que los DSS se distinguen de otros sistemas por incluir modelos
de investigacion de operaciones.
La idea central que desarrollaremos aqu es la seleccion del modelo apropiado con el uso de una base de
reglas. Los modelos considerados est
an orientados a la toma de decisiones de mantenimiento. Se alimentan
del historial de mantenimiento para un componente simple o una serie de componentes similares.
Los requerimientos definidos por Kobbacy[2] para un DSS inteligente son:
1. accesar los datos de historial desde el sistema de informaci
on;
2. examinar la calidad de los datos;
3. reconocer patrones en los datos;
4. solicitar informaci
on adicional al usuario (criterio, ponderacion, etc);
5. seleccionar el modelo m
as adecuado para el analisis de los datos;
6. estimar los par
ametros del modelo seleccionado;
7. optimizar el modelo para proveer una evaluacion de la situacion actual vs la situacion tras tomar
la estrategia de mantenimiento
optima;
8. presentar los resultados en un formato flexible, incluyendo una recomendacion sobre la estrategia
de mantenimiento a futuro y una comparacion con la estrategia actual;
9. responder preguntas del usuario, realizar analisis que pasara si...? proveer explicaciones de las
decisiones;
2
19.3.
297
inicio
no
si
Modelo geometrico I
Nro eventos PM grande
AND
Nro eventos CO pequo
AND
ciclos PM regulares
no
si
Modelo geometrico II
Nro eventos PM grande
AND
Suficientes ciclos PM con
eventos CO
AND
ciclos PM irregulares
no
si
Modelo determnistico
Nro eventos PM
pequeo
AND
Suficientes eventos CO
AND
Weibull:b>1
no
Nro eventos PM
pequeo
AND
Suficientes eventos CO
AND
Weibull:b<1
no
no
Nro eventos PM
grande
AND
Nro eventos CO grande
AND
Weibull:b=1
si
Modelo Weibull
si
Detener PM
Reportar b
si
Modelo estocstico
no
Nro eventos PM
grande AND
existen eventos CO AND
Weibull:b<>1
AND ciclo PM irregular
si
Modelo determinstico
No hay modelo disponible
19.3.1.
El sistema de informaci
on contiene un registro de intervenciones para cada componente. Una intervencion puede ser de dos tipos: preventiva o correctiva, y tiene asociada una fecha y el tiempo de detencion
asociado.
Antes de realizar un an
alisis, el DSS toma las fechas de cada evento y normaliza la edad del componente tras cada evento a alguna unidad de tiempo adecuada. Tambien se verifica la consistencia de
los datos con alg
un an
alisis de tendencia, o verificacion de frecuencias de intervenciones preventivas. El
objetivo aqu es usar el historial minimizando la intervencion del usuario.
19.3.2.
An
alisis
El primer paso en el an
alisis de los datos es el calculo de parametros basicos tales como el n
umero de
eventos preventivos y correctivos, el tiempo medio para fallar, el tiempo medio para reparar o intervenir.
Es necesario considerar posibles censuras en los datos pues el mantenimiento preventivo afecta el calculo
de la confiabilidad y sus par
ametros asociados, a partir de los cuales se toman decisiones.
Los intervenciones preventivas representan censuras a la derecha (ver captulo 12). La vida del componente es terminada antes de que la eventual falla ocurriese: eso es, el componente ha sobrevivido hasta
el instante t = Tp , donde Tp es el intervalo entre preventivas.
298
La confiabilidad de un componente es modelada aqu con una distribucion de Weibull. Uno de los
modelos utilizado (determinstico) considera que el parametro de forma es unitario (con un nivel de
confianza dado), lo que equivale a utilizar una distribucion exponencial, con tasa de fallas constante.
19.3.3.
Criterios de optimizaci
on
En el DSS considerado, la u
nica variable de decision es el intervalo entre intervenciones preventivas,
Tp . Las posibles funciones objetivos son:
Maximizaci
on de la disponibilidad
Este criterio es apropiado en los casos en los cuales el costo de falla es mucho mayor que los costos de
intervencion.
Minimizaci
on de los costos de intervenci
on
A partir de un modelo de disponibilidad es facil obtener uno para el de los costos de intervencion.
El problema est
a en que no se toma en cuenta el costo de falla. Es necesario a
nadir restricciones para
asegurar los requerimientos mnimos de disponibilidad.
Minimizaci
on del costo global
Este objetivo es el que interesa directamente al propietario de la empresa. Lo negativo es que requiere
la estimacion del costo de falla, que como ya hemos visto puede ser difcil de obtener. La cantidad de informacion requerida crece bastante y est
a fuera del alcance del sistema de informacion que consideraremos.
La obtencion de la informaci
on adicional no es trivial.
El sistema de informaci
on no entrega los costos. Luego, se selecciono la maximizacion de la disponibilidad como objetivo para todos los componentes.
19.3.4.
Selecci
on de m
etodo
El elemento m
as importante del DSS propuesto es el arbol de decision para la seleccion del modelo mas
adecuado para cada componente. La base de conocimiento consiste de una serie de reglas. Esta base de
reglas captura de alguna manera el conocimiento de los expertos en modelamiento de toma de decisiones
de mantenimiento acerca de que modelo es mas apropiado aplicar para cada situacion particular (en base
al conjunto de eventos en el historial de un componente).
Los factores que influencian la selecci
on del modelo para identificar un conjunto de datos dado son
(para este DSS ):
1. Historial
a) Tipo: costos de intevenci
on, tiempos para reparar, horas-hombre requeridas.
b) Patr
on: por ejemplo:
1) En relaci
on a intervenciones correctivas: sin fallas, pocas fallas, muchas fallas con pocas
intervenciones preventivas;
2) En relaci
on a los intervalos entre intervenciones preventivas: intervalo variable, intervalo
constante;
c) Distribuci
on: tipos de distribuciones: exponencial, Weibull con > 1, = 1, < 1;
2. Estrategia actual de mantenimiento
a) Inspecci
on (no aqu);
b) Solo intervenciones correctivas mnimas e intervenciones preventivas perfectas;
c) Reemplazo (no aqu);
299
Tp
TTR
Tie
TTR
operativo
no
operativo
PM
CO
PM
Tiempo
Edad
Tiempo
19.3.5.
Modelos considerados
300
ne , el n
umero de eventos (preventivos o correctivos) registrado para el componente;
La i-esima intervenci
on puede ser preventiva o correctiva,
1 si es correctiva
i =
0 si es preventiva
y toma T T Ri unidades de tiempo en ser llevada a cabo; el intervalo entre preventivas j, considera
los intervalos intereventos incluidos en el mismo, los intervalos para intervenciones correctivas y una
intervenci
on preventiva (ver figura 19.2):
X
X
Tp,j =
Tie +
T T Ri + T T Ri,pm
ij
ij,co
(19.1)
(19.2)
y
ci (Tp ) =
sujeto a la restricci
on
A(Tp ) Amn
(19.3)
En este modelo los costos e intervalos para intervenir no dependen de Tp , aunque la extension puede
ser hecha f
acilmente. Mejor que resolver el modelo absoluto (19.2) es definir:
Ci,co = ci,co M T T Rco
Ci,pm = ci,pm M T T Rpm
301
(Tp ) =
(19.4)
donde la raz
on de costos por unidad de tiempo es mas facil de estimar (ci,pm /ci,co seguramente es
menor que 1).
El modelo utilizado por Kobbacy para nco (Tp ) es el polinomio,
nco = a1 Tp + a2 Tp2
(19.5)
aunque se pueden utilizar otras aproximaciones mas sofisticadas, por ejemplo con Weibull:
nco (Tp ) =
(19.6)
(pero que requiere un proceso iterativo de solucion). El numerador dentro del parentesis representa la
edad esperada al final del intervalo. Como usualmente
Tp M T T Rco nco + M T T Rpm
podemos intentar la aproximaci
on
nco (Tp ) =
Tp
(19.7)
La maximizaci
on de la disponibilidad (19.1) permite encontrar el optimo Tp .
Modelo determinstico con costo de falla variable y minimizaci
on del costo global
2
Consideremos,
Ci,0
MTTR
donde Ci,0 corresponde la costo de intervencion cuando la intervencion demora una unidad de
tiempo;
3. El costo de falla correctivo depende de la duracion de la intervencion, presentando discontinuidades
y cambios de pendiente producto del agotamiento de pilas, uso de otros metodos menos eficientes,
desvo de otros recursos para satisfacer lo mejor posible el programa de produccion seg
un se observa
en figura 19.3.
4. El n
umero esperado de fallas sigue el polinomio,
nco = a1 Tp + a2 Tp2
2 control
2, 2004-II.
(19.8)
302
Clf,4
Clf,3
Crf,2
Clf,2
Crf,1
Clf,1
MTTR^l_1
MTTR^l_2
MTTR^l_3
MTTR^l_4
Figura 19.3: Modelo determinstico con costo de falla por unidad de tiempo variable
5. Se desea fijar un intervalo
optimo entre preventivas as como un tiempo de intervencion optimo que
minimizen el costo global esperado por unidad de tiempo.
Para modelarlo se utilizan:
l
1 si M T T Rjl M T T R M T T Rj+1
0 -
MTTR
0
j =
Ademas,
M T T Rj =
l
si M T T Rjl M T T R M T T Rj+1
-
(19.9)
j = 1
cg (Tp , , MTTR) =
1 + a1 Tp + a2 Tp2
Cf +
Tp
por supuesto,
Tp > 0
P Ci,0
j M T T Rj
303
Figura 19.4: Logaritmo del costo global esperado por unidad de tiempo
Ejemplo 89 Consideremos los siguientes par
ametros:
Ci,0 = 1 um ut
a1 = 0
a2 = 2 ut2
j
1
2
3
4
5
M T T Rjl
0
0.2
0.6
1
104
l
Cf,j
0
0.2
0.4
1
r
Cf,j
0.05
0.3
1
104
Una mejora natural al modelo anterior considera que el costo de intervencion presenta discontinuidades en funci
on del M T T R, tal como el costo de falla. La curva esta definida por M T T Rjl , y
3 examen
2004-II
304
l
r
los costos Ci,j
y Ci,j
por la izquierda y la derecha del segmento j. Para obligar a Ci a tomar su definicion,
"
#
r
l
X
Ci,j
Ci,j
l
l
Ci =
Ci,j +
M T T Rj M T T Rj j
l
M T T Rj+1
M T T Rjl
j
M T T Fco =
M T T Fpm
(Watson,1970)[4] define el factor de impacto ,
M T T Fpm
M T T Fco
co
=
pm
(19.10)
co
M T T Rpm
=
pm
M T T Rco
Claramente, debe ser mayor que 1 para que el mantenimiento preventivo sea efectivo.
Se puede probar[4] que la disponibilidad en este modelo es
1
( 1) Fpm (Tp )
A(Tp ) = 1 M T T Rco
+
M T T Fco
Tp
(19.11)
con
Fpm (Tp ) = 1 epm Tp
(Watson, 1970)[4] presenta un modelo que considera un grupo de componentes. El intervalo optimo entre
intervenciones preventivas es obtenido al maximizar la disponibilidad del conjunto de componentes, con el
mismo factor de mejora. El modelo es muy practico dado que las intervenciones preventivas son aplicadas
en general a un sistema o subsistema completo en vez de a un componente por separado. Tambien es
posible generalizar el modelo para utilizar otras distribuciones.
Modelo geom
etrico I
Este modelo es aplicable a un componente sujeto a mantenimiento preventivo con intervalos relativamente similares (digamos Tp0 ) y no se han registrado fallas en el historial. Estos casos implican posibles
excesos en el programa preventivo. Ocurre en general cuando el programa preventivo se basa en las recomendaciones hechas para modelos previos, sin considerar los efectos de las mejoras de dise
no (Moss,
1985)[5].
305
1
nc + 1
(19.12)
Observaci
on 36 La ecuaci
on (42.5) no corresponde a rangos medios standard:
Fi =
i
n+1
sino a la versi
on inicial,
Fi =
i
n
y siendo exponencial,
F (Tp0 ) = 1 e0 Tp0
(19.13)
luego,
nc
nc + 1
c
log ncn+1
o =
Tp0
e0 Tp0 =
Ejemplo 90 Un componente ha pasado por nc = 6 ciclos PM sin sufrir fallas. El intervalo entre preventivas es:
Tp0 = 6 um
luego,
log
0 =
6
6+1
6
= 0,0257 fallas/um
Usando (19.13) podemos calcular la confiabilidad R(Tp ) vs Tp , como se muestra en figura (19.5).
El modelo debe considerar que la tasa de fallas depende de Tp (como en el modelo con Tp variable).
Observaci
on 37 Si la tasa de fallas es constante (e independiente de Tp ) entonces el mantenimiento
preventivo no tiene efectos sobre el componente: para que hacer m
as o menos mantenimiento preventivo?
Consideramos entonces que la tasa de fallas varia seg
un alguna ley arbitraria, pues solo tenemos un
punto de la misma. El punto disponible es (0 ,Tp0 ) donde Tp0 es el intervalo fijado historicamente. Si
usamos el modelo (19.5) tenemos,
Z Tp M T T Rpm
nco
(Tp )dt
0
306
1
0.95
0.9
0.85
0.8
0.75
0.7
0.65
0.6
0.55
0.5
10
15
20
25
T (um)
a2 =
(19.14)
y
a1 a2 M T T Rpm
(19.15)
nco
nc
(19.16)
Si asumimos distribuci
on exponencial,
F (Tp0 ) = 1 e0 Tp
(19.17)
307
luego,
log
0 =
nc nco
nc
Tp0
(19.18)
An
alisis de Weibull
El an
alisis de Weibull es realizado cuando el historial muestra suficientes eventos de falla y pocos
(o ning
un) evento(s) preventivo(s), que act
uen como censura. Esta situacion ocurre cuando no se ha
implementado un programa preventivo para los componentes o cuando no ha estado operando por un
largo intervalo de tiempo. El an
alisis permite establecer la tasa de fallas del componente (y con ella
el n
umero esperado de fallas en Tp ). El analisis del parametro de forma permite sugerir programas
preventivos ( > 1), o aumentar los intervalos entre intervenciones preventivas ( < 1).
19.4.
Estudio de casos
Para validar los resultados recomendados por el DSS, se utilizaron 6 componentes reales de una
industria y se compararon sus resultados con los de 6 expertos. La planta opera 15 horas/da. La unidad
de tiempo seleccionada es ut = 1 da.
Los criterios de los expertos son:
Intervalo regular entre intervenciones preventivas,
Tpmn Tpmax
0,7
Tp
N
umero grande intervenciones preventivas,
np =
n
X
(1 i ) 10
i=1
N
umero grande de intervenciones correctivas,
nco =
n
X
i 10
i=1
N
umero suficiente de intervenciones correctivas,
nco =
n
X
i > 2
i=1
para poder estimar los dos parametros del modelo parabolico para el n
umero de fallas esperado vs
Tp ; o de un modelo de Weibull de 2 parametros.
19.4.1.
La tabla (19.2) muestra el historial registrado (bajar aqu). Como se observa, no hay eventos de falla
en el historial.
El promedio de los intervalos entre eventos PM es 90.3 das, la desviacion standard es 5.6 das.
Tpmn Tpmax
101 82
=
= 0,21 0,7
Tp
90
Se consideran intervalos regulares. Aplicamos el metodo geometrico I.
308
Evento i
1
2
3
4
5
6
7
8
9
10
11
12
Intervalo desde
u
ltimo evento Tie (das)
87
82
94
94
101
82
88
90
90
94
91
Tipo de
evento ()
0
0
0
0
0
0
0
0
0
0
0
0
TTR
(horas)
1
1
1
1
1
1
1
1
1
1
1
1
12/15
= 0,9992
993
El componente ha pasado por nc = 121 = 11 ciclos PM sin sufrir fallas. El intervalo entre preventivas
es:
Tp0 = 90,3 um
luego,
log
0 =
11
11+1
11
= 9,6 104 fallas/um
Usando (19.13) podemos calcular la confiabilidad R(Tp ) vs Tp , como se muestra en figura (19.6). Esta
curva es valida solo para Tp = Tp0 .
A continuaci
on se analiza un modelo para la tasa de fallas en funcion de Tp . Utilizamos el modelo
propuesto por Kobbacy, en ecuaci
on (19.5) y usamos (19.14) y (19.15) para estimar los coeficientes del
modelo:
0
9,6 104
2
a2 =
=
= 1,07 105 fallas/ut
Tp0
90,3
y
1
a1 = a2 M T T Rpm = 1,07 105
= 7,12 107 fallas/ut
15
Con lo que podemos construir la curva de n
umero de fallas esperada vs Tp (figura 19.7) y la curva
de disponibilidad vs Tp (figura 19.8). La disponibilidad puede ser aumentada ,03 % al llevar el intervalo
entre preventivas desde 90 a Tp = 306 das. Claramente los costos de intervencion en preventivas bajaran
un tercio.
La figura 19.9 muestra el costo esperado de intervencion por ut (normalizado) vs Tp para =
ci /Ci,pm = 2. En este caso el optimo intervalo entre preventivas es un poco menor que si se maximiza la
disponibilidad.
Ejercicio 5 Proponga un modelo y obtenga el intervalo
optimo entre preventivas si el costo de falla por
unidad de tiempo cumple:
cf = ci,pm
y
ci,co = ci,pm
309
Caso I, T =T
p
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
R(0,t)
Nivel de PM
0.1
0
20
40
60
80
100
120
140
160
180
200
Edad t (um)
Figura 19.6: Caso I. Modelo geometrico I. Confiabilidad vs intervalo entre intervenciones preventivas.
Caso I
4
3.5
nco
2.5
1.5
0.5
100
200
300
400
500
600
Tp (um)
310
Caso I
1
0.9995
0.999
0.9985
0.998
0.9975
0.997
0.9965
0.996
0.9955
0.995
100
200
300
400
500
600
Tp (um)
Figura 19.8: Caso I. Modelo geometrico I. Disponibilidad esperada vs intervalo entre intervenciones preventivas.
Caso II
0.025
ci/Ci,pm ut-1
0.02
0.015
0.01
219
0.005
100
200
300
400
500
600
Tp (um)
Figura 19.9: Caso I. Modelo geometrico I. Costo esperado de intervencion por ut (normalizado) vs Tp .
Evento
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
Intervalo desde
el fin del u
ltimo
evento (das) Tie
82
115
83
82
89
162
52
59
88
92
79
16
98
342
96
53
8
0
38
73
85
134
34
151
351
184
584
76
Tipo de
evento
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
1
1
0
0
0
0
0
0
0
0
0
0
T T Rpm
(horas)
12
1
1
1
1
1
1
3
1
1
1
4
1
1
1
5
4
0
2
1
1
1
1
1
1
0
1
5
1
Ciclo de
vida
j
1
2
3
4
5
6
7
8
9
10
10
11
12
13
14
14
14
14
15
16
17
18
19
20
20
21
22
23
311
19.4.2.
En este caso existen eventos de falla y los intervalos entre intervenciones preventivas son bastante
variables. Utilizaremos el modelo determinstico. Hay ne = 29 eventos, de los cuales nco = 4 corresponden
a fallas y nc = 23 ciclos de intervenciones preventivas. La tabla de datos se puede bajar aqu.
Una intervenci
on correctiva demora en promedio,
M T T Rco =
4+4+0+2
= 2,5 horas
4
312
Caso II
-1.4
-1.6
log[log(R-1)]
-1.8
-2
-2.2
-2.4
-2.6
-2.8
3.95
4.05
4.1
4.15
4.2
4.25
4.3
4.35
4.4
4.45
log t
Pne
(1 i ) T T Ri
i=1
Pne
= 1,32 horas
i=1 (1 i )
Tp M T T Rpm
donde y se calculan considerando las edades al comienzo de un evento y las censuras (renacimientos) producidas por las intervenciones preventivas. En primer lugar se calculo la edad a la que ocurrio cada
evento (
ultima columna de tabla 19.3). Usando el metodo de Lewis[7] (12) se estimo la confiabilidad
para los 4 eventos de falla (figura 19.10) y luego se ajustaron los siguientes parametros de Weibull:
= 2,54
= 146,7 das
lo que nos permite estimar la confiabilidad, el n
umero de fallas vs el intervalo entre preventivas y la
disponibilidad (figuras 19.11- 19.13).
19.4.3.
La tabla (19.4) muestra el historial para este caso (bajar aqu). Habiendo suficientes intervenciones
preventivas y correctivas se selecciona en modelo estocastico. Se asume que las reparaciones son mnimas
y que los T T F en ambas estrategias siguen una distribucion exponencial,
1
= 38 ut
co
1
=
= 153 ut
pm
M T T Fco =
M T T Fpm
entonces el factor de impacto es,
=
M T T Fpm
= 4,01
M T T Fco
313
Caso II
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
50
100
150
200
250
Edad (dias)
Figura 19.11: Caso II. Modelo estocastico. Confiabilidad vs edad del componente.
Caso II
1
Optimo
Actual
0.9985
0.999
0.9983
0.998
0.997
0.996
0.995
0.994
0.993
0.992
0.991
50
100
150
200
250
300
350
400
450
500
Tp (um)
314
Caso II
25
20
nco
15
10
50
100
150
200
250
300
350
400
450
500
Tp (um)
y el factor de servicio,
=
M T T Rpm
= 0,293
M T T Rco
19.4.4.
evento
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
Intervalo desde
u
ltimo evento (das)
79
51
133
59
127
85
90
156
62
35
83
254
53
118
181
168
29
130
55
87
171
188
175
1
498
445
Tipo de
evento
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
315
TTR
(horas)
1
1
1
1
1
1
1
1
1
1
1
1
10
1
1
1
1
1
8
1
1
1
0
8
18
1
1
Edad t al inicio
del evento
desconocida
79
51
133+51
59
127
85
90
156
62
62+35
83
254
53
118
181
168
29
130
55
87
171
188
175
1
498+1
445
Caso III
1
0.99
0.98
0.97
0.96
0.95
0.94
0.93
0.92
50
100
150
200
250
300
350
400
450
500
Tp (um)
Figura 19.14: Caso III. Modelo estocastico. Disponibilidad media esperada en funcion del intervalo entre
intervenciones preventivas.
316
Evento
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
Intervalo desde
u
ltimo evento (das)
0
264
11
0
69
64
0
71
3
13
0
42
0
72
10
42
0
76
540
0
720
0
97
132
0
126
0
41
5
2
2
Tipo de
evento ()
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
TTR
(horas)
1
0
24
1
0
0
1
0
0
2
0
2
2
0
24
0
1
0
8
0
2
0
2
6
1
0
24
0
1
0
0
1
317
Caso IV
1.5
0.5
log[log(R-1)]
-0.5
-1
-1.5
-2
-2.5
-3
log t
19.4.5.
El historial mostrado en tabla (19.6) muestra solo 3 intervenciones correctivas. La primera corresponde
al primer evento del historial por lo que se desconoce la edad del componente al iniciar ese ciclo de vida.
La tercera falla ocurre justo al terminar de reparar la segunda por lo que se trata de una muerte infantil
posiblemente producto de una intervencion de mala calidad. Es as que solo queda una sola falla u
til para
el analisis. Adem
as, los intervalos entre preventivas son bastante regulares. Lo anterior apunta al uso
del modelo geometrico II seg
un el
arbol de decisiones propuesto. Para la estimacion de Tp0 se descarta
el evento 2 pues no se conoce el intervalo desde la ultima intervencion preventiva. El modelo entrega la
disponibilidad mostrada en figura (19.16).
Ejercicio 6 Realice un an
alisis para el componente cuyo historial se muestra en tabla 19.7.
19.5.
Comentarios finales
Hemos presentado un prototipo de DSS para el problema de optimizar las decisiones de mantenimiento
en sistemas industriales complejos. El enfoque muestra ser muy viable y factible de ser desarrollado, para
enriquecer la base de modelos y el
arbol de decision que realiza la seleccion del modelo mas adecuado.
Kobbacy reporta que tal como est
a planteado, el DSS logro tratar 35 % de los componentes de un planta
industrial real.
Se argumenta que la viabilidad de los DSS de mantenimiento se dificulta por la falta de confianza en
el registro de los datos del historial. Sin embargo, en la medida que la gente que alimenta el historial se
convenza de su uso real en la optimizacion de la toma de decisiones, entonces crecera su preocupacion
por mejorar la calidad de los datos.
19.6.
A explorar
Ong et al [26] presenta un marco general para sistemas de apoyo a mantenimiento en el contexto
de la industria aeron
autica civil actual, en donde la cantidad de data de condicion a analizar es muy
importante y requiere el uso de redes de procesamiento distribuidas.
318
Evento
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Intervalo desde
u
ltimo evento (das)
5
188
192
173
170
233
180
171
63
0
114
296
77
197
145
205
Tipo de
evento
1
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
T T Ri
(horas)
2
1
2
2
2
2
2
2
1
3
0
1
1
1
1
1
1
Caso V
1
0.9999
0.9998
0.9997
0.9996
0.9995
0.9994
0.9993
0.9992
0.9991
0.999
200
400
600
800
1000
Tp (um)
1200
Evento
i
1
2
3
4
5
6
7
8
9
10
Intervalo desde
u
ltimo evento (das)
91
110
507
421
323
511
6
11
188
Tipo de
evento ()
1
1
0
1
0
1
0
1
1
1
319
T T Ri
(horas)
2
2
2
6
2
2
2
12
4
3
320
Bibliografa
[1] A.K.S. Jardine and D. Banjevic, M. Wiseman, S. Buck, T. Joseph, Optimizing a mine haul truck
wheel motors condition monitoring program, Journal of Quality in Maintenance Engineering, 7(4),
286-301, 2001. [bajar].
[2] Kobbacy, K.A.H., Proudlove, NC, Harper, MA, Towards an intelligent maintenance optimization
system, Journal of the Operational Research Society, 46 (7): 831-853, 1995. [bajar].
[3] Eom, H.B., Lee, S.M., A Survey of Decision Support System Applications (1971 april 1988), Interfaces, 20(3), 65-79, 1990.
[4] Watson, C., Is preventive maintenance worthwhile?, In Operational Research in Maintenance (A.K.S.
Jardine, Ed.), Manchester University Press, 142-173, 1970. [bajar].
[5] Moss, M.A., Designing for minimal maintenance expense, the practical application of Reliability and
Maintainability, Marcel Dekker, Inc., 1985.
[6] Locks, M.O., Reliability, Maintainability and Availaibility Assessment, Hayden Book Co., New Jersey,
1973.
[7] Lewis, E.E., Introduction to Reliability Engineering, John Wiley & Sons, New York, 1987.
[8] Dekker, R., Scarf, P.A., On the impact of optimisation models in maintenance decision making: the
state of the art, Reliability Engineering and System Safety, 60, 111-119, 1998. [bajar].
[9] Dekker, R. and Van Rijn, C.F.H., PROMPT-a decision support system for opportunity maintenance.
In Reliability and Maintenance of Complex Systems, ed. S. Ozekici, NATO-AS1 series 154. Springer
Verlag, Berlin, 517-536, 1996.
[10] Hastings, N.A.J., Jardine, A.K.S., Component replacement and the use of RELCODE. Micro. and
Rel., 19, 49-56, 1979.
[11] LCC-OPT: a decision support system for life cycle costing and optimisation. S and G en Partners,
Wijchen, The Netherlands, 1997.
[12] Van Rijn, C.F.H., Van Aken, J.A. and Smit, A.C.J.M., EMMA, a maintenance manning assessment tool. In Proceedings 3rd. EsReDa seminar on Equipment Ageing and Maintenance, Chamonix,
France, 14- 15 October 1992.
[13] KAH Kobbacy, J Jeon, The development of a hybrid intelligent maintenance,optimisation system
(HIMOS), Journal of the Operational Research Society, 52, 762-778, 2001. [bajar].
[14] R. C. M. Yam, P. W. Tse, L. Li1 and P. Tu, Intelligent Predictive Decision Support System for
Condition-Based Maintenance, Int J Adv Manuf Technol, 17, 383391, 2001. [bajar].
[15] James T. Luxhoj, Trefor P. Williams, Integrated decision support for aviation safety inspectors, Finite
Elements in Analysis and Design, 23, 381-403, 1996. [bajar].
[16] Patel, S.A., Kamrani, A.K., Intelligent Decision Support System for Diagnosis and Maintenance of
Automated Systems, Computers ind. Engng, 30(2), 297-319, 1996. [bajar].
321
322
[17] Moynihan GP, Bowers JH, Fonseca DJ, et al., A knowledge-based approach to maintenance project
planning, Expert Systems, 19(2), 88-98, 2002. [bajar].
[18] M. Ong, X. Ren, G. Allan, V. Kadirkamanathan, H.A. Thompson, P.J. Fleming, Decision support
system on the grid, International Journal of Knowledge-Based and Intelligent Engineering Systems,
9(4), 315 - 326, 2005.
Captulo 20
Selecci
on de estrategias de
mantenimiento
Reading made Don Quixote a gentleman.
Believing what he read made him mad.
George Bernard Shaw
...in 1992 a typical manufacturer operated using approximately 55 % reactive maintenance
and 31 % preventive maintenance practices...Overtime...constituted on average 15 % of the
total working time in maintenance organizations...
Tim White [38]
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Evaluar que se cumplan las hipotesis de base para el modelo,
Seleccionar la estrategia de mantenimiento de menor costo global esperado por unidad de tiempo o
de mayor disponibilidad en equipos,
Comparar ahorros provocados por la decision tomada,
Estudiar los efectos de la estrategia preventiva en la demanda de repuestos.
20.1.
Introducci
on
324
20.2.
Estimaci
on de costos
Para los calculos se consideran dos tipos de costo. Los costos del servicio de mantenimiento han
sido agrupados bajo costos de intervenci
on Ci um/intervencion. Esto incluye los costos de repuestos,
insumos, y del personal requerido para la reparacion de equipos, o para el reemplazo de componentes en
mal estado. Las consecuencias de una parada sobre la produccion son consideradas en el costo de falla Cf
um/falla. Este costo incluye la detenci
on de la maquinaria, demoras en la produccion, desorganizacion
de la producci
on. El valor exacto de los parametros mencionados es algunas veces difcil de obtener;
sin embargo, el an
alisis de los datos provenientes de un sistema informatico de mantenimiento bien
implementado permite una evaluaci
on suficientemente aproximada[3].
20.2.1.
) = ex
(20.1)
donde
t es el tiempo transcurrido desde que el equipo esta como nuevo con respecto a este modo de falla (o
sea, tras una intervenci
on preventiva. );
, , son los par
ametros de Weibull y x es el tiempo normalizado con respecto a la vida caracterstica
:
x=
Observaci
on 38 Este modelo considera que cualquier intervenci
on (correctiva o preventiva) es perfecta,
vale decir, dejar al equipo como nuevo. Ello puede ser exagerado, sobre todo en largo plazo. El tiempo t
se define entonces como el tiempo transcurrido desde la u
ltima intervenci
on. Los par
ametros de Weibull
se calculan a partir del tiempo entre intervenciones, lo que coincide con el tiempo entre fallas, solo si no
se han realizado mantenimientos preventivos desde la u
ltima falla. N dP .
Si se decide hacer mantenimiento correctivo, se tiene que el valor esperado para la duracion de un
ciclo de renovaci
on es M T BF ut, y
Ci + Cf
cg,c =
M T BF
lo que queda en terminos de xs :
Ci + Cf
cg,c =
(1 + 1/)
y para mantenimiento preventivo realizado cada Ts unidades de tiempo, existen dos tipos de ciclos posibles
uno sin falla, cuya probabilidad de ocurrencia es R(Ts ), costo esperado Ci y duracion Ts . En caso de
ocurrir una falla antes de Ts (con probabilidad F = 1 R(Ts )) el costo sera Ci + Cf y el ciclo tendra una
duracion esperada:
R Ts
tf (t)dt
0
1 R(Ts )
luego tenemos que
cg,p (Ts ) =
R Ts
tf (t)dt
1R(Ts )
[1 R(Ts )]
325
Aplicando integraci
on por partes:
Z
Z
udv = uv
vdu
con
u=R
v=t
se obtiene:
Z
Ts
Ts
tf (t)dt
R(t)dt = Ts R(Ts ) +
0
Observaci
on 39 Si se tieneuna distribuci
on Weibull sabemos que:
"
#
Z Tp
Tp
1
1
R(t)dt = inc
,
0
donde es la funci
on Gamma y inc es la funcion Gamma incompleta. Ambas pueden ser obtenidas
numericamente (o usando funciones especiales en paquetes como Excel o Matlab).
cg,p (Ts ) =
Ci + Cf [1 R(Ts )]
R Ts
R(t)dt
0
Ci + Cf [1 R(xs )]
R xs
R(x)dx
0
la razon entre el costo global esperado de mantenimiento preventivo por unidad de tiempo cg,p y el costo
global de mantenimiento correctivo cg,c esta dada por1 :
cg,p
1 + [1 R(Ts )] r M T BF
(Ts , r , , , ) =
R Ts
cg,c
1 + r
R(t)dt
0
o adimensionalmente,
cg,p
1 + [1 R (xs )] r (1 + 1/)
R xs
(xs , r , ) =
cg,c
1 + r
R(x)dx
0
(20.2)
donde:
Cf
Ci
es la raz
on entre el costo de falla y el costo de intervencion para una falla, y
r =
Cf = cf M T T R
donde cf es el costo de falla por unidad de tiempo y M T T R es el tiempo medio para reparar.
(1 + 1/) es el tiempo medio entre fallas (MTBF) -normalizado por x-,
xs =
Ts
326
=3
1.5
r=1
cg,p/cg,c
r=2
0.5
r=5
=10
r
r=20
r=100
0.2
0.4
0.6
x
0.8
1.2
Figura 20.1:
cg,p
cg,c
20.2.2.
Mantenimiento sintom
atico
El mantenimiento sintom
atico trata de evitar fallas repentinas midiendo los sntomas observables
sobre el componente. Si se usa la hip
otesis de que el seguimiento de las variables de condicion es perfecto,
el costo de falla ya no se aplica2 . Solo permanecen los costos de intervencion, al cual se debe agregar
el costo del inspecci
on o monitoreo. El costo de intervencion predictivo puede ser resultado de una sola
inversion, o costos repetidos. La inversi
on corresponde a la adquisicion de equipos, al costo de capacitar
al personal para el an
alisis. Los gastos repetidos corresponden al pago de servicios de medicion y analisis.
Estos costos pueden ser expresados como un costo de intervencion de mantenimiento sintomatico Cs por
cada ciclo de intervenci
on preventiva:
Cs = cs M T BF
Si se utiliza mantenimiento sintom
atico, el perodo entre dos intervenciones preventivas es aproximadamente el tiempo medio entre fallas M T BF . Si las inspecciones son hechas sin detener la producci
on
su costo global esperado por unidad de tiempo es:
cg,s =
Ci + Cs
M T BF
(20.3)
327
Ci + Cs 0
M T BF
Si todas las fallas repentinas con detencion no son evitadas, se evaluara el riesgo de detencion como
una probabilidad de no detecci
on . Esta probabilidad solo puede ser estimada por experiencia. As,
debemos a
nadir el costo de falla (para cada ciclo entre intervenciones preventivas):
00
Cg,s
(Ts M T BF ) = Cs + Cf
En este caso:
cg,s =
20.3.
Ci + Cs00
M T BF
Selecci
on de estrategia de mantenimiento
Para ser interesante desde un punto de vista economico, el mantenimiento predictivo debe tener un
costo inferior a los otros tipos de mantenimiento. Se pueden comparar calculando la razon entre el costo
global de mantenimiento predictivo por unidad de tiempo cg,s y mantenimiento correctivo cg,c . Para ser
c
mas barata que la preventiva debe ser inferior a cg,p
.
g,c
Seg
un ecuaciones 20.3,
cg,s
Ci + Cs M T BF
=
cg,c
M T BF Ci + Cf
Ci + Cs
=
Ci + Cf
1 + Cs /Ci
=
1 + r
c
cg,s
cg,c
es inferior a
20.4.
Estudio de caso
Consideremos en ejemplo propuesto en (Luce, 1999)[4]. Se trata de una empresa de hornos. Las
maquinas a analizar son las prensas de corte. La compa
na dispone de 6 con una capacidad entre 200 y
450 T. Estas m
aquinas pueden operar en serie o en paralelo (autonomas). Dado que estan al principio de
la lnea, son consideradas crticas para la produccion. La poltica de la empresa apunta hacia la reduccion
de niveles de repuestos.
20.4.1.
El componente
Un an
alisis ABC del tiempo medio para reparaciones M T T R muestra que el embrague es el componente critico de las m
aquinas. El estudio de los costos de intervencion (insumos, horas-hombre, servicios
externos) muestra que el embrague representa mas de 90 % de los mismos, para estas maquinas. Las
maquinas tienen en promedio 910 horas de intervencion con un costo de 590 um en un perodo de 5 a
nos.
Los costos incluidos son insumos, repuestos y servicio. El estudio de la historia de los equipos revela
328
1.5
cg,s/cg,c
r=5
r=10
0.5
r=20
r=100
0
5
Cs/Ci
10
6 intervenciones por falla repentina, lo que permitio construir un modelo de Weibull con los siguientes
parametros3 :
= 1,67
=0
= 43 ut
(1 + 1/) = 0,89
La unidad de tiempo considerada es 1 semana. El test de Kolmogorov-Smirnov valido el modelo de
Weibull. La duraci
on de una reparaci
on es de 130 HH (1 HH=0.2 um), los repuestos tienen un costo
de 4 um, lo que suma 30 um/intervenci
on y es lo que cuesta cambiar los discos del embrague. Una
detencion catastr
ofica requiere una intervencion no planificada inmediata del personal de mantenimiento,
frecuentemente con sobretiempo. Si la falla es mayor se contratan servicios de contratistas externos. La
parada de una m
aquina implica perdidas de produccion. El costo de falla es estimado en 2 veces el costo
de intervencion, o sea 60 um/intervenci
on.
20.4.2.
Selecci
on del tipo de mantenimiento
329
=1.67
1.5
r=1
r=2
cg,p/cg,c
r=5
r=10
r=20
r=100
0.5
0.2
0.4
0.6
0.8
1
xs
1.2
1.4
1.6
1.8
R(x)dx = 43 0,7445 = 32 ut
0
La figura 20.2 permite comparar los costos de mantenimiento sintomatico vs los de mantenimiento
preventivo.
El mantenimiento predictivo es rentable hasta que su costo alcance un valor correspondiente a Cs /Ci =
2. El calculo m
as detallado puede ser hecho rapidamente: la razon entre el costo predictivo y el correctivo
debe ser inferior a cg,p /cg,c :
cg,s
1 + Cs /Ci
cg,p
=
<
cg,c
1 + r
cg,c
despejando
Cs
cg,p
<
(1 + r ) 1 = 0,95 (1 + 2) 1 = 1,85
Ci
cg,c
Siendo Ci = 30 um/intervenci
on, el costo del mantenimiento predictivo no debe superar los Cs = 55,5
um (entre dos intervenciones, o sea aproximadamente el M T BF ):
M T BF = (1 + 1/) + = 43 0,89 + 0 38 ut
Esto corresponde a un presupuesto anual de:
55,5
52
76 um/a
no
38
330
10
(x)
0.5
1.5
2.5
La raz
on mnima entre preventivo y correctivo es aproximadamente 0.5. O sea, el realizar mantenimiento preventivo produce ahorros de 50 % sobre el mantenimiento correctivo.
2.
De f
ormula (11.3),
1
M T BF = + 1 +
1
=0+1 1+
3
= (1,33)
Observando en el gr
afico (20.4)
(1,33) 1
O sea, el tiempo medio entre fallas es aproximadamente 1 mes 5 .
Observaci
on 40 Las curvas presentadas fueron generadas en Matlab. Los programas est
an en luce.m y
en erre.m.
4 control
5 Una
2007
20.5.
331
Correcci
on din
amica con ventana de oportunidad
Supongamos que llega la edad a la cual se ha planificado que ocurra el reemplazo preventivo del
componente y este no ha presentado falla. La proxima ventana de oportunidad ocurrira en Top unidades
de tiempo. Supongamos que:
Top < Ts
Si se hace el reemplazo preventivo en cualquier momento entre ahora y Top , se incurrira en costo de falla,
ademas es probable que vuelva a fallar. El costo esperado si hace en t < Top unidades de tiempo desde
ahora eses:
Rt0 (t)
Una segunda opci
on es arriesgarse a que no falle el componente actual, aun si ha envejecido. Supongamos
que actualmente tiene una edad Tp ut. El costo esperado de esta opcion es:
(Ci + Cf ) Rt0 (Top )
20.6.
Una limitaci
on del modelo presentado en ref. [4] es que considera que los costos de intervencion Ci
son iguales tanto en mantenimiento correctivo como en preventivo. Consideremos ahora que los costos de
una intervenci
on correctiva es Ci,c y el de una intervencion preventiva Ci,p .
Ci,p + [1 R (xs )] Cf
R xs
R(x)dx
0
Ci,c + Cf
cg,c (xs ) =
M T BFx
M T BFx = (1 + 1/)
cg,p (xs ) =
Definiendo
Cf
Ci,c
Ci,p
k =
Ci,c
r =
Se obtiene la relaci
on:
cg,p
k + [1 R (xs )] r (1 + 1/)
R xs
(r , k , xs ) =
cg,c
1 + r
R(x)dx
0
En general k es menor que 1. Para el primer ejemplo se grafican las curvas para r = 2, = 3 con
k = 1 (caso ya estudiado) y k = 1/3 (figura 20.5). Adicionalmente se muestra la curva de confiabilidad,
la que inevitablemente se reduce con el tiempo. Se observa que el mantenimiento preventivo es rentable
solo si no es excesivamente frecuente. Al aumentar el plazo entre intervenciones preventivas la razon de
costos tiende a un valor constante e inferior a 1 (para este caso). En caso de no existir un mnimo absoluto
el criterio de costos es insuficiente para determinar un optimo. En tal caso convendra asegurar alg
un
nivel dado de confiabilidad (o de disponibilidad). En caso de no existir un mnimo absoluto de Cg,p
y
a
Cg,c
igualdad de valores, convendr
a el punto con mayor confiabilidad (el que este mas a la izquierda).
332
=3 k=0.33333
1.5
C /C
pr
r= 2
0.5
0
0
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
20.7.
Retomemos la misma idea pero consideremos una distribucion normal con parametros (, ). La
razon entre costos globales esperados por unidad de tiempo entre estrategia correctiva y preventiva es:
Ci R(Ts )+(Ci +Cf )[1R(Ts )]
cg,p (Ts )
=
cg,c
Ts R(Ts )+
R Ts
0 tf (t)dt [1R(T )]
s
1R(Ts )
(20.4)
Ci +Cf
M T BF
R
tf (t)dt
Ci (1 F ) + (Ci + Cf ) F
=
R Ts
Ci + Cf
Ts (1 F ) +
tf (t)dt
donde
Z
Ts
F = F (Ts ) =
f (t)dt
(20.5)
Ts
Ts
(20.6)
y
Z
tf (t)dt =
=
cg,c
Ci + Cf
Ts [1 (xs )] + [(xs ) + (xs )]
1 + r (xs )
x0
=
1 + r
(xs x0 ) [1 (xs )] (xs ) x0 (xs )
6 Examen
recuperativo 2005-I
(20.7)
333
0.04
Weibull =1.67 =43
Normal =38.4 ut =10
0.035
0.03
f(t)
0.025
0.02
0.015
0.01
0.005
10
20
30
40
50
60
70
80
90
100
Tiempo (ut)
cg,p/cg,c
1.2
1
0.8
0.6
0.4
0.2
0
10
20
30
40
50
60
70
80
90
Ts
Cf
Ci
x0 =
La figura (20.6) muestra una comparacion entre las distribuciones usadas en el ejemplo con distribucion
de Weibull y si se utiliza una distribucion normal que tiene el mismo valor esperado. La figura (20.7)
muestra los resultados. El
optimo se alcanza para:
Tp = 27 ut
La razon de costos en ese caso es:
cg,p
Tp = 0,61
cg,c
Un cierto componente de un equipo comercial falla en promedio cada 9080 ut, con desviacion standard
3027 ut. El reemplazo correctivo cuesta 1100 ut (global), mientras que el reemplazo preventivo cuesta
100 um (sin costo de falla asociado). Vale la pena el cambio preventivo? Si es as, cual es el plazo optimo
para ello?
7 examen
334
2
1,8
razn de costos
1,6
1,4
1,2
1
0,8
0,6
0,4
0,2
0
-3
-2
-1
xs
9080
x0 = =
= 3,00
3027
r =
cg,p
(T ) = 1 0,3 = 70 %
cg,c s
o en terminos absolutos,
0,7
1100
= 0, 085 um/ut
9080
20.8.
335
Maximizaci
on de disponibilidad
La duraci
on esperada de un ciclo al aplicar una estrategia correctiva es:
M T T F + Tr
donde Tr es el intervalo de tiempo requerido para hacer una intervencion, que asumiremos constante. Lo
mismo haremos para el intervalo para overhaul, To :
=
To
Tr
R(t)dt
Ac = R 0
R(t)dt + Tr
0
Al implementar una estrategia preventiva cuando el equipo tiene una edad de Ts ut, la duracion esperada
de un ciclo de renovaci
on es:
!
R Ts
tf
(t)dt
0
(Ts + To ) R(Ts ) +
+ Tr F (Ts )
F (Ts )
Z Ts
= (Ts + To ) R(Ts ) +
tf (t)dt + Tr F (Ts )
0
Ts
= (Ts + To ) R(Ts ) +
tf (t)dt + Tr F (Ts )
0
Z
=
Ts
tf (t)dt
F (Ts )
F (Ts )
Z Ts
= Ts R(Ts ) +
tf (t)dt
Ts R(Ts ) +
Ts
R(t)dt
0
Z
M T T I(Ts ) =
Ts
R(t)dt
0
R(t)dt
o su complemento, la indisponibilidad:
Dp = 1 Ap
= R Ts
0
To R(Ts ) + Tr F (Ts )
R(t)dt + Tr R(Ts ) + Tr F (Ts )
336
1.0
0.100
0.010
0.001
Correctivas
Preventivas
0.5%
0.1
Frecuencia (1/ut)
To R(Ts ) + Tr F (Ts )
M T T I(Ts )
por conveniencia:
R(Ts )
F (Ts )
+ Tr
M T T I(Ts )
M T T I(Ts )
= To f (Ts ) + Tr (Ts )
Dp = To
donde f corresponde a la frecuencia esperada para las preventivas y a la frecuencia esperada para las
correctivas. La sensibilidad puede ser estudiada en un diagrama de dispersion de tiempos como se muestra
en figura 20.9.
Ahora podemos introducir la raz
on pc , que nos permite decidir entra ambas estrategias:
A
pc =
Ap
Ac
R Ts
R Ts
R(t)dt
0
R(t)dt+Tr R(Ts )+Tr F (Ts )
R
R(t)dt
R 0
R(t)dt+Tr
0
R
R(t)dt + Tr
0R
= R Ts
R(t)dt
R(t)dt + Tr R(Ts ) + Tr F (Ts )
0
R Ts
0
R(t)dt
Tr
R(t)dt
luego,
R Ts
A
pc
(Ts , ,) = R Ts
0
R(t)dt
(1 + )
20.8.1.
337
Weibull de 2 par
ametros
Si definimos,
t
x=
Tenemos,
Ts
Ts
y
Ts
R(t)dt =
0
e(
) dt
0
xs
Z
=
ex dx
R(t)dt = (1 + 1/)
0
sustituyendo,
R xs
A
pc (xs , ,) == R xs
0
ex dx
(1 + )
ex dx + (1 + 1/) 1 + ( 1) exs
0
El termino:
xs
(20.8)
ex dx
ex dx = 1 exs
Para = 2,
Z
xs
e
0
dx =
erf (xs )
2
338
1.005
A
pc
0.995
0.99
0.985
0.98
0.5
1.5
2.5
xs (ut/ut)
1.005
A
pc
0.995
0.99
0.985
0.98
20
40
60
80
100
120
Ts (ut)
0.995
Correctiva
Preventiva
0.99
0.985
0.98
0.975
0.97
0.965
20
40
60
80
100
120
Ts (ut)
339
R Ts
R(t)dt (ut)
0
0,018
0,036
0,025
Cgp
= 0,1
Cgf
luego,
cg,p (Ts )
p R(Ts ) + [1 R(Ts )]
=
R Ts
Cgf
R(t)dt
0
h
i
t
t
p e( ) + 1 e( )
=
Tp
1
, 1
inc
La figura 20.13 muestra un estudio del costo esperado. Tiene su mnimo en:
Ts = 0,015 ut
El ajuste de par
ametros en excel puede ser bajado aqu . El calculo en matlab:
alphap=0.1, eta=0.0408, beta=1.52 Ts=eta/100:eta/100:3*eta;
MTBI=[eta/beta*gammainc((Ts/eta).^beta,1/beta)*gamma(1/beta)];
plot(Ts,[(alphap-1)*exp(-(Ts/eta).^beta)+1]./MTBI) xlabel(T_s
(ut),fontsize,14) ylabel(c_{gp}/C_{gf}
(ut^{-1}),fontsize,14) set(gca,ylim,[0 50])
Ejemplo 93 9 La tabla 20.2 muestra las edades de falla [12] y de suspensi
on de los mandos finales en
una flota de 12 camiones mineros (bajar aqu ). Asumiendo i.i.d. y usando el metodo de Lewis se estiman:
= 2,3
= 8760 ut
La figura 20.14 muestra el ajuste de la recta por el metodo gr
afico. El costo de una intervenci
on ya sea
8 examen
9 Control
2006-2.
2, 2007-I.
340
50
45
40
cgp/Cgf (ut-1)
35
30
25
20
15
10
0.02
0.04
0.06
0.08
0.1
0.12
Ts (ut)
1
1
1
1
1
1
1
0
0
1
1
1
1
1
0
1
1
1
1
0
0
1
1
1
1
1
1
1
1
0
0.14
341
0.0
7.6
7.8
8.0
-0.5
8.2
8.4
8.6
8.8
y = 2.3x - 20.8
-1.0
-1.5
-2.0
-2.5
-3.0
-3.5
1.4
1.3
1.2
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0
2000
4000
6000
8000
10000
12000
342
cg,c =
20.8.2.
Diagrama de dispersi
on de tiempos
20.9.
= 1 H(t)
y,
F (t) = R(t) = 1 F (t)
= 1 G(t)
G(t)
El intervalo esperado entre intervenciones sucesivas es:
M T T I = E(T T O)
Z
=
H(t)dt
0
20.9.1.
Ejemplo
343
0.8
0.6
0.4
0.2
100
200
300
400
Edad
Tp
R(t)dt
= 173,8
e indica el reducido efecto de en el tiempo medio entre intervenciones. En caso de disponer una poltica
correctiva:
M T T F = (1 + 1/)
= 178,6
La figura 20.16 muestra R y H (R sobre H), as como G(t) (la funcion creciente).
20.10.
En caso de que el mantenimiento preventivo sea aleatorio con una distribucion G, el costo global
esperado por unidad de tiempo es [3]:
R
R
Cgp 0 G(x)dF (x) + Cgc 0 F (x)dG(x)
R
cgp (G) =
F dx
G
0
344
35
36
37
38
39
40
41
42
43
44
45
Edad variable
2.206
2.204
2.201
2.200
2.200
2.200
2.200
2.201
2.202
2.204
2.206
Edad constante
2.207
2.205
2.203
2.201
2.201
2.200
2.201
2.202
2.203
2.205
2.207
20.10.1.
Estudio de caso
Para el caso del embrague de la prensa, estime la edad promedio optima para preventivas por criterio
de costo global si la edad a la que se hacen las preventivas sigue una distribucion normal G con media
y desviacion standard = 2 semanas.
En este caso, la variable de decision es . Comparamos con en caso de que las preventivas se hagan a
edad Tp = contante. Las diferencias son mnimas para este caso (tabla K.1).
En Maple:
restart; sigma:=2; beta:=1.67; eta:=43;t0:=2e2;
mu:=45;Cgp:=30;Cgc:=90; F:=1-exp(-(t/eta)^beta);R:=1-F;
g:=1/2*2^(1/2)/Pi^(1/2)/sigma*exp(-1/2*(x-mu)^2/sigma^2);
G:=int(g,x=0...t);H:=1-(1-G)*R;
g:=1/2*2^(1/2)/Pi^(1/2)/sigma*exp(-1/2*(t-mu)^2/sigma^2);
f:=beta/eta*(t/eta)^(beta-1)*exp(-(t/eta)^beta);
MTBI:=int(1-H,t=0...t0);cg:=(Cgp*int(G*f,t=0...t0)+Cgc*int(F*g,t=0...t0))/MTBI;
cg0:=(Cgp*exp(-(mu/eta)^beta)+Cgc*(1-exp(-(mu/eta)^beta)))/MTBI;
plot([1-H,G*f,F*g],t=0..100);
20.11.
Consideremos un sistema donde el mantenimiento preventivo pueda ser considerado mnimo pues consiste de una serie de componentes y solo unos pocos sufren renovacion tras cada preventiva. Consideremos
que las correctivas si son renovaciones de sistema. Si el sistema ya tiene t0 ut desde su estado como nuevo,
el costo global esperado del pr
oximo ciclo:
Cgp Rt0 (Ts ) + Cgc [1 Rt0 (Ts )]
Ts Rt0 (Ts ) +
R Ts
tf (t)dt
1Rt0 (Ts )
0
[1 Rt0 (Ts )]
donde
Rt0 (Ts ) =
R(t0 + Ts )
R(Ts )
(20.9)
345
4.56
4.558
4.556
cg (um/ut)
4.552
4.55
50
60
70
80
90
100
Ts (ut)
20.12.
i
t
Ri (t) = e
, i = 1, 2
0p1
el costo global esperado al establecer un mantenimiento preventivo a edad Ts es:
346
0.8
0.6
R(Ts,t0)
0.4
0.2
20
40
60
80
100
Ts (ut)
cg,p (Ts ) =
y la disponibilidad,
A(T s) =
M T BI(Ts )
M T BI(Ts ) + Tp R(Ts ) + Tc F (Ts )
con
R Ts
M T BI(Ts ) = Ts R(Ts ) +
tf (t)dt
F (Ts ) =
F (Ts )
Ts
R(t)dt
0
Ts
Ts
Ts
R1 (t)dt + (1 p)
R2 (t)dt
0
"
# 0
"
#
1
Ts 1 1
1
2
Ts 1 1
1
+ (1 p) inc
= p inc
,
1
1
1
1
2
1
1
1
R(t)dt = p
0
En excel,
=p*eta1/beta1*DISTR.GAMMA((Ts/eta1)^beta1;1/beta1;1;1)*EXP(GAMMA.LN(1/beta1))+...
(1-p)*eta2/beta2*DISTR.GAMMA((Ts/eta2)^beta2;1/beta2;1;1)*EXP(GAMMA.LN(1/beta2))
20.12.1.
Estudio de caso
347
0.0110
0.0105
0.0100
0.0095
0.0090
0.0085
0.0080
0
500
1000
1500
2000
2500
Edad (ut)
Cic
=5
Cip
entonces,
cip (Ts )
R(Ts ) + F (Ts )
=
Cip
M T BI(Ts )
La figura 20.20 muestra los resultados. El intervalo optimo seg
un costos de intervencion es:
Ts = 710 ut
y en base a disponibilidad:
Ts = 550 ut
20.13.
Consideremos la situaci
on en donde un mandante paga a un contratista por realizar mantenimiento.
Se acuerda una tarifa p um/ut por la mano de obra y los repuestos son pagados por el mandante. El
mandante observa el costo global:
cg (Ts ) =
donde
Cgp = Cip + Cf
y
Cgc = Cic + Cf
notemos que el
optimo solo depende de la razon:
g =
Cgc
Cgp
348
98.00%
Disponibilidad
97.75%
97.50%
97.25%
97.00%
0
500
1000
1500
2000
2500
Edad (ut)
En consecuencia el intervalo
optimo para el mandante no coincide en general con el del contratista.
Identicamente,
ci (Ts )
R(Ts ) + i F (Ts )
=
Cip
M T BI(Ts )
con
Cic
i =
Cip
Para que ambos tengan el mismo
optimo,
f = i
lo que implica lograr una estructura de costos modificada tal que:
0
Cic
Cgc
0 = C
Cip
gp
lo que puede ser logrado a traves de un bono Ci a las preventivas y una penalidad a las correctivas.
Consideremos que el bono es igual al castigo:
0
Cic
= Cic + Ci
0
Cip = Cip Ci
entonces:
Cic + Ci
= f
Cip Ci
despejando:
Ci =
f i
Cip
1 + f
20.13.1.
349
Comentarios
El bono/castigo permite alinear los objetivos de las 2 partes. Ademas permite ajustarlo en la medida
que las razones f y i cambien con las condiciones de mercado.
Ejemplo 94 En el caso del embrague,
30 + 60
=3
30
i = 1
f =
Ci =
20.14.
31
30 = 15
1+3
Comentarios finales
En el modelo de reemplazo por edad, los reemplazos no pueden ser completamente calendarizados
(pues hay dependencia de las fallas) y se debe monitorear la edad de cada componente. De lo anterior, esta
estrategia puede tornarse engorrosa si se maneja un numero importante de componentes. Una alternativa
a la estrategia de reemplazo por edad corresponde a la de reemplazo en bloque (block replacement). En
ella los componentes son reemplazados preventivamente en intervalos fijos, independiente de si ocurre
falla o no. Esta estrategia es usada en general cuando hay muchos componentes en el sistema. Su mayor
desventaja es que puede ser wasteful dado que pueden reemplazarse componentes que estan casi nuevos.
El procedimiento descrito permite la seleccion, de acuerdo a ley de vida de servicio y los costos de
mantenimiento, del metodo de mantenimiento mas economico para un modo de falla de un componente.
El modelo no toma en cuenta la posible interaccion economica entre los modos de falla (por ejemplo un
costo de falla com
un). Ello ser
a investigado en el captulo sobre mantenimiento oportunista.
Se ha propuesto una modificaci
on al modelo presentado en (Luce, 1999)[4] para tomar en cuenta
que en general los costos de intervencion preventiva son menores a los de intervencion correctiva pues
los M T T R son menores por la programacion de actividades as como el no deterioro de componentes
adyacentes al que fall
o.
20.15.
A explorar
Chareonsuk et al. (1997) [5] discuten metodos multicriterio para la seleccion de los plazos entre preventivas. Archibald et al. (2004) [7] presentan un analisis de sensibilidad en intervalos entre mantenimiento
preventivos. El modelo de mantenimiento imperfecto que usan es el de Kijima (1989) [5]. Los resultados
vistos aqui corresponden a los modelos age replacement en Barlow & Proschan (1965) [3].
350
Bibliografa
[1] F. Boucly.Condition optimale de reemplacement preventif. Achats et entretien, 336, 27-33, 1989.
[2] A.K.S. Jardine.Maintenance, Replacement and Reliability, Pitman Publishing, 1973. [bajar]
[3] S. Luce.Pour une GMAO plus efficace. Association Universitaire de Mecanique. 4, 545-548, 1997.
[4] S. Luce.Choice criteria in conditional preventive maintenance. Mechanical Systems and Signal Processing, 13(1), 163-168, 1999. [bajar]
[5] Ch. Chareonsuk, N. Nagarur, M.T. Tabucanon, A multicriteria approach to the selection of preventive
maintenance intervals, Int. J. Production Economics, 49, 55-64, 1997.
[6] Barlow, R.E., Proschan, F., Mathematical Theory of Reliability, SIAM, 1996.
[7] T.W. Archibald, J.I. Ansell, L.C. Thomas, The stability of an optimal maintenance strategy for
repairable assets, Proc. Instn Mech. Engrs Vol. 218 Part E: J. Process Mechanical Engineering, 2004.
[8] M. Kijima, Some Results for Repairable Systems with General Repair, J. Appl. Pr., 26 , 89-102, 1989.
[9] Barlow, R.E., Proschan, F., Mathematical Theory of Reliability, 1965.
[10] society for maintenance and reliability professionals, SMRP, There is Gold in Those Reliability and
Maintenance Practices, 2000, USA.
[11] T. White, An Exploratory Study Of The Role of Internet Technologies in The Field of Industrial
Maintenance: Is Knowledge Management The Way Forward?, Journal of Information Systems and
Technology Management, 1(1),94-110, 2004.
[12] Jardine, A.K.S., Knights, P., Louit, D., Pascual, R., Apuntes del curso Optimizaci
on en la gesti
on
de mantenimiento, Santiago, Abril 2007.
[13] R. Jiang, D.N.P. Murthy, Modeling Failure-Data by Mixture of 2 Weibull Distributions: A Graphical
Approach, IEEE Transactions on Reliability, 44(3), 477-488, 1995.
351
352
Captulo 21
354
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Darse cuenta de que una condici
on de uso del modelo es la disposicion de un historial de fallas e
inspecciones suficientemente rico.
Evaluar que se cumplan las hip
otesis de base para el modelo, por ejemplo, que la tasa de fallas es
una funci
on sensible a la frecuencia de las inspecciones.
Estimar los par
ametros de costo y de tiempo a utilizar en el modelo.
Proponer una ley que relacione la frecuencia de la inspecciones con la tasa de fallas de un equipo.
Dise
nar un programa de inspecciones que minimize los costos esperados por unidad de tiempo o
maximice la disponibilidad, tanto para equipos en operacion como en standby.
21.1.
Introducci
on
El proposito b
asico de una inspecci
on es determinar el estado del equipo. Conocidos los valores de los
sntomas (temperatura, nivel de vibraci
on, etc.) se pueden tomar acciones preventivas, seg
un el estado
del equipo.
En el captulo anterior veamos la posibilidad de establecer una estrategia de mantenimiento sintomatico que permitiese realizar la intervencion preventiva justo antes de que ocurriese la falla (en el caso
ideal). En este capitulo estudiaremos la frecuencia optima para realizar inspecciones.
Los factores que afectan la frecuencia de inspeccion son:
costo global de la inspecci
on (intervencion, falla)
355
Figura 21.1: Mapa conceptual para fijacion de programas de inspeccion en el contexto de la gestion de
activos fisicos
beneficios de la inspecci
on, tales como la deteccion y correccion de defectos incipientes antes de la
falla catastr
ofica.
La figura 21.1 muestra un mapa conceptual relativo a programas de inspeccion y su relacion con la
gestion de activos fsicos.
21.2.
Se tomar
an en cuenta las siguientes consideraciones:
1. Los equipos fallan de tiempo en tiempo, y su reparacion requiere de mano de obra y materiales
(Ci ).
2. Durante la reparaci
on, la produccion es afectada (Cf ).
3. Para reducir el numero de fallas se puede implementar un programa de inspecciones periodicas.
4. Las inspecciones tienen costos por materiales y mano de obra (Ci ) y por la detencion del equipo en
horario de producci
on (Cf ).
Se desea establecer el programa de inspecciones que asegure que el costo global del equipo sea minimizado en el largo plazo.
21.2.1.
356
Costo/unidad de tiempo
Costo global
Cf inspecciones
Ci inspecciones
Cf correctivo
Ci correctivo
Frecuencia de inspecciones
1
i
357
El costo de falla cf,c considera el costo de falla por unidad de tiempo numero de fallas por unidad
de tiempo tiempo medio para reparar:
cf,c = cf M T T R = cf
Observaci
on 41 N
otese que
um/ut
es la fracci
on de tiempo en que el equipo est
a siendo reparado.
Observaci
on 42 Se ha asumido una tasa de fallas exponencial. En caso de considerar un distribuci
on
de Weibull (debido a un an
alisis de confiabilidad), es necesario mejorar el modelo.
El costo de falla asociado a las inspecciones mismas considera el costo de no producir, el numero de
inspecciones por unidad de tiempo y el tiempo medio para inspeccionar:
cf,i = cf f M T T I
El costo de intervenci
on de las reparaciones por unidad de tiempo ci,c considera el costo de la
reparaci
on no interrumpida por unidad de tiempo, el numero de fallas por unidad de tiempo y el tiempo
medio para realizar las reparaciones:
ci,c
El costo de intervenci
on de las inspecciones por unidad de tiempo considera el costo de las inspecciones
no interrumpidas por unidad de tiempo, el numero de inspecciones por unidad de tiempo y el tiempo
medio para inspeccionar:
ci,i f M T T I
Seg
un lo anterior,
cg (f ) = cf M T T R + cf f M T T I + ci,r M T T R + ci,i f M T T I
(21.1)
Observaci
on 43 En este modelo el equipo solo es intervenido de manera correctiva. no se considera
explcitamente que de una inspecci
on puede nacer una orden de trabajo preventiva (costo de intervenci
on
preventivo) y que por tanto el equipo ser
a detenido (costo de falla preventivo). Ello implica que ci,i es
el valor esperado de la inspecci
on y posible intervenci
on preventiva y M T T I es el valor esperado de
inspecci
on y posible intervenci
on preventiva (NdP).
Observaci
on 44 Dado que el an
alisis es por unidad de tiempo, est
a implcito que la planta opera en
regimen estacionario. O sea, no hay estacionalidad en los costos de falla.
Para encontrar el mnimo basta con derivar con respecto a f e igualar a 0:
dcg (f )
= cf 0 (f ) M T T R + cf M T T I + ci,r 0 (f ) M T T R + ci,i M T T I = 0
df
donde
0 (f ) =
d
(f )
df
y se llega a la condici
on general,
0 (f ) =
MTTI
MTTR
cf + ci,i
cf + ci,r
(21.2)
358
Caso:
1
f
k
f
para alg
un valor k, se tiene que
0 (f ) =
k
f2
f =
MTTR
MTTI
cf + ci,r
cf + ci,i
(21.3)
Observaci
on 45 k puede ser interpretada como la tasa de fallas cuando se realiza una inspecci
on por
unidad de tiempo (f = 1).
Observaci
on 46 f no depende directamente de la duraci
on de las tareas de inspecci
on y reparaci
on sino
de la raz
on entre ellas: i .
Ejemplo 95 Tomamos este ejemplo de ref. [228]. Supongamos que se dan 3 fallas/mes cuando se hace
una inspecci
on por mes. El tiempo medio para reparar es de 1 da. El tiempo medio para inspeccionar es
de 8 horas. El costo de falla del equipo es de 30000 um/mes. El costo de la reparaci
on es de 250 um/mes.
El costos de la inspecci
on (ininterrumpida) es de 125 um/mes. Si seleccionamos como unidad de tiempo
un mes,
(f
1
1
i
cf
ci,r
ci,i
= 1) = k = 3
1
=
mes/falla
30
8
=
mes/inspecci
on
24 30
= 30000 um/mes
= 250 um/mes
= 125 um/mes
Evaluando
s
f =
30 24
30 8
30000 + 250
30000 + 125
= 3,00
El numero
optimo de inspecciones por mes para minimizar el costo global es de 3.
Ejemplo 96 Un ingeniero de mantenimiento ha estudiado la influencia del numero de inspecciones/mes
en el numero de fallas que un cierto equipo presentaba. Los datos registrados se muestran en tabla 29.4.
Una falla no detectada implica una perdida de ingresos de 100 um/hora y la reparaci
on dura 8 horas en
promedio. La hora-hombre del inspector y del reparador se valoran en 10 um y 5 um respectivamente.
La reparaci
on requiere de 2 tecnicos. El costo de repuestos no es significativo. Una inspecci
on detiene el
equipo por 1 hora. Establezca una relaci
on entre numero de fallas y numero de inspecciones inspecciones.
Elabore un modelo para minimizar el costo global esperado mensual. Establezca un numero
optimo de
inspecciones/mes.Para modelar la relaci
on entre fallas/mes e inspecciones/mes usaremos la ley
(f ) =
k
f
Mes
1
2
3
4
5
6
7
Nro. Inspecciones
0
5
3
4
4
6
6
359
Nro fallas
7
0
3
2
3
1
2
Nro. de fallas/mes
3
4
n (inspecciones/mes)
4
1 k =
41
1
6
0
3
2
3
1
2
luego
k 8,29 fallas/mes inspeccion
asumiendo 1 turno diario de 8 horas, 20 das al mes
8,29
8 20
= 0,052 fallas/hora inspeccion
k=
360
y sustituyendo en ecuaci
on (21.3),
0,052 8
f =
100 + 10
100 + 10
= 0,65 inspecciones/hora
Probemos a continuacion un modelo que represente mejor la tasa de fallas cuando la frecuencia tienda
a 0. Por ejemplo:
(f ) = + (0 )ekf
(21.4)
El ajuste restringiendo los parametros a valores no negativos y usando el error cuadratico entrega:
0 = 7,05 fallas/mes
= 0
k = 0, 30 mes
En este caso bastaban 2 parametros.
El gradiente de la funci
on (21.4) es:
0 = (0 )kekf
y usando la condici
on general (57.1), tenemos
kf
(0 )ke
MTTI
=
MTTR
cf + ci,i
cf + ci,r
(21.5)
luego
1
1
M T T I cf + ci,i
f = log
k
k(0 ) M T T R cf + ci,r
Evaluando,
f =
1
1
1 100 + 10
log
0, 3
0, 3 7,05 8 100 + 10
= 9,42 inspecciones/mes
21.2.2.
La frecuencia de las inspecciones fija la tasa de fallas con lo cual se afecta la demanda a bodega, la
cual a su vez afecta el costo global. Supongamos que los repuestos llegan tan pronto como son pedidos
pero a un costo por pedido Cad . En caso de haber detencion por inspeccion el costo global asociado queda:
1
cg (f ) = (cf M T T R + cf f M T T I + ci,r M T T R + ci,i f M T T I) + pu + Cad + qpu um/ut
q
2
(21.6)
notemos que en este caso ci,r solo incluye el costo de intervencion no asociado a repuestos.
1 control
3, 2007-I.
361
100
90
2900
80
2800
70
2700
60
50
2600
40
2500
30
20
2400
10
2300
4
5
6
Frecuencia inspecciones (1/ut)
2800
2700
2600
2500
2400
2300
2200
2100
2000
2
4
5
Frecuencia inspecciones (1/ut)
cf = 30000 um/ut
cir = 250 um/(ut rep.)
cii = 125 um/(ut insp.)
M T T R = ,033 ut
M T T I = ,011 ut
M T BF (f = 1 1/ut) = ,33 ut
= ,012 um/um/ut
pu = 200 um/u
Cad = 1000 um/orden
Observamos que el
optimo para la frecuencia de inspecciones es sensible, en tanto que el tama
no de
pedidos, no (ver figuras 21.5 y 21.6).
362
300
295
290
285
280
275
270
265
260
255
250
10
20
30
40
50
Tamao de pedido (u/orden)
60
70
21.2.3.
Considere las mismas condiciones que en el modelo anterior, excepto que las fallas siguen una distribucion de Weibull de dos par
ametros, con independiente de f , mientras que = (f ) seg
un2 ,
f = f
(21.7)
1
t
donde t es el tiempo desde que el componente esta como nuevo respecto del modo de falla. Ello puede
ocurrir tras una inspecci
on, o tras una intervencion correctiva, en la medida que ella reponga al componente a su estado inicial. En general tendremos una situacion como la descrita en figura (10.4). Siendo
un analisis por unidad de tiempo se est
a considerando implcitamente que son todos similares (o sea que
la tasa de fallas es independiente del tiempo). A fin de simplificar los calculos, se considera el valor medio
de la tasa de fallas,
1
M T BF
1
=
1 + 1
()
=
y sustituyendo (21.7),
)=
(f
1
f 1 + 1
1
1 +
2 de
control 2 2003-I.
363
i,i
j=1
j=2
j=3
j=4
Frecuencia de inspecciones
y de ecuaci
on (21.3), obtenemos el numero optimo de inspecciones,
v
u
1
M T T R cf + ci,r
u
f =t
1 + 1 M T T I cf + ci,i
21.2.4.
(21.8)
Economas de escala
Supongamos que el costo de una inspeccion depende de la frecuencia de la manera que se esquematiza
en figura (21.7).
o sea,
ci,i (f ) = (1 j )ci,i
si
l
fjl f fj+1
(21.9)
+ cf f M T T I + ci,r M T T R + ci,i (f ) f M T T I
(21.10)
l
1 fjl fj fj+1
0
f
0
Ij =
y
fj =
l
fjl f fj+1
f1l = 0
donde fjl define el valor inferior que define al jesimo segmento e Ij es un conjunto de variables binarias.
El objetivo queda,
X
cf X
cg (f ) = cf M T T R +
Ij fj M T T I + ci,r M T T R +
Ij (1 j )ci,i fj M T T I
(21.11)
i j
j
3 control
3 recuperativo, 2004-I.
364
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0
Frecuencia (ut)
Observaci
on 47 Como aparece el producto Ij fj la funci
on objetivo es no lineal (aparte de la relaci
on
no lineal entre y f ).
La minimizaci
on en este caso no aparece de la derivacion de la funcion objetivo. Para asegurarse que
solo un segmento este activo, se a
nade la restriccion:
X
Ij = 1
j
y forzamos al u
nico Ij activo para que se aplique el costo (1 j )ci,i si y solo si se cumple la condicion
(41.16), usamos
Ij fjl fj para j = 1..J
l
fj < Ij fj+1
para j = 1..J
Notemos que estas dos restricciones fuerzan a fj a ser cero si Ij no esta activa.
Ejemplo 97 Consideremos el problema:
k=3
M T T R = ,05
M T T I = 0,01
cf = 1
cir = ,5
cii = 1,5
La soluci
on se produce en el segundo segmento, como se aprecia en figura (97).
21.3.
El cf de un cierto equipo ha sido estimado en 1000 um/hora. Al realizar una inspeccion cada 2
semanas se producen en promedio 2 fallas/semana en uno de sus componentes crticos. Al variar la
365
0.21
0.2
0.19
cg (um/ut)
0.18
0.17
0.16
0.15
0.14
0.13
0.12
0.11
1
Frecuencia (ut)
derivando
dcg (f )
= cf 0 (f ) M T T R + ci,r 0 (f ) M T T R + ci,i M T T I = 0
df
se llega a la condici
on
MTTI
ci,i
0
(f ) =
M T T R cf + ci,r
(21.12)
k
f
0 (f ) =
k
f2
entonces
k
MTTI
ci,i
2 =
f
M T T R cf + ci,r
s
M T T R cf + ci,r
f = k
MTTI
ci,i
(21.13)
4 Para la formulaci
on anterior se consider
o que el equipo es detenido para hacer la inspecci
on (y por tanto hay un costo
de falla asociado, NdP).
366
osea
1
k
=
24
96
entonces
k=4
Asumiendo que M T T R y M T T I son iguales
i
=1
y de los datos
cf = 1000 um/ut
ci,r = 10 um/ut
ci,i = 20 um/ut
Evaluando (21.13),
s
f=
41
1000 + 10
20
= 14 inspecciones/hora
Conviene realizar 14 inspecciones por hora (!). En esta situacion obviamente las horas disponibles del
inspector act
ua como restricci
on (de capacidad).
21.4.
Empresas tales como los packing y operaciones mayores tales como los overhaul implican que el costo
de falla varia durante el a
no. Como modelo inicial consideremos que la planta pasa alternativamente por
2 niveles de costo de falla: cf,1 y cf,2 durante su vida con una periodicidad T . Durante p T unidades de
tiempo la planta est
a en modo 2 y el resto del tiempo (1 p )T opera en modo 1.
El costo global esperado por unidad de tiempo es
Cg
Cg,1 + Cg,2
=
T
T
donde en un periodo T
Cg,1 (T ) = Cf,c,1 + Cf,i,1 + Ci,c,1 + Ci,i,1 um
= (cf,1 1 (f1 ) M T T R + cf,1 f1 M T T I + ci,r 1 (f1 ) M T T R + ci,i f1 M T T I) (1 p )T
367
luego
Cg
= (cf,1 1 (f1 , f2 ) M T T R + cf,1 f1 M T T I + ci,r 1 (f1 , f2 ) M T T R + ci,i f1 M T T I) (1 p )+
T
(cf,2 2 (f1 , f2 ) M T T R + cf,2 f2 M T T I + ci,r 2 (f1 , f2 ) M T T R + ci,i f2 M T T I) p um/ut
cg (1 , 2 ) =
i (f1 , f2 ) =
(21.14)
21.5.
A fin de mejorar el modelo propuesto en seccion 21.2, resolvamos la observacion 58. Si de la inspeccion
se concluye que el equipo deber ser intervenido preventivamente,
cg = cg (f )
= cf,c + cf,i + cf,p
+ ci,c + ci,i + ci,p um/ut
donde
cf,p es el costo esperado de falla por unidad de tiempo asociado a inspecciones que aconsejan intervenir
y ci,p es el costo de intervenci
on asociado.
Observaci
on 48 En este contexto utilizaremos el termino preventivo como una intervenci
on antes de
que la falla detenga el equipo y que son decididas en base a inspecciones.
Una inspecci
on gatillar
a una orden de trabajo si se estima que la confiabilidad se ha reducido mas
alla de un valor critico Rc . La confiabilidad R(t, ) es funcion de la tasa de fallas , la cual a su vez es
funcion de la frecuencia de inspecciones f . Para una equipo con distribucion exponencial,
R(t, f ) = et
donde t es el tiempo medido desde la ultima reparacion.
En el caso critico
Rc = eM T BRpre
(21.15)
=e
donde M T BRpre se define como el tiempo medio entre intervenciones preventivas y m como la tasa de
intervenciones preventivas por unidad de tiempo,
1
M T BRpre
=
log Rc
m (Rc , ) =
Observaci
on 49 M T BRpre debe ser menor que M T BF para que la expresi
on de confiabilidad 21.13
tenga sentido. Equivalentemente, si Rc < e1 M T BRpre > M T BF
on solo puede ser un m
ultiplo, pues solo
Observaci
on 50 Si f1 es mayor que M T BRpre (por definici
as se efect
uan intervenciones preventivas) solo la ultima arrojar
a en promedio una orden de trabajo
preventiva.
368
Para el costo de falla debemos considerar el costo de falla por unidad de tiempo cf ,
cf,p = cf
m (Rc , )
ci,r M T T R + ci,i f M T T I + cp
= cf M T T R + cf f M T T I cf
+
log Rc
R M T T R + I f M T T I Rpre
log Rc
cg (f, Rc ) = cf M T T R + cf f M T T I + cf
con la restricci
on:
e1 Rc 1
Observaci
on 51 Observamos que en este caso tenemos un problema de minimizaci
on en dos variables
que no solo definir
a un valor
optimo para la tasa de inspecciones f sino que adem
as para el valor de
confiabilidad critica Rc que decidir
a una orden de intervenci
on preventiva. Rc tambien puede usarse
como par
ametro dependiendo de la estrategia de la empresa.
21.6.
Disponibilidad m
axima
El problema aqu es establecer la estrategia de inspecciones que minimice el tiempo en que el equipo
esta detenido por falla o inspecci
on, lo que esta directamente relacionado con el costo de falla del equipo.
Sean:
1. (f ), f , 1/ y 1/i definidos como en la seccion anterior;
2. El objetivo es seleccionar f que minimice el tiempo de detencion del equipo por unidad de tiempo.
El tiempo de detenci
on por unidad de tiempo D es una funcion de la frecuencia f y considera el tiempo
de detencion asociado a mantenci
on correctiva y el tiempo de detencion asociado a las inspecciones:
D(f ) = M T T R + f M T T I
luego
A(f ) = 1 D(f )
= 1 ( M T T R + f M T T I)
(21.16)
369
k
f
se tiene que:
0 (f ) =
k
f2
k
MTTR + MTTI = 0
f2
finalmente,
r
f =
MTTR
MTTI
(21.17)
3 24 30
30 8
=3
En este caso ambos criterios dan resultados similares. No es el caso en general. El tiempo mnimo de
detenci
on (por unidad de tiempo) es
3
8
+3
3 30
24 30
1
=
15
D(3) =
y la disponibilidad
A=1
1
15
14
15
= 93,4 %
=
5 examen
2003-I.
i (0 )
370
0.04
0.035
0.03
0.025
0.02
0.015
0.01
0.005
10
12
14
16
18
20
Nro de fallas
2
3
3
Nro de inspecciones
2
1
1
TTR (hrs)
3,2.5
4,4,6
2,5,3
TTI (hrs)
5,3
2.5
2.5
4
(22 16) = 108,3 inspecciones/mes
5 + 3 + 2,5 + 2,5
2 mi55c, 2005.
371
1
0.5
1.5
2.5
Frecuencia (ut-1)
8
(22 16) = 95,4 reparaciones/mes
(3 + 2,5 + 4 + 4 + 6 + 2 + 5 + 3)
y usando (21.17),
s
f =
21.7.
ki
=
3,11 108,3
= 1,88 2 inspecciones/mes
95,4
Consideremos una flota de buses, a la cual se realizan varios tipos de inspecciones. A mayor profundidad, menor frecuencia, como se muestra en tabla K.1.
En la practica este programa no se sigue estrictamente pues el intervalo basico (5000 Km para el caso
mostrado puede variar entre 4000 y 9000 Km seg
un muestran las figuras. Sin embargo la raz
on entre
cada tipo de inspecci
on con respecto al total si se mantiene. Por ejemplo, por cada 8 inspecciones tipo,
se realiza 1 inspecci
on tipo 4. Esta relacion se expresa en el parametro j , el cual se indica en la tabla.
Los histogramas de inspecciones pueden ser bajados [aqu]
El problema de toma de decisiones en este caso es seleccionar la frecuencia basica de inspecciones
que maximize la disponibilidad del equipo. Si las inspecciones son muy frecuentes, un bus pasar
a mucho
tiempo en el taller por mantenimiento preventivo; si por el contrario, son muy espaciadas, la tasa de fallas
se incrementar
a y con ello, el tiempo detenido por mantenimiento correctivo.
Veremos que para lograr resolver el problema es necesario establecer la relacion que existe entre la
tasa de fallas y la frecuencia entre inspecciones. Ello se logra gracias a un estudio del historial de fallas
de la flota.
21.7.1.
Maximizaci
on de la disponibilidad
372
Distancia
Km (1000)
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
Total
j
Inspeccion j
1
2
3
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
1
8
16
4
16
3
16
1
16
P
P = 16
= 1,0
1
ud
x
1
ut
1
ut, con j = 1, ..., 4
ij
Las inspecciones tipo j representan una fraccion j constante del total de inspecciones;
El objetivo es seleccionar Tx que maximize la disponibilidad A(Tx ) de la flota.
La perdida de disponibilidad ocurre por dos razones, las fallas (y el periodo que toma repararlas) y
las inspecciones (que detienen al equipo).
A(Tx ) = 1 Dc Di
(21.18)
La fraccion de tiempo Dc en que el equipo esta detenido por intervenciones correctivas corresponde
al numero de reparaciones por unidad de tiempo por el tiempo medio para reparar:
Dc (Tx ) = M T T R
con
=
v
ut-1
M DBF (Tx )
373
La fracci
on de tiempo Di en que el equipo esta detenido por estar siendo inspeccionado (y eventualmente
reacondicionado como resultado de la inspeccion) corresponde a la suma del numero de inspecciones de
cada tipo que se realicen por su tiempo medio para ser realizada; eso es:
Di (Tx ) =
J
X
fj M T T Ij
j=1
con
fj = j
v
ut-1
Tx
Retomando (40.2),
A(Tx ) = 1 Dc Di
= 1 M T T R
J
X
fj M T T Ij
j=1
La condici
on de maximizaci
on de la disponibilidad es
dA
=0
dTx
para solucionar el problema es necesario estimar primero la forma de M DBF (Tx ) vs Tx .
21.7.2.
Estudio de caso
El estudio de (Jardine,1990)[59] considera una flota de 2000 buses en Montreal, Canada. La flota es
mantenida en 8 talleres. Se dispone de los siguientes parametros:
Cada bus opera:
40 103 Km/a
no
y es utilizado,
= 12 horas/da 365 das/a
no
= 4380 horas/a
no
luego (si seleccionamos la hora de operacion como unidad de tiempo),
v =
40 103
Km/hora
4380
el tiempo medio para inspeccionar y la fraccion asociada a cada tipo de inspeccion se muestran en
tabla 42.1.
374
j
1
2
3
4
M T T Ij (horas)
6,75
18,0
18,25
24,5
j
1/2
1/4
3/16
1/16
200
150
100
50
2000
4000
6000
8000
10000
12000
14000
16000
100
80
60
40
20
2000
4000
6000
8000
10000
12000
14000
16000
120
100
80
60
40
20
2000
4000
6000
8000
10000
12000
14000
16000
70
60
50
40
30
20
10
2000
4000
6000
8000
10000
12000
14000
16000
375
taller 5
120
100
80
60
40
20
2000
4000
6000
8000
10000
12000
14000
16000
taller 6
250
200
150
100
50
2000
4000
6000
8000
10000
12000
14000
16000
taller 7
200
180
160
140
120
100
80
60
40
20
0
2000
4000
6000
8000
10000
12000
14000
16000
taller 8
140
120
100
80
60
40
20
2000
4000
6000
8000
10000
12000
14000
16000
376
Taller
1
6
3
160
230
100
75
70
28
18
12
6
0
0
0
0
0
709
2
4
1
4
6
56
108
100
52
36
32
36
16
24
28
2
0
507
3
4
1
2
12
25
75
102
130
62
12
5
2
1
0
0
1
437
4
1
5
4
28
31
55
75
72
42
50
1
2
0
1
0
1
372
5
4
2
9
11
52
120
85
46
16
11
2
3
0
0
0
1
367
6
1
1
2
30
250
190
130
80
50
20
0
1
0
0
0
0
761
7
2
1
10
41
175
182
80
20
2
2
0
1
0
0
0
1
524
8
5
10
29
120
130
78
55
43
18
10
8
5
2
2
0
0
523
v
1
2
3
4
5
6
7
8
Tx (103 Km)Weibull
4,19
7,39
6,84
6,79
5,94
5,64
5,15
5,03
%
13,6
8,2
7,3
5,7
9,3
9,3
10,1
9,9
Cuadro 21.6: Tiempos medios entre inspecciones y Tiempos medios entre fallas
377
0.35
0.25
0.35
0.3
0.3
0.2
0.25
0.25
0.15
0.15
0.2
0.2
0.15
0.1
0.1
0.1
0.05
0.05
0.05
10
12
14
16
18
10
12
14
16
18
0.25
10
12
14
16
18
14
16
18
0.35
0.35
0.3
0.3
0.25
0.25
0.2
0.15
0.2
0.2
0.15
0.1
0.15
0.1
0.1
0.05
0.05
0.05
10
12
14
16
18
10
12
14
16
18
0.4
0.35
0.35
0.3
0.3
0.25
0.25
0.2
0.2
0.15
0.15
0.1
0.1
0.05
0.05
10
12
14
16
18
10
12
14
16
18
6000
Experimental
Ajustado
5500
5000
4500
4000
3500
3000
2500
2000
4500
5000
5500
6000
6500
10
12
7000
7500
8000
8500
378
M. correctivo
M. Sintomatico
Total
% de no disponibilidad
2.5
1.5
0.5
4000
4500
5000
5500
6000
6500
7000
7500
8000
8500
9000
i=1
Ejercicio 7 Una posible mejora al modelo propuesto es considerar que la tasa de fallas tenga un valor
finito cuando el intervalo entre inspecciones tienda a 0 y cuando tienda a infinito (lo ultimo producto de
otras razones: por ejemplo las inspecciones diarias de los operadores):
M DBF (Tx ) = (M DBF0 M DBF )eTx ) + M DBF
Resultados
Los resultados se muestran en las figura (21.22) y (21.23). Se observa que el maximo de disponibilidad
se alcanza para un intervalo entre inspecciones de 7650 Km. La disponibilidad es bastante plana alrededor
del optimo. Si el intervalo se fija en alg
un punto entre 7000 y 8000 Km la disponibilidad no se influenciada,
en la practica.
Al comparar la situaci
on antes del estudio (con un intervalo de 5000 Km) con un intervalo de 8000
Km, se logra una mejora de la disponibilidad de 0.33 %. Ello representa 28785 horas-bus/a
no, lo que
equivale a reducir la flota en 6 buses (manteniendo el nivel de servicio actual). El costo anual de un bus
son 0.223 MUSD, por lo que se podran ahorrar 1.4 MUSD/a
no.
379
100
99.5
% de Disponibilidad
99
98.5
98
97.5
97
96.5
4000
4500
5000
5500
6000
6500
7000
7500
8000
8500
9000
Tx
Tx,0
v
Tx
Tx,0
v
para el problema de la flota de buses. Estime los parametros y calcule la frecuencia optima entre inspecciones y la disponibilidad maxima alcanzable. Comente sus resultados. Consejo: para valores iniciales de
iteracion utilize:
M DBFmax = 5000
M DBFmn = 2000
Tx,0 = 6500
v = 8
La minimizaci
on del error cuadr
atico en excel (bajar aqu), entrega los siguientes valores:
M DBFmax = 4787
M DBFmn = 1636
Tx,0 = 6716
v = 8,16
con lo cual el error cuadr
atico es
8
X
i=1
7 control
1, 2004-II
380
M. correctivo
M. Sintomatico
Total
% de no disponibilidad
2.5
1.5
0.5
4000
4500
5000
5500
6000
6500
7000
7500
8000
8500
9000
M T T R(hrsop.)
2,0
2,8
4,0
Cuadro 21.7: Tiempo para reparar en funcion del intervalo entre inspecciones
lo que es 40 % menor que el obtenido con el modelo propuesto en (Jardine, 1990).
Los resultados se muestran en figuras (21.24) y(21.25), respectivamente. Ellos son bastante similares
a los ya encontrados (ver figuras 21.22 y 21.23).
21.7.3.
M T T R en funci
on del intervalo entre inspecciones
Es logico pensar que si las inspecciones son muy frecuentes la naturaleza de las fallas a ser reparadas
sera distinta por su estado de evoluci
on. Supongamos que en vez de ser constante toma la forma:
M T T R(Tx ) = M T T R0 + M T T R1 e1 Tx
y que sabemos lo siguiente,
Un ajuste por mnimos cuadrados entrega:
2007-I
381
100
99.5
% de Disponibilidad
99
98.5
98
97.5
97
96.5
4000
4500
5000
5500
6000
6500
7000
7500
8000
8500
9000
1.000
0.995
0.990
0.985
0.980
0.975
0.970
0.965
4000
5000
6000
7000
8000
9000
Figura 21.26: Disponibilidad vs intervalo entre inspecciones cuando el Tiempo para reparar es sensible al
intervalo entre inspecciones
382
j
1
2
3
4
j
0.1
0.5
0.6
0.9
j
1/3
1/2
1/2
1/2.5
21.8.
Minimizaci
on del costo global
El costo de falla por unidad de tiempo de un bus es de cf um/ut. El costo de intervencion de una
inspeccion tipo j es en promedio
Ci,j = cjp M T T Ij um
y el costo de intervenci
on tras una falla es
Ci,c = cic M T T R um
el costo global esperado por unidad de tiempo corresponde a la suma de los costos de falla correctivos y
preventivos, mas los costos de intervenci
on:
cg (Tx ) = cgec Dc (Tx ) +
J
X
j=1
donde
cgec = cic + cf
cgej = cjp + j cf
Normalizando,
cg (Tx )
cic
J
X
(cic + cf )
(cjp + j cf )
Dc (Tx ) +
Dij (Tx )
cic
cic
j=1
(1 + f c ) Dc (Tx ) +
J
X
(j + j f c ) Dij (Tx )
j=1
donde
f c
cf
cic
cjp
cic
La figura 21.27 muestra el resultado para el caso de los buses con los parametros mostrados en tabla 21.8.
El optimo seg
un el criterio de costo global esta en los 5700 Kms.
f c = 10
cg (Tx )
= 11Dc (Tx ) +
cic
9 control
1, 2004-II.
4
11
13
47
D1 (Tx ) +
D2 (Tx ) +
D3 (Tx ) +
D4 (Tx )
3
2
2
5
383
0.21
0.205
0.2
0.195
0.19
0.185
0.18
0.175
4000
5000
6000
7000
Intervalo entre inspecciones (Km)
8000
9000
Figura 21.27: Costo global normalizado en funcion del intervalo basico entre inspecciones
21.8.1.
x (T) = x0 e
donde
j Tj
fallas/ud
T1
T2
T=
ud
T3
T4
0,0163
0,0209
=
ud1
0,0209
0,0027
al considerar 1 ud = 103 Km. La figura (21.28) contraste el modelo contra las observaciones experimentales.
El exponente negativo en la inspeccion tipo 4 indica un efecto negativo de ella sobre la tasa de fallas (a
revisar con m
as historial y eventual mejora del modelo). Ahora es posible utilizar el intervalo entre las 4
inspecciones como variable de decisi
on.
En este caso,
J
X
v
Di (T) =
M T T Ij
T
j=1 j
y si consideramos la maximizaci
on de la disponibilidad usamos:
A(T) = 1 Dc Di
P
= 1 v
x0 e
j Tj
J
X
M T T Ij
j=1
Tj
384
0,55
experimental
modelo
l (fallas/ud)
0,45
0,35
0,25
0,15
4,5
5,5
6,5
7,5
8,5
Tx (ud)
Figura 21.28: Modelo para la tasa de fallas en unidades de distancia (103 Km)
Asumiendo que
T2
T3
T4
= 2T1
= 2T1
= 8T1
Se obtiene:
A = 0,973
para
T1 = 14,81 103 Km
o en terminos de Tx ,
Tx =
21.8.2.
10
T1
= 7,4 103 Km
2
(Tx ) =
Tx
1
fallas/ud
(21.19)
= 2,53
= 7162 Km
generaci
on 2006-II.
0,00050
0,00045
0,00040
0,00035
0,00030
0,00025
0,00020
0,00015
0,00010
0,00005
0,00000
4000
385
Historial talleres
Modelo ajustado
5000
6000
7000
8000
9000
Figura 21.29: Modelo para la tasa de fallas con parametros tipo Weibull
0,00050
0,00045
0,00040
0,00035
0,00030
0,00025
0,00020
0,00015
0,00010
0,00005
0,00000
4000
Historial talleres
Modelo ajustado
5000
6000
7000
8000
9000
386
3.2
3.1
(fallas/ut)
3
2.9
2.8
2.7
2.6
2.5
2.4
8
10
6
8
6
4
2
2
0
Ti (ut)
Tp(ut)
21.9.
11
Un ingeniero de mantenimiento registro la tabla (K.1) en diversos intervalos de tiempo para una
flota de 10 equipos que es mantenida peri
odicamente y a la vez recibe un programa de inspecciones (figura
21.31). Fije un programa de inspecciones y preventivas que maximice la disponibilidad de los equipos.
Cada inspeccion detiene el equipo M T T I = 103 ut. Una preventiva lo detiene M T T O = 2 103 ut.
Cada reparaci
on toma M T T R = 5 103 ut.
Intervalo entre
preventivas (ut)
1.25
2.50
10.0
1.25
10.0
Intervalo entre
inspecciones (ut)
1.5
4.0
8.0
8.0
4.5
Tasa de fallas
(fallas/ut/flota)
23.9
26.0
32.1
27.0
29.1
2, semestre 2006-II.
387
Figura 21.32: Modelo ajustado para la tasa de fallas (puntos experimentales superpuestos)
Con ello es posible calcular la disponibilidad:
A = 1 (Dc + Dp + Di )
MTTO MTTI
+
= 1 MTTR +
Tp
Ti
donde se asume que las inspecciones son hechas de manera independiente de las preventivas, o sea no
hay traslape temporal entre estos dos tipos de intervencion (Una posible mejora al modelo implicara
considerar oportunismo). La figura (21.33) muestra la superficie resultante.
El optimo se encuentra en:
Tp , Ti = (3.1, 2.0) ut
21.10.
Comentarios finales
Hemos presentado varios modelos para optimizar la frecuencia de inspecciones a fin de maximizar la
disponibilidad, minimizar el costo global. Se han considerado condiciones estacionarias para minimizar
el costo por unidad de tiempo; ademas se han tratado casos especiales tales como los de equipos en
standby y equipos para los cuales la falla es solo detectable a traves de una inspeccion; como es el caso
de aquellas maquinas en las cuales el control de calidad de los productos permite establecer si el equipo
opera aceptablemente.
Los primeros modelos implican las estimaci
on de la relacion funcional entre la tasa de fallas y la
frecuencia de las inspecciones. Ello puede dificultar el uso del modelo pues se requiere un historial suficientemente rico.
21.11.
A explorar
Uzarski y McNeil (1994)[5] presenta un resumen de metodologas para la inspeccion de vias ferroviarias.
Incluyen un estudio de sistemas de apoyo a la toma de decisiones de reparacion y reemplazo.
Wang y Christer (2000)[61] proponen un modelo para decidir la intervencion de un equipo tras una
inspecci
on cuantitativa. El modelo incluye la estimacion de la vida remanente del sistema analizado
(prognosis).
388
ISO 17359
CONDITION MONITORING
PROCEDURE FLOWCHART
389
390
Bibliografa
[1] A.K.S. Jardine, M.I. Hassounah, An Optimal Vehicle-fleet Inspection Schedule, Journal of the Operational Research Society, Vol. 41, No. 9, pp 791-799, 1990. [bajar]
[2] A.K.S. Jardine.Maintenance, Replacement and Reliability. Ch.5, Pitman Publishing, 1973. [bajar]
[3] P. Lyonnet. Maintenance Planning, Methods and Mathematics. Chapman & Hall, 1991. [bajar].
[4] Crama, Y., Pascual, R, Torres, A., Optimal procurement decisions in the presence of total quantity
discounts and alternative product recipes, European Journal of Operational Research, 159, 364-378,
2004. [bajar]
[5] Uzarski, D., McNeil, S., Technologies for Planning Railroad Track Maintenance and Renewal, Journal
of Transportation Engineering-ASCE, 120(5), 807-820, 1994. [bajar]
[6] Wang, W., Christer A.H., Towards a general condition based maintenance model for a stochastic
dynamic system , Journal of the Operational Research Society, 51(2), 145-155, 2000. [bajar]
[7] Castanier, Berenguer, C., Grall, A., A sequential condition-based repair/replacement policy with nonperiodic inspections for a system subject to continuous wear, Applied Stochastic Models in Business
and Industry, 19(4), 327-347, 2003. [bajar]
[8] Wang, W., Scarf P.A., Smith, M.A.J, On the application of a model of condition-based maintenance,
Journal of the Operational Research Society, 51(11), 1218-1227, 2000.
[9] Wang W., Modelling condition monitoring intervals: A hybrid of simulation and analytical approaches, Journal of the Operational Research Society, 54(3), 273-282, 2003.
[10] Lam, C.T. Yeh, R.H., Optimal maintenance-policies for deteriorating systems under various maintenance strategies, IEEE Transactions on Reliability, 423-430, 43(3), 1994. [bajar]
[11] Cronholm, M., Thermographys impact on economic performance: minimizing the cost of downtime
and maintenance,Proc. SPIE Vol. 4020, 99-106, 2000.
[12] Hokstad, P., Flotten, P., Holmstrom, S., et Al., A Reliability Model For Optimization Of Test Schemes
For Fire And Gas Detectors, Reliability Engineering & System Safety, 47(1), 15-25, 1995. [bajar]
[13] Al-Najjar, B., Alsyouf I., Enhancing A CompanyS Profitability And Competitiveness Using Integrated Vibration-Based Maintenance: A Case Study, European Journal Of Operational Research, 157(3),
643-657, 2004. [bajar]
[14] Higgs, P.A. et al., A Survey on Condition Monitoring Systems in Industry, Proceedings of: ESDA
2004: 7th Biennial ASME Conference Engineering Systems Design and Analysis, Manchester, UK,
July 19-22, 2004. [bajar]
[15] A. El-Khatib, G.A. Nassef, M.N. Fors, C.C. Chen, G.A. Joshi, Scheduling of Condition-Based Predictive Maintenance In ANSDK Using Computer-Based On-Line Monitoring System, Energy Engineering, 97(5), 63-79, 2000. [bajar]
391
392
[16] Saranga, H., Relevant condition-parameter strategy for an effective condition-based maintenance,
Journal of Quality in Maintenance Engineering, 8(1), 92-104, 2002. [bajar]
[17] Kocaoglu, D.F., Technology management: educational trends, IEEE Transactions on Engineering
Management 41(4), 347349, 1994.
[18] D.N. Mallick, A. Chaudhuryr, Technology management education in MBA programs: a comparative
study of knowledge and skill requirements, J. Eng. Technol. Manage. 17, 153173, 2000.
[19] A.K.S. Jardine, A. Tsang, Maintenance, Replacement and Reliability. Ch.3, Taylor & Francis, 2006.
[20] ISO 17359:2003 Ed. 1, Condition monitoring and diagnostics of machines General guidelines,
International Standards Organization, 2003.
[21] Maillart, L., Maintenance policies for systems with condition monitoring and obvious failures, IIE
Transactions, 38(6), 463-475, 2006.
[22] Carnero, M., Selection of diagnostic techniques and instrumentation in a predictive maintenance
program. A case study, Decision Support Systems, 38, 539555, 2005.
[23] Carnero, M., An evaluation system of the setting up of predictive maintenance programmes, Reliability Engineering and System Safety, 91, 945963, 2006.
[24] L. Podofillini, E. Zio, J. Vatn, Risk-informed optimisation of railway tracks inspection and maintenance procedures, Reliability Engineering and System Safety, 91, 2035, 2006.
[25] Bukowski, J.V., Modelling and analyzing the effects of periodic inspection on the performance of
safety critical systems, IEEE Trans Reliab, 50(3):3219, 2001.
[26] Vatn, J., Hokstad, P., Bodsberg, L., An overall model for maintenance optimization, Reliab Eng Syst
Safety, 51:24157, 1996.
[27] J. Lee, J. Ni, Infotronics-Based Intelligent Maintenance System and its Impacts to Closed-Loop
Product Life Cycle Systems, Intelligent Maintenance Systems Conference, Arles, France, 2004.
[28] Yan J., Lee J., Pan Y.C., Introduction of watchdog prognostics agent and its application to elevator
hoistway performance assessment, Journal of the Chinese Institute of Industrial Engineers, 22(1),
56-63, 2005.
[29] Rosin A., Control, Supervision and Operation Diagnostics of Light Rail Electric Transport, Ph.D.
thesis, Department of Electrical Drives and Power Electronics, Tallinn University of Technology,
2005.
[30] B. Glick, Rolls-Royce Is Confident Grid Technology Will Earn its Wings, Computing, 30 April, 2003.
[31] S.S. Mandroli, A.K. Shrivastava, Y. Ding, A survey of inspection strategy and sensor distribution
studies in discrete-part manufacturing processes, IIE Transactions, 38, 309328, 2006.
Captulo 22
Inspecciones y evoluci
on de defectos
It is good to have an end to journey towards;
but it is the journey that matters in the end.
Ursula K. LeGuin
22.1.
Introducci
on
En este captulo describiremos un modelo para evaluar el impacto de las inspecciones sobre el n
umero
esperado de fallas. El metodo que presentaremos considera el modelamiento del proceso estocastico por
el cual un defecto inicial se convierte en falla. Difiere del ya introducido en captulo 21 donde se modela
directamente la influencia de la frecuencia entre inspecciones sobre la tasa de fallas a partir de analisis
de sensibilidad.
Como ejemplo de aplicaci
on presentamos un estudio realizado en una lnea interprovincial de buses. El
ejemplo tambien sirve para ver la aplicacion practica de un estudio de modos de fallas, efectos y criticidad
(ya estudiado inicialmente en 54.8).
El enfoque ha sido aplicado tambien a otros tipos de casos: plantas industriales, flotas de vehculos,
estructuras civiles, equipo hospitalario, planta de acero, etc.
Aqu se de presenta un resumen general de:
pr
acticas aplicadas tanto en operaciones como en mantenimiento al iniciar el estudio;
el modelamiento desarrollado;
resultados y recomendaciones hechas.
22.2.
Modelo de evoluci
on de defectos
Observaci
on 52 Hemos traducido libremente esta clase de modelo como de evolucion de defectos. En
ingles es Delay-Time Modelling. N dP .
Considerese una m
aquina sujeta a una posible falla. Definimos falla como una pana o un evento
catastr
ofico, tras la cual el sistema no es utilizable hasta que sea reparado o reemplazado. Tambien puede
tratarse de un deterioro que obligue a realizar una reparacion inmediata.
Complementariamente, definimos el mantenimiento preventivo como el conjunto de actividades realizadas a intervalos regulares, cuya intencion es reducir o eliminar el n
umero de fallas que ocurren, o
reducir las consecuencias de una falla en terminos de no disponibilidad o de costo operativo.
Existen una variedad de modelos de mantenimiento preventivo en la literatura, entre ello el modelo de
evoluci
on de defectos, introducido por Christer[6]. El metodo hace uso de los datos historicos disponibles
y de metodos estadsticos.
El objetivo de los modelos de mantenimiento es presentar resultados de interes a la gerencia como
funciones de las variables de decisi
on. Por ejemplo, si una actividad de mantenimiento preventivo es
393
Falla
Inicio defecto
Reemplazo/overhaul
394
tiempo
Figura 22.1: Efecto de las inspecciones de un componente/modo de falla
tiempo
tiempo
395
Observaci
on 55 Las definiciones de falla y defecto a usar deben estar basadas en juicios pr
acticos,
idealmente en terminos objetivos (cuantitativos). El modelo descrito tiene dos fases: desde bueno hasta la
aparici
on de defecto, desde defectuoso hasta que ocurre la falla. Es posible definir m
as fases, por ejemplo:
estado incipiente de defecto, estado medio, estado avanzado, falla. La pr
actica ha mostrado que con 2
fases es m
as que suficiente. NdP.
22.2.1.
Formulaci
on del modelo de evoluci
on de defectos
Otras hip
otesis adicionales son:
1. El u
nico efecto de una intervencion preventiva gatillada por una inspeccion es el reemplazo del
componente defectuoso;
2. la inspecci
on y el posible reemplazo son llevados a cabo en serie;
3. las inspecciones tienen intervalos fijos;
4. todo componente defectuoso inspeccionado es reparado;
5. el tiempo para inspeccionar o para reparar es despreciable;
6. no hay falsos positivos, eso es: si no hay defecto, entonces no se determinara que s existe un defecto;
7. un defecto tiene una probabilidad de ser observado; es constante en el tiempo;
8. el intervalo Th de una falla es independiente de su instante de origen tu ;
9. Los costos de falla y de intervencion son constantes.
Conjunto C
1. Cada componente solo tiene un modo de falla;
2. las funciones densidad de probabilidad f y g (asociadas a Th y tu respectivamente se modelan como
distribuciones exponencial o de Weibull;
3. la edad del sistema, siendo distinta a la edad del componente, no influye sobre g y f ;
4. las reparaciones dejan al componente como nuevo;
5. los componentes crticos de un sistema son considerados independientes (la falla de uno no acarrea
la falla de otro);
6. si se modela un grupo de m
aquinas, se considera que ellas son similares en calidad y en condiciones
de operaci
on.
Otras hip
otesis usadas cuando se modelan grupos de componentes:
396
0.7
0.6
b(T)
0.5
0.4
b*
0.3
0.2
0.1
0.2
0.4
0.6
T*
0.8
1.2
1.4
1.6
1.8
22.2.2.
Estimaci
on de par
ametros
Se desea que el modelo sea consistente con los datos objetivos y con los datos subjetivos disponibles.
Los datos objetivos deben ser cercanos a los valores predichos por el modelo, eso es: el n
umero de defectos
encontrados, los instantes de ocurrencia de las fallas.
La informaci
on subjetiva es obtenida a traves de un cuestionario completado por los ingenieros, cuando
se encuentra un defecto en una inspecci
on o cuando un componente falla. Las preguntas claves son:
hace cuanto tiempo (Thla ) podra haberse observado la falla en una inspeccion?
Si no se reparase el defecto, cuanto tiempo se puede postergar antes de que ocurra la falla (Thml )?
Tras una inspecci
on, la estimaci
on subjetiva de Th es:
Th = Thla + Thml
idem tras una falla (Thml = 0). Si la inspeccion identifica un repuesto en el instante t, entonces
tu = t Thla
397
El modelo puede ser ajustado (calibrado) usando la situacion conocida o de status quo. Considerese
que la variable de decisi
on es el periodo entre inspecciones T , y que la probabilidad de que un defecto
se convierta en falla es b(T ). La curva inferior en la figura 22.3 indica un estimacion basado en gu (tu ) y
fh (Th ). Esta curva debe pasar por el punto observado b correspondiente al periodo usado actualmente,
T . El problema es revisar (ajustar) fh (Th ), tal vez g(tu ), y tambien la eficacia de la inspeccion , de
modo que la curva b(T ) pase por el punto (T , b ).
El metodo m
as simple para tal ajuste es introducir un parametro de escala para la estimacion subjetiva
de fh (Th ). Se ha observado [7] que la estimacion de fh (Th ) a partir de informacion subjetiva tiende a
subestimar tu y a sobrestimar Th . En referencia [3] se propone un metodo basado en el uso de informacion
objetiva y el criterio de informaci
on de Akaike para estimar los parametros del modelo. Otros trabajos
usan la tecnica de m
axima verosimilitud (vista aqu en anexo 15).
22.3.
Estudio de caso
22.3.1.
El modelamiento fue necesario para estimar los ahorros provocados por las inspecciones y as fijar una
frecuencia
optima. Para ello se empleo el metodo de evoluci
on de defectos[5]. Tambien se modificaron 3
inspecciones especificas:
Inspecci
on del conductor (A) El operador es capaz de detectar fallas a traves de los indicadores
presentes en su panel, ruidos, etc. Para algunos modos de falla un operador funciona como un sistema de
monitoreo continuo.
Inspecci
on simple (B) Un mecanico chequea defectos con inspeccion visual, auditiva y al tacto;
sin intervenir ning
un componente especfico.
Inspecci
on compleja (C) En este caso se intervienen sobre ciertos componentes para efectos de
inspecci
on.
Se presumi
o que una falla puede ser detectada en un estado mucho mas incipiente por una inspeccion
compleja que por una inspecci
on liviana o por una inspeccion del operador. Del mismo modo, se presume
que una falla puede ser detectada antes (o al mismo tiempo) por una inspeccion liviana que por una del
conductor.
Durante el estudio se logr
o modelar la funcion de probabilidad acumulada de la demora de tiempo
para cada tipo de inspecci
on (figura 22.4). Se observa que hay una tendencia a incrementar la demora
de tiempo a medida que la profundidad de la inspeccion crece.
22.3.2.
Estimaci
on de la tasa de arribo de defectos
La secci
on anterior se concentr
o en estimar la distribucion de Th . Otro punto importante en el modelo
es investigar la tasa de arribos de los defectos d .
En el caso de disponer informaci
on insuficiente es com
un asumir que la tasa de arribos de defectos es
un proceso Poissoniano que puede ser homogeneo o no homogeneo. En caso de ser homogeneo, podemos
esperar que la tasa de arribos sea constante en el tiempo. El estudio del historial confirmo efectivamente
que la tasa de fallas se acercaba bastante a una exponencial. La tasa de arribo de defectos es estimada
entonces:
N
d =
T
donde N es el n
umero total de de averas detectadas y fallas observadas durante el periodo T . Durante
el intervalo del estudio se estim
o una tasa de arribos de 0.09 eventos/da/bus.
Observaci
on 56 La referencia [5] reporta que el estudio subestim
o la tasa de arribos pues algunas reparaciones en carretera no fueron registradas.
398
1
C
B
A
0.9
0.8
0.7
F(Th)
0.6
0.5
0.4
0.3
0.2
0.1
0
10
12
14
Th (dias)
Figura 22.4: Probabilidad acumulada estimada para la demora para cada clase de inspeccion
El modelo
Teniendo estimaciones para la tasa de arribo de defectos y de la probabilidad acumulada del delay
es posible modelar el proceso de inspecci
on. Se desea estudiar el efecto de la frecuencia de inspecciones
sobre la tasa de fallas. En especfico, la verificacion se realiza para inspecciones livianas.
Se toman en cuenta las siguientes hip
otesis de trabajo:
1. Los buses son inspeccionados cada T unidades de tiempo;
2. Las inspecciones son imperfectas con una probabilidad de que un defecto presente sea identificado
y corregido durante la inspecci
on;
3. Los defectos aparecen seg
un un proceso homogeneo de Poisson, con tasa de arribos d ;
4. El tiempo de demora Th de un defecto es aleatorio y es independiente del tiempo inicial tu . Su
funcion densidad de probabilidad es fh (t) y la probabilidad acumulada es Fh (t);
5. Una falla (en carretera) implica una pana. Las fallas son reparadas tan pronto ocurren;
6. Los buses (y su operaci
on) son identicos.
Observaci
on 57 La hip
otesis (6) se hace para hacer el an
alisis sobre la flota completa. Se podra hacer
por sub-flotas en funci
on de su marca. modelo, nivel de operaci
on, nivel de inspecci
on, etc.
La probabilidad de que un defecto se convierta en falla es:
Z
b(T, ) = 1
0
T X
n1
(1 )
Rh (nT u) du
T
n=1
(22.1)
con
Rh (t) = 1 Fh (t)
Entonces, el n
umero esperado de fallas para un intervalo de tiempo Ti es
(T, , d ) = Ti d b(T, )
(22.2)
399
30
=0.3
=1
25
fallas/ao/bus
20
15
10
Figura 22.5: n
umero esperado de fallas/bus/a
no
Observaci
on 58 Una extensi
on interesante al modelo sera considerar la superposici
on de 2 o m
as
inspecciones con diferentes intervalos entre ellas y poder evaluar la probabilidad b de que un defecto se
convierta en falla.
La figura (22.5) compara el n
umero esperado de fallas/bus/a
no (para = 0,3, 1, d = 0,09) con el
valor promedio observado. Es obvio que la situacion real esta por debajo de la mejor situacion (curva con
= 1) lo que apunta a que la tasa de arribos ha sido efectivamente subestimada y es necesario revisar la
estimaci
on de la probabilidad acumulada de Th . A fin de corregir las estimacion se introduce un tiempo
corregido:
Th0 = Th + tw
donde es un par
ametro de escala y tw es un parametro de corrimiento. Con ello, la funcion de probabilidad acumulada de la demora es:
0
Th
Fh
T X
nT u
n1
(1 )
1 Fh
du
T
n=1
(22.3)
consecuentemente,
(T, , d ) = Ti d b(T, , )
(22.4)
= 1 da
= 4,86 fallas/a
no/bus
= 0,09 defectos/da/bus
= 1 a
no
400
8
7
6
5
4
3
2
1
0
0,3
0,4
0,5
0,6
0,7
3
2
1
0
0,3
0,4
0,5
0,6
0,7
22.3.3.
Relajaci
on de hip
otesis
Se ha asumido que una falla en carretera implica una pana del bus. Algunas fallas pueden no derivar
en panas del equipo. Por ejemplo, la falla de un faro en un turno nocturno, o de los dos faros en un turno
diurno, o la falla del limpiaparabrisas en verano. El estudio mostro que 18 % de las fallas no derivaron
en panas del equipo. Consecuentemente, el modelo de ecuacion (57.2) sobrestima el n
umero esperado de
fallas por intervalo. De lo anterior, corregimos el modelo introduciendo la probabilidad de que una falla
se convierta en pana :
(T, , d , ) = Ti d b(T, )
(22.5)
en nuestro caso
= 1 0,18
= 0,82
luego, ajustamos en modelo con
(T0 , , d , ) = 0 (T0 )
lo que nos permite mejorar la estimaci
on de (ver grafico 22.7).
Como se aprecia, es sensible tanto a como a .
La apreciaci
on de los ingenieros de mantenimiento es que puede estar en alg
un valor en el intervalo
(0,3, 0,4). Para estimar consideraremos/asumiremos:
Los valores observados de 0 para los a
nos 1990 y 1993;
que es constante en ambos a
nos,
401
12
=0.3
=0.4
=0.5
10
fallas/ao/bus
10
Figura 22.8: n
umero esperado de fallas en funcion de y
22.3.4.
Modelo de Costos
Otro posible uso del modelo es la estimacion de los costos de la flota o la disponibilidad de la misma.
Por ejemplo, el costo global por bus durante un intervalo Ti en funcion del intervalo entre inspecciones
T es
Cg (T, Ti ) =
Ti
ci + Ti d cr + cb (T, , d , , Ti )
T
donde
ci es el costo de intervenci
on de una inspeccion (solo la inspeccion);
cr es el costo promedio de intervencion correctiva de un defecto encontrado en una inspeccion;
cb es el costo promedio de falla mas el costo de intervencion correctiva de una falla.
402
x 10
=0.3
=1
3.8
3.6
3.4
3.2
3
2.8
2.6
2.4
2.2
2
B
Fh
Rh ln Rh
0
1
0
0,65 0,35 -1,05
0,85 0,15 -1,90
0,93 0,07 -2,66
0,98 0,02 -3,91
0,99 0,01 -4,61
F*h
0
0,5
0,82
0,94
0,98
0,99
0
-1 0
log(Rh)
A
1
2 Th
0
3
2
4
5
5
8
6
11
7
14
8
9
10
11
12
403
10
15
-2
-3
-4
y = -0,3424x
2
R = 0,9847
-5
-6
Th (das)
Los resultados fueron graficados en M atlab. Una implementacion con el grafico en Maple es:
restart;alpha:=3.36;lambda:=0.09;gamma1:=0.82;
c_i:=10;c_r:=500;phi:=100;beta1:=0.45;beta2:=0.99;theta:=0.342;
for i from 1 by 1 to 125 do;T[i]:=i*.05;
b1:=1-int(sum(beta1/T[i]*(1-beta1)^(n-1)*exp(-theta/alpha*(n*T[i]-u)),n=1..200),u=0..T[i]);
B1:=365*lambda*gamma1*b1;C1[i]:=c_i*(365/T[i]+c_r/c_i*365*lambda+phi*B1);
end do;
with(plots):listplot([seq([T[i],C1[i]],i=1..125)],
labels=["T(ut)","Cg (um/ut/u)"]);
22.3.5.
Repetici
on de resultados
A fin de verificar los resultados mostrados en la referencia fuente, primero modelaremos F con una
distribuci
on exponencial:
Fh (t, ) = 1 et
Para estimar el par
ametro hacemos un ajuste de curva a partir de los datos mostrados en grafico 22.4,
como se muestra en figura 22.10.
Usamos la ecuaci
on lineal:
log(1 Fh,i ) = log(Rh,i )
= ti
El ajuste de mnimos cuadrados entrega un valor
= 0,342
luego,
Fh (Th ) = 1 e0,3424Th
Ello nos permite evaluar las ecuaciones (40.19) y (32.10) respectivamente:
Z
b(T, , ) = 1
0
T X
n1
(1 )
Rh
T
n=1
nT u
(T, Ti , , d , ) = Ti d b(T, )
du
(22.6)
(22.7)
404
Fh
0,8
0,6
0,4
0,2
0
0
11
Th (das)
14
Ajustado
Estimado
T X
0,3 n1 ( 0,342
0,7
e 3,36 nT ) du
T
n=1
(22.8)
La integraci
on se realiz
o en Maple 7 usando 200 elementos de la suma, para acelerar los calculos:
>
>
>
>
restart;beta:=.3;theta:=0.342;alpha:=1;
b:=1-int(sum(beta/T*(1-beta)^(n-1)*exp(-theta/alpha*(n*T-u)),n=1..200),u=0..T);
B:=365*0.09*1*b;
plot (B,T=0..7);
El n
umero esperado de fallas se muestra en figura 22.12. La cual es muy similar a la mostrada en
el paper (figura 22.5). Se uso = 0,99 para el calculo de la curva con inspeccion perfecta.
Observaci
on 59 No se logra justificar que b no sea 1 cuando = 1 (lo que implica constante en la
figura 22.5). N dP.
22.4.
Comparaci
on con m
etodo de captulo anterior
405
30
=0.3
=1
25
fallas/ao/bus
20
15
10
40
=0.3
=1
Ajuste hiperbola =0.3
Ajuste exponencial =0.3
35
30
fallas/ao/bus
25
20
15
10
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
406
f=
1
T
El objetivo aqu, es verificar la calidad del ajuste hiperbolico empleado en ese captulo para este caso.
El grafico 22.13 es similar a la figura 22.5 pero en terminos de f (en vez de T ).
Tras realizar los ajustes para la curva = 0,3, se superponen las curvas ajustadas por mnimos
cuadrados:
k
(f ) =
f
y
(f ) = 0 ef
Como se observa, el ajuste hiperb
olico es pesimo. Por su lado, el ajuste exponencial esta bastante cercano
al propuesto por el modelo de evoluci
on de defectos. Ademas entrega una estimacion para la tasa de fallas
en caso de que no se realicen inspecciones (0 ).
Ello se presenta como una buena oportunidad para considerar la observacion (58). Supongamos al no
hacer inspecciones se tiene una cierta tasa de falla 0 . Al hacer una inspeccion tipo a cada Ta unidades
de tiempo se logra bajar la tasa de fallas a a,0 . A fin de reducir aun mas la tasa de fallas se implementa
un segundo tipo de inspecciones b cada Tb unidades de tiempo (posiblemente con mayor costo global y
menor frecuencia) tal que al combinar las dos inspecciones se logra reducir la tasa de fallas a a,b . O sea,
tenemos 3 puntos para construir un modelo para la tasa de fallas en funcion de Ta y Tb :
a
T
+ Tb
a
(Ta , Tb ) = 0 e
(ver figura 22.14) el primer punto define 0 (ya que Ta = Tb = ). El segundo punto,
a
a,0 = 0 e( Ta )
del que se despeja
a = Ta log
a,0
0
a
T
+ Tb
a
a,b = 0 e
del que se estima b .
407
Ejercicio 8 Eval
ue la frecuencia
optima que entrega el modelo del captulo anterior con
no
(f ) = 30,2e0,57f fallas/bus/a
con f inpecciones/da.
Una contribuci
on significativa del estudio es el cambio de cultura desde la gestion intuitiva a una
gestion m
as racional y objetiva. En este sentido, los consultores recomendaron la implementacion de un
sistema de informaci
on de mantenimiento.
Sin embargo, los autores [5] acusan a la gerencia de no explotar los modelos adecuadamente. Por
ejemplo, la empresa tom
o en 1996 la decision de cambiar los revisiones pesadas cada 6 meses por un
overhaul cada 3 a
nos. Tras 3 a
nos, se detuvo esta practica pues los costos de intervencion eran excesivos
y se introdujo otra estrategia orientada al reemplazo de componentes especficos. Otra vez, esta decision
fue tomada sin construir un modelo.
Se podra argumentar que las mejoras observadas en 0 en el tiempo son en gran parte producto del
reemplazo de buses viejos por nuevos. Ello se descarto con un analisis por subflotas como se ve en cuadro
(22.1).
Cuadro 22.1: n
umero promedio de fallas/bus/a
no/marca
22.5.
En esta secci
on aplicaremos los conceptos de demora de tiempo para determinar el programa de
inspecciones
optimas de las cajas de cambio de la flota de buses ya vista.
Antes del estudio, se aplicaba una estrategia correctiva para las cajas: cada vez que una caja fallaba,
ella era retirada del bus y llevada al taller para ser reparada. La caja removida era reemplazada por otra
del mismo tipo, en caso de haber unidades disponibles. Cada bus ademas era inspeccionado una vez por
mes para asegurar la seguridad del mismo. En caso de descubrir defectos, se intervena el componente
asociado. La inspecci
on no detectaba fallas de la caja de cambios.
A fin de reducir el costo global de mantenimiento y mejorar la imagen de la empresa frente a los usuarios, la gerencia orden
o un estudio para determinar un esquema de mantenimiento preventivo/predictivo
optimizado.
El estudio se concentra en el modelo de caja de mayor presencia en la flota.
Asumiremos que la funcion densidad de probabilidad f (Th ) que caracteriza a las cajas es de tipo
Weibull, cuyos par
ametros han sido estimados subjetivamente a traves de cuestionarios completados por
los mantenedores.
Supongamos que aparece un defecto en alg
un instante del periodo (0, T ). La probabilidad de que el
defecto aparezca en el intervalo (Th , Th + Th ) es
f (Th ) Th
Este defecto llegara a ser una falla si el defecto se origina antes del instante T Th , de otra manera el
defecto ser
a detectado en la inspecci
on y se realizara una intervencion preventiva.
408
Si asumimos que los defectos de las cajas de cambio siguen un proceso de Poisson homogeneo, la
probabilidad de que un defecto aparezca antes de T Th , dado que un defecto va a aparecer, es igual a
T Th
T
Luego, la probabilidad de que el defecto se convierta en falla en (Th , Th + Th ) es
T Th
f (Th ) Th
T
Si sumamos todos los posibles Th , podemos calcular la probabilidad de que un defecto se convierta en
falla (sobre el intervalo (0, T )):
Z T
T Th
b(T ) =
f (Th ) dTh
T
0
22.5.1.
Consideremos:
la inspecci
on detiene el equipo por un intervalo Ti ,
El tiempo medio para reparar es Tr
La tasa de arribo de defectos es defectos por unidad de tiempo
El costo de intervenci
on de una inspeccion es Ci,i
El costo de una intervenci
on preventiva es Ci,p ;
El costo de una intervenci
on correctiva es Ci,c ;
Los costos de falla para cada tipo de intervencion son:
Cf,p = cf Tr
Cf,c = cf Tr
Cf,i = cf Ti
donde cf es el costo de falla por unidad de tiempo.
Tenemos entonces que la disponibilidad esperada en funcion del intervalo entre inspecciones T es
A(T ) = 1 (b(T )Tr + Ti )
T
T + Ti
22.5.2.
Ejemplo
f (Th ) =
Th
1
T
h
Par
ametro
Ti
Tr
Cg,c = Ci,c + Cf,c
Cg,p = Ci,p + Cf,p
Cg,i = Ci,i + Cf,p
Valor estimado
1
16
0,839
5
23
18,4
1,9
409
unidad
dias
defectos/dia
dias
KUSD/falla
KUSD/intervencion
KUSD/inspeccion
-3
x 10
(T-t)/T*f(t)
tiempo (dias)
Figura 22.15:
T t
T f (t)
410
16.4
16.3
16.2
16.1
16
15.9
15.8
15.7
15.6
15.5
15.4
10
15
20
25
T (dias)
T_i:=0.0625;lambda:=0.839;T_r:=5;C_gc:=23;C_gp:=18.4;C_gi:=1.92;
beta:=1.34;eta:=46.9;
f:=beta/eta*(t/eta)^(beta-1)*exp((-(t/eta)^beta));T:=1;
fd := fopen("c:/matlabr12/work/test.txt", WRITE);
for T from .2 by .2 to 28 do
b:=evalf(Int((T-t)/T*f,t=0..T));
c_g:=(lambda*T*(C_gc*b+C_gp*(1-b))+C_gi)/(T+T_i);
A:=1-(lambda*b*T_r+T_i)*T/(T+T_i);
fprintf(fd, " %g %g %g %g\n",T,b,c_g,A);
end do;fclose(fd);
el postprocesamiento se realiz
o en Matlab.
22.6.
Conclusiones
411
0.9
0.8
Disponibilidad
0.7
0.6
0.5
0.4
0.3
0.2
0.1
10
15
20
25
30
T (dias)
0.2
0.18
0.16
probabilidad b
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
10
15
20
T (dias)
25
412
Hemos visto que la estimacion de los parametros , se dificulta por la inter-dependencia y por la
falta de datos (0 ). A pesar de lo anterior, se han logrado estimar rangos validos para los parametros.
El metodo de evoluci
on de defectos se presenta como una alternativa al ya visto en el captulo anterior.
Tiene la ventaja de no requerir obligatoriamente de un analisis de sensibilidad para estimar los parametros.
Pero, obliga a estimar la probabilidad acumulada de que un defecto se convierta en falla (Fh ).
Bibliografa
[1] Christer, A.H. and Whitelaw, J., 1983, An operational Research Approach to Breakdown Maintenance:
Problem Recognition, J. Op. Res. Soc, 34:1041-1052.
[2] Desa, M.I. and Christer, A.H., Modelling in the Absence of Data: A Case Study of Fleet Maintenance
in a Developing Country, Journal of the Operational Research Society, 52, 247-260, 2001. [bajar]
[3] Baker, R.D. and Wang, W., Estimating the Delay-Time Distribution of Faults in Repairable Machinery
from Failure Data, IMA Journal of Mathematics Applied in Business and Industry, 3, 259-281, 1992.
[bajar]
[4] Baker, R.D. and Wang, W., Developing and Testing the Delay-Time Model, Journal of the Operations
Research Society, 44(4), 361-374, 1993. [bajar]
[5] Baker, R.D. and Christer, A.H., Review of Delay-Time OR Modelling of Engineering Aspects of
Maintenance, European Journal of Operational Research, 73, pp 407-422, 1994. [bajar]
[6] Christer, A.H., Modelling Inspection Policies for Building Maintenance, Journal of the Operational
Research Society, 33, pp 723-732, 1982.
[7] Christer,A.H. and Redmond, D,F., A Recent Mathematical Development in Maintenance Theory,
IMA Journal of Mathematics Applied in Bussiness and Industry, 2, pp 97-108, 1990.
[8] Wang, W., subjective Estimation of the Delay Time Distribution in Maintenance Modelling, European
Journal of Operational Research, 99, 516-529, 1997. [bajar]
[9] Leung, F. and Kit-Leung, M., Using delay-time analysis to study the maintenance problem of gearboxes, International Journal of Operations & Production Management, 16(12), 98-105, 1996. [bajar]
[10] Pillay, A., Wang, J., Wall, A., Optimal Inspection Period for Fishing Vessel Equipment: A Cost and
Downtime Model Using Delay Time Analysis, Marine Technology, 38(2), 122-129, 2001.
[11] Van Noortwijk, J.A., Dekker, R., Cooke, R.M., Mazucchi, T.A., On the use of expert opinion for
maintenance optimization, IEEE Trans. Rel., 41, 427-432, 1992.
[12] Baker, R, Maintenance optimisation with the delay time model, In: Ozekici, S. (ed.), Reliability and
Maintenance of Complex Systems, Springer, New York, 550-587, 1996.
[13] Christer, A.H., Prototype Modelling of Irregular Condition Monitoring of Production Plant. IMA
Journal of Mathematics Applied in Business and Industry 3, 219-232, 1991.
[14] Christer, A.H., Waller, W. M., Reducing Production Downtime Using Delay-Time Analysis, J. Opl
Rrs. Soc. 35(6), 499-512, 1984.
413
414
Captulo 23
Inspecciones en sistemas de
protecci
on
...The purpose of these devices is to protect people from failures or to protect machines or
to protect products - in some cases all three. Protective devices ensure that the failure of the
function being protected is much less serious than it would he if there were no protection.
Who should evaluate risks? The very diversity of the factors discussed above mean that it is
simply not possible for any one person - or even one organization - to assess risk in a way
which will be universally acceptable. If the assessor is too conservative, people will ignore and
may even ridicule the evaluation. If the assessor is too relaxed, he or she might end up being
accused of playing with peoples lives (if not actually killing them).
John Moubray [19]
...More and more failures have serious safety or environmental consequences, at a time when
standards in these areas are rising rapidly. In some parts of the world, the point is approaching
where organizations either conform to societys safety and environmental expectations, or they
cease to operate. This adds an order of magnitude to our dependence on the integrity of our
physical assets...
John Moubray [19]
...it seems evident that, at least in Europe, IEC 61508 will become the central standard for
specification, design and operation of safety instrumented systems...the process industry is
currently developing its own sector specific standard for application of SIS, i.e. IEC 61511...it
has been realised that it may be difficult to apply the standard in a practical and useful way....
Per Hokstad, Kjell Corneliussen [82].
23.1.
Introduction
416
23.2.
Estudio bibliogr
afico
El problema descrito fue inicialmente tratado en Barlow y Proschan [10, 3]. Cui et al. [19] tratan inspecciones peri
odicas maximizando disponibilidad. Estudian 5 modelos alternativos. De acuerdo a ellos,
los objetivos usados han sido la disponibilidad estacionaria y el costo esperado por unidad de tiempo. Algunos han considerado la disponibilidad instantanea. En particular, Cui se concentra en valores
instantaneos de disponibilidad pues en general no se sabe cuando un sistema alcanza su estado estacionario, y adem
as todos los sistemas tienen un vida u
til limitada. En los modelos que usan, el sistema
es intervenido (y renovado) si la inspecci
on encuentra una falla. Muestran un ejemplo donde existe una
diferencia importante entre el valor instant
aneo de la disponibilidad y el valor estacionario.
Cui y Xie [23] consideran un modelo para la disponibilidad instantanea y de largo plazo cuando tras
cada inspeccion el sistema recibe las intervenciones necesarias para que quede como nuevo (reemplazo,
renovacion) o no recibe ninguna si est
a operativo (mnimo). El tiempo para realizar las intervenciones es
estocastico.
Ito y Nakagawa [66] investigan las estrategias optimas de inspeccion para un sistema que esta almacenado y que consiste de 2 componentes: uno que es inspeccionado y el otro, que no.
Wang y Christer [61] proponen un modelo para decidir la intervencion de un equipo tras una inspeccion
cuantitativa. El modelo incluye la estimaci
on de la vida remanente del sistema analizado (prognosis).
Wortman et al. [63] estudian estrategias de mantenimiento para sistemas sujetos a deterioro y gobernado por shocks aleatorios.
Biswas et al. [15] consideran un n
umero fijo de reparaciones imperfectas para luego reemplazar(renovar).
Consideran la disponibilidad como objetivo. Las inspecciones son periodicas. Los tiempos para intervenir
el equipo son aleatorios. Al haber una falla, el sistema solo es reparado (intervencion minima). Ademas,
consideran que el equipo, tras una reparaci
on, es vuelto a instalar en la proxima inspeccion programada
y lo justifican asi:
Even though this restoration policy might not appear to be efficient, it is used in many
practical situations where inspection and restoration are done by an agency different from the
repair agency. For example, a pick-up and delivery service might transport failed appliances
from the users to the repair facility and return the repaired units to the users only at specific
hours of the day. Hence, units already repaired are delivered only at the next available delivery
time. The very same reasons, such as difficulty of access and cost constraints, that prevent
continuous monitoring of the system can also restrict restoration of repaired units until the
next scheduled inspection period...
Biswas agrega:
This paper considers situations where it is prohibitively expensive to reschedule inspections
and it is only reasonable to adopt the policy of restoration at the next scheduled inspection
time...
Por supuesto, hay perdida de disponibilidad con esta poltica. Si se trata de un sistema de proteccion,
no tiene mucho sentido.
Vaurio [30] presenta un modelo para inspecciones periodicas, con renovacion tras falla detectada y en
cada mantenimiento preventivo. El periodo de renovacion es finito, al contrario de Barlow y Proschan.
Sus variables de decision son: el intervalo entre intervenciones preventivas (perfectas) y el n
umero de
inspecciones peri
odicas a realizar en ese intervalo. En caso de que la inspeccion no encuentre falla, no se
interviene el equipo. Si no, es reparado. Considera dos objetivos alternativos: costo y disponibilidad.
23.3.
Nociones b
asicas
23.3.1.
Definiciones de disponibilidad
417
El criterio que mas usaremos en este capitulo es el de disponibilidad, la cual puede ser definida de
diferentes maneras. Biswas y Sarkar [15], entregan las siguientes definiciones:
Disponibilidad limite:
A() = lm A(t)
t
23.3.2.
Clasificaci
on de falla en sistemas de protecci
on
El standard IEC 61508 entrega la siguiente clasificacion para los modos de falla de un sistema de
protecci
on:
1. Falla peligrosa. El sistema de proteccion no es capaz de realizar su funcion cuando es requerida.
Pueden ser descompuestas en:
a) Falla peligrosa no detectada. La falla solo es detectada durante la inspeccion o cuando ocurre
una demanda que no puede ser satisfecha. Este tipo de fallas tambien es conocido como fallas
inactivas (en ngles, dormant).
b) Falla peligrosa detectada. son fallas que son detectadas inmediatamente al ocurrir. Por ejemplo,
en auto-tests hechos por el propio sistema de proteccion.
2. Falla segura. El sistema de proteccion ha sufrido una falla no peligrosa y aun es capaz de realizar
su funci
on si ella es requerida. Pueden ser descompuestas en:
a) Falla seguras no detectada. no detectadas en los auto-tests automaticos.
b) Falla segura detectada.
De acuerdo a la causa de la falla, podemos clasificar las fallas de los sistemas de proteccion en:
1. Fallas aleatorias de hardware. El servicio entregado difiere del servicio especificado debido a degradaci
on
de los componentes. Pueden ser descompuestas en:
a) Fallas por envejecimiento. Son fallas que ocurren bajo las condiciones especificadas para el
sistema. Tambien son conocidas como fallas primarias.
b) Fallas por sobrecarga (stress). Ocurren por cargas excesivas sobre el/los componente(s). Las
sobrecargas pueden ocurrir por causas externas o por errores humanos durante la operacion o
el mantenimiento. Tambien son conocidas como fallas secundarias.
2. Fallas sistem
aticas. Corresponden a fallas no fisicas que implican que el servicio proporcionado
no corresponde al especificado. Solo pueden ser resueltas con cambios en el dise
no del sistema de
protecci
on on el proceso productivo. Puede ser clasificado en:
a) Fallas de dise
no: Se inician en la etapa de dise
no, manufactura o instalacion. Ejemplos: fallas en
el software, sensores que no discriminan entre fallas verdaderas y falsas, detectores instalados
en sitios equivocados, en donde no logran captar la necesidad cuando ella existe.
b) Fallas de interacci
on. Se inician por errores humanos durante la operacion, el mantenimiento
o la inspecci
on. Ejemplo: descalibrar los sensores durante la inspeccion.
Observaci
on 60 Las definiciones dadas en IEC 61508 son criticadas en Hokstad y Corneliussen [82].
418
A
NSU
PFDk
PFD
PSF
23.3.3.
No disponibilidad de seguridad
23.3.4.
419
x(t)
Demanda
0
nT
(n+1)T
Tiempo
23.4.
Este modelo es uno de los primeros. Tambien es descrito en Nakagawa [26] y Jardine [228].
23.4.1.
Formulaci
on del modelo
El intervalo de an
alisis es infinito
El equipo es inspeccionado en intervalos discretos Tk
Las fallas solo son detectadas en las inspecciones, lo que gatilla su reparacion
Las fallas siguen una distribucion con pdf f (t), con media y tasa de fallas h(t). La distribucion
no cambia en el tiempo.
Los intervalos requeridos para las inspecciones y los posibles reemplazos son despreciables.
el costo de una inspecci
on es c1 um.
el costo de falla por unidad de tiempo en que se incurre entre el instante en que ocurre la falla y el
instante en que es descubierta en la inspeccion es c2 um/ut,
el costo de un reemplazo es c3 .
El costo total esperado hasta el reemplazo es:
Z Tk+1
X
C1 (T1 , T2 , ...) =
[c1 (k + 1) + c2 (Tk+1 t)] dF + c3
=
k=0
(23.2)
Tk
k=0
R (Tk ) c2 + c3
k=0
(23.3)
(Tk+1 Tk ) R (Tk )
k=0
F (Tk ) F (Tk1 ) c1
f (Tk )
c2
(23.4)
420
para
k = 1, 2, ...
El algoritmo para encontrar los Tk es descrito en Barlow y Proschan [3]:
1. Elegir T1 inicial para que se cumpla la condicion:
Z
T1
c1 T1 = c2
F (Tk )dt
0
c1 + c2 T
c2
+ c3
1 eT
que tiene un u
nico mnimo donde se satisface:
eT (1 + T ) =
c1
c2
(23.5)
23.4.2.
Presentaci
on de acuerdo a Jardine [228]
lo que t vuelve a 0.
421
falla
reparacin
Tr
x1
x2
xn
Xn+1 tn+2
Xn+2
Ciclo de operacin
t1
t2
422
Observaci
on 62 Tras una inspecci
on que indica que la maquina produce dentro de las tolerancias la
confiabilidad no es afectada, ella sigue decreciendo.
Similarmente, los costos y probabilidades de todos los ciclos posibles pueden ser determinado como
Z t1
=
[1 Ci,i + cf (t1 t) + Ci,r ] f (t)dt+
0
Z t2
[2 Ci,i + cf (t2 t) + Ci,r ] f (t)dt+
t1
t3
...
O en forma general el costo global esperado Cgc de un ciclo cuando se consideran hasta K inspecciones
es(vease figura 23.3):
Cgc (tK ) =
K Z
X
k=0
tk+1
tk
K
X
= Ci,r +
Ck
(23.6)
k=0
con
Z
tk+1
Ck =
tk
tk+1
tk+1
f (t)dt cf
tf (t)dt
tk
y
tK = {t1 , ..., tK+1 }
Observaci
on 63 El termino Ci,r en (41.21) se logra separar si se cumple que
tK+1
f (t)dt 1
t0
K Z
X
tk+1
[t + (tk+1 t) + Tr ] f (t)dt
tk
k=0
= M T BF + Tr +
K
X
Tk
k=0
con
Z
tk+1
tk+1
f (t)dt
Tk = tk+1
tk
tf (t)dt
tk
t0 = 0
Finalmente,
cg (tK ) =
Ci,r +
PK
Ck
PK
k=0
M T BF + Tr +
k=0
Tk
(23.7)
i
1
2
3
4
xi
947
1442
1889
2313
423
xi
947
495
447
424
23.4.3.
Procedimiento
(23.8)
donde
cg,k1 representa una estimaci
on inicial del costo mnimo cg o un valor de cg obtenido en una iteracion
anterior. Se puede demostrar que el programa que minimiza , minimiza cg .
A continuaci
on, los pasos a seguir:
1. k = 0, seleccionar valor inicial cg,0 ,
2. Seleccionar valor inicial para t1 ,
3. Generar un programa t1 , t2 , t3 , .. usando la relacion de recurrencia
ti+1 = ti +
F (ti ) F (ti+1 )
ci,i
f (ti )
cf cg,k1
mn
424
inspeccin
inspeccin
Ti
Ti
0
Ciclo 1
Tr
Ciclo 2
23.5.
Jardine (1973)
Equipos tales como los extinguidores de fuego, armas militares, etc. son guardados para su uso en
una emergencia. Si el equipo se deteriora al estar almacenado hay un riesgo de que no funcione en
caso de ser requerido. Para reducir tal probabilidad, se programan inspecciones, y en caso de estar no
operativo, puede ser reparado o reemplazado. El problema es determinar los plazos entre inspecciones
para maximizar el tiempo en que el equipo esta en condiciones operativas. La falla solo es detectable
durante las inspecciones pues el equipo no esta en uso.
Sean:
1. f (t) es la funci
on distribuci
on de fallas,
2. Ti es el intervalo de tiempo requerido para realizar una inspeccion. Se asume que tras una inspeccion,
y si no se reportan equipos no operativos, entonces el equipo esta efectivamente en tal estado.
3. Tr es el intervalo de tiempo requerido para efectuar una reparacion o reemplazo. Se asume que tras
tal accion, el equipo queda operativo.
4. El objetivo es determinar el intervalo ti entre inspecciones para maximizar la disponibilidad por
unidad de tiempo.
La disponibilidad por unidad de tiempo es una funcion del intervalo de inspeccion T :
A(T ) =
Ta
Tc
donde
Ta : Tiempo esperado con equipo operativo (por ciclo)
Tc : Duracion esperada del ciclo
El tiempo con equipo operativo en un ciclo sin falla iguala T si no se detectan fallas durante la
inspeccion. Si se detecta falla entonces el tiempo esperado con equipo operativo del ciclo con falla puede
ser tomada como el MTBF del equipo, dado que la inspecci
on ocurre en T .
Para determinar la duraci
on esperada de un ciclo con falla (figura 23.4b) considerese la figura 23.5.
El M T BF de la distribuci
on completa es
Z
tf (t)dt
tf (t)dt
1 R(T )
425
0.4
0.35
0.3
f(t) 0.25
0.2
0.15
0.1
0.05
0
-3
-2
-1
1
t
ti
Ta = T R(T ) +
tf (t)dt
1 R(T )
Z
!
[1 R(T )]
tt
= T R(T ) +
tf (t)dt
La duraci
on esperada de ciclo es
Tc = (T + Ti )R(T ) + (T + Ti + Tr ) [1 R(T )]
= T + Ti + Tr [1 R(T )]
por lo tanto
A(T ) =
T R(T ) +
RT
tf (t)dt
(23.9)
T + Ti + Tr [1 R(T )]
tf (t)dt =
+
(23.10)
donde
, son los par
ametros de la distribucion,
(x) es la funci
on densidad de probabilidad de Gauss normalizada:
x2
1
(x) = e 2
2
(x) es la funci
on acumulada de Gauss normalizada (tabulada en figura 10.1):
Z x
(x) =
(x)dx
426
T
A(T )
1
0.80
2
0.89
3
0.92
4
0.90
5
0.84
6
0.74
A
Parmetros
mu
sigma
Ti
Tr
B
5
1
0,25
0,5
C
Funciones
x
R(t_i)
phi(t_i)
integral
PHI(t_i)
E
Variable
-1,740 t_i
0,959 Objetivo
0,088 Disponibilidad
0,117
0,041
F
3,260
0,919
(
1
tf (t)dt = e
2
= 0,06
35
1
2
+ 5
35
1
En Matlab:
>>-normpdf(-2)+5*normcdf(-2)
ans =
0.0598
R(3) = 1
35
1
= 0,98
En Matlab:
>>1-normcdf(-2)
ans=
0.9772
3 0,98 + 0,06
3 + 0,25 + 0,5 [1 0,98]
= 0,92
A(3) =
Una forma pr
actica de implementar este metodo es a traves de EXCEL. En figura 23.6 se muestran
los parametros, las variables calculadas y la funcion objetivo. Gracias al uso del solver de optimizacion
es muy sencillo obtener el m
aximo (figura 23.7). Se puede bajar de la Web [aqu].
Observaci
on 65 La hip
otesis crucial de este modelo es que se considera que el equipo es tan bueno como
nuevo si pasa la inspecci
on o es reparado. Si tal hip
otesis no es realista y la tasa de fallas es creciente es
mejor aumentar la frecuencia a medida que el equipo envejece, lo que ser
a tratado en la pr
oxima secci
on.
427
= 0,25 ut
= 0,5 ut
= 5 ut
=2
M T BFc =
tf (t)dt
1
= + 1 +
M T BFc
1 + 1
10
5
= 5,64 ut
1 =
1+ 2
428
0.2
Normal
Weibull
0.18
0.16
0.14
f(T)
0.12
0.1
0.08
0.06
0.04
0.02
0
10
12
T (um)
ti (ut)
20,0
40,0
67,2
73,7
110,2
Tr (ut)
2,0
2,2
1,5
2,5
1,8
10
, obtenemos:
Z
( 10
2T )
tf (t)dt = T e
+ 5 erf
T
10
ex dx
y luego calcular (23.9) para diversos valores de T . Los resultados se muestran en figura (23.9). El optimo
se alcanza en
T = 2,04 ut
Ejemplo 104 2 Un equipo registra el siguiente historial de fallas (opera 24/24). donde ti corresponde al
numero de unidades de tiempo desde la instalaci
on del equipo (que ha recibido mantenimiento correctivo)
y se dispone de un equipo en stand-by. Las inspecciones de un equipo en stand-by toman 1.0 ut. Proponga
un programa de inspecciones para el equipo en stand-by que maximice su disponibilidad. Asuma que un
equipo en stand-by tiene un 4 veces el tiempo caracteristico () de un equipo que opera 100 % del tiempo,
y que el parametro de forma () es igual. El an
alisis de Weibull se muestra en tabla 23.4.Del an
alisis
gr
afico se obtienen los siguientes par
ametros de Weibull:
= 4,17
op = 22,37 ut
2 examen
recuperativo 2005-I
429
1
Normal
Weibull
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
T (ut)
i
1
2
3
4
5
Edad(ut)
15
18
20
24
25
i
F = n+1
0,166
0,333
0,500
0,666
0,833
430
y asumimos,
sb = 4op
= 4 22,37
= 89,49 ut
Asumiendo que las reparaci
on tienen distribuci
on exponencial, su valor promedio es:
Tr =
y ademas,
Ti = 1,0 ut
A continuaci
on evaluamos el modelo propuesto:
A(T ) =
RT
T R(T ) +
tf (t)dt
T + Ti + Tr [1 R(T )]
(23.11)
23.5.1.
Distribuci
on exponencial para las fallas e intervalos despreciables
para efectuar inspecci
on y reparaci
on o reemplazo
Si la distribuci
on es exponencial,
f (t) = et
t0
y
Ti T
Tr T
la expresion (23.9) queda,
A(T ) =
T et +
RT
0
tet dt
eT 1
T
T
1
2
(23.12)
cuando
T 1
Ejemplo 105 3 Una planta petroqumica posee 1000 v
alvulas de seguridad en servicio. Actualmente son
inspeccionadas una vez por a
no y aproximadamente 10 % de ellas son diagnosticadas como defectuosas
tras la inspecci
on. La duraci
on de la inspecci
on es 1 hora. El reemplazo toma 1 hora. Estime la frecuencia
de inspecciones que asegure 99 % de disponibilidad. Si usamos el a
no como unidad de tiempo y asumimos
una distribuci
on exponencial, la tasa de fallas de una v
alvula es:
(T = 1) = 0,1 fallas/ut
3 control
3, 2005-II.
431
luego, si despreciamos los tiempos para inspeccionar y reemplazar (frente al intervalo entre inspecciones),
la disponibilidad puede ser estimada a partir de (23.12),
A(T = 1) = 1
1 0,1
= 0,95
2
T99 0,1
= 0,99
2
luego,
T99 = 0,2 ut
Observaci
on 66 Notemos que en este caso un reemplazo preventivo de las v
alvulas es inefectivo, pues
la duraci
on esperada de una v
alvula vieja es similar a la de una nueva ( = 1).
Ejemplo 106 La detenci
on no programada de un cierto equipo reduce los ingresos de una compa
nia en
400 um/hora. Al realizar una inspecci
on cada dos meses se producen en promedio 2 fallas/semana. La
HH de inspecci
on se ha valorado en 50 um. La HH de mantenimiento correctivo en 25 um. Ambas tareas
requieren de 1 solo hombre. La inspecci
on no requiere que el equipo sea detenido y requiere de 1 hora. La
reparaci
on demora 3 horas en promedio.
1. Estime un periodo
optimo entre inspecciones que minimice el costo global asociado.
2. Calcule el costo global asociado al programa de inspeccion.
De secci
on 21.3,
f
cg (f ) = cf + ci,r + ci,i
i
s
i cf + ci,r
f = k
ci,i
Reconociendo terminos y usando la hora como unidad de tiempo:
M T T I = 1/i = 1h
M T T R = 1/ = 3h
cf = 400 um/h
ci,i = 50 um/h
ci,r = 25 um/h
Considerando que el equipo trabaja 100 % del tiempo,
1
2
f=
=
fallas/h
2 30 24
7 24
Asumiendo que la tasa de fallas es una funcion inversamente proporcional al numero de inspecciones
por unidad de tiempo,
k
=
f
luego
k=
1
2
= 8,2 106
2 30 24 7 24
y evaluando
s
f =
8,2 106 3
400 + 25
50
= 0,0145 inspecciones/hora
432
Frecuencia
(insp./da)
2
1.43
0.40
0.15
Tasa de falla
(fallas/equipo/a
no)
10.76
13.33
23.42
28.68
Nro fallas/bus/ao
30
25
B Desa01
B ajustado
20
15
10
5
-0,90
0,10
1,10
Frecuencia insp/da
2,10
(f ) =
433
A continuaci
on maximizamos la disponibilidad, la que seg
un 21.6:
(n) n
A(n) = 1
+
i
y la condici
on de m
aximo:
A0 (n) =
0 (n) 1
+ =0
en nuestro modelo:
0 (n) = 0 en
luego
n =
1
log
0 i
entonces,
1
log
n =
1,18
23,6 1,18 48
4
= 4,92
' 5 inspecciones/da
inf corresponde a la tasa de fallas cuando la frecuencia se hace infinita, o sea, la tasa de fallas depende
de otras variables y de la calidad de las inspecciones. 0 + inf corresponde a la tasa de fallas cuando no
se realizan inspecciones (o son de otro tipo, no considerado en el an
alisis).
Ejemplo 108 4 Una mina posee 25 generadores de emergencia y 1 ingeniero de mantenimiento de la
Chile. Hist
oricamente, han sido inspeccionados 2 veces por a
no y se ha encontrado que 3 no operaran
en caso de ocurrir un corte de electricidad (lo que asust
o al superintendente). La tabla 23.6 muestra
un registro de las duraciones de las ultimas inspecciones y reparaciones (se incluye el diagnostico, el
transporte a taller, la reparaci
on misma). Estime un intervalo
optimo entre inspecciones.(1.5 ptos). La
Ultimas inspecciones
duraci
on (horas)
6.0
7.2
4.0
2.0
8.0
Ultimas reparaciones
duracion (dias)
4
5.5
8
4
5
Cuadro 23.6: Historial parcial de inspecciones y reparaciones de los generadores. Una reparacion no
esta necesariamente asociada a una inspeccion.
inspecci
on dura en promedio:
6 + 7,2 + 4 + 2 + 8
= 5,4 horas
5
y las reparaciones (excluyendo las inspecciones),
Ti =
Tr =
4 + 5,5 + 8 + 4 + 5 5,4
= 5,1 dias
5
24
2006-II.
3/25
= 0,24 fallas/a
no
0,5
434
0.99
0.98
0.97
0.96
0.95
0.94
0.93
0.92
0.91
0.9
20
40
60
80
100
120
140
160
T (dias)
tet dt =
(1 eT T eT )
luego,
T
T e
T eT + (1e
A(T ) =
T + Ti + Tr (1 eT )
23.5.2.
Inspecciones verificatorias
Los tiempos para inspeccionar son M T T I = ,25 ut y para reparar M T T R = ,5 ut. Si el componente
tiene edad t0 al inicial la inspecci
on y han pasado T unidades de tiempo tras la u
ltima inspeccion (de la
cual el componente sali
o airoso) entonces la disponibilidad esperada es (ver 11.9):
RT
T Rt0 (T ) + 0 tft0 (t)dt
A(T ) =
T + Ti + Tr [1 Rt0 (T )]
5 control
2, 2007-I
435
1
0.9
Disponibilidad esperada
0.8
1era insp.
2da insp.
3era insp.
0.7
0.6
0.5
0.4
0.3
0.2
0
0.5
1.5
2
2.5
3
Tiempo tras ultima inspeccin (ut)
3.5
Rt0 (t) =
ft0 (t) =
t+t0
1
e(
t0
t+t0
e( )
En Maple:
beta:=3.5;eta:=5/GAMMA(1+1/beta);Ti:=.25;Tr:=.5;t0:=2.65+Ti;
f0:=beta/eta*((t+t0)/eta)^(beta-1)*exp(-((t+t0)/eta)^beta)/exp(-(t0/eta)^beta);
R0:=exp(-((t+t0)/eta)^beta)/exp(-(t0/eta)^beta);
fd := fopen("c:/matlab6p5/work/test.txt", WRITE);
for T from 0.1 by .05 to 4 do
A:=int(R0,t=0..T)/(T+Ti+Tr*(1-exp(-((T+t0)/eta)^beta)/exp(-(t0/eta)^beta)));
fprintf(fd, " \%g \%g \n",T,A);
end do;
fclose(fd);
Los intervalos
optimos para las 3 primeras inspecciones se muestran en la figura 23.12. Es claro que
al ir envejeciendo, es necesario hacer las inspecciones de manera mas frecuente. Aun as, es esperable que
la disponibilidad esperada se reduzca. La tabla 23.7 muestra los intervalos optimos y las disponibilidades
de ciclo esperadas.
23.6.
Vaurio (1999)
Sistemas tales como los misiles, reciben overhauls profundos (reemplazos) tras superar un n
umero
dado de inspecciones. El modelo propuesto es descrito en Vaurio [30]. El modelo tambien es descrito en
Nakagawa [26].
436
Ciclo
1
2
3
t0
0
2,65 + 0,25
2,65 + 1,23 + 2 0,25
T
2,65
1,23
0,88
A
0,89
0,70
0,57
T1
T2
Tk
Figura 23.13: Modelo de Vaurio. Ciclo con falla detectada en una inspeccion.
El sistema es inspeccionado en Tk ,
k = 1, 2, ..., N 1
si una falla es detectada en una inspeccion el equipo es reemplazado,
Las inspecciones no consideran intervenciones preventivas,
El costo de una inspecci
on es Ci um,
el costo de falla por unidad de tiempo (cf um/ut) corre desde el momento que falla hasta que es
detectado,
El costo de un overhaul/reemplazo es Co um,
Si no se detecta falla en las inspecciones recibe overhaul (perfecto) o es reemplazado en TN ,
N = 1, 2, ...
El costo esperado cuando se detecta la falla en Tk es:
N Z Tk+1
X
[Ci k + cf (Tk t) + Co ] dF
k=0
Tk
y si ocurre el reemplazo en TN ,
[Ci N + Co ] R(TN )
En consecuencia, el costo esperado de un ciclo de renovacion es:
Z TN
N
1
X
[Ci + cf (Tk+1 Tk )] R (Tk ) cf
R(t)dt + Co
0
k=0
N Z
X
k=1
N
1
X
Tk+1
Tk dF + TN R (TN )
Tk
(Tk+1 Tk ) R (Tk )
k=0
N
1
X
R (Tk ) cf
k=0
N
1
X
k=0
R TN
0
R(t)dt + Co
(23.13)
(Tk+1 Tk ) R (Tk )
cf
T
T
1 eT N
437
(23.14)
Co
cf
1 eT N
Co T N eT N 1 eT N
T
1 (1 + T ) e
= Ci
2
(1 eT N )
(23.15)
cf
1 (1 + T )eT =
y
1 (1 + T )eT =
23.6.1.
Ci
cf Co
23.6.2.
Consideremos,
R = e t
y los par
ametros,
Ci = 10
cf = 1
Co = 100
= 103
= 1,0, 1,1, 1,2, 1,3
N = 10
Los resultados se muestran en figura 23.14.
La figura 23.15 hace un estudio de sensibilidad con respecto a cuando = 1,2.
438
0.3
10
=1.0
=1.1
=1.2
=1.3
0.2
10
0.1
10
10
-0.1
10
-0.2
10
-0.3
10
-0.4
10
-0.5
10
-0.6
10
50
100
150
200
250
300
350
400
450
500
T (ut)
0.3
10
=1.0
=1.1
=1.2
0.2
10
0.1
10
10
-0.1
10
-0.2
10
-0.3
10
-0.4
10
-0.5
10
-0.6
10
50
100
150
200
250
300
350
400
450
500
T (ut)
439
x(t)
Falla
peligrosa no
detectada
2T
Tiempo
Figura 23.16: Status operacional de un sistema de proteccion cuando las inspecciones son periodicas, de
duracion despreciable e incluyen intervenciones perfectas
23.7.
Rausand (2004)
D(t)
440
2T
3T
Tiempo
Figura 23.17: No disponibilidad cuando las inspecciones son periodicas, de duracion despreciable e incluyen intervenciones perfectas
1
D=
T
1
T
D(t)dt
(23.16)
0
T
F (t)dt
0
=1
1
T
R(t)dt
0
En un intervalo de duraci
on T1 , el equipo estara disponible en promedio:
T1 A ut
Ejemplo
Consideremos un sistema de protecci
on que sigue una dinstribucion exponencial de parametro .
Tenemos:
R(t) = et
Z
1 T t
e dt
T 0
1 T
=1
e
T
D =1
(23.17)
si T es peque
no, (y considerando la serie truncada de Maclaurin) [12]:
D
T
2
(23.18)
441
1
T
2et e2t dt
1
2
1 eT +
1 e2T
T
2T
(23.19)
Usando la aproximaci
on de Maclaurin,
1
2
(T )
3
cuando T es peque
no. Si lo aplicamos al caso anterior,
D
(23.20)
D 7,1 108
o sea, 4 ordenes de magnitud mejor que en el caso de disponer de un solo detector.
En el caso en que el sistema sea k = 2 de n = 3 (o sea se requieren 2 sensores de 3 funcionando para
que el sistema act
ue)6 :
D (T )
cuando T es peque
no. Si lo aplicamos al caso anterior,
D 2,1 107
(23.21)
442
k\n
1
2
3
4
T
2
(T )2
3
T
-
(T )3
4
2
(T )4
5
3
(T )
3T
2
(T )
2
2 (T )
2T
10
1 out of 1
1 out of 2
2 out of 3
-1
10
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
Figura 23.18: Confiabilidad para varios sistemas k de n. Se considera que en t = 0 los n componentes
estan como nuevos y que los 3 componentes tienen distribucion exponencial con igual parametro .
lo que es unas 3 veces mayor que la de un sistema 1 de 2. La tabla () entrega un resumen para sistemas
k de n.
Otro punto importante es que muchos modelos para inspeccion no consideran explcitamente que el
sistema es k de n y toman un valor promedio para la tasa de fallas del sistema. Ello puede ser peligroso
para los resultados pues en general los intervalos T para inspecciones son peque
nos (ver grafico) y los
sistemas de protecci
on aun no llegan a su tasa de fallas en el largo plazo (ver figura 23.18).
23.7.1.
N
umero medio de inspecciones hasta la primera falla
443
Eje Y
PFD (t)
0
Tiempo t
0
T0
T+T0
2T
2T+T0
3T
X
z=0
z Pr(Z = z)
zpz (1 p)
z=0
p
1p
R(T )
=
F (T )
=
1
F (T )
R(t)dt
0
Ejemplo
Para el caso de una distribuci
on exponencial,
1
1 eT
1
=
T1 =
23.7.2.
eT dt
Cuando se tienen 2 sistemas en paralelo, se puede aumentar la disponibilidad esperada inspeccionando los items en instantes distintos. Consideremos dos componentes en paralelo, cada uno con tasa
de fallas 1 y 2 respectivamente. Ambas son inspeccionadas con intervalo T , pero con una diferencia
de T0 ut. Continuamos considerando el tiempo para inspeccionar y reparar (dejando como nuevo) como
despreciables.
Las no disponibilidades del componente 1 y 2 son:
q1 (t) = 1 e1 T para T0 < t T
1 e2 (t+T To ) para 0 < t T0
q2 (t) =
1 e2 (tTo )
para T0 < t T
La no disponibilidad del sistema es:
D(t) = q1 (t)q2 (t)
444
desarrollando [12], se puede obtener el desfase temporal optimo (que maximiza la disponibilidad promedio
del sistema) entre ambas inspecciones:
T0 (T ) =
1
ln
1 + 2
1 1 e2 T
2 e1 T 1
+T
T
2
Observaci
on 67 Otro criterio posible es asegurar un nivel de disponibilidad mnimo. NdP.
23.7.3.
Observaci
on 68 El intervalo de tiempo entre la detecci
on de la falla en la inspecci
on y el termino de la
reparaci
on es denominado intervalo de restauracion.
El riesgo asociado al intervalo de restauracion proviene de dos fuentes:
el o los modos de falla que sean detectados en el sistema de proteccion, donde cada modo de falla
requiere diferentes clases de intevenci
on,
las varias fases pueden tener diferentes niveles de riesgo. Los riesgos durante la espera por la
reparacion y durante la reparaci
on misma puede ser distintos.
En consecuencia, es necesario evaluar la no disponibilidad asociada a cada modo de falla y las diversas
fases del intervalo de restauraci
on.
23.7.4.
Falsas alarmas
En muchos sistemas de proteccion, la tasa de falsas alarmas puede ser comparable, e incluso mayor
que la tasa de fallas peligrosas no detectadas. Las falsas alarmas implican usualmente costos importantes
y reducen la confianza en el sistema.
Ejemplo 109 Un sistema de monitoreo de vibraciones que sea capaz de activar un trip en un turbogenerador y que este mal configurado.
Consideremos un sistema de proteccion que incluya m subsistemas independientes. El sistema pude
incluir, por ejemplo, un subsitema detector de llamas, un subsistema detector de calor, un subsistema detector de humo, un subsistema de control, y valvulas de seguridad (subsistema actuador). Cada subsitema
puede incluir varios componentes. El sistema tiene una disposicion en serie con respecto a los subsistemas
y con respecto a las falsas alarmas. En consecuencia, si un subsistema indica una falsa alarma, el sistema
actuara.
445
Sensores
Control lgico
2 de 3
m
X
j
jst M DTst
(23.22)
j=1
Observaci
on 69 La ecuaci
on (23.22) permitira el uso del diagrama de dispersion de Knights.
Sistema en paralelo
Considere un detector de fuego con n detectores independientes. Cada sensor tiene una tasa de falsas
alarmas ist , i = 1, ..., n. El sistema tiene una estructura en paralelo dado que si un sensor tiene una falsa
alarma, el sistema actuar
a. Se trata de un sistema k = 1 de n. La tasa de falsas alarmas del sistema es:
1oon
=
st
n
X
ist
(23.23)
i=1
en consecuencia, un alto grado de redundancia puede resultar en una alta tasa de falsas alarmas.
Sistema k = 2 de n = 3
Consideremos un sistema de proteccion con 3 sensores independientes y del mismo tipo:
ist = 1st
para:
j = 1, 2, 3
Los sensores est
an conectados a una unidad de control con una logica 2/3 (figura ??). Para que el
sistema actue, 2 sensores deben mandar alarma. Asumiremos que la unidad de control no falla. Cuando un
sensor manda una alarma, los tecnicos revisan y reparan/reemplazan el sensor si es necesario. Asumamos
que este proceso toma Tr ut. Si durante el no se recibe una segunda alarma, el sistema no actuara. La
tasa de falsas alarmas en un sistema 2oo3 es entonces:
Z Tr
1
1
2oo3
=
3
1 e2st t dt
st
st
0
1
1
1
= 3st tr 1 1 e2st Tr
2st
Si
1st = 5 105 falsas alarmas/hora
446
y
Tr = 2 horas
se tiene
2oo3
= 3 108 falsas alarmas/hora
st
lo que es considerado como un valor bajo.
23.7.5.
Existe una fuerte tendencia a proveer a los sistemas de proteccion con medios para realizar autodiagnostico. La frecuencia de los tests es suficientemente alta como para considerar que la falla es detectada
tan pronto como ocurre. En los sistemas con redundancia, la reparacion puede ser llevada a cabo en general sin que el sistema de protecci
on pierda disponibilidad. En otros casos, el sistema debe ser detenido
para realizar la reparaci
on.
Sean:
jdt,i la tasa de fallas del componente i (i = 1...nj )del subsistema j (j = 1, 2, ..., m)que son reveladas
por autodiagn
ostico. Si asumimos que todos los componentes son independientes, la tasa de fallas del
subsistema j que son reveladas por autodiagnostico son:
jdt =
nj
X
jdt,i
i=1
j
Sea M DTdt
el intervalo de tiempo de no disponibilidad del subsistema j para reparar luego de que
una falla es detectada por autodiagn
ostico (en algunas configuraciones la no disponibilidad puede ser
cero). La no disponibilidad del sistema, D, causada por las fallas que son detectadas por autodiagnostico
es:
Ddt
m
X
j
jdt M DTdt
(23.24)
i=1
447
23.7.6.
Hasta el momento, hemos considerado que los componentes son independientes. Ello no es cierto en
ciertas situaciones. Ciertos sistemas de proteccion tienen un alto grado de redundancia, y la confiabilidad
del sistema puede ser influenciada de manera importante por fallas con causa com
un. En consecuencia,
es importante identificar posibles fallas con causa com
un y tomar las medidas precautorias adecuadas.
Summers y Raney [111] presentan check lists para verificar las fallas con causa com
un en sistemas de
protecci
on.
Una vez establecidas las causas para FCC, ellas deben ser explcitamente modeladas, como se ilustra
en el ejemplo a continuaci
on. En la mayora de los casos, es muy difcil encontrar datos de alta calidad
para elaborar el modelo.
23.7.7.
Ejemplo
Consideremos un sistema en paralelo con dos sensores de presion instalados en un estanque a presion. Se han establecido 2 causas para FCC : (i)suciedad en los cabezales de los sensores, (ii) sensores
descalibrados. La
arbol de falla mostrado en figura 23.32 ilustra la situacion.
El arbol considera que los dem
as modos de falla son independientes.
El modelo de uso mas frecuente para FCC es el modelo . Este modelo asume que un cierto porcentaje
de todas las falla es FCC y causaran que fallen todos los componentes al mismo tiempo o en un intervalo
de tiempo my corto. La tasa de falla du puede ser escrita como:
du = idu + cdu
donde idu es la tasa de fallas independientes que solo afectan a un componente y cdu es la tasa de fallas
de los modos de falla que causan que todos los componentes fallen. El factor de causa com
un es:
du =
cdu
du
448
donde ist es la tasa de falsas alarmas independientes que solo afectan a un componente y cdu es la tasa
de falsas alarmas de los modos de falla que causan que todos los componentes fallen. El factor de causa
com
un es:
c
st = st
st
En general du y st son diferentes.
23.7.8.
Autodiagn
ostico y FCC
P F D(du )
[(1 du ) du ]
du du
+
3
2
(23.25)
Con respecto a falsas alarmas, el sistema tiene una disposicion en serie, y la tasa de trips es:
1oo2
st (st ) = (2 st ) st
Luego, la tasa de ocurrencia de trips por falsas alarmas disminuye cuando st crece. Para el caso
ejemplo,
du = 0,21 106 fallas/hora
= 2190 horas
du = 0,1
st = 0,1
usando (23.25),
P F D(du ) 5,71 108 + 2,30 105
2,31 105
observamos que usando valores realistas, PFD es dominado por el termino asociado a fallas con causa
com
un.
23.7.9.
449
La probabilidad de que el sistema no opere cuando sea requerido es en este caso (ecuaciones ??,??):
2
P F D(du ) [(1 du ) du ] +
du du
2
(23.26)
(23.27)
Con los mismos datos del ejemplo anterior, obtenemos (de ecuacion 23.26):
P F D(du ) 1,71 107 + 2,30 105
2,32 105
Nuevamente, el termino por FCC domina.
En los dos ejemplos anteriores, vimos que PFD estaba dominado por el termino asociado a FCC
cuando du era peque
no. Es sencillo demostrar que lo mismo ocurre para todos los sistema koon,
cuando
n2
kn
En consecuencia,
P F Dkoon (du )
du du
2
(23.28)
cuando
du
es peque
no. Bajo estas condiciones, PFD es independiente de n, lo que puede ser un defecto del modelo
. Un modelo mas realista es el modelo PDS, que presentamos despues.
La norma IEC 61508 usar el modelo con un solo valor de para toda la planta, que es determinado de
un check list donde se incluyen todas las configuraciones de sistemas de proteccion (ver IEC 61508, anexo
D). Ello hace que no sea coherente realizar comparacion entre diferentes configuraciones. Comeliussen
and Hokstad (2003) [76] critican el uso de un solo valor para y proponen usar multiples valores.
23.7.10.
Comentarios
Algunas bases de datos de confiabilidad presentan las tasas de falla totales, mientras que otras solo
presentan las tasas de fallas individuales. Por ejemplo:
los datos de OREDA (2002) [72] son obtenidos a partir de reportes de mantenimiento y contienen todas las fallas, ya sean independientes o con causa com
un.
los datos en MIL-HDBK 217F provienen principalmente de pruebas de laboratorio sobre componentes especficos y por lo tanto solo consideran fallas independientes.
En consecuencia, al usar modelos con FCC y bases de datos, debe considerarse el origen de la
informaci
on experimental.
Algunas causas de FCC, como la descalibracion de sensores, tienen la misma probabilidad de ocurrir
en 1 o en todos los componentes. Si se incluye la descalibracion como un FCC para n sensores
redundantes, tambien debe incluirse como falla individual. Este problema es discutido en Summers
y Raney [111].
450
23.8.
Sistemas tales como los misiles o ciertos repuestos crticos (equipos completos o componentes) pueden
pasar un largo tiempo esperando, almacenados, para ser usados. Al pasar el tiempo, la confiabilidad de
estos sistemas se reduce pues ciertos componentes se degradan, por ejemplo, el combustible de un misil
tiene una vida u
til limitada.
En muchos modelos de inspecci
on, se ha asumido que una inspeccion puede resolver todos los modos
de falla de un sistema. Sin embargo, pueden existir modos de falla que solo se revelen durante la operacion
misma, por ejemplo un misil o un lanzador de satelites sufre condiciones de operacion extremas solo en
su uso mismo.
Ejemplo 110 El accidente de Ariane 5 en 1996 fue causado por una sobrecarga para el software de
control que solo podia ocurrir durante la operaci
on misma [139].
Vemos entonces que existen sistemas donde hay ciertos modos de falla que no son observables durante
las inspecciones. Para modelar la situaci
on dividiremos al sistema en 2 sub-sistemas independientes. El
sub-sistema 1 recibe inspecciones perfectas (y eventuales reparaciones perfectas) que lo dejan como nuevo
tras cada inspecci
on. El sub-sistema 2 no es inspeccionado pues sus modos de falla no son detectables
hasta que opera. A medida que pasa el tiempo, el sub-sistema es cada vez menos confiable.
El modelo presentado aqu (Ito y Nakagawa, 2000) [66, 26] considera:
la disponibilidad instant
anea (confiabilidad) del sistema debe ser superior a un cierto nivel preespecificado Ao (0 < Ao 1),
A(t) A0
para mantener la confiabilidad del sistema se realizan inspecciones periodicas con intervalo T ut.
cuando la confiabilidad del sistema llega al nivel Ao en el instante N T + Tx , el sistema completo es
intervenido preventivamente, quedando como nuevo.
las variables de decision del modelo son N y T ,
el numero esperado de fallas al instante t para cada sub-sistema es H1 (t) y H2 (t) respectivamente,
La duraci
on de una inspecci
on y eventual reparacion es despreciable,
451
La duraci
on de un overhaul o reemplazo es despreciable,
el costo de una inspecci
on es Ci ,
el costo de un overhaul es Co .
La raz
on de costos es:
=
Co
Ci
La confiabilidad del sistema es el producto de las confiabilidades de cada sub-sistema, eso es:
(23.29)
H1 (t)H2 (t)
=e
As (t+ ) = eH2 (t
(23.30)
H2 (N T )
As (t = N t) = e
La restricci
on de confiabilidad implica que:
(23.31)
(23.32)
o para alg
un valor de Tx :
El costo esperado de un ciclo de renovacion por unidad de tiempo es el objetivo a minimizar:
cg (T, N ) =
N Ci + Co
N T + Tx
(23.33)
A continuaci
on se establecen condiciones de optimalidad en los casos con distribucion exponencial y
de Weibull respectivamente.
23.8.1.
Distribuci
on exponencial
En este caso,
Hi (t) = i t
i = 1, 2
la ecuaci
on (23.31) puede ser descrita como:
1
1
1
1
log
T <
log
N + 1
Ao
(N 1) + 1
Ao
donde
= 1 + 2
(23.34)
452
10
50
10
10
0.1
0.1
0.5
0.1
Ao
0.8
0.8
0.8
0.9
T
0.1312
0.0797
0.1487
0.0620
N
8
19
2
8
N T + Tx
1.1682
1.5859
0.3719
0.5516
cg (N ,T )
Ci
15.408
43.508
32.266
32.633
representa la tasa de cobertura o eficiencia de las inspecciones. Usando (23.34) se puede saber N . Si
T es conocido, de (23.32),
N 2 T + T0 = log
1
Ao
(23.35)
1
Ao
(23.36)
(23.37)
N (1
N Ci + Co
)T + 1 log
(23.38)
1
Ao
N +
cg (N , T )
=
Ci
N (1 )T + log
1
Ao
(23.39)
con lo que el problema queda en terminos del par (T, N ). De (23.34), se obtiene el intervalo donde
evaluar T :
log A1o
0<T <
(1 )
o en terminos del tiempo adimensional T ,
0 < T <
log
1
Ao
(1 )
Ejemplo
Consideremos los par
ametros:
= 0,1, 0,5
Ao = 0,8, 0,9
= 10, 50
La tabla (23.12) muestra los resultados para algunas combinaciones.
453
55
50
45
40
35
30
25
20
15
10
5
0.4
0.3
0.2
0.1
0
15
10
20
0.9
0.8
0.7
R( t)
0.6
0.5
0.4
0.3
0.2
Subsystem 1
Subsystem 2
0.1
0.2
0.4
0.6
0.8
Figura 23.24: Confiabilidad para = 0,1, A0 = 0,8, = 10 para un ciclo de renovacion con N = 8 y
T = 0,1312
454
10
50
10
10
0.1
0.1
0.5
0.1
Ao
0.8
0.8
0.8
0.9
Nakagawa (2005)
N T
N T + Tx
8
0.131 1.168
19
0.080 1.586
2
0.149 0.372
8
0.062 0.552
cg (N ,T )
Ci
15.41
43.51
32.27
32.63
Propuesta 1
N T
10
0.112
22
0.070
4
0.074
10
0.053
(N + 1) T
1.227
1.604
0.372
0.580
cg (N ,T )
Ci
17.93
46.93
47.06
37.97
23.8.2.
Comentarios al modelo
N (N + 1)(1 )
N (1 )T + log
1
Ao
2 < 0
o sea, no tiene mnimo y es decreciente con T . Ello se explica pues no hay castigo por no disponer
del equipo si llega a ser requerido. Adem
as con eso sabemos que necesariamente en el borde derecho del
intervalo proporcionado por (23.34).
T =
1
1
log
(N 1) + 1
Ao
23.8.3.
Mejoras al modelo
mejora 1: Condensaci
on de Tx
ahora, el overhaul se hace en (N + 1) T , luego hay N inspecciones. As no se requiere la variable
auxiliar Tx . El punto mas bajo de la confiabilidad del sistema se alcanza en t = (N + 1) T , que coincide
con el valor critico Ao .
Rs (t = (N + 1) T ) = eH1 (T )H2 ((N +1)T ) = Ao
y la funcion objetivo es ahora:
cg (T, N ) =
N Ci + Co
NT
(23.40)
cg (N, T )
N +
=
Ci
N T
2
:
e(1+N )T = Ao
Para el ejemplo anterior,
El comportamiento es similar al modelo de Ito y Nakagawa, aunque al tener un grado de libertad
menos, los costos esperados son superiores.
455
Mejora 2
Basados en Rausand y Holland [12], calculamos la probabilidad de falla bajo demanda, P F D, y luego
estudiamos 2 variantes. que pdf supere un cierto valor basal, y que la probabilidad de un evento critico
en un intervalo no supere un cierto valor.
D = PFD = 1
=1
=1
1
N T + T0
Z N T +T0
1
N T + T0
N T +T0
As (t)dt
0
A1 (t)A2 (t)dt
0
N T +T0
1
N T + T0
con
A+D =1
la primera variante considera la restriccion,
P F D P F Dmax
que es como se calcula en el standard IEC61508.
La segunda variante considera que la probabilidad de una situacion critica en un intervalo de tiempo
no supere un cierto valor. Este modelo toma en cuenta la tasa de demanda del proceso.
Para facilitar el calculo de P F D tomaremos valores promedios en cada intervalo inter-inspeccion y
luego promediaremos sobre todos los intervalos. Esto es un valor aproximado, pero dado que P F D es un
promedio, los resultados no debieran ser muy sensibles.
Usando nuestro modelo de 2 grados de libertad:
1
PFD = 1
NT
1
NT
1
NT
=1
=1
=1
NT
Rs (t)dt
0
NT
R1 (t)R2 (t)dt
0
NT
0
N
X Z Tj
1
N T j=1
T (j1)
Tj
T (j1)
Tj
e1 (tT (j1))2 t dt
T (j1)
e[(1)j1]T eT 1
=
y
N Z
X
j=1
Tj
T (j1)
H1 (t)H2 (t)
N [(1)j1]T
X
e
eT 1
dt =
j=1
=
En Maple:
456
10
50
10
10
0.1
0.1
0.5
0.1
Ao
0.8
0.8
0.8
0.9
Nakagawa [26]
N T
N T + Tx
8
0.131 1.17
19
0.080 1.59
2
0.149 0.37
8
0.062 0.55
cg (N ,T )
Ci
15.41
43.51
32.27
32.63
Propuesta 2
N T
9
0.253
22
0.147
3
0.230
9
0.118
(N + 1) T
2.53
3.39
0.92
1.18
cg (N ,T )
Ci
8.34
22.21
18.86
17.86
int(exp(-(1-a)*lambda*(t-T*(j-1)))*exp(-a*lambda*t),t=T*(j-1)...T*j);
simplify(sum(exp(-lambda*T-lambda*a*T*j+lambda*a*T)*(exp(lambda*T)-1)/lambda,j=1...N));
Finalmente,
P F D(N, T ) = 1
(DTe ) DTe
e
(23.41)
n!
donde D es la probabilidad de que el sistema no este disponible para un instante cualquiera (asumiendo
que es 100 % eficiente en la detecci
on del evento en su etapa inicial), es la tasas de demanda del proceso
(supuesta como HPP ) y Te es el intervalo de evaluacion. El valor promedio D corresponde a la no
disponibilidad del sistema de protecci
on. La probabilidad de que no haya evento critico es entonces:
Pr(n) =
Pr(0) = eDTe
(23.42)
102
Te
,999
457
o podra, preguntarse sobre que horizonte de tiempo se alcanza una cierta probabilidad de que ocurra al
menos un evento critico:
c
eDTe = Aoe
luego,
Tec =
1
1
log
D
Aoe
Tec =
102
Te 0,1
log
1
0,99
= 10,05Te
Mejora 4: Tiempo para inspecci
on no despreciable
Si los tiempos para intervenir no son despreciables, es necesario luego con Ti y Tr como Jardine [228]
y max disp, pf d = 1 A,
inicialmente consideraremos que:
Ti = Ti + Tr
(en el modelo de jardine73). tambien diremos que el ss2 sigue degradandose durante la inspeccion.
La figura xxx muestra la situaci
on. La duracion de un ciclo de renovacion es:
(T + Ti )Nc
El tiempo esperado en que el sistema de proteccion esta disponible es:
Nc Z
X
Rs (t)dt
(j1)(T +Ti )
j=1
A=
Rs (t)dt
(T + Ti )Nc
Rs (t)dt =
(j1)(T +Ti )
(j1)(T +Ti )
(j1)(T +Ti )
(j1)(T +Ti )
1 eT e(T +Ti )(j1)
=
458
y
Nc Z
X
j=1
Rs (t)dt =
(j1)(T +Ti )
finalmente,
A(T, Nc ) = (1 eT )
En Maple,
simplify(int(exp(-(1-a)*lambda*(t-(j-1)*(T+Ti))-a*lambda*t),
t=(j-1)*(T+Ti)...(j-1)*(T+Ti)+T));
simplify(sum((exp(-a*lambda*(T+Ti)*(j-1))-exp(-lambda*(T-a*T+a*T*j+a*j*Ti-a*Ti)))
/lambda,j=1...N));
(x + 1) ex 1 0
?
(x + 1) ex 1
?
log(x + 1) x 0
x + 1 ex
con
x = (T + Ti )Nc
con lo que queda claro que no es necesario hacer inspecciones, solo overhauls.
La figura 23.25 muestra el efecto de N en la disponibilidad promedio. de todas maneras es interesante
saber que para estos sistemas conviene mas hacer siempre el overhaul si se desea maximizar disponibilidad
(era obvio...). as que la cosa va por un tema de costos:
cg (T, N ) =
(N 1) Ci + Co
N (T + Ti )
normalizando,
cg (T, N )
(N 1) +
=
Ci
N (T + Ti )
Por ejemplo, tomando el caso anterior, si:
= 0,5
Ti = 0,02
Ao = 0,8
= 10
(23.43)
459
0.9
1
0.8
3
5
0.7
7
9
11
0.6
13
15
17
19
0.5
0.4
0.3
0.2
0.05
0.1
T (ut)
0.15
0.2
0.25
0.95
0.9
0.85
0.8
0.75
0.7
0.65
0.6
Subsystem 1
Subsystem 2
System
0.55
0.5
0.1
0.2
0.3
0.4
0.5
0.6
T (ut)
0.7
0.8
0.9
460
la mejor disponibilidad se logra cuando se hace overhaul en todas las ocasiones (N = 1), cada
T = 0,194
unidades de tiempo, y la disponibilidad m
axima alcanzable es:
Amax = 0,824
lo que es mayor que Ao , as que Ao = 0,8 es alcanzable.
La minimizaci
on del costo esperado por unidad de tiempo sujeto a restriccion de disponibilidad minima
entrega:
N =1
T = 0,343
A = 0,800
cn = 27,58
una variante es maximizar la disponibilidad con restriccion de costo esperado por unidad de tiempo.
hacer .....
Mejora 5: Inspecciones peri
odicas en sistema1 y To > Ti
En la mejora anterior es obvio que N = 1 si se quiere maximizar disponibilidad. Ello ocurre pues no
hay un castigo por hacer overhauls. En general, los overhauls son mas caros y recursos que las inspecciones.
En un modelo de disponibilidad, el castigo es el tiempo. Proponemos entonces:
Ti = To
01
La duracion de un ciclo de renovaci
on es:
T Nc + (Nc 1)Ti + T0 = T Nc + (Nc 1)To + T0
= T Nc + (Nc + (1 )) T0
donde Nc es el numero de ciclos en un ciclo de renovacion. La disponibilidad esperada es:
PNc R (j1)(T +To )+T
Rs (t)dt
j=1 (j1)(T +To )
A=
T Nc + (Nc + (1 )) T0
y
Nc Z (j1)(T +To )+T
Nc Z (j1)(T +To )+T
X
X
Rs (t)dt =
eH1 (t)H2 (t) dt
j=1
(j1)(T +To )
j=1
j=1
(j1)(T +To )
(j1)(T +To )
luego,
A(Nc , T ) =
En Maple:
A:=simplify(1/(Nc*T+(Nc-1)*gamma1*To+To)*sum(int(exp(-(1-alpha)*lambda*(t-(j-1)*
(T+gamma*To))-alpha*lambda*t),t=(j-1)*(T+gamma*To)...(j-1)*(T+gamma*To)+T),j=1...Nc));
10
50
10
10
0.1
0.1
0.5
0.1
Ao
0.8
0.8
0.8
0.9
=0
cg (N ,T )
Ci
15.41
43.51
32.27
32.63
Proposed 5
N T
8
0.101
8
0.101
2
0.134
8
0.101
461
(max A)
length
1.00
1.00
0.46
1.00
To = 0,05, = 0,1
C(N ,T )
A
Ci
0.83 17.95
0.83 57.82
0.76 25.93
0.83 17.95
tj1 +Tj
Rs (t)dt
tj1
tj1 +Tj
Rs (t)dt =
tj1
1
Tj
tj1 +Tj
tj1
462
0.79
0.78
0.77
0.76
0.75
0.74
0.73
=0.01
=0.1
=0.5
0.72
0.71
0.7
1
9 10 11 12 13 14
N
Figura 23.27: Mejora VI (Intervalo variable). Efecto de en la disponibilidad optima. To = 0,05, = 0,5
0.043
0.0429
0.0428
0.0427
0.0426
Tj
0.0425
0.0424
0.0423
0.0422
0.0421
0.042
1
Figura 23.28: Mejora VI (Intervalo variable). Variacion del tiempo entre inspecciones (T ) para To =
0,05, = 0,5, = 0,01. A = 0,789249999 en N = 10. Modelo V: A = 0,789249920 en N = 10.
463
23.8.4.
Siguiendo la idea de Ito y Nakagawa, se podria aadir un tercer bloque para cada componente, para
considerar el autodiagn
ostico.
23.8.5.
Retomando el modelo original de Ito (que incluye Tx ) y considerando que ambos sistemas tienen el
mismo parametro ,
Hi (t) = (i t)
i = 1, 2
1
1
1
1
1
1
h
i log
log
T
A0
[N 1] + 1
A0
(N + 1) 1
(1 ) Tx + (N T + Tx ) =
donde
= 1 + 2
y
=
Ejemplo
Consideremos los par
ametros:
= 1,5
Ci = 1
Co = 10
= 0,1
A0 = 0,8
1
1
log
A0
(23.44)
464
N =5
T = 0,230
con una duraci
on de ciclo:
Tx = 0,181
y un costo esperado:
cg
= 11,25
Mejora 1: Condensaci
on de Tx
((N +1)T )
= Ao
N =7
T = 0,171
y el costo esperado sube a:
cg
= 14,22
1
NT
1
=1
NT
PFD = 1
=1
=1
NT
Rs (t)dt
0
NT
R1 (t)R2 (t)dt
0
NT
0
N Z Tj
X
1
N T j=1
T (j1)
Tj
T (j1)
Tj
(tT (j1)) t
dt
T (j1)
Tj
=
T (j1)
definimos,
e(1)
e(1)(tT (j1))
(t)
dt
465
t0 = t T (j 1)
Z
Tj
e(1)(tT (j1))
(t)
dt
T (j1)
T 0
j = 1, 2, 3, ..., N
la primera variante considera la restriccion,
P F D P F Dmax
23.9.
Normas
23.9.1.
IEC 61508
466
Concepcin
Definicin de objetivos
generales
Anlisis de riesgo
Requerimientos de
seguridad generales
Asignacin de requerimientos
de seguridad
Sistemas de
proteccin
Planificacin general
6
Planificacin
general de
operacin y
mantenimiento
Planificacin
general
para evaluacin
de seguridad
Planificacin
general para
instalacin y
entrega
10
Otras
tecnologas
11
Realizacin
Instalaciones
para mitigacin
de riesgo
externo
Realizacin
Realizacin
12
Instalacin y entrega
13
Evaluacin de la
seguridad
14
Operacin y
mantenimiento
16
Retiro
15
Modificacin y
reacondicionamiento
467
Requerimientos
tcnicos
PARTE 1
Desarrollo de los requerimientos
generales de seguridad (concepto,
definicin de alcances, anlisis de
riesgo)
PARTE 5
Enfoques centrados en
el riesgo para el
desarrollo de los
requerimientos de
integridad de seguridad
7.1 a 7.5
PARTE 1
Otros
requerimientos
PARTE 7
Resumen de
tcnicas y
medidas
PARTE 4
PARTE 6
Fase de
realizacin de
sistemas de
proteccin
Guas para la
aplicacin de
Fase de
realizacin de IEC 61508-2 e IEC
61508-3
software
relacionado
con seguridad
PARTE 2
Documentacin
Clusula 5 y anexo
A
PARTE 1
PARTE 3
Gestin de la
seguridad
funcional
Clusula 6
PARTE 1
PARTE 1
Instalacin y entrega y validacin de
seguridad de sistemas de proteccin
Evaluacin de la
seguridad
funcional
Clusula 8
7.13 y 7.14
PARTE 1
PARTE 1
Operacin y mantenimiento,
modificacin y reacondicionamiento,
retiro de sistemas de proteccin
7.15 a 7.17
468
Nivel de
Demanda baja
integridad
de seguridad (SIL)
demanda)
-5
-4
10 to <10
-4
-3
10 to <10
-3
-2
10 to <10
-2
-1
10 to <10
10-9 to <10-8
10-8 to <10-7
10-7 to <10-6
-6
-5
10 to <10
4
3
2
1
Demanda alta
Cuadro 23.14: Niveles de integridad de seguridad de IEC 61508. Baja demanda: <1 vez/a
no o 2 veces la
frecuencia de inspecci
on.
Debe asignarse un nivel de integridad de seguridad a toda funci
on que incluya un sistema de proteccion
(safety instrumented function, SIF ). Una funcion puede ser cubierta por uno o mas sistemas de proteccion.
Consideremos un sistema de protecci
on con baja demanda con una tasa de demandas tipo Poisson con
demandas/ut. La probabilidad de que el sistema de protecci
on no opere cuando sea requerido es P F D.
Sea Nc (t) el numero de situaciones criticas en un intervalo (0, t). Entonces, el proceso {Nc (t), t > 0} es
un proceso homogeneo de Poisson con tasa:
c = P F D
La probabilidad de que ocurran n situaciones criticas en el intervalo (0, t) es:
n
Pr (N c(t) = n) =
(P F Dt) P F Dt
e
n!
(23.45)
para
n = 1, 2, ...
y el tiempo medio entre situaciones criticas es:
M T BF =
1
P F D
(23.46)
469
2. Definiciones de EUCs. El sistema (proceso) es descompuesto en subsistemas (Equipos bajo control, Equipment Under Control, EUC ). Ejemplos: Tanques a presion, Estaciones de bombeo, y
compresores.
3. Criterios de aceptaci
on de riesgos o de tolerancia al riesgo. Esto se realiza a nivel EUC. Los criterios
pueden ser cualitativos y cuantitativos y los riesgos estan relacionados con seres humanos, el ambiente y en algunos casos con activos fsicos y regularidad en el proceso. Ejemplo: la probabilidad
de liberar gases t
oxicos a la atmosfera debe ser menor a 104 en un a
no.
4. Analisis de riesgos y operabilidad. En esta etapa se identifican todos los posibles riesgos y posibles
demandas para cada EUC. El analisis puede ser llevado a cabo con herramientas tales como: HAZOP
(IEC 61882), FMECA (MIL-STD-1629), SAT (ISO 10418).
5. ....
6. ...
7. ...
8. ...
9. ...
23.9.2.
ISO 14224:2004
La norma ISO 14224:2004, Petroleum and natural gas industries Collection and exchange of reliability and maintenance data for equipment, en su anexo C.7 establece 2 criterios para fijar el intervalo entre
inspecciones de sistemas protectivos con fallas inactivas: disponibilidad y costo. Si el criterio utilizado es
la disponibilidad ofrecer la formula:
PFD
T =2
que corresponde al despeje de ecuacion () en el modelo con renovacion tras inspecciones y reparaciones
con tiempos de intervencion despreciables. El criterio de costo esperado por unidad de tiempo entrega:
s
1 Cm
T = 2
d Cf
que es solucion del modelo de costo global esperado por unidad de tiempo:
cg (T ) =
1
Cm
d T Cf +
2
T
donde corresponde a la tasa de fallas del modo de falla no opera(fail to operate) del sistema protectivo,
d corresponde a la tasa de demandas del proceso al sistema protectivo, Cm costo de una actividad
(inspeccion, reparacion), Cf corresponde al costo de falla cuando el sistema es requerido y no opera.
23.10.
Fallas dependientes
470
Fallas
independientes
que afectan solo
al componente 1
Fallas
dependientes
que afectan a
ambos
componentes
Fallas
independientes
que afectan solo
al componente 2
471
Ingeniera
Diseo
Construccin
Deficiencias
Fallas de
Manufactura Instalacin
funcionales
diseo
y entrega
Operaciones
Procedimental
Ambiental
Mantenimiento e Operacin
Extremos
Eventos
inspecciones
normales
accidentales
Riesgo
Dependencia
Control de
Control de
Reparaciones
Errores de
Temperatura
Incendio
no detectable
entre canales
calidad
calidad
imperfectas
operadores
Presin
Inundacin
inadecuado
inadecuado
Instrumentacin
Componentes
inadecuada
comunes
standards
standards
de proteccin y
inadecuados
inadecuados
Control
operacin
inadecuado
Deficiencias
Inspecciones
Inspecciones
inadecuadas
inadecuadas
operacionales
Componentes
inadecuados
Ensayos no
Ensayos y
apropiados
entrega
inadecuados
Humedad
Clima
Inspecciones
Procedimientos
Vibracin
Terremoto
imperfectas
inadecuados
Aceleracin
Explosin
Esfuerzo
Misiles
Calibracin
Supervisin
Corrosin
Falla red
imperfectas
inadecuada
Contaminacin
elctrica
Interferencia
Radiacin
Procedimientos
Errores de
Radiacin
Fuentes
imperfectos
comunicacin
Carga Esttica
qumicas
Supervisin
inadecuada
Errores de
diseo
Limitaciones
de diseo
472
3. Control de calidad: Establecer un programa para asegurar que los componentes cumplen con las
especificaciones de dise
no.
4. Redundancia: la adici
on de mas componentes aumenta la posibilidad de que algunos de ellos soporten algunas causas comunes. El incremento de redundancia puede tener un efecto muy limitado
debido a la misma naturaleza com
un de las fallas.
5. Mantenimiento preventivo
6. Monitoreo de condici
on e inspecciones
7. Revision de procedimientos de operacion, mantenimiento, calibracion e inspeccion para eliminar
acciones incorrectas o inapropiadas que impliquen la generacion de causas de falla comunes.
8. Diversidad: Mezclar componentes de diferentes fabricantes y metodos de deteccion y actuacion, asi
como el uso de diferentes cuadrillas para mantener e inspeccionar los sistemas.
Trataremos 3 clases de modelos: el metodo de la raz cuadrada, el modelo y el modelo con tasas de
falla binomial. Aunque hay otros disponibles [12].
23.10.1.
M
etodo de la raz cuadrada
ql qu
que representa a media geometrica entre ambos valores extremos. No existe una justificaciones teorica
para haber elegido este tipo de promedio. Una descripcion mas detallada se puede encontrar en [12].
23.10.2.
Modelo
Este metodo fue introducido por Fleming [180] y es el mas usado actualmente para modelar fallas con
causa com
un. Consideremos un modulo compuesto por n componentes identicos, cada uno con tasa de
falla . La falla de un componente puede ocurrir por dos razones:
1. Circunstancias que involucran a un solo componente (independiente de la condicion de los demas
componentes)
2. La ocurrencia de un evento externo (independiente del sistema) por el cual fallan todos los componentes al mismo tiempo.
Tenemos que:
= (i) + (c)
donde (i) es la tasa de fallas debido a fallas independientes y (c) es la tasa de fallas debido a fallas con
causa com
un.
A continuaci
on se introduce la raz
on :
(c)
=
luego,
(c) =
(i) = (1 )
473
(23.47)
La figura 23.34 muestra la evolucion de la confiabilidad del sistema para un sistema con 4 componentes
para varios niveles de . Observamos que en la medida en que crece, la confiabilidad disminuye mas
rapidamente.
Sistema con 2 componentes Consideremos un sistema con 2 componentes. La tasa de fallas individuales es:
is = 2 (1 )
y la tasa de fallas con causa com
un:
cs =
Sistema con 3 componentes Consideremos un sistema con 2 componentes. La tasa de fallas individuales es:
is = 3 (1 )
y la tasa de fallas con causa com
un (donde fallan los 3 componentes):
cs =
El modelo no permite modelar la tasa de fallas comunes donde fallen 2 componentes de 3. Las fracciones
para fallas individuales, dobles y triples se muestran en figura 23.35.
474
1
=0.0
=0.2
=0.3
=1.0
0.9
0.8
R( t)
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.5
1
Tiempo ( t)
1.5
Componente 1
1-
Componente 2
0
1-
0
1-
Componente 3
475
1/1
1/2
2/3
1.4
1.2
MTTF
1
0.8
0.6
0.4
0.2
0
0
0.2
0.4
0.6
0.8
2
1
(2 )
3
2
(2 ) (3 2)
La figura 23.36 muestra los M T T F para los 3 tipos de sistema cuando = 1. Obviamente, cuando
= 1 (dependencia total), los 3 sistemas tienen el mismo M T T F .
El modelo es muy simple, y es muy facil comprender el significado fsico del parametro : esta relacionado con el grado de protecci
on contra fallas con causa com
un. Existen varios metodos para identificar
. Humphreys [181] proponen un esquema basado en 8 criterios: separacion, similaridad, complejidad,
analisis, procedimientos, entrenamiento, control, e inspecciones.
Al usar el modelo , asumimos que todas las fallas del sistema son, o bien individuales (independientes)
o bien debido a fallas con causa com
un donde fallan todos los componentes. Una limitacion seria del
metodo es que no permite que una fraccion de los componentes falle. El modelo es muy conveniente
para sistemas con 2 componentes pero puede ser inadecuado para sistemas mas complejos. La norma
estadounidense NUREG/CR-4780 [182] dice:
476
Although historical data collected from the operation of nuclear power plants indicate that
common cause events do not always fail all redundant components, experience from using
this simple model shows that, in many cases, it gives reasonably accurate (or slightly conservative) results for redundancy levels up to about three or four items. However, beyond such
redundancy levels, this model generally yields results that are conservative.
Para usar el modelo, se requiere una estimacion de la tasa de fallas y del parametro . La tasa de
fallas puede provenir de bases de datos. Algunas de ellas proveen la tasa de fallas total, mientras que
otras presentan la tasa de fallas independientes. En algunos casos es difcil dirimir cual tasa de fallas es
entregada. Por ejemplo, la base de datos militar MIL-HDBK-217F [184] se basa en ensayos de laboratorio
sobre componentes individuales. En consecuencia se entrega la tasa de fallas independientes. Los datos
de la base OREDA [72] provienen de historiales de mantenimiento, por lo que usualmente no se distingue
entre fallas independientes y fallas con causa com
un. Luego, se dispone de la tasa de fallas total .
El uso de la distribuci
on exponencial es discutible. Por ejemplo, Rausand y Vatn [185] concluyen que
las estimaciones para el M T T F y la disponibilidad de seguridad no son robustas con respecto al modelo
seleccionado ni con respecto a los par
ametros que se utilicen.
23.10.3.
M
etodo de la tasa de fallas binomial
Este metodo fue propuesto inicialmente por Vesely [188]. La situacion estudiada es la siguiente: Un
sistema esta compuesto por n componentes identicos. Cada componentes falla de manera independiente.
Ademas, pueden ocurrir incidentes que afecten al sistema con una tasa de ocurrencia (shock ). Cuando
un shock ocurre, cada uno de los componentes falla con probabilidad p, independientemente de la falla
de otro(s) componentes. En consecuencia, el n
umero Z de componentes que falla tras un shock tiene
distribucion binomial con par
ametros (n, p). La probabilidad de que fallen z componentes tras un shock
es:
n
Pr(Z = z) =
pz (1 p)nz
z
El n
umero medio de fallas tras un shock es:
E(Z) = np
ademas se utilizan las siguientes hip
otesis:
Los shocks y las fallas individuales ocurren de manera independiente;
Todas las fallas son descubiertas y reparadas inmediatamente, el tiempo para reparar es despreciable.
En consecuencia, el tiempo medio entre fallas individuales, en la ausencia de shocks, tendra una tasa
de fallas exponencial con par
ametro (i) , y el tiempo medio entre shocks tendra distribucion exponencial
con parametro . El numero de fallas individuales en un periodo T tendra una distribucion Poisson con
parametro (i) T . Similarmente, el numero de shocks en un periodo T tendra una distribucion Poisson
con parametro T .
La tasa de fallas de cada componente es:
= (i) + p
Al usar este modelo requerimos estimar (i) , p, . El parametro puede ser interpretado como una
medida de esfuerzo (carga) sobre el sistema. Notese que este modelo corresponde al modelo cuando el
sistema tiene 2 componentes. La hip
otesis sobre la inmediata reparacion hace que este modelo no sea u
til
en el contexto de sistemas de seguridad, donde el estado de los componentes puede ser conocido a traves
de inspecciones.
n\m
2
3
4
5
6
1
1.0
0.3
0.15
0.08
0.04
477
2.4
0.75
0.45
0.26
4.0
1.2
0.8
6.0
1.6
8.1
pt1
lu1
pt2
pt3
lu2
estanque
v1
v2
23.11.
M
etodo PDS
A continuaci
on usamos el ejemplo de referencia [77]. El ejemplo considera la evaluacion de la disponibilidad de seguridad y de producci
on.
El metodo se basa en el modelo pero se corrige ,
mn = 1/2 mn
donde 1/2 es el factor para un sistema 1/2. La tabla 23.16 da los valores propuestos en el manual
P DS.
23.11.1.
Ejemplo
La figura 23.37 muestra el sistema de seguridad de presion de alta integridad (High integrity pressure
protection system, HIPPS) para un estanque a presion. Los transmisores de presion tienen arquitectura
2/3, la unidad de control y las v
alvulas de actuacion 1/2 (figura 23.39). Al realizar una inspeccion o
reparaci
on de una valvula existe un circuito bypass que permite que la produccion continue con una sola
valvula.
La tabla (23.17) muestra los par
ametros de falla del sistema. Los componentes reciben una inspeccion
funcional cada 6 meses (4380 horas).
Probabilidad de falla ante demanda
Con ello podemos calcular la probabilidad de falla bajo demanda (P F D) de cada subsistema:
478
Sensor 1
Logic 1
Sensor 2
2/3
Actuator 1
1/2
1/2
Actuator 2
Logic 2
Sensor 3
Figura 23.38: Diagrama de bloques. No se muestran los bloques asociados a causas comunes en cada
modulo.
Sensores
Control
Actuadores
du T
0,3 106 4380
= 2,4 0,03
= 4,7 105
2
2
du T
0,1 106 4380
P F Dc =
= 0,02
= 4,4 106
2
2
du T
2,9 106 4380
P F Dv =
= 0,02
= 1,27 104
2
2
P F Dp = 2/3
donde los subindices p, c, v corresponden a sensor de presion, unidad de control y valvula respectivamente.
cabe hacer notar que al usar estas formulas solo se esta considerando las fallas con causa com
un y que el
efecto de las fallas independientes han sido despreciado (de acuerdo a tabla 23.18). du corresponde a la
tasa de fallas peligrosas no detectadas de un componente.
TIF-test independent failures
Para considerar las fallas que no son detectables en las inspecciones se considera pt if , y de acuerdo a
tabla 23.19 para las diversas configuraciones.
P T Ip = 2/3 ptif = 2,4 0,03 5 104 = 3,6 105
P T Ic = ptif = 0,02 5 106 = 1 107
P T Iv = ptif = 0,02 1 104 = 2 106
notemos que se consideran independientes del intervalo entre inspecciones y ademas constantes.
DTU downtime unavailability
Para calcular el DT U es necesario considerar la estrategia empleada para el sistema. Asumiremos que:
Componente
Sensor de presion
Unidad de control
Valvula
d
1/106 1/hora
0.8
1.0
4
du
stu
ptif
0.5
1.0
4.6
0.3
0.1
2.9
0.3
1.0
4.6
5 104
5 106
1 104
0.03
0.02
0.02
MTTR
(horas)
2
6
4
MTTI
(horas)
1
2
2
479
Contribucion a CSU
ptif
ptif
cm/n ptif
N ptif
Cuadro 23.19: Ecuaciones simplificadas del metodo PDS para las fallas no detectables en las inspecciones
El HIP P S es un sistema de seguridad critico por lo cual la producccion es detenida si se sabe que
ambas v
alvulas est
an no operativas. Lo mismo para las unidades de control. Si mas de un sensor de
presion est
a no operativo (y se sabe) tambien se detiene produccion. En caso de que se conozca que un
sensor de presi
on no funciona, el sistema pasa de una logica 2/3 a una 2/2. En caso de que se conozca
que una valvula no funciona, el subsistema de actuacion pasa de 1/2 a 1/1.
Consideremos en primer lugar la no disponibilidad debido a reparaciones de fallas peligrosas. La
contribuci
on de cada modulo a la no disponibilidad del sistema se calcula usando la tabla 23.20:
DT Ur (1/2) = 2dd M T T Rdu
T
2
T
2
480
production.
2. Degraded operation if possible; otherwise shutdown. This may be the most common
philosophy. If all redundant components have a DD failure there will be a shutdown,
otherwise there will be degraded operation. If there is a single DD failure in a 2003 voting, it
must be specified whether the degraded operation is a 1002 or a 2002 voting. Note that if a
2003 voting degrades to a 1002 configuration, the safety performance actually increases, and
we should not add such a degradation term, cf. Appendix B.
3. Always continue production, even with no protection. This is another extreme philosophy
where all the (redundant) components have experienced a DD failure, but production is
continued during the repairirestoration period even with no protection available.
Observe that the above list is not complete since alternative operational philosophies can be
foreseen ("combinations" of the above). Also note that the possibility of introducing
compensating measures has not been included in this discussiou. Table 5 presents DTURformulas
for the most common voting configurations and the operational philosophies listed above.
" Degradation to a 1002 voting gives no contribution to the DTU,since a 1002 voting ?cmally gives increased safety
as compared to a 2003 voting
2) Downtime
Unavailability del
due tom
Functional
TestingIPreventive
Maintenance
- DTUT conocida causada por
Cuadro 23.20: Ecuaciones
simplificadas
etodo PDS
para la no
disponibilidad
The downtime unavailability due to planned testing (or other preventive maintenance) activities,
las reparaciones
,
t=
is here referred to as DTUT. The DTUT can for a single component be given as t / ~ where
most critical safety
duration of function being by-passed during functional testing, and z =time between tests. Hence,
this is simply the fraction of time when the function is being bypassed.
Similarly, if redundant (voted) components are taken out for testing simultaneously while
production is maintained, (which may be the case for e.g. gas detectors), the DTUT can also be
Table 6
"
Again there may be alternative testing philosophies to those specified above. As for the DTURit is
seen del
that the
operational
philosophy
of the
has a large impactcausada
on the unavailability
Formulas
m
etodo PDS
para
la installation
no disponibilidad
por las inspecciones en
contribution from testing and maintenance.
modulos con redundancia
(looN voting)
Modulo
Sensores (2/3)
Logica (1/2)
Actuadores (1/2)
Total
P F D(107 )
490
45
1810
2350
ptif
360
1
20
380
CSU
850
46
1830
2710
481
DT U
6
2
59
70
CSUtot
860
48
1890
2800
Cuadro 23.22: Resumen de resultados para el ejemplo para no disponibilidad desconocidas y conocidas
para un modulo que reduce su redundancia desde 1oo2 a 1oo1, y
DT Ut (2oo3) = T 2du
para un modulo 2oo3 que reduce su redundancia a 2oo2. Tenemos:
DT Utpt (2oo3) = 1 2 0,3 106 = 6 107
DT Utlog ic (1oo2) = 2 0,1 106 = 2 107
DT Utvalves (1oo2) = 2 2,9 106 = 5,8 106
Con lo cual concluimos que las inspecciones son mucho mas significativas para la no disponibilidad que
las reparaciones. La no disponibilidad conocida puede ser hallada al sumar los aportes de las reparaciones
y de las inspecciones.
No disponibilidad del sistema
Los resultados se sumarizan en tabla 23.22. La suma de las no disponibilidades desconocidas y conocidas es:
CSUtot = 2,8 104
De los resultados podemos hacer las siguientes observaciones. Primero, es importante verificar la
importancia de las fallas independientes en la no disponibilidad. En el ejemplo, es importante para el
modulo de actuaci
on. Segundo, observamos que la no disponibilidad debido a reparaciones es despreciable
para este ejemplo.
Si asumimos que la funci
on HIPPS es requerida al menos 2 veces por a
no, la probabilidad de que el
sistema no opere en un a
no dado es:
2,8 104 2 = 5,6 104
Luego, el tiempo medio esperado para observar tal falla es:
1
1800 a
nos
5,6 104
Evaluaci
on de la disponibilidad para producci
on
En el ejemplo, el evento de falsa alarma (spurious trip) corresponde a la situacion en donde el proceso
es detenido no intencionadamente debido a la actuacion por falsa alarma del HIPPS.
Para los c
alculos usamos las formulas simplificadas de tabla 23.23:
ST R (1oo2) = 2stu
ST R (2oo3) = C2oo3 stu
Los resultados se muestran en tabla 23.24. La tasa de ocurrencia de falsas alarmas para este sistema es:
ST Rtot = 1,1 105 fallas/hora
= 1,1 105 8760 horas/a
no=0.1 fallas/a
no
482
7 REFERENCES
Table 9
Module
PFD
pm
CSU
DTU
CSUTOT
PT (2003)
4.9 .los5
3.6
8.5 .lo's
8.6
Logic (1002)
4.5 .lo4
1.10.~
4.6 .lo4
4.8
,
Table
Total7
/"
Formulasfor
2.35 .lo4 STR 3.8.10"
1 2.7 .lod
1 7 .lo-'
/ 2.8 .lod
Voting
STR
Some observations from the calculations are worth mentioning. First, we see that it is important to
check whether1001
the contribution from independent
failures can be disregarded or not. In our case it
hsru
was especially important to include the contribution kom independent failures of the valves.
1002
2.Lsru
Secondly, we see that the contribution from the downtime unavailability, especially related to
repair
was negligible.
o,
If we assume that the HIPPS function as an average is triggered twice a year, the likelihood to
observe a failure of this function to close on demand in one specific year, equals 2.8.10~.2 =
5.6.10~.Thus, the mean time to observe such a failure is lo4/ 5.6 years E 1800 years.
QUANTIFICATION
Industry, OLF, Rev.EXAMPLE
02,29-10-2004
6 Petroleum
141To NPD
(2001).
Petroleum
Directora
illustrate
the Norwegian
PDS method,
a worked
examp
hQ:lwww.npd.nolre
(see(by
STR).
andPetroleum
productionActivities
availability
I61Figure
Hokstad
P. anda HIPPS
Comeliussen
K. (2003).
8 illustrates
(High Integrity
Pres
Instrumented
PDS Method
Handboo
voting
safety
function isSystems.
implemented
with 2003
logic and valves (1002).
I71 Vato J. (2000). Software reliability quantifica
report STF38 A00416.
The spurious trip event for this example system is "the production is unintentionally shut down
181 Hauge S., Hokstad P. and Onshus T. (2001).
MooN;2<M<N,N=2,3,..
C(P-M+I)OON
. P .~ S T U
due to spurious operation of the HIPPS.
offshore industry. Proceedings of ESREL 2001
Redundant
" These formulas account for CCF only, (except for looN configurations).Note that shutdowns can also
Logic
depending
on operational
philosophy,
cf.are
Table
4 and
Table
5. 7 (section 5.4),
beThe
initiated
deliberately,
simplified
formulas
to be used
for calculation
of STR
taken
from
Table
I91 Bodsberg L., Hokstad P. (1995). A System Ap
j , , STR = 2 . hsm(for a 1002 voting) and STR = Czoo3. P . ~ S T U
(for a 2003 voting, where CZoo3 =
Process Safety Systems. IEC Trans. on Reliab
2.4). The resulting figures are given in Table 10. The spurious trip rate of this example system is
Cuadro 23.23: Formulas
del
metodo
PDS
para
la tasa
dehours,
ocurrencia
falsas
alarmas
en sistemas
conL. and Hokstad P. (1996). Transpa
5.5
Specific
Calculations
STR Application
=
1.1.10"
failures
per hour.
Multiplied
by 8760
this gives ande
expected
number
of
1101 Bodsberg
spurious tripsolo
eventstoman
of 0.1 per en
year,cuenta
systems. Reliability Engineering & System Sa
i.e. one triplas
every
10% year.
redundancia. Estas formulas
fallas
con causa com
un (fallas dependientes)
When we perform reliability calculations using the formulas presented in this handbook we need
I
input data for all
the used
parameters.
If we usethe
theloss
simplified
equation
for the safety unavailability of
I1 11 Hokstad P., Flmen P., Holmstrsm
S., McKe
Data
and resultsj'om
ofproduction
calculation
Table 10
Model for Optimization of Test Schemes
. (hou . ~ 1 +
2 Pm), we need
a redundant component voted MOON,i.e. CSU(MooN) = C M ~. ~P N
Engineering & System Safety, 47, pp 15-25.
input data for p, Lou, 7 and Pm. (We treat CmoNas a constant, only depending on the voting.)
Furthermore, when we want to perform application specific calculations, it is beneficial to split
I121 Life Cycle Cost Prediction Handbook. Com
h ~ into
u h ~ u and
. ~Lou.s, and we need an estimate of the distribution between these two factors,
STF75
SINTEF
Example
of A89024.
a simpli$ed HIPPS so
Figure
8 report
inPressure
the PDStransmitters
method this estimate is represented by the factor r (ref. Appendix C)
Input data for the parameters can be found in reliability data handbooks or databases such as 1151
and 1171. However, the data are here given as averagelgeneric values, i.e. they are not application
specific. For a given application of SIS the "correct" data to use may be better or worse than the
average data presented in handbooks or databases. In PDS we have developed simple models in
order to adapt or transform average parameter values into application specific values. More
specifically, we focus on the application specific treatment of systematic failures and common
cause failures because these are failures that can be controlled or prevented using various
~DU.RH. and the components are tested subsequently.
measures.
We assume
values
All the modules
of thegeneric
HIPPS loop
arefor
redundant
Consequently,
theTasa
contributions
towards loss of production
from
repair of dangerous
failures
and
Cuadro
23.24:
de
ocurrencia
decommon
falsas
alarmas
parafailure
el
ejemplo
Application
avoid or control
cause
failures
and systematic
from testingspecific
are bothmeasures
negligibleto(production
is maintained
upon
single
component
andfailures
may
influence
and Pm. Furthermore, the same measure may influence more than one
during
testing).p,
parameter and the interactions can be rather complex.
lo que corresponde a: In order to simplify the modelling, we have assumed that most of the measures will influence the
a few measures (such as diversity) will have an effect on 6, and that the main factor
affecting Pnr will be the completenesslquality of the functional test. Further description of
application specific estimation is given in Appendix C; i.e. h0u.s is treated in section C.l, P is
treated in section C.2, and P m is treated in section
1 C.3.
M T BST = 1
23.12.
0,1
= 10 a
nos
PT, Pressure
Transmitter
0.8
0.5
0.3
Hardwired logic
1.0
1.0
0.1
4.0
4.6
2.9
Comentarios finales
para time delay: Shwartz y Plough (1984) [?] describen el uso de DTM en el monitoreo de cancer.
Christer [14] trae un estudio de caso en una linea de envasado. La historia del desarrollo del DTM es
descrita en Baker, 1996 [33].
Shwartz, M., Plough, A.L., Models to Aid in Cancer Screening Programs. In: Cornell, R. (ed.), Statistical Methods for Cancer Studies. New York: Marcel Dekker, 1984.
buscar (trae estudio de caso de DTM): Christer, A.H., Waller, W.M.: Reducing Production Downtime
Using Delay-Time Analysis. J. Opl. Res. Soc. 35, 499-512 (1984). esta en papel en UofT.
Una posible extension a los modelos aca vistos considera un programa de inspecciones para flotas en
vez de por unidad, para aprovechar algun oportunismo tanto en costos de inspeccion como en aspectos
de disponibilidad de la unidad. Tambien es interesante considerar que ciertos tests causan envejecimiento
del sistema, por ejemplo la duracion de los sellos de valvulas depende del numero de veces que ellas
actuan (ya sea por tests o por demandas de cierre). Rausand [12] discute el fenomeno, ademas de la
tendencia a agregar capacidadez de autodiagnostico a los sistemas protectivos. De acuerdo a Biswas [15]
poco se ha hecho respecto de programas no-periodicos de inspecciones lo que representa una linea futura
de insvestigaci
on.
483
Figura 23.40: Sistema protectivo para movimiento axial en rotores con logica 1/2. El sistema protectivo
debe parar al equipo si el gap es pequeno.
Figura 23.41: Sistema protectivo para control de sobrevelocidad en turbinas con logica 2/3. El sistema
protectivo debe parar al equipo si la velocidad supera en 10 % la velocidad nominal.
23.13.
A explorar
La agencia de energia nuclear (NEA) [186] presenta un estudio sobre valvulas de seguridad en instalaciones nucleares a partir de 149 eventos. El estudio se focaliza en el analisis de fallas con causa
comun.
Existen paquetes comerciales para optimizar los programas de inspecciones de sistemas de seguridad.
Un ejemplo es el de Det Norske Veritas [199].
Fu et al. [197] estudian la evaluaci
on de riesgo en sistemas especiales de proteccion en redes electricas.
Utilizan modelos de Markov. Para ese mismo tipo de sistema, Mccalley [?] reporta uso muy limitado de
tecnicas como analisis de modos de falla y evaluacion de confiabilidad. Ademas, entrega una lista de SPS
y su nivel de uso en la industria electrica.
Sabin [120] discute acerca de la efectividad de diferentes niveles de redundancia y logica de votacion
en medicion de movimientos axiales en rotores (figura ??). Nurcombe discute las ventajas de los sistemas
de proteccion contra sobrevelocidad en turbinas. En este tipo de sistemas es comun usar redundancia 2/3
(ver figura 23.41).
484
Bibliografa
[1] Munford AG, Shahani AK (1972) A nearly optimal inspection policy. Oper Res Q 23:373-379.
[2] Keller JB (1982) Optimum inspection policies. Manage Sci 28:447-450.
[3] Nakagawa T, Yasui K (1980) Approximate calculation of optimal inspection times. J Oper Res Soc
31:851-853
[4] R Jiang, AKS Jardine, Two optimization models of the optimum inspection problem, Journal of
the Operational Research Society, 2005
[5] Brender, D. M., A surveillance model for recurrent events, I.B.M. Corporation, Watson Research
Center, Yorktown Heights, New York, Research Report RC-837 (1962).
[6] Kaio N and Osaki S (1984). Some remarks on optimum inspection policies. IEEE Trans Reliab
R-33: 277279.
[7] Inspection policy with failure due to inspection Kaio, Naoto, Dohi, Tadashi, Osaki, Shunji, Microelectronics Reliability, vol. 34, no. 4, 599-602, 1994.
[8] Dohi, T. Kaio, N Osaki, S, Optimal periodic maintenance strategy under an intermittently used
environment, IIE Transactions, vol. 33, no. 12, 1037-1046, 2001.
[9] The Optimal Age-Dependent Checkpoint Strategy for a Stochastic System Subject to General
Failure Mode Dohi, Tadashi; Kaio, Naoto, Osaki, Shunji Journal of Mathematical Analysis and
Applications, vol. 249, no. 1, pp. 80-94, September 2000
[10] Barlow, R.E., Hunter, L. and Proschan, F., Optimum checking procedures. Journal of the Society
for Industrial and Applied Mathematics, 11, 10781095, 1963.
[11] Barlow, R.E., Proschan, F., Mathematical Theory of Reliability, 1965.
[12] R. E. Barlow and F. Proschan, Statistical Theory of Reliability and Life Testing: Holt, Rinehart &
Winston, 1975.
[13] J Sarkar, S Sarkar, Availability of a periodically inspected system under perfect repair, Journal of
Statistical Planning and Inference, 91, 7790, 2000.
[14] J. Sarkar, S. Sarkar, Availability of a periodically inspected system supported by a spare unit, under
perfect repair or perfect upgrade, Statistics & Probability Letters, 53, 207-217, 2001.
[15] A Biswas, J Sarkar, S Sarkar, Availability of a Periodically Inspected System, Maintained Under
an Imperfect-Repair Policy, IEEE Transactions On Reliability, 2003
[16] Yeh, L., 1995. An optimal inspection-repair-replacement policy for standby systems. J. Appl.
Probab. 32, 212223.
[17] G. A. Klutke, Y. J. Yang, The availability of inspected systems subjected to shocks and graceful
degradation, IEEE Transaction on Reliability 51 (2002) 371-374.
485
486
[18] Biswas, A., Sarkar, J., Availability of a system maintained through several imperfect repairs before
a replacement or a perfect repair Statistics and Probability Letters, 50(2), 105-114, 2000.
[19] L Cui, Min Xie, Hant Loh, Inspection schemes for general systems, IIE Transactions, 36, 817825,
2004.
[20] L.R. Cui, H.T. Loh, M. Xie, Sequential inspection strategy for multiple systems under availability
requirement, European Journal of Operational Research 155 (2004) 170177.
[21] L Cui, M Xie, Availability Analysis of Periodically Inspected Systems with Random Walk Model,
Journal of Applied Probability, 38, 860-871, 2001.
[22] Computer-aided RCM-based plant maintenance management system, HA Gabbar, H Yamashita,
K Suzuki, Y Shimada, Robotics and Computer-Integrated Manufacturing, 2003
[23] Cui, L., Xie, M., Availability of a periodically inspected system with random repair or replacement
times, Journal of Statistical Planning and Inference, 131, 89-100, 2005.
[24] WJ Kennedy, JW Patterson, LD Fredendall, An overview of recent literature on spare parts inventories, International Journal of Production Economics, 2002
[25] WJ Kennedy, T Griffin, Maintenance: Modeling Its Strategic Impact. LD Fredendall, JW Patterson,
Journal of Managerial Issues, 1997
[26] Nakagawa, T., Maintenance theory of reliability, Springer, 2005.
[27] Utilizing Weibull Failure Rates in Repair Limit Analysis for Equipment Replacement/Preventive...,
CE Love, R Guo - The Journal of the Operational Research Society, 1996
[28] Preventive-maintenance impact on plant availability AM Smith, Reliability and Maintainability
Symposium, 1992.
[29] Maintainability and maintenance-a case study on mission critical aircraft and engine components
UD Kumar, J Crocker - Case Studies in Reliability and Maintenance, 2003
[30] Vaurio, JK, Availability and cost functions for periodically inspected preventively maintained units,
Reliability Engineering and System Safety, 63, (1999) 133140.
[31] J. K. Vaurio, On time-dependent availability and maintenance optimization of standby units under
various maintenance policies, Reliability Engineering and System Safety 56, 79-89, 1997.
[32] Jhang, J.P., Sheu, S.H., 2000. Optimal age and block replacement policies for a multi-component
system with failure interaction. Int. J. Systems Sci. 31, 593603.
[33] Baker, R, Maintenance optimisation with the delay time model, In: Ozekici, S. (ed.), Reliability
and Maintenance of Complex Systems, Springer, New York, 550-587, 1996.
[34] Wei Ying-Yuan, Tang Ying-Hui, A two-unit cold standby repairable system with one replaceable
repair facility and delay repair: some reliability problems, Journal of Electronic Science and Technology of China, 2(4), 68-71, Dec. 2004.
[35] Stochastic analysis of a two-unit priority cold standby redundant system with administrative delay
in repair Singh Joorel, J.P., Microelectronics Reliability, 29(4), 489-491, 1989.
[36] Reliability and availability of redundant satellite orbit systems Takahashi, K., IEEE Transactions
on Aerospace and Electronic Systems,vol.18,no.3, 258-267,May 1982
[37] Analysis of 2-unit standby redundant repairable systems Kapoor, K.R., Kapur, P.K., IEEE Transactions on Reliability,vol.R-27,no.5,pp.385-388,Dec. 1978
[38] A note on two inspection policies, Yamada, S., Osaki, S., Omega,vol.9,no.1, 99-101,1981
487
[39] On the inspection policy of a two-component parallel system with failure interaction, Zequeira,
R
omulo I., Berenguer, Christophe, Reliability Engineering and System Safety, vol. 88, no. 1, 99107, 2005
[40] Sequential inspection strategy for multiple systems under availability requirement, Cui, L.R., Loh,
H.T., Xie, M., European Journal of Operational Research, 155(1), 170-177, 2004.
[41] An inspection policy for unrevealed failures in a two-unit cold standby system subject to correlated
failures and repairs Goel, L.R., Mumtaz, S.Z., Microelectronics Reliability, vol. 34, no. 7, 1279-1282,
1994.
[42] Busy-period analysis of a one-server two-unit system subject to non-negligible inspection time,
Gopalan, M.N., Subramanyam Naidu, R., Microelectronics Reliability, vol. 23, no. 3, 453-465, 1983.
[43] Costbenefit analysis of a one-server two-unit cold standby system subject to inspection Gopalan,
M.N.; Naidu, R. Subramanyam Microelectronics Reliability, vol. 22, no. 4, 699-705, 1982
[44] Aoudjit, Hakim, Optimisation de linspection des systemes sujets a une degradation stochastique
composee, Masters Abstracts International, vol. 42-06, pp. 2311
[45] Inspection schemes for randomly deteriorating systems. Yang, Yoonjung Dissertation Abstracts
International, vol. 60-08B, pp. 4152, 1999.
[46] Shima, E., Nakagawa, T., Optimum inspection policy for a protective device, Reliability Engineering, 7(3), 123-132, 1984
[47] Chelbi, Anis; Ait-Kadi,Daoud, Generalized inspection strategy for randomly failing systems subjected to random shocks International Journal of Production Economics, 64(1-3), 379-384, 2000.
[48] James, D.T. Tannock, An economic comparison of inspection and control charting using simulation,
International Journal of Quality & Reliability Management, 14(7), 687-699, 1997.
[49] Risk-informed optimisation of railway tracks inspection and maintenance procedures, Zio, E., Podofillini, L., Vatn, J., Reliability Engineering & System Safety,vol.91,no.1,pp.3495-3510,Jan. 2006
[50] The cost-benefit assessment of inspection and repair planning for ship structures Li Dian-qing, Tang
Wen-yong, Zhang Sheng-kun, Journal of Shanghai Jiaotong University,vol.39,no.5, 665-669, 2005
[51] Corotis, R.B., Ellis, J.-H., Mingxiang Jiang, Modeling of risk-based inspection, maintenance and
life-cycle cost with partially observable Markov decision processes, Structure and Infrastructure
Engineering, 1(1), 75-84, 2005.
[52] Weigand, C., Technically optimal inspection policy with arithmetical adaption, IMA Journal of
Management Mathematics, 14(4), 357-371, 2003.
[53] Faber, M.H., Sorensen, J.D., Indicators for inspection and maintenance planning of concrete structures, Structural Safety, 24(2-4), 377-396, 2002.
[54] Economic in-line inspection sampling strategy with learning effects Jang, Eric H. Wang, Ramakrishna Akella, Wooseung International Journal of Production Research, vol. 38, no. 18, 4811 - 4821,
December 2000
[55] Moinzadeh, K., Yong Tan,Economic control and inspection policies for high-speed unreliable production systems, IIE Transactions, 37(8), 711-724, 2005.
[56] Braglia, Marcello, A Dynamic Inspection Model for Wearing Production Systems, International
Transactions in Operational Research, 9(4), 381-398, 2002.
[57] Kim, Bowon, Contingency rules to control a production process subject to a single assignable cause,
The International Journal of Quality & Reliability Management[Bradford], 15(7), 679-693, 1998.
488
[58] Reyniers, D.J., Tapiero, C.S., The delivery and control of quality in supplier-producer contracts
Management Science, 41(10), 1581-1589, 1995.
[59] A. K. S. Jardine, M. I. Hassounah, An Optimal Vehicle-fleet Inspection Schedule, J. Opl Res. Soc.,
41(9), 791-799, 1990.
[60] Higgs, P.A. et al., A Survey on Condition Monitoring Systems in Industry, Proceedings of: ESDA
2004: 7th Biennial ASME Conference Engineering Systems Design and Analysis, Manchester, UK,
July 19-22, 2004.
[61] W Wang and AH Christer, Journal of the Operational Research Society (2000) 51, 145155Towards
a general condition based maintenance model for a stochastic dynamic system, Journal of the
Operational Research Society (2000) 51, 145-155
[62] Trond M. Andersen and Magnus Rasmussen, Decision support in a condition based environment,Journal of Quality in Maintenance Engineering, Vol. 5 No. 2, 1999, pp. 89-101
[63] Wortman, M.A., Klutke, G.A., Ayhan, H., 1994. A maintenance strategy for systems subjected to
deterioration governed by randomshocks. IEEE Trans. Reliability 43, 439445.
[64] Hoyland, A., Rausand, M., System Reliability Theory, Wiley, New York, 1994.
[65] Rausand, M., Hoyland, A., System Reliability Theory, 2nd ed., Wiley, New York, 2004.
[66] Ito, K., Nakagawa, T., 2000. Optimal inspection policies for a storage system with degradation at
periodic tests. Math. Comput. Modelling 31, 191195.
[67] Comparison-checking diagnosis policies for a two-unit system Mizutani, Satoshi, Nakagawa, Toshio;
Ito, Kodo, Electronics and Communications in Japan (Part III: Fundamental Electronic Science),
vol. 86, no. 6, 1-9, 2003
[68] Extended Optimal Inspection Policies for a System in Storage Ito, K., Nakagawa, T. Nishi, K.,
Mathematical and Computer Modelling, vol. 22, no. 10-12, pp. 83-87, 1995.
[69] An optimal inspection policy for a storage system with high reliability Ito, K., Nakagawa, T.,
Microelectronics and Reliability, 35(6), 875-882, 1995.
[70] K. Ito and T. Nakagawa, An optimal inspection policy for a storage system with three types of
hazztrd rate functions, J. of Operations Research Soc. of Japan 38 (4), 423-431 (1995).
[71] Optimal inspection policies for a system in storage Ito, Kodo1; Nakagawa, Toshio2 Computers and
Mathematics with Applications, vol. 24, no. 1-2, 87-90, 1992
[72] OREDA, Offshore Reliability Data, 4th ed. OREDA Participants. Available from: Det Norske
Veritas, NO-1322 Hgvik, Norway, 2002.
[73] Valdez-Flores, Feldman, A survey of preventive maintenance models for stochastically deteriorating
single-unit systems, Naval research logistics, 1989, 36, 4, 419-446
[74] B. Castanier, C. Berenguer, A. Grall, A sequential condition-based repair/replacement policy with
non-periodic inspections for a system subject to continuous wear, Applied Stochastic Models in
Business and Industry, 19(4), 327-347, 2003
[75] W. Jang, J. G. Shanthikumar, Stochastic allocation of inspection capacity to competitive processes,
Naval Research Logistics, 49(1), 78-94, 2002.
[76] Corneliussen, K., and P. Hokstad. 2003. Reliability Prediction Method for safety Instrumented Systems; PDS Method Handbook, 2003 Edition. SINTEF Report STF38A02420, SINTEF, Trondheim,
Norway.
489
[77] Hauge, S., Hokstad, P., Langseth H., Oien, K., Reliability Prediction Method for safety Instrumented Systems; PDS Method Handbook, 2006 Edition. SINTEF Report STF50 A06031, SINTEF,
Trondheim, Norway, 2006.
[78] EN 50126, Railway Applications, The Specification and Demonstration of Reliability, Availability,
Maintainability and Safety (RAMS), Cenelec, Brussels, 1999.
[79] EN 50128, Railway Applications - Sofware for Railway Control and Protection Systems, Cenelec,
Brussels, 2001.
[80] Villemeur, A., Reliability, Availability, Maintainability and Safety Assessment, Volume 1, Methods
and Techniques, J. Wiley, 1992.
[81] Hokstad P, Corneliussen K. Improved common cause failure model for IEC 61508. SINTEF report
STF38 A00420; 2000.
[82] Hokstad, P., Corneliussen, K., Loss of safety assessment and the IEC 61508 standard Reliability
Engineering and System Safety, 83(19, 111-120, 2004.
[83] P Hokstad, J Vatn, T Aven, MS Rum, Use of risk acceptance criteria in Norwegian offshore industry:
Dilemmas and challenges, Risk, Decision and Policy, 9(3), 193-206, 2004.
[84] Hokstad P. Common cause and dependent failure modelling. In: Misra KB, editor. New trends in
system reliability evaluation. Amsterdam: Elsevier; 1993. p. 41144.
[85] Flemming KN, Mosleh A, Deremer RK. A systematic procedure for the incorporation of common
cause events into risk and reliability models. Nucl Engng Des 1985;93:24579.
[86] IEC61882, Hazard and Operability Studies (HAZOP-Studies) - Application Guide, International
Electrotechnical Commission, Geneva, 2001.
[87] IEC 61508. Functional safety of electrical/electronic/programmable electronic (E/E/PE) safety
related systems. Part 17, Edition 1.0 (various dates).
[88] IEC 61508-1:1998. Functional safety of electrical/electronic/ programmable electronic safety-related
systems Part 1: General requirements.
[89] IEC 61508-2. Functional safety of electrical/electronic/ programmable electronic safety-related systems Part 2: Requirements for electrical/electronic/programmable electronic safety-related systems.
[90] IEC 61508-3:1998. Functional safety of electrical/electronic/ programmable electronic safety-related
systems Part 3: Software requirements.
[91] IEC 61508-4:1998(E). Functional safety of electrical/electronic/ programmable electronic safetyrelated systems Part 4: Definitions and abbreviations, 1ed., 1998.
[92] IEC 61508-5:1998. Functional safety of electrical/electronic/ programmable electronic safety-related
systems Part 5: Examples of methods for the determination of safety integrity levels.
[93] IEC 61508-6. Functional safety of electrical/electronic/ programmable electronic safety-related systems Part 6: Guidelines on the application of parts 2 and 3.
[94] IEC 61508-7. Functional safety of electrical/electronic/ programmable electronic safety-related systems Part 7: Overview of techniques and measures.
[95] IEC 61511. Functional safety: safety instrumented systems for the process industry sector. Part
13, CDV versions.
[96] IEC 62061. Machinery industry. xxx
490
491
[119] API Standard 670 Machinery Protection Systems, Fourth Edition, December 2000, American
Petroleum Institute, Washington, D.C.
[120] Sabin, S., Voting thrust measurements with other parameters, Orbit, 1, 51-54, 2001.
[121] Nurcombe, B., Considerations when retrofitting overspeed detection systems, Orbit, 25(1), 1628,2005.
[122] Schabe H. A new approach to optimal replacement times for complex systems. Microelectronics
and Reliability, 1995;35:11251130.
[123] Harunuzzaman M, Aldemir T. Optimization of standby safety system maintenance schedules in
nuclear power plants. Nuclear Technology, 1996;113:354367.
[124] Martorell S, Munoz A, Serradell V. An approach to integrating surveillance and maintenance tasks
to prevent the dominant failure causes of critical components. Reliability Engineering and System
Safety, 1995;50:179187.
[125] Vaurio JK. Optimisation of test and maintenance intervals based on risk and cost. Reliability
Engineering and System Safety, 49:2336, 1995.
[126] The probabilistic modeling of external common cause failure shocks in redundant systems Vaurio,
Jussi K.1 Reliability Engineering and System Safety, vol. 50, no. 1, pp. 97-107, 1995
[127] The theory and quantification of common cause shock events for redundant standby systems Vaurio,
Jussi K.1 Reliability Engineering and System Safety, 43(3), 289-305, 1994
[128] On the reliability of a k-out-of-n:G system with common-mode outages Vaurio, J.K.1 Reliability
Engineering & System Safety,vol.45,no.3,pp.311-312,1994
[129] A note on optimal inspection intervals Vaurio, Jussi K The International Journal of Quality &
Reliability Management[Bradford], 11(6), 65, 1994
[130] On exact and asymptotic unavailability expressions for standby components and systems Vaurio,
Jussi K.1 Reliability Engineering, vol. 10, no. 3, pp. 151-173, 1985
[131] Reliability and availability equations for multi-state components Vaurio, J.K.1 Reliability Engineering, vol. 7, no. 1, pp. 1-19, 1984
[132] Vaurio, J.K., Availability of redundant safety systems with common-mode and undetected failures,
Nuclear Engineering and Design, 58(3), 415-424, 1980.
[133] Unavailability of components with inspection and repair Vaurio, J.K.1 Nuclear Engineering and
Design, vol. 54, pt. Last Number, no. 3, pp. 309-324, November 1979
[134] Common cause failure probabilities in standby safety system fault tree analysis with testingscheme
and timing dependencies Vaurio, J.K.1 Reliability Engineering and System Safety, vol. 79, no. 1,
pp. 43-57, January 2003
[135] Fault tree analysis of phased mission systems with repairable and non-repairable components Vaurio, J.K.1 Reliability Engineering and System Safety, vol. 74, no. 2, pp. 169-180, November 2001
[136] Identification of process and distribution characteristics by testing monotonic and non-monotonic
trends in failure intensities and hazard rates Vaurio, J.K.1 Reliability Engineering and System
Safety, vol. 64, no. 3, pp. 345-357, June 1999
[137] Unavailability analysis of periodically tested standby components. Vaurio, J. K. Microelectronics
and Reliability, vol. 37, no. 3, pp. 537, March 1997
[138] Jardine, A.K.S. and Banjevic, D. (2005). Interpretation of inspection data emanating from equipment condition monitoring tools: method and software. In Mathematical and Statistical Methods
in Reliability, Y.M. Armijo, Ed. World Scientific Publishing Company, Singapore.
492
[139] http://www.comp.lancs.ac.uk/computing/resources/IanS/SE7/CaseStudies/Ariane5/index.html
[140] Introduction to the risk based design of safety instrumented systems for the process industry
Wiegerinck, J.A.M.; Control, Automation, Robotics and Vision, 2002. ICARCV 2002. 7th International Conference on Volume 3, 2-5 Dec. 2002 Page(s):1383 - 1391 vol.3
[141] Goble, W.M., Bujkowski, J.V., Extending IEC61508 reliability evaluation techniques to include
common circuit designs used in industrial safety systems, Annual Reliability and Maintainability
Symposium, 2001. Proceedings, 339 - 343, 2001.
[142] EMC and software issues for safety instrumented systems in the process sector Case, D.R.; IEE
Colloquium On Electomagnetic Compatibility Of Software - 98/471 12 Nov. 1998 Page(s):6/1 - 6/6
[143] Component assessment for IEC 61508 - a worked example Smith, P.R.; Is Your Product Safe? IEE Seminar on (Ref. No. 2004/10724) 16 Sept. 2004 Page(s):97
[144] Nobes, T.S., Functional safety of smart instruments - a user perspective, Is Your Product Safe? IEE Seminar on (Ref. No. 2004/10724) 16 Sept. 2004, 67 - 87.
[145] Kirkwood, D., Tibbs, B., Developments in SIL determination, Computing & Control Engineering
Journal, 16(3), 2005, 21 - 27
[146] DIN standard 19250.
[147] Impact of Subsystem Reliability on Satellite Revenue Generation and Present Value, JH Saleh, R
Hassan, JP Torres-Padilla, DE Hastings, Journal of Spacecraft and Rockets, 2005
[148] G Choudhuri, J Sarkar, Availability of a system with gamma life and exponential repair time under
a perfect repair policy, Statistics and Probability Letters, 1999.
[149] Petroleum and natural gas industries Collection and exchange of reliability and maintenance data
for equipment, ISO/DIN Standard 14224, 2004.
[150] API 580, Risk Based Inspection
[151] P.A. Lewis and D.R. Cox (1966), A Statistical Analysis of Telephone Circuit Error Data, IEEE
Trans., COM-14, 382-389.
[152] Optimal inspection frequency S Mathew, International Journal of Quality & Reliability Management Vol. 21 No. 7, 2004 pp. 763-771
[153] Jacobs, I. M., Reliability of engineered safety features as a function of testing frequency. Nuclear
Safety, 9 (1968) 303-312.
[154] Hirsch, H. M., Setting test intervals and allowable bypass times as a function of protection system
goals. IEEE Trans. Nuclear Science, N-18 (1971) 488-494.
[155] J.K. Vaurio, Practical availability analysis of standby systems, 1982 Proc. Annual Reliability and
Maintainability Symposium (1982).
[156] Safety Equipment Reliability Handbook (Second Edition), 2006.
[157] IEEE Std. 500-1984: IEEE Guide to the Collection and Presentation of Electrical, Electronic,
Sensing Component, and Mechanical Equipment Reliability Data for Nuclear Power Generating
Stations
[158] IEC 61513, Safety systems for nuclear industry, International Electrotechnical Commission.
[159] Proven-in-use criteria for safety instrumented systems. Van Beurden, I., Amkreutz, R., Hydrocarbon Processing (International edition), 83(11), 61-70, 2004
493
[160] Amkreutz, R., van Beurden, I., How to justify the cost of safety [for instrumented systems] Control
Solutions, 75(2), 36-38, 2002.
[161] The safe automation gapPart 2: SIS design, operation and maintenance are critical tools to bridge
this division. (Safety/Instrumentation... Hydrocarbon Processing, 1 May 2002,
[162] Valves in safety applications. (HP in Automation Safety), Hydrocarbon Processing, 1 March 2002.
[163] Diagnostic alarmto trip or not to trip. (HP in Automation Safety).(safety instrumented systems)(Brief Article) Hydrocarbon Processing, 1 February 2002
[164] Safety certification or proven in use? (Hp In Automation Safety), Hydrocarbon Processing, 1 November 2001,
[165] Safety integrity level verificationA PFD average calculation is not enough: Architectural constraints must also be considered, Hydrocarbon Processing, 1 October 2001
[166] Goble, W.M., Periodic inspection and test: requirements and benefits, Hydrocarbon Processing,
81(6), 117, 2002.
[167] W. Goble, Using the safety life cycle, July 2003, Hydrocarbon Processing, 82(7).
[168] B. Lytollis, Safety instrumentation systems: how much is enough?, Chemical Engineering, 109(12),
2002.
[169] EN50126 Railway applications - The specifcation and demonstration of reliability, availability, maintainability, and safety (RAMS), Cenelec, Brussels, 1999.
[170] EN50128 Railway applications - Software for railway control and protection systerns, Cenelec,
Brussels, 2001.
[171] Defining mean time-to-failure in a particular failure-state formulti-failure-state systems, Bukowski,
J.V. Goble, Reliability, IEEE Transactions on Publication, 2001, 50(2), 221-228.
[172] An introduction to Functional Safety and IEC 61508, Application Note AN9025, MTL Instruments
Group plc, 2002.
[173] Goel LR, Gupta R, Agnihotri RK. Analysis of a three-unit redundant system with two types of
repair and inspection. Microelectron Reliab 1989;29(5):76973.
[174] P.J. Courtois, Ph. Delsarte, On the optimal scheduling of periodic tests and maintenance for reliable
redundant components, Reliability Engineering and System Safety 91, 6672, 2006.
[175] Rouvroye, J.L. and Brombacher, A.C., New quantitative standards: different techniques, different
results?, Reliability Engineering andsystem Safety, 66, 121-125, 1999.
[176] Hokstad, P., Flmen, P., Holmstrsm, S., McKenna F., Onshus, T., A Reliability Model for Optimization of Test Schemes for Fire and Gas Detectors. Reliability Engineering & System Safety, 47,
15-25, 1995.
[177] Adler, B. Scott, M., Safety instrumented burner management systems: Requirements for the paper
industry, TAPPI Practical Papermaking Conference, 1099-1120, 2005.
[178] Henley, E. J., Kumamoto, H. Reliability Engineering and Risk Assessment. Englewood Cliffs, NJ,
Prentice-Hall, 1981.
[179] Rouvroye, J.L., Brombacher, A.C., New quantitative safety standards: different techniques, different
results?, Reliability Engineering and System Safety, 66, 121125, 1999.
[180] Fleming, K. N., A reliability model for common mode failures in redundant safety systems, General
Atomic Report, GA-13284, Pittsburgh, 1974.
494
[181] Humphreys, R. A., Assigning a numerical value to the beta factor common cause evaluation. Reliability 87. Proceedings, 1987.
[182] NUREG/CR-4780 (A. Mosleh, K. N. Fleming, G. W. Parry, H. M. Paula, D. H. Worledge, and D.
M. Rasmuson), Procedures for Treating Common Cause Failures in Safety and Reliability Studies,
Vol. 1: Procedural Framework and Examples. U.S. Nuclear Regulatory Commission, Washington,
DC, 1988.
[183] NUREG/CR-6268, Common Cause Failure Data Collection and Analysis System, Vol. 1. U.S.
Nuclear Regulatory Commission, Washington, DC, 1998.
[184] MIL HDBK-217F, Reliability Prediction of Electronic Equipment. U.S. Deparment of Defense,
Washington, DC., 1991.
[185] M. Rausand, J. Vatn, Reliability modeling of surface controlled subsurface safety valves, Reliability
Engineering and System Safety, 61, 159-166, 1998.
[186] NEA/CSNI/R(2002)19, ICDE Project Report: Collection And Analysis Of Common-Cause Failure
Of Safety Valves And Relief Valves, Nuclear Energy Agency, 2002.
[187] NUREG-75/014, Reactor Safety: An Assessment of Accident Risk in US Commercial Nuclear Power
Plants, WASH-1400. U.S. Nuclear Regulatory Commission, Washington, DC., 1975.
[188] Vesely, W. E., Estimating common cause failure probabilities in reliability and risk analysis:
Marshall-Olkin specializations. In Nuclear Systems Reliability Engineering and RiskAssessment.
J. B. Fussell, and G. R. Burdick, eds. SIAM, Philadelphia, 314-341, 1977.
[189] S.D. Sagan, The Problem of Redundancy Problem: Why More Nuclear Security Forces May Produce
Less Nuclear Security, Risk Analysis, 24(4), 935946, 2004.
[190] Peltzman, S., The effects of automobile safety regulation. Journal of Political Economy, 4, 677725,
1975.
[191] Wilde, G.J.S., The theory of risk homeostasis: Implications for safety and health. Risk Analysis, 4,
209225, 1982
[192] Crandall, R. W., Graham, J.D., Automobile safety regulation and offsetting behavior: Some new
empirical estimates, American Economics Review, 2, 328331, 1984.
[193] Bloomquist, G., The Regulation of Motor Vehicles and Traffic Safety. Boston: Kluwer Academic
Publishers, 1988.
[194] Peterson, S., Hoffer, G., Millner, E., Are drivers of air-bag-equipped cars more aggressive? A test
of the offsetting behavior hypothesis, Journal of Law and Economics, 38, 251264, 1995.
[195] D.W. Harless, G.E. Hoffer, Testing for Offsetting Behavior and Adverse Recruitment Among Drivers
of Airbag-Equipped Vehicles, The Journal of Risk and Insurance, 70 (4), 629, 2003.
[196] S. Martorell, S. Carlos, J.F. Villanueva, A.I Sanchez, B. Galvan, D. Salazar and M. Cepin, Use
of multiple objective evolutionary algorithms in optimizing surveillance requirements, 1027-1038,
Reliability Engineering & System Safety, 91(9), 975-1104, 2006.
[197] Weihui Fu, Sanyi Zhao, James D. McCalley, , Vijay Vittal, Nicholas Abi-Samra, Risk Assessment
for Special Protection Systems, IEEE Transactions On Power Systems, 17(1), 63-72, 2002.
[198] http://www.nerc.com/ filez/standards/Reliability-Standards.html
[199] http://www.dnv.com/consulting/assetoperations/assr/index.asp
Captulo 24
Sumario y objetivos
24.2.
Introducci
on
Es com
un que las condiciones de operacion afectan el tiempo medio entre fallas o equivalentemente,su
recproco, la tasa media de fallas. Es necesario entonces tomar esta influencia en consideracion para tomar
decisiones concensuadas sobre la forma de operar el equipo visto desde la perspectiva del negocio y no
u
nicamente desde la perspectiva de la funcion operaciones o de la funcion mantenimiento. A continuacion
presentamos un modelo sencillo para la situacion.
24.3.
Formulaci
on del modelo
1. Consideremos un sistema con tiempo medio entre fallas M T BF = 1 , que depende del tasa de
producci
on p u/ut con el cual opere,
2. Se desea estimar las tasas de produccion que maximicen la tasa media de produccion y el margen,
3. El tiempo para reparaci
on sigue una distribucion exponencial con media M T T R ut,
4. Cada unidad procesada tiene un valor p um,
5. El costo de operaci
on por unidad de tiempo es co (p ) um/ut,
495
496
6. El costo de intervenci
on de una intervencion correctiva es:
Cic = cic M T T R um
El costo de intervenci
on de una intervencion preventiva es:
Cip = cip M T T P um
7. La estrategia preventiva no es variada al cambiar p e implica una indisponibilidad Dp constante.
El costo de falla por unidad de tiempo es:
pp um/ut
La indisponibilidad por intervenciones correctivas es:
Dc = (p ) M T T R
El costo global por intervenciones correctivas es:
(pp + cic ) Dc um/ut
El costo global es:
cg (p ) = (pp + cic ) Dc + (pp + cip ) Dp + co (p ) um/ut
La disponibilidad,
A (p ) = 1 Dc (p ) Dp
= 1 (p ) M T T R Dp
donde Dc es la indisponibilidad por intervenciones correctivas. Una alternativa es maximizar la tasa
media de producci
on, que considera las detenciones por correctivas:
p = p A u/ut
El margen esperado por unidad de tiempo,
m = p
p (cic Dc + cip Dp + co )
pp cg um/ut
24.4.
Estudio de caso
Consideremos una gr
ua horquilla. La tasa media de fallas que crece exponencialmente con la tasa de
produccion:
= 0 (ep )
similarmente para los costos de operaci
on:
co = co0 ep
Los parametros se muestran en tabla (K.1).
Los resultados se muestran en figuras (24.1-24.4). Se observa que hay 2 optimos de acuerdo al criterio
que se utilize. Si el criterio es el margen:
p = 28,4 u/ut
con lo que se obtiene un margen esperado de 39.1 um/ut y una tasa media de produccion de 21.4 u/ut.
Si el criterio es la tasa de producci
on,
p = 37,9 u/ut
con lo que se obtiene un margen esperado de 27.1 um/ut y una tasa media de produccion de 23.8 u/ut.
Obviamente el criterio del margen es mejor para el negocio.
Parametro
p
MTTR
Dp
0
cic
cip
co0
Valor
4
5
0.04
0.01
0.02
2.5
110
7
10
0.03
497
unidad
um/u
ut
1/ut
ut/u
um/ut
um/ut
um/ut
ut/u
0.7
0.6
Correctivas
Preventivas
Total
Indisponibilidad
0.5
0.4
0.3
0.2
0.1
0
10
15
20
25
30
35
40
45
50
200
p*p
cfc
cic
cfp
cip
co
150
100
50
-50
-100
-150
10
15
20
25
30
35
40
45
50
498
50
45
40
35
30
25
20
15
10
10
15
20
25
30
35
40
45
50
50
45
40
Margen (um/ut)
35
30
25
20
15
10
0
10
15
20
25
30
35
40
45
50
24.5.
499
Comentarios finales
Hemos visto un modelo multicriterio sencillo que integra decisiones de operacion con decisiones de
mantenimiento. Observamos que dado que el costo de falla depende de la tasa de produccion, el mejor
criterio para el negocio es el margen esperado y no el costo global esperado.
500
Bibliografa
[1] A.K.S. Jardine, A. Tsang, Maintenance, Replacement and Reliability, Taylor & Francis, 2006.
501
502
Captulo 25
Confiabilidad de un contrato
centrado en disponibilidad
25.1.
Introducci
on
25.2.
Definiciones de disponibilidad
Sea,
(t) =
1
0
si el componente opera en t
( )d
0
y la disponibilidad de intervalo:
AT = E[A(T )]
y la distribucion asociada a la disponibilidad:
F (t, A0 ) = Pr[A(t) A0 ]
25.3.
Modelo de Poisson
Sea un intervalo de an
alisis de T ut.op. sobre el cual interesa calcular la probabilidad de alcanzar
un nivel de referencia de disponibilidad Ac . Asumiremos que los tiempos fuera de servicio T F Si de cada
503
504
componente (i = 1, ..., n) o modo de falla en el sistema bajo analisis es constante y que la frecuencia sigue
una distribucion de Poisson para los i = 1...I eventos no planificados. Los j = 1...J eventos planificados
ocurren con frecuencia fj y duraci
on promedio T F Sj . Definimos la confiabilidad del contrato Rc en el
intervalo T como:
Rc (T ) = P (D < Dc )
= P (A > Ac )
Los eventos planificados (preventivas e inspecciones) ocurren con frecuencia y duracion conocidas, con lo
que su indisponibilidad asociada es:
J
X
fj T F Sj
Dp =
j=1
I
X
i=1
Pr(x = k) =
(T ) eT
k!
k
i
X
(T ) eT
i=0
i!
i=1
i T F Si
y la indisponibilidad esperada cuando ocurren k eventos no planificados (con probabilidad Pr(x k)):
Dc (x = k) =
MTFS k
T
25.3.1.
Ejemplo
Consideremos el caso de la pala minera de (Knights, 2004 [3]) mostrado en tabla 57.1. Solo los codigos
1 y 4 corresponden a intervenciones planificadas.
La figura 25.2 muestra la disponibilidad esperada vs su probabilidad asociada (la confiabilidad del
contrato) para un intervalo de T = 1 mes.
25.4.
Teorema de Palm
Cdigo
Descripcin
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
505
Cantidad
(fallas/mes)
Inspecciones elctricas
Cable feeder daado
Cambio de subestacin
Inspeccin/reparacin acoplamiento
Cortes de corriente a subestacin
Rope limit protection
Motores auxiliares
Motores principales
Sistema de iluminacin
Relay de sobrecarga
Sobretemperatura motor
Tierra
Otros
Sistema de control
Compresor de aire
Controles operador
Sobrecorriente
30
15
27
15
21
10
13
12
26
23
36
7
9
7
8
5
6
Duracin
(min)
1015
785
690
225
395
277
600
555
240
685
745
575
115
165
355
155
220
0.03
0.025
Probabilidad
0.02
0.015
0.01
0.005
0
0
50
100
150
200
250
300
Nro. eventos no planificados
350
400
506
1
0.9
0.8
Probabilidad
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.6
0.65
0.7
0.75
0.8
0.85
Disponibilidad
0.9
0.95
25.5.
Supogamos que se ha muestreado la media i y la varianza i2 de cada tipo de intervencion no planificada durante T . Definimos:
2
i = i
i
Si i > 1, podemos aproximar la distribucion usando la binomial negativa[5]:
a+x1
Pr(x) =
bx (1 b)a
x
con parametros,
a>0
0<b<1
que tiene media y varianza,
ab
1b
2
=
1b
=
1
1
b=
a=
507
con
0<<1
n entero
que tiene media,
= n
y
=1
por lo que
=1
n=
1
como la razon entre y 1 no es necesariamente entera, se puede usar la aproximacion:
n = f ix
+ 0,99
1
donde f ix(.) redondea el argumento al entero mas proximo a la izquierda. El termino .99 asegura que si
la razon /(1 ) es entera, el valor de n sera el correcto.
25.6.
En caso de hacer mantenimiento preventivo en base a uso a edad Tp , el tiempo medio entre correctivas
es [3]:
R Tp
R(t)dt
M T BF (Tp ) = 0
F (Tp )
y la varianza,
R Tp
var(T BF (Tp )) =
25.7.
Comentarios finales
RT
tR(t)dt 2Tp R(Tp ) 0 p R(t)dt
+
2
F (Tp )
[R(Tp )]
508
Bibliografa
[1] Sheerbrooke, C., Optimal Inventory Modeling of Systems, 2nd ed., Kluwer, 2004.
[2] Knights, P.F., Downtime Priorities, Jack-knife Diagrams, and the Business Cycle, Maintenance Journal, 17(2), 14-21, Melbourne, Australia, 2004. [bajar]
[3] Barlow, R.E., Proschan, F., Mathematical Theory of Reliability, SIAM, 1965.
[4] A. Goyal, S.S. Lavenberg, K.S . Trivedi, Probabilistic Modeling Of Computer System Availability,
Annals of Operations Research, 8, 285-306, 1987.
[5] A. Goyal, A.N. Tantawi, A Measure of Guaranteed Availability and its Nurnerical Evaluation, IEEE
Transactions On Computers, 37(1), 1988.
509
510
Captulo 26
Contratos de tercerizaci
on con bonos
...If your contract is based on buying service alone, there is no real incentive for the contractor
to perform better. The more hours they sell, the more money they make, and they can sell
more hours if your maintenance needs are reactive. Only the fear of losing the contract will
motivate the contractor to perform better...
Christer Idhammar [2].
...In a recent survey by Industry Week, plant managers rated plant maintenance the secondmost-effective business function to outsource, behind only transportation...
...GE Engine Services recently signed a 16-year maintenance contract valued at $1 billion with
Skywest Airlines to perform engine maintenance on the carriers fleet of Canadair Regional
Jets...
...it has been estimated that outsourced equipment maintenance in the healthcare sector is a
$26 billion activity...
Taracki et al, 2006 [1]
26.1.
Introducci
on
26.2.
Modelo inicial
(26.1)
Una intervenci
on preventiva deja el equipo como nuevo en tanto que una intervencion correctiva es
minima.
el costo de intervenci
on y la duracion de una intervencion preventiva son Cip um y Tp ut respectivamente,
1 contrato
511
512
el costo de intervenci
on y la duraci
on de una intervencion correctiva son Cir um y Tr ut respectivamente,
el contratista es libre para elegir la edad T a la cual se haran preventivas al equipo,
la tarifa del servicio es p um/ut,
el contratista fija en um/ut su margen minimo para participar en el juego,
los ingresos por unidad de tiempo cuando el equipo opera son de cf um/ut (tras restar los costos
variables de operaci
on).
La tasa de fallas toma la forma:
(t) = 0 t1
(26.2)
T N (T )Tr
T + Tp
(26.4)
(26.5)
El costo de intervenci
on esperado es:
ci (T ) =
Cip + N (T )Cir
um/ut
T + Tp
(26.6)
(26.7)
Al comparar las ecuaciones 57.1 y 57.2 es claro que le mandante desea maximizar la disponibilidad en
tanto que el contratista desea minimizar los costos de intervencion por unidad de tiempo. Es necesario
proponer un contrato que incentive a las partes a un equilibrio donde ambos ganen. A tal efecto, estimamos
el margen esperado de la cadena de suministro:
(T ) = cf A(T ) ci (T )
(26.8)
(26.9)
y
g(T ) =
cf Tp + Cip
cf Tr + Cir
(26.10)
513
Mandante
Contratista
Cadena
20
15
g(T)
=4
=3
10
0
0
10
20
T (ut)
30
40
g(Tm
)=
Tp
Tr
(26.11)
Cip
Cir
(26.12)
26.2.1.
(26.13)
Estudio de caso
Consideremos los valores de tabla K.1. Se desea estudiar los intervalos optimos para el mandante, el
contratista y la cadena respectivamente. Ello se observa en la figura 34.3 usando la funcion g(T ) y en la
figura 34.6 al estudiar los margenes de cada uno en funcion del intervalo T . Los costos de intervencion
especficos son:
Cip
cip =
= 4 um/ut
Tp
cir =
Cir
= 0,5 um/ut
Tr
Los intervalos
optimos son:
Tc = 21,1 ut
Tm
= 11,4 ut
T = 12,8 ut
514
Variable
0
Tp
Tc
Cip
Cir
cf
p
Valor
0.001
3
1
0.3
8
0.4
15
2.5
2.5
Unidades
1/ut
ut
ut
um
um
um/ut
um/ut
um/ut
g
Mandante
Contratista
Cadena
20
g(T)
15
10
0
0
10
15
20
T (ut)
25
30
35
40
La figura 34.7 muestra un estudio de de la disponibilidad en funcion de T . La figura 26.25 muestra los
margenes normalizados con respecto a cf y la disponibilidad. Las disponibilidades lograda en cada caso
son:
A(Tc ) = 0,828
A(Tm
) = 0,884
A(T ) = 0,882
Los margenes esperados para la cadena en cada caso son:
(Tc ) = 11,88 um/ut
(Tm
) = 12,56 um/ut
(T ) = 12,59 um/ut
La figura 26.5 muestra la sensibilidad del intervalo optimo en funcion de cf . Cuando es pequeno se
acerca a la soluci
on del contratista, cuando crece se acerca a la del mandante.
515
15
Mandante
Contratista
Cadena
Minimo contratista
10
0
0
10
15
20
T (ut)
25
30
35
40
35
40
0.9
0.8
0.7
Disponibilidad
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
15
20
T (ut)
25
30
516
20
20
18
16
15
R (um/ut)
14
12
10
10
5
8
6
4
2
5
10
15
20
T (ut)
25
30
35
40
26.3.
En este caso, consideraremos que el mandante esta dispuesto a subsidiar el costo de las preventivas
para hacerlas mas atractivas al contratista, que trata de maximizar su margen. Si Cip es el subsidio, el
costo efectivo de una preventiva (para el contratista es):
0
Cip
= Cip Cip
(26.14)
cf Tp + Cip
cf Tr + Cir
(26.15)
cf Tp + Cip
cf Tr + Cir
(26.16)
luego,
0
Cip
= Cir
y
0
Cip = Cip Cip
(26.17)
Cip
T + Tp
(26.18)
y para el contratista:
c (T ) = p ci +
Cip
T + Tp
cip
0
T + Tp
(26.19)
517
15
Mandante
Contratista
Cadena
Minimo contratista
12.59
9.79
10
2.8
0
0
10
15
20
T (ut)
25
30
35
40
Cip
p1
T + Tp
26.3.1.
Estudio de caso
Consideremos el ejemplo anterior. Interesa encontrar el bono Cip que haga que el contratista
este alineado con el m
aximo margen para la cadena (que ya sabemos que esta en T = 12,8 ut. Evaluando
(32.10),
Cip = 6,12 um
La figura 26.25 muestra un estudio de los margenes para las partes (ecuaciones (39.7 y 26.43) en funcion
de T ). Como es de esperar, los
optimos del mandante y del contratista coinciden con el de la cadena.
Tambien sabemos eso pues se cumplen las condiciones para que el contratista use T :
p1 = 2,70 um/ut
p2 = 3,40 um/ut
y p = 3 est
a en el rango {p1 , p2 }.
26.4.
(26.20)
518
con
A1 =
(T )
cf
A2 = A(T )
ci (T ) ci (Tc )
cf
(26.21)
(26.22)
p {p1 , p2 }
(26.23)
p1 = cf Ar + (T )
(26.24)
p2 = cf Ar + (Tc )
(26.25)
(26.26)
26.4.1.
(26.27)
Estudio de caso
Consideremos el ejemplo anterior. En este caso interesa establecer el bono b, la tarifa p y la disponibilidad de referencia Ar que apunte a que al contratista fije T = T y se maximice el margen para la
cadena. De ecuaciones 59.1 y 41.3.1 obtenemos los extremos para Ar :
A1 = 0,673
A2 = 0,875
Para efectos de evaluaci
on consideremos:
Ar = 0,83 {0,673, 0,875}
y fijemos el bono en:
b = cf = 15um/ut
La figura 26.22 muestra la zona para el par {Ar , p} que permite trabajar en el optimo de la cadena.
Se indica en punto donde se desea trabajar. La figura 26.8 muestra las sensibilidades de los margenes al
intervalo T . Como se espera, el
optimo para ambas partes esta en el punto de optimo para la cadena,
aunque debido a la generosidad del mandante (al fijar b = cf ) el beneficio extra de la coordinacion lo
absorbe el contratista.
A fin de compartir el beneficio extra, el mandante puede bajar el bono. Por ejemplo si b = cf /2 se
obtiene el perfil de margenes mostrado en figura 26.10. El mandante ve aumentar su margen desde 9,45
um/ut a 9,85 um/ut. Como la cadena mantiene su margen esperado, el contratista baja desde 3,14 um/ut
a 2,76 um/ut.
26.5.
Multiples contratistas
519
4
3.5
Tarifa (um/ut)
3
2.5
2
1.5
1
0.5
0
0.65
0.7
0.75
0.8
Disponibilidad de referencia
0.85
0.9
Figura 26.7: Zona en donde las partes acuerdan trabajar en el optimo de la cadena
15
Mandante
Contratista
Cadena
Minimo contratista
12.59
10
9.45
5
3.14
0
0
10
15
20
T (ut)
25
30
35
40
Figura 26.8: Margenes esperados con bono por disponibilidad ( = 2,5 um/ut, b = cf , Ar = 0,83). Se
han superpuesto los margenes esperados sin bono.
520
1
Mandante
Contratista
Cadena
Minimo contratista
Disponibilidad
Ar
A1
A2
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
15
20
T (ut)
25
30
35
40
Figura 26.9: Margenes esperados con bono por disponibilidad (normalizados) y restricciones para bono y
para que el contratista participe ( = 2,5 um/ut, b = cf , Ar = 0,83).
15
Mandante
Contratista
Cadena
Minimo contratista
12.59
9.85
10
2.76
0
0
10
15
20
T (ut)
25
30
35
40
Figura 26.10: Margenes esperados con bono por disponibilidad ( = 2,5 um/ut, b = cf /2, Ar = 0,83
Tp
Tr
Cip
Cir
1
1
0.3
8
0.4
2
0.9
0.5
9
0.3
3
1.5
0.4
6
0.2
521
ut
ut
um
um
13.5
13
12.59
12.5
12.24
12.1
12
11.5
11
10.5
10
0
10
15
T (ut)
20
25
30
26.5.1.
Estudio de caso
Consideremos los ejemplos anteriores y los parametros de tabla K.2. El margen de participacion de
cualquiera de los contratistas es:
= 2,5 um/ut
Fijemos,
b = cf
Ar = 0,83
p = 3 um/ut
Se desea elegir un contratista y fijar un intervalo T que maximice el margen de la cadena.
La figura 26.11 muestra el estudio para los 3 contratistas. El primero logra el valor mas alto con lo
cual es el elegido. Un caso especial es el del contratista 3, que no elige el T que optimiza el margen de
la cadena. Para la disponibilidad de referencia y de tarifa que se ha fijado, le es mas conveniente usar su
T optimo. Ello se explica en figura 26.13. Sin embargo al estudiar los margenes esperados del mandante
(figura 26.14), se observa que para b = cf , le es indiferente con quien firmar el contrato. La figura 26.15
muestra un estudio de sensibilidad cuando b = cf /2.
26.6.
522
3.5
1
2
3
3.14
2.79
2.66
2.5
2
0
10
15
20
T (ut)
25
30
35
40
4.5
Tarifa (um/ut)
3.5
2.5
1.5
0.78
0.79
0.8
0.81
0.82
Disponibilidad de referencia
0.83
Figura 26.13: Zona factible para el contratista 3 ( b = cf ). El punto de trabajo esta fuera de ella.
523
10
1
2
3
9.8
9.6
9.45
9.4
9.2
9
8.8
8.6
8.4
8.2
8
0
10
15
T (ut)
20
25
30
10
1
2
3
9.85
9.8
9.77
9.6
9.51
9.4
9.2
9
8.8
8.6
8.4
8.2
8
0
10
15
T (ut)
20
25
30
524
12.59
9.9
10
2.7
0
0
10
15
20
T (ut)
25
30
35
40
26.6.1.
Sea
Tm
2
A(Tm
) = Ar
2
Tm
T
2
0
Para lograr que el contratista fije T = Tm
, el debe percibir un costo Cip
tal que,
2
00
Cip
= g(Tm
)
2
Cr
Estudio de caso
Consideremos el caso ya visto. El caso original considera p = 3 um/ut. Se desea alcanzar una disponibilidad Ar = 0,87. La figura 26.16 muestra el resultado.
Tm
= 15,8 ut
2
Cip = 4,54 um
525
0.2
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
5
10
15
cf (um/ut)
20
25
26.7.
Se desea un contrato con bandas {pmin , pmax }, tal que ambas partes tengan asegurados ingresos
minimos/costos m
aximos en un rango {cf1 , cf2 }. Las partes aceptan seguir un contrato con bonos por
disponibilidad. Para facilitar la solucion, consideremos Ar constante y prefijado (por ejemplo, benchmarking con otras plantas).
Consideraremos que los costos de intervencion se mantienen constantes. Siendo as, Tc se mantiene
constante pues solo depende de la razon Cip /Cir . T si depende de cf (t) (ecuacion xx).
La elecci
on de cf1 y cf2 se puede hacer en base a la probabilidad estimada de caer debajo de cf1 o
por sobre cf2 tenga alg
un nivel. Si cf < cf1 el ciclo de negocios esta bajo y las partes pueden acordar
que el margen extra producto de la coordinacion se lo lleve el contratista con lo cual p = p2 (cf2 ). Caso
contrario, si el ciclo de negocios es muy bueno (cf > cf2 ), entonces se acuerda que la ganancia extra vaya
al mandante p = p1 (cf2 ).
26.7.1.
Estudio de caso
p2 = 3,47 um/ut
En tanto que para cf = 20 y Ar = 0,83,
p1 = 3,03 um/ut
p2 = 4,01 um/ut
526
4.4
4.2
4
p (um/ut)
3.8
3.6
3.4
3.2
3
2.8
5
10
15
20
25
30
cf (um/ut)
26.8.
(26.28)
Una intervenci
on preventiva deja el equipo casi como nuevo de acuerdo al modelo de Zhang &
Jardine [2]:
k (t) = k1 (t T ) + (1 )k1 (t)
(26.29)
donde k es le k-esimo overhaul y es el factor de mejora,
una intervenci
on correctiva es minima.
el costo de intervenci
on y la duraci
on de una intervencion preventiva son Cip um y Tp ut respectivamente,
el costo de intervenci
on y la duraci
on de una intervencion correctiva son Cir um y Tr ut respectivamente,
el contratista es libre para elegir la edad T a la cual se haran preventivas al equipo,
la tarifa del servicio es p um/ut,
el contratista fija en um/ut su margen mnimo para participar en el juego,
527
25
2.5
2.95
2.9
32.9 8
2.
20
cf (um/ut)
2.85
2.8
3
2.9
15
2.75
2.8
2.7
2.7
2.5
2.7.6
2
2.6
2.5
2.65
10
2.5
2.6
2.5
2.55
10
15
20
T (ut)
25
30
35
40
2.5
20
25
12
16
18
15
14
11
16
20
13
10
14
12
12
10
15
2
cf (um/ut)
11
10
7
3
10
4
1
3
2
10
15
20
T (ut)
25
30
35
40
528
los ingresos por unidad de tiempo cuando el equipo opera son de cf um/ut (tras restar los costos
variables de operaci
on).
La tasa de fallas inicial toma la forma:
(t) = 0 t1 , t < T
(26.30)
El n
umero esperado de fallas N , tras n overhauls para n , entero es:
N (nT ) = 0 T
Para = 1,
=n
Para = 2,
= n2 (1 ) + n
(26.31)
Para = 3,
= n(n 1)(n 2)(1 )2 + 3n(n 1)(1 ) + n
La disponibilidad esperada durante el contrato es:
A(nT ) =
nT N (nT )Tr
n (T + Tp )
(26.32)
(26.33)
El costo de intervenci
on esperado es:
ci (nT ) =
(26.34)
(26.35)
Al comparar las ecuaciones 57.1 y 57.2 es claro que le mandante desea maximizar la disponibilidad en
tanto que el contratista desea minimizar los costos de intervencion por unidad de tiempo. Es necesario
proponer un contrato que incentive a las partes a un equilibrio donde ambos ganen. A tal efecto, estimamos
el margen esperado de la cadena de suministro:
(nT ) = cf A(nT ) ci (nT )
(26.36)
(26.37)
y
g (T ) =
(Cip + ncf Tp )
(Cir + cf Tr )
Si cf domina los costos especficos, la solucion converge al optimo del mandante. Si cf son pequenos
frente a los costos de intervenci
on especficos, la solucion converge a la del contratista. Es notorio que
el optimo de la cadena sea independiente de la tarifa p que fijen las partes. El maximo margen para el
mandante se logra si:
g (Tm
)=
529
nTp
Tr
Cip
Cir
26.8.1.
Estudio de caso
Consideremos los valores de tabla K.1. Se desea estudiar los intervalos optimos para el mandante, el
contratista y la cadena respectivamente. Ello se observa en la figura 34.3 usando la funcion g (T ) y en
la figura 34.6 al estudiar los margenes de cada uno en funcion del intervalo T . La figura 26.22 muestra
un estudio para el factor en funci
on de y n.
Los intervalos
optimos son:
Tc = 9,04 ut
Tm
= 8,48 ut
T = 8,53 ut
La duraci
on
optima del contrato es entonces de n(T + Tp ) = 5(8,53 + 1) = 47,6 ut. La figura 34.6
muestra un estudio de de la disponibilidad en funcion de T . La figura 34.7 muestra los margenes. Las
disponibilidades lograda en cada caso son:
A(Tc ) = 0,849
A(Tm
) = 0,850
A(T ) = 0,850
Los margenes esperados para la cadena en cada caso son:
(Tc ) = 2,27 um/ut
(Tm
) = 10,25 um/ut
(T ) = 12,51 um/ut
por ese margen, el contratista no juega. Hay que buscar medios para incentivarlo.
26.9.
En este caso, consideraremos que el mandante esta dispuesto a subsidiar el costo de las preventivas
para hacerlas mas atractivas al contratista, que trata de maximizar su margen. Si Cip es el subsidio, el
costo efectivo de una preventiva (para el contratista es):
0
Cip
= Cip Cip
(26.38)
530
Variable
0
Tp
Tc
Cip
Cir
cf
p
Valor
0.001
3
1
0.3
8
0.4
15
2.5
2.5
0.9
5
Unidades
1/ut
ut
ut
um
um
um/ut
um/ut
um/ut
-
30
25
20
15
10
Cadena
Mandante
Contratista
0
5
8
Edad (ut)
10
531
=0.9
45
=1
=2
=3
40
35
30
25
20
15
10
5
0
1
10
0.85
Cadena
Mandante
Contratista
0.8495
0.849
Disponibilidad
0.8485
0.848
0.8475
0.847
0.8465
0.846
0.8455
0.845
7
7.5
8.5
Edad (ut)
9.5
10
532
14
Cadena
Mandante
Contratista
12
Margen
10
2
5
10
Edad (ut)
15
ncf Tp + Cip
cf Tr + Cir
(26.39)
0
Cip
= Cir
ncf Tp + Cip
cf Tr + Cir
(26.40)
luego,
y
0
Cip = Cip Cip
(26.41)
Cip
n(T + Tp )
(26.42)
y para el contratista:
c (T ) = p ci +
26.9.1.
Cip
n(T + Tp )
(26.43)
Estudio de caso
Consideremos el ejemplo anterior. Interesa encontrar el bono Cip que haga que el contratista
este alineado con el m
aximo margen para la cadena (que ya sabemos que esta en T = 8,53 ut. Evaluando
(32.10),
Cip = 1,22 um
La figura 26.25 muestra un estudio de los margenes para las partes (ecuaciones (39.7 y 26.43) en funcion
de T ). Como es de esperar, los
optimos del mandante y del contratista coinciden con el de la cadena.
Aun con el bono el contratista no juega pues su margen esperado no supera um/ut.
533
14
Cadena
Mandante
Contratista
12
Margen (um/ut)
10
2
5
10
Edad (ut)
15
26.10.
Comentarios finales
Hemos evaluado 2 tipos de contrato de tercerizacion de mantenimiento en donde se establecen incentivos para que los jugadores (el mandante y el/los contratista(s)) agranden la torta (el margen esperado
por unidad de tiempo) y compartan los beneficios. Hemos considerado un sistema sencillo, en donde las
preventivas son perfectas y las correctivas, mnimas.
26.11.
A futuro
534
puede ser interesante formular lo mismo pero en terminos del costo global y ver que pasa
comenzar tema promotora egaf
se podria extender a un modelo para una flota de equipos e incluir restriccion de presupuesto
se podria usar un modelo nhpp donde se varie el eta en funcion del acuerdo, mirar paper de garantia
estudiar en terminos de costo global, esa es la solucion cuando no se subcontrata
calcular el punto donde comparten a partes iguales la torta extra, puede ser para el control.
cambiar la funci
on objetivo a minimizar costo sujeto a restriccion de disponibilidad, viceversa
modelar cuando una parte quiere margen y la otra minimizar costo (fach y enaer).
variar los tiempos y costos en funci
on del esfuerzo, tal como en el de warranty
26.12.
A explorar
Taracki et. al. [5] estudian un problema similar aqu, pero en donde existen sistemas en serie y donde
cada uno recibe un mantenimiento tercerizado independiente.
Bibliografa
[1] H. Tarakci, K. Tang, H. Moskowitz, R. Plante, Incentive maintenance outsourcing contracts for
channel coordination and improvement, IIE Transactions, 38, 671684, 2006.
[2] C. Idhammar, To contract maintenance or not?, Pulp and Paper, 73, 33, 1999.
[3] C. Jackson, R. Pascual, Optimal Maintenance Service Contract Negotiation with Aging Equipment,
European Journal of Operational Research, 189, 387-398, 2008.
[4] E. Asgharizadeh, Modelling and Analysis of Maintenance Service Contracts, Ph.D. thesis, Department of Mechanical Engineering The University of Queensland, 1997.
[5] H. Tarakci, K. Tang, H. Moskowitz, R. Plante, Maintenance outsourcing of a multi-process manufacturing system with multiple contractors, IIE Transactions, 38, 6778, 2006.
535
536
Captulo 27
Inspecciones y retraso en la
intervenci
on preventiva
27.1.
Resumen
27.2.
Formulaci
on del modelo
A continuaci
on presentaremos el concepto de vida residual y como este parametro puede ser estimado.
Sea f y(y|xt ) la distribucion de la vida residual Yt que depende del vector de condicion xt .
Basicamente, se dispone de la siguiente informacion sobre el equipo:
informaci
on del historial (MTTR, f (t))
Vector de condiciones en el intervalo [0, t0 ), xt ;
informaci
on actual (diagn
osticos); y
informaci
on posterior (condiciones de operacion esperadas a futuro y otros factores influyentes).
La informaci
on puede ser cuantitativa y cualitativa; los elementos de informacion pueden ser interdependientes. A partir de dicha informacion, se puede estimar una funcion de densidad de probabilidad
f (t) para el tiempo remanente para fallar, dado que el item ya ha sobrevivido t0 ut (t = 0 en t0 ). f (t) no
debe ser confundida con f(t), la cual se define para un componente nuevo.
Una definicion posible para el tiempo remanente esperado para fallar (MRL) o vida remanente esperada es:
Z
M RL =
tf (t)dt
(27.1)
0
f(t + t0 )
1 d
=
R(t + t0 )
R t0
R(t0 ) dt
1 0 f (t)dt
537
(27.2)
538
Costo global
Incremento en
costos de
operacin
Costo global
preventivo
Costo global
correctivo
Costo de
intervencin
preventivo
Costo de falla
preventivo
Costo de
intervencin
correctivo
Costo de falla
correctivo
et0
e(t+t0 )
= et
= f(t)
lo que es conocido como la propiedad de falta de memoria de la distribucion exponencial. En este caso:
M RL(t0 ) =
1
ut
f(t) = t1 et
obtenemos:
f (t) = (t + t0 )1 e((t+t0 ))
y
Z
M RL(t0 ) =
t0 ))
t(t + t0 )1 e((t+t0 ))
t0 ))
dt
Parametro
T1
f1 (t)
T21
f2 (t)
T2
T22
Cgp0
1
2
3
Valor
10
normal
2
normal
20
2
10
0,5
0,4
0,3
539
Unidad
ut
ut2
ut
ut2
um
27.3.
Ejemplo
Consideremos el caso de una plataforma maritima. En caso de ser requerido de emergencia, un repuesto
dado debe ser trado en helicoptero. Ello implica un costo global de Cgp0 =10 um. Si se decide posponer
la intervenci
on hasta la llegada del buque de aprovisionamiento (que llega en t = t1 ), y no ocurre la
falla, el costo se reduce a 1 Cgp0 . Ademas se sabe que en t = t2 , la tasa de produccion sera reducida por
consideraciones ajenas al mantenimiento, lo que redundara en una disminucion en el costo de falla por
unidad de tiempo. El costo global preventivo bajara entonces a 2 Cgp0 . Los instantes t1 y t2 pueden ser
considerados como variables aleatorias con esperanzas T1 y T2 respectivamente (Varianzas T21 , T22 ;
pdfs f1 (t),f2 (t)). Consideremos los datos de tabla (42.7).
Pueden ocurrir 4 posibles situaciones:
j
0
1
2
3
Descripci
on
Helicoptero+producci
on nominal
Buque de aprovisionamiento+tasa de produccion nominal
Helicoptero+producci
on reducida
Buque de aprovisionamiento+tasa de produccion reducida
Probabilidad
P1 (Tr )P2 (Tr )
P1 (Tr )P2 (Tr )
P1 (Tr )P2 (Tr )
P1 (Tr )P2 (Tr )
Factor de Costo
1
1
2
3
(27.4)
Pi (Tr ) = 1 Pi (Tr )
La evaluaci
on de (27.4) se muestra en figura (27.2).
Un modelo alternativo para el costo de mantenimiento preventivo puede ser:
Cgp (Tr ) = Cgpn + (Cgp0 Cgpn ) (1 ec Tr ) um
(27.5)
en la cual el par
ametro c indica la incerteza en el momento a partir del cual el costo preventivo pasa desde
Cgp0 a Cgpn . La figura (27.3) muestra la evolucion del costo preventivo para Cgp0 = 60 um, Cgpn = 20
um.
Por su lado el costo de operaci
on y mantenimiento menor por unidad de tiempo puede ser descrito
con una ley del tipo:
cgo (t) = ca tb um/ut
(27.6)
Observaci
on 71 Cuando b = 1 los costos crecen linealmente por unidad de tiempo.
540
12
10
Cp (um)
10
15
20
25
30
35
40
Tr (ut)
60
c=0.010
c=0.025
c=0.040
=0.055
c
c=0.070
c=0.085
c=0.100
50
Cp (um)
40
30
20
10
10
20
30
40
50
60
70
80
90
100
Tr (ut)
Figura 27.3: Costo global esperado ante intervencion preventiva postergada hasta Tr
27.4.
541
En caso de que el costo correctivo sea constante podemos expresar el costo global como (retomando
la ecuaci
on general 27.3):
R(t) = et
(27.7)
y usando (27.6),
Rt
!
Z Tr
f
(t)
C
+
c
(
)d
dt
gc
0
0 go
C(Tr ) = (1 R(Tr ))
+ R(Tr ) Cgp (Tr ) +
cgo (t)dt
R Tr
0
f (t)dt
0
R Tr t
Rt
!
Z Tr
e
C
+
c
(
)d
dt
gc
go
0
0
t
Tr
= 1e
+e
Cgp (Tr ) +
cgo (t)dt
R Tr
t dt
0
e
0
Z Tr
b +1
c
t
ca Trb +1
a
t
t
=
e
Cgc +
dt + e
Cgp (Tr ) +
b + 1
b + 1
0
Z Tr
ca
ca Trb +1 Tr
= Cgc 1 et +
et tb +1 dt + Cgp (Tr )eTr +
e
b + 1 0
b + 1
RT
ca 0 r e b +1 d
ca tr b +1 Tr
c Tr
= Cgc + (Cgp Cgc )e
+
+
e
b + 1
b + 1
R Tr
2
b + 1
(27.8)
(27.9)
Para Tr = 0,
Cg (0) = Cgp (0) um
y cuando Tr ,
Cg () = Cgc +
27.4.1.
ca
um
2
Ejemplo
Consideremos la situaci
on de la plataforma ya descrita. Supongamos que se estima la vida media
residual en:
M RL = 100 ut
y que tiene distribuci
on exponencial. Se tiene:
=
1
= 0,01 ut1
M RL
ca = 0,01 um/ut
b = 1
Los costos preventivos siguen la curva de figura (27.2). el costo global resultante se muestra en figura
(27.4). La tendencia a largo plazo se observa en figura (27.5).
27.5.
El costo global esperado para una distribucion Weibull con 2 parametros es:
C(Tr ) = Cgc + (CP Cgc )e
R Tr
1 ( )2 b +1
d
(27.10)
b + 1
la cual debe ser evaluada numericamente, debido a la inexistencia de una primitiva para la integral.
c Tr
()
542
24
22
20
Cg (um)
18
16
14
12
10
10
20
30
40
50
60
Tr (ut)
Figura 27.4: Costo global esperado ante intervencion preventiva postergada hasta tr y vida residual con
distribucion exponencial
10
Cg (um)
10
10
C
g
Cp
Cc
C
o
-1
10
10
10
10
10
Tr (ut)
Figura 27.5: Costo global esperado ante intervencion preventiva postergada hasta tr y vida residual con
distribucion exponencial
27.6.
543
Comentarios finales
544
Bibliografa
[1] T.M. Andersen, M. Rasmussen, Decision support in a condition based environment, Journal of Quality
in Maintenance Engineering, 5(2), 89-101, 1999. [bajar].
[2] A.K.S. Jardine, A. Tsang, Maintenance, Replacement and Reliability, Taylor & Francis, 2006.
545
546
Captulo 28
Mantenimiento oportunista
En fin, cada uno nace donde puede.
Jorge Luis Borges. Historia de Rosendo Ju
arez
28.1.
Introducci
on
La optimizaci
on en el uso de los recursos -escasos- de mantenimiento, as como las posibles economas
de escala producidas al agrupar actividades similares, justifican el uso de estrategias oportunistas. Recordemos que se disponen de 3 estrategias posibles para realizar mantenimiento:
mantenimiento correctivo,
mantenimiento preventivo (incluimos aqu el mantenimiento centrado en la condicion) , y
mantenimiento oportunista.
En el primer caso, los componentes son mantenidos tras su falla.
En el segundo caso, las intervenciones son llevadas a cabo para prevenir falla y disminuir costos
operativos. Ellas son planificadas y se logran ahorros al coordinar ejecuciones simultaneas para varios
componentes.
En el tercer caso, las actividades no son necesariamente planificadas. Sin embargo, se pueden lograr
ahorros dado que el mantenimiento (correctivo o preventivo) de un componente ofrece la oportunidad de
intervenir otros componentes.
El agrupamiento de intervenciones correctivas es directamente aplicable a sistemas donde existe alg
un
grado de redundancia. En tales sistemas es posible dejar componentes con falla en tal condicion por alg
un
periodo de tiempo hasta que se hace conveniente realizar las reparaciones. Estrategias de este tipo son
justificadas por la existencia de economas de escala a traves de la reparacion simultanea de un grupo
de componentes similares. Por otro lado, el tener a los componentes con falla en esa condicion implica
posibles incrementos en los costos de falla.
Una de las ventajas del mantenimiento preventivo es su caracter planificable. Ello es importante
cuando la preparaci
on (logstica) de las intervenciones es necesaria. Por ejemplo, se puede ordenar la
compra de repuestos, coordinar la disponibilidad de una cuadrilla para el periodo en que se programa la
intervenci
on.
Una ventaja del mantenimiento oportunista es que puede ser usado para ahorrar costos de falla
asociado a intervenciones preventivas. Sin embargo, una desventaja de esta estrategia es que no es com
un
conocer el momento de las intervenciones y por tanto no se pueden planificar y preparar adecuadamente.
Debido a las economas de escala en las funciones de costo de mantenimiento, el evento de una falla de
un componente es al mismo tiempo una oportunidad para realizar intervenciones preventivas sobre otros
componentes.
Es necesario observar que existen situaciones donde la combinacion oportunista de actividades de
mantenimiento no es realista. El mantenimiento correctivo es aleatorio en el tiempo mientras que el
547
548
preventivo es planificado. Luego, al combinar ambas, se pierde el caracter planificado del mantenimiento
preventivo o debe dejarse al componente con falla en tal condicion por alg
un periodo de tiempo. Sin
embargo, existen situaciones donde tal desventaja es aceptable: si la reparacion de un componente requiere
desmantelar todo el sistema, puede ser rentable la intervencion preventiva de otros componentes. Existen
dos opciones:
Realizar intervenciones preventivas tras la aparicion de la falla, cuya reparacion no puede ser
pospuesta (altos costos de falla)
El o los componentes con falla pueden no ser reparados por alg
un tiempo, en espera de la proxima
intervenci
on preventiva planificada (overhaul).
Los modelos de mantenimiento oportunista se pueden clasificar estacionarios y dinamicos. Los modelos estacionarios son f
aciles de analizar pero no toman en cuenta informacion del corto plazo. Por su lado,
el agrupamiento din
amico puede tomar tal informacion en cuenta. Por ejemplo, el uso variable de componentes, aparici
on de eventos aleatorios que pueden crear una oportunidad para realizar mantenimiento
a costos mas bajos.
En este captulo presentamos una estrategia general para coordinar las frecuencias entre intervenciones
preventivas para sistemas con m
ultiples componentes, en condiciones estacionarias. El autor interesado
en profundizar los temas relacionados es referido a la tesis de Wildeman[2].
28.2.
Formulaci
on del problema
28.3.
Estrategias de agrupamiento
28.3.1.
Agrupamiento indirecto
549
cg =
Cs X
+
c,i (ki T )
T
i=1
(28.2)
con
T >0
Puede ocurrir que ninguno de los ki en la solucion optima sea 1. Ello implica que existiran ocasiones en
las cuales no se har
an pedidos de ning
un item y por tanto es necesario corregir cg . Por ejemplo, supongase
que hay dos items y que k1 = 2 y k2 = 3. Si ello ocurre, en 2 ocasiones de cada 6 no sera usadas para
comprar items y por tanto no habr
a costo asociado y se aplica el factor de correccion (k) con
k = (k1 , .., kn )
Para el ejemplo,
k = (2, 3)
luego
(k) = 4/6
En caso de que no hayan ocasiones de relleno no aprovechadas,
mn(k) = 1
se tiene
(k) = 1
En un caso general, se puede demostrar[2] que
(k) =
n
X
i=1
(1)i+1
{{1,...,n}:||=i}
cg = (k)
Cs X
+
c,i (ki T )
T
i=1
(28.3)
Observaci
on 73 El problema es de variables mixtas y no lineal. Ello puede facilitar la no convergencia
o la convergencia a mnimos locales.
Observaci
on 74 La inclusi
on del termino de correcci
on (k) puede dificultar la minimizaci
on de cg .
550
Ejemplo 111 1 Considere un sistema donde se desea estudiar un posible mantenimiento oportunista sobre
2 componentes, c1 y c2 respectivamente. La intervenci
on de c1 demora en promedio M T T R1 ut,
M T T R1 = Tdc1 + Tic1 + Tmc1
donde Tdc1 y Tmc1 son los intervalos de tiempo requeridos para desmontar y montar c1 , respectivamente.
Al intervenir c2 es necesario desmontar primero c1 y tras la intervenci
on, se debe montar nuevamente
c1 :
M T T R2 = Tdc1 + Tic2 + Tmc1
La situaci
on se describe en figura (28.1). El costo de falla del sistema es cf um/ut. Ambos componentes
siguen distribuciones de Weibull con par
ametros 1 , 2 , 1 , 2 . Los repuestos utilizados en las intervenciones cuestan Cr1 y Cr2 respectivamente. Cada tarea puede ser realizada por un tecnico (hay varios) cuyo
valor por unidad de tiempo es chh um/ut/tecnico. Proponga un modelo que permita decidir si conviene
hacer mantenimiento preventivo oportunista y en tal caso cual sera la frecuencia
optima. La situaci
on
MTTR1
Desmontar c1
Intervenir c1
Montar c1
Tiempo
MTTR2
Desmontar c1
Intervenir c2
Montar c1
Tiempo
3, semestre 2004-II
551
Observaci
on 75 En el ejemplo anterior se est
a considerando que si ambos son intervenidos preventivamente, el tiempo total de detenci
on ser
a
Tdc1 + Tic1 + Tic2 + Tmc1
cuando en realidad es
Tdc1 + max (Tic1 , Tic2 ) + Tmc1
dado que hay varios tecnicos disponibles. Ello hace que el costo global este sobrestimado. La importancia
de este error debera ser baja dado que en general ser
a el montaje y el desmontaje lo que consuma el
mayor tiempo.
Mejoras al modelo
2
Tomemos en cuenta el valor del dinero en el tiempo. Para ello consideremos que un flujo ocurrido en
el instante t tiene un valor en t = 0 de
et
Como una simplificaci
on diremos que los flujos ocurridos en el j-esimo ciclo de compra-consumo ocurren
al inicio del periodo. Tenemos entonces que el costo total actualizado para un periodo infinito es
Cg, =
cg eT i
i=1
donde cg es la suma de flujos por unidad por periodo (ecuacion 28.3). Aprovechando la identidad (cargando
los costos de un periodo a su instante final),
X
i=1
ei =
1
e 1
Tenemos entonces,
Cg, (T, k,(k)) =
28.3.2.
!
n
Cs X
1
(k)
+
c,i (ki T )
T
T
e 1
i=1
Agrupamiento directo
En este caso, los n componentes son particionados en sub-grupos fijos en el tiempo. Luego un componente es siempre mantenido en el mismo grupo.
Considerese el siguiente ejemplo. Hay 4 componentes, cuyas funciones de costo individuales son de la
forma:
1 si t = 1
c,1 (t) = c,2 (t) =
1 si t = 2
c,3 (t) = c,4 (t) =
2, semestre 2004-I.
552
Primero, se particionan los n componentes en m grupos. Un grupo es subconjunto no vacio de {1, ..., n}.
Dada la partici
on P = {G1 , .., Gm } el costo global asociado es
n
m
X
X
C
s+
c,i (Tj )
(28.6)
cg =
T
j
j=1
iGj
con
Tj > 0, j = 1, ..., m
Observaci
on 76 En cada grupo Gj todas las tareas tienen el mismo intervalo: Tj .
Disponiendo de la partici
on P la minimizacion de (28.6) es relativamente sencilla. Lo difcil es encontrar
P optimo. El n
umero posible de particiones crece extremadamente rapido con n y son referidos como los
n
umeros de Bell que satisfacen:
n
X
n
Bn+1 =
Bi
i
i=0
con
B0 = 1
28.3.3.
En este caso se combinan las dos estrategias anteriores donde los n componentes son particionados en
sub-grupos, y dentro de estos sub-grupos se aplica agrupamiento indirecto. Ello equivale a tener m
ultiples
(ki ) intervalos b
asicos Tj ; uno para cada sub-grupo j.
m
n
X
X
Cs
cg =
(k)
+
c,i (ki Tj )
(28.7)
T
j=1
iGj
con
ki N
Tj > 0, j = 1, ..., m
Desafortunadamente, este problema es a
un mas difcil que los anteriores.
Observaci
on 77 Si el costo grupal Cs tiende a cero, se hace
optimo mantener los componentes individuamente. En ese caso hay n intervalos b
asicos Tj , P = {1, ..., n} y todos los ki son iguales a uno. Se
trata de un caso especial de agrupamiento directo.
En este captulo trataremos la soluci
on de la estrategia de agrupamiento indirecto.
28.4.
R i (ttx,i )
0
(ai + bi t)dt
0
si t > tx,i
(28.8)
553
C f,i
Cs,i
tiempo t x,i
Figura 28.2: Incremento de costos de intervencion por deterioro
Goyal y Kusy (1985)[3] proponen un deterioro de la forma
t
(fi + vi te )dt
Cm,i (t) =
0
gi (t)dt
0
Si el delay tiene una probabilidad acumulada Fi (t) entonces el tiempo para que aparezca la falla tiene
una probabilidad acumulada
Z t
pk,i (t) =
gi (u)Fi (t u)du
0
De lo anterior,
Z t
Cm,i (t) = cfi ni (t) + Cir {pg,i (t) pk,i (t)} +
n0i (y) [pg,i (t y) pk,i (t y)] dy
0
donde
ni (t) es el n
umero esperado de fallas en [0, t];
n0i (t) es su derivada con respecto al tiempo;
cfi es el costo de reemplazo correctivo;
Cir es el costo incurrido cuando el componente es reemplazado tras ser detectado defectuoso tras una
inspecci
on.
En general, el costo de inspecci
on (Cs,i ) de un componente ya incluye el costo del reemplazo preventivo
Cir , y tenemos
Cm,i (t) = cfi ni (t)
554
1 Cs
2
3
800
1
4 ni
10
24
30
16
12
198
192
193
205
204
um/u
6 ai
80
50
90
85
95
um/ut
7 bi
1,5
2,5
um/ut2
8 tx,i
0,8
0,6
0,4
0,6
0,5
ut
9 i
10
11 kiT
12 kiT>tx,i
0,9
0,95
0,85
0,95
0,94
Tipo
5 Cs,i
13 Cm,i
14 C,i
15
16
17
18
19
Cs/T
C,i
cg
ki
T
Unidades
12,78
12,78
25,57
12,78
12,78
VERDADERO
VERDADERO
VERDADERO
VERDADERO
VERDADERO
10373,74
17105,71
64627,12
17349,93
15163,96
966,32
1698,46
2754,04
1613,69
1377,62
62,58
8410,14
8472,72
1
12,78
adimensional
ut
um
um/ut
um/ut
um/ut
um/ut
1
um
28.5.
Ejemplo
Considere el ejemplo de referencia [227] (modelo de ecuacion 28.8). Se tienen 5 diferentes tipos de
componentes, eso es, los componentes de cada tipo son identicos. El n
umero ni de componentes del tipo
i, i = 1, ..., 5 son 10, 24, 30, 16 y 12 respectivamente, y por lo tanto hay 92 componentes. La figura 28.3
muestra los par
ametros (en azul) y resultados (en verde las funciones, en rojo los parametros) para el
ejemplo. Notese que dado que los componentes de cada tipo son identicos y tratados de la misma forma,
el problema es equivalente a la situaci
on donde solo hay solo 5 componentes distintos; en ese caso los
parametros Cs,i , ai y bi deben ser multiplicado por el n
umero ni de componentes tipo i
28.5.1.
Agrupamiento indirecto
28.5.2.
Agrupamiento directo
n
m
X
X
Cs +
cg =
c,i (Tj )
Tj
j=1
iGj
(28.10)
555
si la tarea i Gj
en otro caso
y
Kj =
1
0
si |Gj | > 0
en otro caso
m
n
X
X
C
s
Kj +
cg =
c,i (Tj )
T
j
j=1
(28.11)
iGj
Observaci
on 78 La inclusi
on de Kj en la funci
on objetivo anula la posibilidad de tener grupos con 0
elementos que influyan en el costo total por unidad de tiempo.
El m
aximo n
umero posible de grupos es n. Luego, j = 1, ..., n.
Las restricciones aplicadas son:
Tj > 0
Ii,j {0, 1}
Cada tarea i solo puede pertenecer a un grupo,
X
Ii,j = 1
La figura 28.5 muestra la implementacion en Excel del problema ya tratado con agrupamiento indirecto
(figura 28.3). Los valores para iniciar las iteraciones son:
Ii,j = i,j
Tj = 1
556
A
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
Cs
800
Tipo
i
i=1
i=2
i=3
i=4
i=5
ni
10
24
30
16
12
Cs,i
198
192
193
205
204
ai
80
50
90
85
95
bi
3
2
1
1,5
2,5
tx,i
0,8
0,6
0,4
0,6
0,5
ki
0,9
0,95
0,85
0,95
0,94
grupo\componi=1
i=2
i=3
i=4
i=5
j=1
11,79
11,79
0,00
11,79
11,79
j=2
0,00
0,00
19,45
0,00
0,00
j=3
0,00
0,00
0,00
0,00
0,00
j=4
0,00
0,00
0,00
0,00
0,00
j=5
0,00
0,00
0,00
0,00
0,00
Ti
11,79
11,79
19,45
11,79
11,79
Ti>tx,i?
VERDADERO
VERDADERO
VERDADERO
VERDADERO
VERDADERO
Cm,i
9996,81
16091,03
49387,21
16123,98
14182,03
Cf,i
1015,93
1755,79
2837,23
1645,94
1410,64
i=2
grupo\componi=1
j=1
j=2
j=3
j=4
j=5
1015,93
0,00
0,00
0,00
0,00
grupo\componi=1
j=1
j=2
j=3
j=4
j=5
1
0
0
0
0
1
i=3
1755,79
0,00
0,00
0,00
0,00
i=2
i=4
0,00
2837,23
0,00
0,00
0,00
i=3
1
0
0
0
0
1
i=5
1645,94
0,00
0,00
0,00
0,00
i=4
0
1
0
0
0
1
1410,64
0,00
0,00
0,00
0,00
i=5
1
0
0
0
0
1
1
0
0
0
0
1
Ci*I(i,j)
CS/Tj*Kj
5828,29
67,86
2837,23
41,14
0,00
0,00
0,00
0,00
0,00
0,00
8665,53
109,00
cg
8774,5
Tj
Kj
11,79 VERDADERO
19,45 VERDADERO
33,43
FALSO
28,07
FALSO
26,32
FALSO
5
557
8774,52
1
8472,72
= 3,56 %
Este resultado est
a re
nido con la hipotesis de que la solucion debera ser mejor que la obtenida con
agrupamiento indirecto por tener menos restricciones y mas grados de libertad. Sin embargo, se debe
tener en cuenta la naturaleza no lineal del problema y la existencia de mnimos locales en la funcion
objetivo.
Observaci
on 79 El modelo de agrupamiento directo presentado no muestra la economa de escala cuando
un Tj es m
ultiplo exacto de otro Tk . Ello muestra claramente la discontinuidad de la funci
on objetivo.
28.6.
Considerense i = 1, .., n tipos de componentes. El costo del reemplazo de cada componente es Cs,i +CS
(si se hace por separado). El costo del reemplazo correctivo de cada componente es Cir y se considera
que una reparaci
on restituye el componente al estado justo antes de la falla3 . Sea i (t) la tasa de fallas
del componente i. El costo esperado por intervenciones correctivas para cada componente en el intervalo
[0, T ] es
Z T
Cir
i (t)dt
0
Si se asume que las tasas de fallas siguen una distribucion de Weibull con 2 parametros, se tiene
i
i (t) =
i
t
i
i 1
Cir
i (t)dt =
0
Cir
T
i
i
(28.12)
Ejemplo 112 Para efectos ilustrativos tomaremos el caso descrito en ref. [2]. Las tasas de falla y costos
se describen en la tabla 28.1. El costo de grupo es Cs = 15.
3 cr
i
558
i
i
i
Cs,i
Cir
i
i
i
Cs,i
Cir
1
159
1.7
105
92
9
84
1.5
345
76
2
159
1.7
225
182
10
149
1.5
45
12
3
190
2.0
345
28
11
190
2.0
345
28
4
285
2.0
165
30
12
117
1.7
885
66
5
108
1.7
585
172
13
205
1.75
225
36
6
285
2.0
345
30
14
281
1.75
105
22
7
49
1.25
105
90
15
281
1.75
105
22
8
97
1.75
345
50
16
285
2.0
225
30
CS
i
hi
bi
Cs,i
cri
ki*T
Cm,i
c f,i
CS/T
c f,i
cg
T
ki
15
1
159
1,7
105
92
2
159
1,7
225
182
3
190
2
345
28
4
285
2
165
30
5
108
1,7
585
172
6
285
2
345
30
7
49
1,25
105
90
8
97
1,75
345
50
9
84
1,5
345
76
10
149
1,5
45
12
11
190
2
345
28
12
117
1,7
885
66
13
205
1,75
225
36
14
281
1,75
105
22
15
281
1,75
105
22
16
285
2
225
30
559
problema que es de una variable (Ti ) y que puede ser resuelto derivando. En caso de que Cm,i (Ti ) tome
la forma (28.12), los valores
optimos son de la forma:
s
Ti
Cs,i + Cs ii
cri
i 1
(28.13)
y
c,i (Ti ) =
Cs,i + Cs i
Ti
i 1
(28.14)
La figura (28.10) muestra los resultados obtenidos para los datos del ejemplo. La suma sobre los 16
componentes es:
cg,ind = 26,40
lo que nos da una idea de la importancia relativa entre considerar o no la interaccion economica entre los
componentes, para este ejemplo.
Observaci
on 81 Notese que si se optimiza de manera individual se est
a considerando que solo se ejecuta
una intervenci
on en cada ocasi
on.
560
A
1
2
3
4
5
6
7
8
9
10
Cs
i
hi
bi
Cs,i
cri
Ti*
cf,i*
15
1
159
1,7
105
92
2
159
1,7
225
182
3
190
2
345
28
4
285
2
165
30
5
108
1,7
585
172
6
285
2
345
30
7
49
1,25
105
90
8
97
1,75
345
50
9
84
1,5
345
76
10
149
1,5
45
12
11
190
2
345
28
12
117
1,7
885
66
13
205
1,75
225
36
14
281
1,75
105
22
15
281
1,75
105
22
16
285
2
225
30
229,3 230,8 681,3 698,1 277,8 987,3 187,0 353,2 376,1 691,6 681,3 671,1 714,4 873,2 873,2 806,1
1,27 2,53 1,06 0,52 5,25 0,73 3,21 2,38 2,87 0,26 1,06 3,26 0,78 0,32 0,32 0,60
28.7.
Comentarios finales
Hemos presentado una estrategia general para coordinar las frecuencias entre intervenciones preventivas para sistemas con m
ultiples componentes, en condiciones estacionarias.
Se ha considerado en la funci
on objetivo el incremento de costos debido al deterioro de los componentes
con la edad.
Hemos visto que el problema de optimizacion puede ser complejo de resolver por la naturaleza mixta
de las variables (continuas, enteras) y el car
acter no lineal de la funcion objetivo.
Hemos presentado un ejemplo numerico donde se ha mostrado la implementacion en entornos reales.
Aparece la observaci
on de la dificultad en estimar los parametros a utilizar en el modelo; por ejemplo,
los parametros de deterioro en los costos de intervencion.
Por supuesto, debido a la naturaleza estacionaria del analisis, hay factores transitorios que no son
considerados y que pueden ofrecer oportunidades de ahorro. Por ejemplo, uso variable de equipos, estacionalidad en la producci
on, etc.
Una posible mejora al modelo es considerar una tasa de descuento para tomar el valor del dinero en
el tiempo en cuenta. Ello ha sido propuesto para el modelo con agrupamiento indirecto (ver 28.3.1).
28.8.
A explorar
Talukder y Knapp [7] presentan un metodo heurstico para el agrupamiento de intervenciones preventivas. Las correctivas son asumidas como mnimas.
Bibliografa
[1] Wildeman, R.E. The art of Grouping Maintenance. Ph.D. thesis, Erasmus University, Rotterdam,
1996. [bajar]
[2] Goyal, S.K. and Gunasekaran, A., Determining Economic Maintenance Frequency of a Transport
Fleet, International Journal of Systems Science, 4, 655-659,1992.
[3] Goyal, S.K. and Kusy, M.I., Determining Economic Maintenance Frequency for a Family of Machines,
Journal of the Operational Research Society, 36,1125-1128, 1985.
[4] Baker, R.D., and Christer, A.H., Review of Delay-Time OR Modelling of Engineering Aspects of
Maintenance, European Journal of Operational Research, 73, 407-422, 1984.
[5] Dekker, R., Wildeman, R.E., Schouten, F.A.V.D., A review of multi-component maintenance models
with economic dependence, Mathematical Methods of Operations Research, 45(3), 411-435, 1997.
[bajar]
[6] Wildeman, R.E., Dekker, R., Smit, A., A dynamic policy for grouping maintenance activities, European Journal Of Operational Research, 99(3), 530-551, 1997. [bajar]
[7] Talukder M.S.; Knapp G.M., Equipment assignment to multiple overhaul blocks in series systems,
Journal of Quality in Maintenance Engineering, 2002, 8(4), 319-330.
561
562
Captulo 29
Reemplazo de equipos
The economic life of a physical asset is also a function of the economic life of its knowledge
content.
M. Boisot [25]
The reasonable man
adapts himself to the world;
the unreasonable one persists in trying to adapt the world to himself;
Therefore, all progress depends on the unreasonable man.
George Bernard Shaw.
All we have to do on this basis is to compute X (the average
annual cost) at the end of each year for the total time the
machine has been used up to that date and discard the machine when
X ceases to decrease and begins to increase, provided labor
costs and the like have remained constant. If these costs have
increased, however, we can well continue to use the old machine
after the minimum has been passed. It is then only necessary to
compute the unit cost for each year from that point on and discard
the machine when the annual unit cost becomes greater
than the estimated unit cost for a new machine under the changed
economic conditions.
J.S. Taylor [17]
...In the paper mill business two big constructers rule the market...
Tim White [38]
29.1.
Introducci
on
Aqu se trata de evaluar el periodo optimo de reemplazo de equipos. Ello se justifica por el incremento
en los costos de mantenimiento y operacion por unidad de tiempo. El criterio a utilizar es la minimizacion
del costo medio durante la vida del equipo. Factores tales como la depreciacion y el valor del dinero en
el tiempo ser
an tomados en cuenta.
El problema de optimizaci
on inicial considera la minimizacion del costo global por unidad de tiempo
considerando la compra, la reventa y los costos de operacion y mantenimiento del equipo considerado.
Los modelos que veremos en este captulo consideran que el mantenimiento preventivo no es una
variable de decisi
on. En la practica, un programa overhaul puede en general extender la vida del equipo.
Observaci
on 82 El problema puede ser tratado a partir de datos hist
oricos o a traves de modelos predictivos de costos y valores de venta.
563
564
29.2.
Sea
CR el precio de compra del equipo,
Ci , el costo de intervenci
on en el periodo Ti , considerando costos de operacion y costo global de
mantenimiento,
Ri , precio de reventa al final del periodo i,
cg , costo global por unidad de tiempo (calendario u operativo), sin considerar tasa de descuento.
Tenemos entonces:
Pn
CR + i=1 Ci R(T )
cg (T ) =
T
Para encontrar el periodo
optimo para la reventa se tabula cg .
Ejemplo 113 El precio de compra de un cierto equipo es de CR = 15000 um. Los costos anuales de
mantenimiento y los valores de reventa son indicados en tabla 56.5. Los resultados se muestran en la
tabla 56.6.
A
no
1
2
3
4
5
6
7
8
Costos
31970
31136
31178
29660
32912
35912
35330
36956
Reventa
10500
9660
8887
9178
7522
6920
6366
5857
a
no
1
2
3
4
5
6
7
8
Costos
31970
31136
31178
29660
32912
35912
35330
36956
Reventa
10500
9660
8887
9178
7522
6920
6366
5857
Ci
31970
63106
94282
123944
156856
192186
229142
269008
cg
36470
34223
33465
32691
32866
33377
33967
34768
29.3.
cg (n)
(1 + )n
565
3.8
x 10
3.6
3.4
3.2
2.8
2.6
1.5
2.5
3.5
4.5
5.5
Tiempo (ut)
Ci
31970
31136
31178
29660
32912
35912
Ri
10500
9660
8887
9178
7522
6920
Pn
j=1 (1
+ )j1 Cj
31970
65024
100103
135770
176828
222767
cg
36470
34223
33465
32691
32866
33377
cg,0
35254
32136
30528
29025
28300
26613
Reventa (um)
3
2
1
0.75
0.5
29.4.
566
0.7
0.6
(t)
0.5
0.4
0.3
0.2
0.1
0
0
0.2
0.4
0.6
0.8
Tiempo
Figura 29.2: Funcion depreciacion exponencial
Costo acumulado
1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0
0.2
0.4
0.6
0.8
Tiempo
Figura 29.3: Costo acumulado
567
Cg (T )
T
29.4.1.
Depreciaci
on lineal y costo lineal
En este caso
t
R(t) = CR 1
t0
Com (t) = com t
Entonces
h
cg (t) =
1 1
t
t0
i
CR + com t
CR
+ com = cte
t0
Por lo que
dcg
dt
29.4.2.
Depreciaci
on exponencial y costo lineal
Se tiene:
R(t) = CR et
Com (t) = com t
luego
1 et CR + com t
cg (t) =
t
(1 + t) et 1
dcg
=
CR
dt
t2
dcg
dt
29.4.3.
Depreciaci
on exponencial, costo exponencial
En este caso,
R(t) = CR et
Com (t) = com et 1
luego,
1 eT CR + eT 1 Com
cg (T ) =
T
lo que puede ser reducido a un problema de una variable con la expresion:
cg
cg =
com
eT + eT 1
=
T
568
1
0.9
0.8
0.7
=/
0.6
0.5
=10
=15
=20
=25
=30
=35
=40
=45
=50
0.4
0.3
0.2
0.1
0
0.5
1.5
2.5
1e
(1 + T )
Com
Para resolver se puede usar una gr
afica ya preparada o calcular numericamente.
Ejemplo 115 Se desea decidir si instalar una nueva correa o continuar repar
andola. Se dispone de la
siguiente informaci
on:
1.
2.
la funci
on de depreciaci
on es exponencial con par
ametro = 0,3
3.
la funci
on de costos es exponencial con par
ametro = 0,6, Com = 5
Usando el gr
afico de Kauffmann para
CR
Com
90
=
5
= 18
0,3
=
= 0,5
0,6
,
T = 1,46
luego
T =
1,46
= 2,44 a
nos
0,6
569
Ejemplo 116 1 El valor inicial de un equipo es de 10000 um. Su valor cae en aproximadamente 20 %
cada a
no, respecto del valor del a
no anterior(por ejemplo, al primer a
no: 10000 (1 0,2) = 8000; al
segundo a
no: 8000 (1 0,2) = 6400, etc.). Por
otro
lado,
sus
costos
de mantenimiento y operaci
on
tienen un crecimiento exponencial con ley 1000 e0,22t 1 um (t en a
nos). Estime el plazo
optimo de
reemplazo.
Soluci
on 16 Siendo que la depreciaci
on es exponencial basta con estimar el par
ametro. En un a
no el
valor decae a 80 %, o sea
e1 = 0,8
luego,
= ln(0,8)
= 0,22
Seg
un los costos de crecimiento exponencial,
= 0,22
y Com = 1000, CR = 10000. Lo cual nos permite usar el gr
afico de Kauffmann con / = 1, CR /Com =
10. Entonces
t 1,75
1,75
= 7,95 a
nos
t
0,22
Ejercicio 9 Haga un an
alisis de la depreciaci
on de mercado de 2 modelos de vehculos (de lujo y econ
omico) con al menos 5 a
nos en el mercado. Ajuste la mejor curva. Compare par
ametros para ambos casos.
Comente resultados.
Ejemplo 117 2 Considere el modelo de reemplazo de Kauffman. Si los costos de operaci
on por unidad
de tiempo cop son constantes (cop (t) = cop ), es necesario incluirlos en el an
alisis para el reemplazo del
equipo? Demuestre su respuesta. En este caso se tiene
1 1 eT CR + eT 1 Com + cop T
cg (T ) =
T
donde
Com et 1
29.4.4.
En este caso:
com (t) = com0
1
t
+ com1
R(t) = CR e r
1 control
2 control
570
4
3.5
3
cg (um/ut)
2.5
2
1.5
1
0.5
0
0
100
200
300
400
500
Intervalo de reemplazo (ut)
600
700
800
com (t)dt
0
com0 T + com1
T
y
T
CR 1 1 e r
+
cg (T ) =
com0 T +com1 ( T
)
T
La figura (29.5) muestra un estudio de sensibilidad del costo global esperado por unidad de tiempo
vs el intervalo entre reemplazos para com0 = 1 um/ut, com1 = 0,02 um/ut, = 10 ut, = 2, CR = 100
um, r = 10 ut.
29.5.
Se han modelado los costos/unidad tiempo de mantenimiento y operacion de un equipo desde que
esta como nuevo (t = 0) seg
un la ley:
com et
La inversion inicial en un equipo nuevo tiene costo global CR . El valor de rescate de mercado para un
equipo de edad t es
CR et
La tasa de descuento continua por unidad de tiempo es , o sea un flujo unitario ocurrido en t tiene un
valor en dinero de t = 0 de
et
Proponga un modelo para optimizar el costo global sobre un intervalo infinito y usando como variable
el intervalo T entre reemplazos. Consejo: actualize los flujos agrupandolos por ciclo de reemplazo.
Para cada ciclo de reemplazo, se tienen los siguientes flujos:
3 control
2, semestre 2003-II
571
la inversi
on CR ,
la recuperaci
on del valor de rescate CR eT
los costos acumulados,
Z
com et dt =
com t
e 1
Observaci
on 83 (46.8) nos da la relaci
on con el modelo anterior para los costos acumulados:
c t
a et 1 =
e 1
com t
e 1
en unidades monetarias de cuando ocurrieron los flujos. Como una simplificacion diremos que para el
i-esimo ciclo de reemplazo han pasado iT unidades de tiempo, luego el valor actualizado de ese ciclo es
CR (1 eT ) +
com t
e 1 eiT
X
CR (1 eT ) +
i=1
com t
e 1 eiT
con
T >0
la resoluci
on en Maple entrega:
Cg (T ) =
com T
e
T
T
e (e 1)
CR eT 1 +
eT 1
CR = 90 um
= 0,3
= 0,6
y si usamos una tasa de descuento continua
= 0,05
tenemos que el periodo
optimo de reemplazo es T = 4,3 a
nos.Ver grafico (29.6).
572
4000
3500
3000
2500
2000
1500
1000
500
10
Intervalo (aos)
29.6.
Las decisiones de reemplazo de equipos son en general de largo plazo, y es necesario considerar el valor
del dinero en el tiempo. Supongamos que la vida total de proyecto es conocida, T ut y que Cg (Tr ) es el
costo global de un ciclo de reemplazo de duracion Tr . El costo total actualizado de n ciclos de reemplazo
es:
Cg (T ) =
n1
X
Cg (Tr )eiTr
(29.1)
i=0
= 1 eT
eTr
Cg (Tr )
eTr 1
con
T = nTr
como 1 eT es constante, minimizar (40.2) corresponde a minimizar
eTr
Cg (Tr )
eTr 1
lo que es distinto de minimimizar el costo esperado por unidad de tiempo:
cg (Tr ) =
1
Cg (Tr )
Tr
la diferencia entre ambos objetivos son los primeros terminos. La figura (29.7) muestra la razon entre
ambos para varios valores de Tr y . En la medida en que es peque
no, tomar uno u otro objetivo es
similar.
29.7.
Existen situaciones donde los costos tienen estacionalidad; por ejemplo, los packings de frutas, las
heladeras, etc. Para efectos pedag
ogicos haremos el analisis para una funcion de costos de operacion y
mantenimiento que oscila de forma sinusoidal, pero que se incrementa en el tiempo:
com = cet (1 + sin t)
4 control
2 2004-II
573
[1/Tr]/[(exp(*Tr)/(exp(*Tr)-1)]
=.01
=.10
=.50
=.90
-1
10
-2
10
-3
10
10
Tr (ut)
2
eT 2 + 2 cos T + 2 sin T ( )
=c
(2 + 2 )
donde tiene unidades rad/ut y el periodo Ts es por tanto:
Ts =
X
CR 1 eT + Com (T ) eiT
i=1
con
T >0
la resoluci
on entrega:
CR 1 eT + Com (T )
Cg (T ) =
(eT 1)
La figura (29.8) muestra la estacionalidad de los costos por unidad de tiempo para el ejemplo de la
correa. Los costos globales esperados para varios periodos se muestran en figura (29.9).
574
150
cop (KUSD/ao)
100
50
T (aos)
1 ciclo/ao
1 ciclo/mes
1/3 ciclo/ao
1.6
cg (KUSD/ao)
10
1.5
10
1.4
10
2.44
T (aos)
Figura 29.9: Costo global esperado por unidad de tiempo para Ts = 1, 12, 36 meses
575
29.8.
29.8.1.
Construcci
on del modelo
Z
C(Tr ) = nCr + (n + 1)
com (t)dt
0
pero
(n + 1)Tr = T
y por tanto,
T
T
C(Tr ) =
Cr Cr +
Tr
Tr
Tr
com (t)dt
0
Consideremos el caso
com (t) = CA CB expt
que tiene un comportamiento como el que se observa en figura (??).
Integrando y sumando,
C(Tr ) =
T
T CB
T CB
Cr Cr + T CA +
expTr
Tr
Tr
Tr
y para minimizar,
dC(Tr )
T
=
cTr
Tr
Cr
CB
CB
CB expTr
expTr +
Tr
Tr
Tr
(29.2)
ecuacion no lineal en Tr y que permite encontrarlo. Para resolverlo se puede utilizar alg
un esquema
numerico iterativo. Tambien se puede resolver con el metodo grafico, que consiste en:
1. Evaluar el lado izquierdo de (57.1) y marcar la recta obtenida en un grafico de Costo vs Tr ;
2. Evaluar el lado derecho y graficar
576
Costo (um/ut)
0.8
0.6
0.4
0.2
10
12
14
16
18
Tiempo (ut)
= 1,0 um
= 0,8 um
= 0,21
= 1,0 um
El metodo gr
afico (figura 29.11) entrega el valor:
Tr = 4,75 ut
optimo que es verificado al hacer el estudio del costo acumulado sobre T (figura 29.12).
29.9.
29.9.1.
29.9.2.
Formulaci
on del modelo
Solo consideramos el reemplazo del equipo actual por uno mas moderno. En otros contextos puede
tener sentido reemplazar por uno del mismo tipo ya a disposicion.
Sean,
Indices
i, unidades de tiempo desde el momento del analisis
j, unidades de tiempo desde el momento de la adquisicion del nuevo equipo
577
Costo (um/ut)
3.5
2.5
70
65
60
55
50
45
40
35
30
10
578
Costos (um)
Cp,i
Sp,i
Ct,j
St,j
Tiempo (ut)
0
1
2
5
6
3
2
1
0,1 0,2
10 8
7
3
7
0,5
0,5
6
4
7,5
0,5
0,75
5
5
8
0,5
1,0
4,5
6
8,5
0,5
1,2
4
T
X
i=1
29.9.3.
Cp,i ri +
nT
X
(29.3)
j=1
Ejemplo num
erico
Se desea analizar un periodo de n = 6 unidades de tiempo. La tabla (29.5) presenta las estimaciones
para los costos de mantenimiento y de reventa para los equipos. El nuevo equipo tiene un valor A = 10
um.
La tasa de descuento es,
1
= 0,9
1+
Los resultados se muestran en figura (29.13). El reemplazo debe hacerse en t = 0.
Ejercicio 10 Repetir el ejemplo pero considerando el reemplazo por un equipo nuevo, pero con tecnologa
antigua. Considerar un costo Av = 0,5A.
Ejercicio 11 Hacer un modelo continuo para el ejemplo anterior. Ajustar curvas de costo y usar tasa
de descuento continua.
29.9.4.
Comentarios
Existen situaciones donde el equipo es requerido durante un intervalo T que justifica el reemplazo en
varias ocasiones y no solo en una, como se modelo aqu.
El modelo propuesto no consider
o una mejora en la productividad del equipo, la extension debiera ser
sencilla. Ademas no se considera la menor confiabilidad de una nueva tecnologa.
579
30
25
20
15
10
Figura 29.13: Costo global vs intervalo antes de reemplazo por equipo moderno
29.10.
Programaci
on din
amica
La programaci
on din
amica determina la solucion optima de un problema de n variables, descomponiendolo en n etapas, donde cada etapa incluye un sub-problema de una sola variable. Sus campos de
aplicacion son extensos. En este captulo lo aplicaremos al reemplazo de equipos.
La programaci
on din
amica es una metodologa recursiva, en el sentido de que la solucion optima de
un sub-problema se utiliza como entrada para el siguiente sub-problema. Para el momento en que se
resuelva el u
ltimo sub-problema, se encontrara la solucion optima para el problema completo.
29.10.1.
Reemplazo de equipos
580
5. fn+1 (t) 0
6. el objetivo es maximizar el ingreso neto del equipo sobre las n unidades de tiempo a seguir.
Observaci
on 84 En este modelo la vida remanente del equipo ha sido predeterminada; para establecer
el
optimo de n, se puede iterar.
Observaci
on 85 En programaci
on din
amica las decisiones solo pueden ser tomadas en forma discreta
en el tiempo.
Observaci
on 86 En caso de que el rendimiento del equipo sea constante podra considerarse la minimizacion del costo global sobre los a
nos remanentes. N
otese como en este caso no es el costo global de
mantenimiento lo que debe minimizarse. La evoluci
on de la eficiencia de producci
on del equipo y/o la
evoluci
on de la demanda del mercado tambien cuentan.
Para explicar el metodo usaremos un ejemplo
29.10.2.
Ejemplo
Una compa
na necesita determinar la poltica de reemplazo optima para una maquina que actualmente
tiene 3 a
nos, para los pr
oximos 4 a
nos, es decir, hasta principios del a
no 5. La poltica de la empresa
requiere que una m
aquina de 6 a
nos sea reemplazada. El costo de una maquina nueva es de 100 um. La
tabla 29.6 entrega los dem
as datos.
Edad
a
nos
0
1
2
3
4
5
6
Ingresos r
(um)
20
19
18,5
17,2
15,5
14
12,2
Costos c
(um)
0,2
0,6
1,2
1,5
1,7
1,8
2,2
Valor de
rescate R (um)
80
60
50
30
10
5
(t) + A [1 (t)]
t
(29.4)
con
(t) = a et 1
(t) = 1 et
t
1
2
3
6
Se conserva
r(t) c(t) + R(t + 1)
19 0,6 + 60 = 78,4
18,5 1,2 + 50 = 67,3
17,2 1,5 + 30 = 45,7
se debe reemplazar
Se reemplaza
s(t) A + r(0) c(0) + R(1)
20 + 80 + 80 0,2 100 = 79,8
20 + 60 + 80 0,2 100 = 59,8
20 + 50 + 80 0,2 100 = 49,8
20 + 5 + 80 0,2 100 = 4,8
f4 (t)
79,8
67,3
49,8
4,8
Decision
R
K
K
R
581
4
R
Fin
Ao de decisin
t
1
2
5
Se conserva
r(t) c(t) + f4 (t + 1)
19 0,6 + 67,3 = 85,7
18,5 1,2 + 49,8 = 67,1
14 1,8 + 4,8 = 17,0
Se reemplaza
r(0) + s(t) c(0) A + f4 (1)
20 + 80 0,2 100 + 79,8 = 79,6
20 + 60 0,2 100 + 79,8 = 59,6
20 + 10 0,2 100 + 79,8 = 19,6
f3 (t)
85,7
67,1
19,6
Decision
K
K
R
f2 (t)
85,5
35,5
Decision
K oR
K
f1 (t)
55,3
Decision
R
t
1
4
Se conserva
r(t) c(t) + f3 (t + 1)
19 ,6 + 67,1 = 85,5
15,5 1,7 + 19,6 = 33,4
Se reemplaza
r(0) + R(t) c(0) A + f3 (1)
20 + 80 ,2 100 + 85,7 = 85,5
20 + 30 2 100 + 85,7 = 35,5
t
3
Se conserva
r(t) c(t) + f2 (t + 1)
17,2 1,5 + 35,5 = 51,2
Se reemplaza
r(0) + R(t) c(0) A + f2 (t)
20 + 50 ,2 100 + 85,5 = 55,3
Fin
582
Ao de decisin
A
B
C
D
E
F
G
H
I
Instante Edad al inicio
Valor de
Error
Error
ajustado cuadrtico R ajustado cuadrtico R
t
T
C_i rescate R
0
100
0
0,00
0,00
100
0
1
0 0,2
0,2
0,55
0,12
2
1 0,6
80 0,8
1,27
0,22
63,6
268,3
3
2 1,2
60
2
2,18
0,03
50,7
85,7
4
3 1,5
50 3,5
3,37
0,02
40,5
90,7
5
4 1,7
30 5,2
4,89
0,09
32,3
5,2
6
5 1,8
10
7
6,86
0,02
25,7
248,0
7
6 2,2
5 9,2
9,39
0,03
20,5
241,4
0,54
939,4
a
1,92
t
11,70
0,25
0,93
0,23
cg
1,776
A
100,00
cg (t ) = 1, 78 um/a
no
lo que viola la restricci
on de la empresa de sustituir equipos de m
as de 6 a
nos (decisi
on no
optima en
costos). De todas maneras se podra a
nadir un termino para los ingresos en el modelo de Kauffman.
29.11.
En caso de que la flota de equipos lleve tiempo operando y ya exista una poltica de reemplazos funcionando, se pueden obtener perfiles de costo como el que se muestra en figura 29.18 en donde el intervalo de
Costos acumulados
583
10
8
6
4
Experimental
Ajustado
2
0
0
Instante (t)
Valor de rescate
120
100
80
60
40
20
0
Experimental
Ajustado
4
6
Tiempo (t)
2.5
1.5
0.5
10
11
12
13
14
15
Tiempo (ut)
584
3
Registrados
Modelo
2.5
1.5
0.5
10
11
12
13
14
15
Tiempo (ut)
3.5
Costo de mantenimiento eventual (um/ut)
Factor de castigo
3
Unidad apropiada
2.5
1.5
0.5
10
15
Tiempo (ut)
Figura 29.20: Costos eventuales (identificados) en caso de que no haya castigo y funcion de castigo
ajustada
585
reemplazo es de 15 ut. Ello puede distorsionar seriamente la estimacion de plazos de reemplazos pues ante
un nuevo valor que se fije tambien existira tal situacion. Consideremos que los costos de mantenimiento
crecen exponencialmente (figura 29.20), pero al cabo de un cierto periodo hay un factor de castigo por
la cercana al fin del ciclo de vida. Esta funcion de castigo puede tener la forma:
p(t) =
1+
1
2n
t
tc
= 0,286
= 0,0593
= 20
= 14,13
El modelo para el factor de castigo debe ser incluido cuando se vare el ciclo de reemplazo.
29.12.
Estimaci
on del valor residual y costos de operaci
on
Para usar varios de los modelos de reemplazo propuestos es necesario estimar el valor residual del
equipo analizado. En general el valor residual depende de 3 parametros:
Su edad T (unidades de tiempo);
Su nivel de uso Th (unidades de tiempo de operacion);
El rendimiento del equipo (unidades de produccion/unidad de tiempo)
Un modelo general considera el valor residual R de la forma,
R = kaT b
R Th
0
dt
Si el rendimiento es constante,
R = kaT bTh
Si adem
as
=
Th
T
es constante
R
= kaT bT
T
= kb eln ab
= R0 eT
586
A
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
Item
Cantidad
Frecuencia
Precio Unitario
KUSD
Valor
Diferencia
Precio total
Residual
KUSD
recambio
antes falla
KUSD
KUSD
Motor diesel
Turbo
12
230
(D-F)
120
(B*G)
110
110
6,5
6,5
26
Inyector
12
1,7
1,7
20,4
Culata
12
12
2,5
2,5
30
32,4
Piston
12
12
2,7
2,7
Camisa
12
12
0,3
0,3
3,6
Motor de arranque
3,5
2,7
2,7
2,7
Compresor
1,5
1,5
1,5
Convertidor
12
40
14
26
26
Transmisin
12
130
33
97
97
Diferencial
12
45
12,5
32,5
32,5
46,5
Mando final
12
85
38,5
77
Suspensin delantera
12
69
61
122
Suspensin trasera
12
19
5,5
13,5
27
12
3,4
3,4
3,4
Bomba Levante
12
Cilindro direccin
12
5,4
3,4
3,4
Cilindro Levante
12
31
16
15
15
Tolva
24
12
12
12
Ao
Petroleo
17,65
19,50
21,55
23,81
26,31
29,08
32,13
Neumticos
13,60
14,35
15,14
15,97
16,85
17,77
18,75
Aceite/Grasa
4,19
4,44
4,71
4,99
5,29
5,61
5,94
Mantencin
4,40
4,66
4,94
5,24
5,55
5,89
6,24
Motor Diesel
0,00
18,33
0,00
18,33
0,00
18,33
0,00
Transmisin
0,00
0,00
16,17
0,00
16,17
0,00
16,17
Diferencial
0,00
0,00
5,42
0,00
5,42
0,00
5,42
Mando Final
0,00
0,00
12,83
0,00
12,83
0,00
12,83
Cilindros
0,00
2,50
0,00
2,50
0,00
2,50
0,00
Supensiones
0,00
20,33
0,00
20,33
0,00
20,33
0,00
Tolva
0,17
0,17
0,17
0,00
2,00
0,00
0,00
Otras
14,00
14,84
15,73
16,67
17,67
18,74
19,86
Total
54,01
99,12
96,66
107,84
108,09
118,25
117,34
587
Costo operacin
(KUSD/ao)
140
120
100
80
y = 26,668Ln(x) + 66,129
2
R = 0,8434
60
40
20
0
1
ao
Figura 29.23: Ajuste de modelos de costos vs edad del equipo
Reemplazar
Reemplazar
Reemplazar
...
Ciclo 1
Ciclo 2
Ciclo 3
29.13.
Minimizaci
on del costo global considerando tasa de descuento y periodo infinito
29.13.1.
Formulaci
on del problema
La figura 29.24 muestra la estrategia de reemplazos a intervalo constante T que se desea implementar.
En el primer ciclo de operaci
on se generan los siguientes costos actualizados al instante del inicio del ciclo
(considerando el flujo de caja de adquisicion al final del ciclo):
Cg1 (T ) =
=
Ci,1
Ci,T
CR R(T )
+ ... +
+
(1 + )1
(1 + )T
(1 + )T
T
X
j=1
Ci,j
CR R(T )
+
(1 + )j
(1 + )T
Para el segundo ciclo, los costos totales actualizados al momento de inicio del segundo ciclo son:
Cg2 (T ) =
T
X
j=1
Ci,j
CR R(T )
+
(1 + )j
(1 + )T
Si el proyecto no tiene una vida limitada, podramos sumar todos los costos actualizados seg
un:
Cg, (T ) =
X
Cgk (T )
(1 + )kT
k=0
588
T (ut)
1
2
3
4
5
Cij (um)
0,5
1,0
2,0
3,0
4,0
R (um)
3,0
2,0
1,0
0,75
0,5
Cg, (T ) (um)
22,73
19,63
21,02
21,98
23,97
Cg1 (T )
T
1
1 1+
29.14.
Minimizaci
on del costo total con utilizaci
on variable
29.14.1.
Formulaci
on del problema
Cuando un equipo forma parte de una flota, en general, los mas nuevos son los que son mas utilizados
(por ejemplo, flotas de buses o camiones). Ellos reciben la carga de base y lo equipos mas viejos (y mas
costos o menos confiables) son dejados para las cargas de punta.
Para establecer el intervalo
optimo entre reemplazos, utilizaremos el costo global asociado a satisfacer
una demanda especifica (Total de Kms anuales para una flota de buses por ejemplo, o total de toneladas
transportadas para una flota de camiones mineros).
En este modelo consideraremos 2 unidades de edad, el tiempo calendario y alguna unidad que denote
desgaste (Kms recorridos para un vehculo, numero de detenciones para una turbina, etc.).
29.14.2.
Construcci
on del modelo
El costo de operaci
on y de intervenci
on mantenimiento com (tk ) es una funcion creciente con el uso
acumulado (tk unidades de uso -utk -).
La utilizaci
on por unidad de tiempo y(x) (en utk /ut) depende solo del ndice x de un equipo en la
flota, donde el ndice crece con la vejez relativa del equipo dentro de la flota.
El valor residual de un equipo solo depende del tiempo calendario desde que fue adquirido.
El tama
no de la flota es N equipos, todos de prestaciones similares similares.
Se desea establecer el intervalo calendario T ut que minimice el costo global esperado.
El costo global Cg, (T ) incluye el costo de operar, mantener y reemplazar el equipo (por otro
similar) por un periodo infinito con reemplazos cada T ut.
cg (T ) es el costo global esperado por unidad de tiempo cuando se hacen reemplazos cada T ut.
El n
umero de reemplazos por unidad de tiempo es N/T u/ut.
Los reemplazos se hacen una vez por unidad de tiempo.
El trabajo (unidades de uso) realizado por las N/T unidades mas nuevas en una unidad de tiempo es:
Z
N/T
y(x)dx
0
x 10
589
-3
0.9
0.8
ci (um/utk)
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
200
400
600
800
1000
Uso (utk)
Figura 29.25: Crecimiento en los costos de operacion y mantenimiento en funcion del uso acumulado por
el equipo
y el costo de operaci
on y mantenimiento de un equipo en su primera unidad de tiempo es:
Z
Com1 = com (tk )dtk
0
CR
X Com,j
R (T )
+
(1 + )T
(1 + )j1
j=1
T
T
X
R
(T
)
C
om,j
(1 + )
cg (T ) = CR
+
(1 + )T
(1 + )j1 (1 + )T 1
j=1
29.14.3.
Estudio de caso
590
80
70
60
Uso (utk/ut)
50
40
30
20
10
0
0
500
1000
Indice de equipo
1500
2000
Figura 29.26: Perfil de uso de un equipo. El ndice crece con la vejez frente al resto de la flota. El area
bajo la curva indica el uso total de la flota en una unidad de tiempo, el se asume constante.
El uso por unidad de tiempo en funci
on del ndice del i-esimo bus sigue la ley:
y(i) = 80000 40i utk /ut
la cual se muestra en figura (29.26).
La tasa de descuento por unidad de tiempo es:
= 0,06
Si T = 20 ut, los 2000/20 = 100 equipos mas nuevos recorreran en total,
Z 100
y(x)dx = 7,8 106 utk /ut
0
Cada equipo, recorre entonces 7800 utk en promedio (la figura 29.27 muestra como cambia el perfil de
uso al variar el intervalo de reemplazo para T = 10 y 20 ut). El costo de operacion y mantenimiento en
esa primera unidad de tiempo ser
a de:
1
c1 tx + c2 t3x = 23670 um en el primer a
no
3
evaluado en:
tx = 7800 utk
y as, para los 20 ut. Al actualizar y sumar, se obtiene:
cg (T = 20) = 29973 um/ut
La figura muestra el estudio parametrico. El optimo se encuentra para T = 13ut.
29.14.4.
5
2, 2007-II.
80
80
70
70
60
60
50
50
Uso (utk/ut)
Uso (utk/ut)
40
40
30
30
20
20
10
10
0
1
9 10
Edad (ut)
591
10
12
Edad (ut)
14
16
18
20
Figura 29.27: Perfil de uso de un equipo en funcion del intervalo entre reemplazos T = 10 y 20 ut.
40
35
30
25
10
15
20
Figura 29.28: Costo global esperado por unidad de tiempo en funcion del intervalo entre reemplazos
592
33000
32000
31000
30000
29000
28000
27000
26000
1
10
11
12
13
14
15
16
17
18
19
20
Figura 29.29: Costo global esperado por unidad de tiempo en funcion del intervalo entre reemplazos
un equipo de 20 ut y 800000 utk puede ser vendido en un 5 % de su valor original.
Si tuviera la mitad de ese uso valdra 10 %:
R(20, 800000)
= e201 8000002 = 0,05
CR
R(20, 400000)
= e201 4000002 = 0,1
CR
luego,
201 8000002 = ln 0,05
201 4000002 = ln 0,1
y
1 = 8,05 102
2 = 1,73 106
El costo total esperado para varios intervalos de reemplazo se muestra en figura 29.29. El optimo se
mueve ahora a 8 a
nos.
La hoja excel puede bajarse aqu.
29.14.5.
Tama
no de flota
2, 2007-II.
593
20
1.2
1.15
1.1
1.05
15
1
0.95
0.9
0.85
10
0.8
0.75
0.7
5
1000
1200
1400
1600
1800
2000
2200
2400
2600
2800
3000
Figura 29.30: Costo esperado (um/utk ) en funcion del tamagno de flota y del intervalo entre reemplazos
con
i = 1..,2000
para otros tama
nos (de modo que el total de utk sea constante):
y(i) =
2D 2D
2 i utk /ut
N
N
con
i = 1...N
La figura 29.30 muestra un estudio parametrico para el ejemplo anterior. La demanda es de 80106
utk /ut. Un bus no puede hacer m
as de 160103 utk /ut por lo que se restringe la flota a un mnimo de
1000 buses. La hoja Excel puede bajarse aqu.
29.15.
Fin (utk )
250000
650000
800000
Costo (um/utk )
0.32
0.49
0.68
2007-2.
594
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
0
100000
200000
300000
400000
500000
600000
700000
800000
34000
32000
30000
28000
26000
24000
22000
20000
1
10
11
12
13
14
15
16
17
18
19
20
Figura 29.32: Costo esperado (um/utk ) en funcion del intervalo entre reemplazos con una funcion de
costos parabolica
595
34000
32000
30000
28000
26000
24000
22000
20000
1
10
11
12
13
14
15
16
17
18
19
20
Figura 29.33: Costo esperado (um/utk ) en funcion del intervalo entre reemplazos con una funcion de
costos escalonada
29.15.1.
29.16.
Un estudio m
as acabado de la flota de buses de Montreal muestra que la distancia media entre fallas
y el tiempo medio para reparar pueden ser estimadas seg
un:
M DBF (Tx , Tk ) =
D0 Txx
T k0
Tk
k
r
M T T R = M T T R0 e
utk
Tk Tk
Tk
ut
para
Txmn Tx Txmax
Tkmn Tk Tkmax
donde Tk es el uso acumulado en utk y Tx es el intervalo basico entre inspecciones (esos limites
tambien representan los limites para el uso de los buses). Proponga un modelo para establecer el
8 control
3, 2007-II.
596
10000
0.976
0.975
9000
0.974
8000
0.973
0.972
7000
0.971
6000
0.97
0.969
5000
0.968
4000
4.5
5.5
6.5
7.5
0.967
x 10
intervalo b
asico
optimo entre inspecciones y el de reemplazos. Resuelva para los parametros:
D0
x
k
r
= 4 105 utk
= T k0
= 4000 utk
= 10000 utk
= 2,8 ut
El resto de par
ametros (tiempos para inspeccionar, ...)es igual a los usados en el ejemplo de la flota
de Montreal.
De manera similar a lo ya visto en el capitulo de inspecciones (seccion 21.7), se construye un modelo
para la disponibilidad. En este caso la indisponibilidad por intervenciones correctivas depende de los
intervalos entre inspecciones y entre reemplazos, en tanto que las indisponibilidades por inspecciones
de los 4 tipos solo depende del intervalo basico entre inspecciones. Los resultados se aprecian en
figura 29.34. El
optimo de disponibilidad se alcanza en:
Tx = 8300 Km
Tk = 400000 Km
Cabe preguntarse si vale la pena establecer intervalos entre inspecciones dependientes de la edad
de los equipos. Por supuesto, ello complicara la logstica de programacion de intervenciones.
29.17.
597
Comentarios finales
En este captulo hemos presentado varios metodos para decidir intervalos e instantes optimos para
el reemplazo de equipos. Los modelos son determinsticos y bastante generales para la estimacion
de los costos. Se nota la inclusion de costos e ingresos de produccion, los cuales son considerados
dependientes de la edad del equipo. Alguno de los modelos ha considerado el valor de los flujos en
el tiempo a traves de la tasa de descuento. Debido a su nivel de agregacion puede ser conveniente
considerar modelos m
as complejos, como los que veremos en los proximos captulos.
29.18.
A explorar
(Apeland y Scarf, 2003)[9] presentan un modelo estocastico muy interesante donde se toma en
cuenta el posible reemplazo del sistema en funcionamiento con una tecnologa con una posible
mayor productividad, que est
a en desarrollo.
(Bitros y Flytzanis, 2003)[12] presentan un modelo para reemplazos m
ultiples con intervalo de
an
alisis finito e intervalo variable entre reemplazos.
(Mauer et al., 1995)[1] y (Bethuyne, 2002)[9] presentan modelos para la toma decision acerca de
cu
ando adoptar una nueva tecnologa, que esta en fase de desarrollo.
598
Bibliografa
[1] Lyonnet, P. Maintenance planning, methods and mathematics. Chapman & Hall, 1991. [bajar]
[2] Campbell, J.D., Jardine, A.K.S., Maintenance Excellence, Anexo 19, Marcel Dekker, Inc., 2001.
[3] A.K.S. Jardine, A. Tsang, Maintenance, Replacement and Reliability. Ch.4, Taylor & Francis,
2006.
[4] Taha, H. Investigaci
on de operaciones, una introducci
on, 6ta ed., Prentice Hall, 1998.
[5] Lai, K., Leung, F., Tao, B., Wang, S., Practices of preventive maintenance and replacement
for engines: A case study, European Journal of Operational Research, 124(2, 294-306, 2000.
[bajar]
[6] Knights, P., Apuntes del curso Gesti
on de equipos y automatizaci
on minera, Universidad
Cat
olica, Santiago, 2002.
[7] White, J., Olson, J., Vohnout, S., On improving truck/shovel productivity in open pit mines,
CIM Bulletin, 86(973):43-49, 1993. [bajar]
[8] Kobbacy, K.A.H., Nicol S.D., Sensitivity Analysis of Rent Replacement Models, International
Journal of Production Economics, 36(3), 267-279, 1994.
[9] Apeland, S. and Scarf, P.A., A fully subjective approach to capital equipment replacement,
Journal of the Operational Research Society, 54, 371378, 2003. [bajar]
[10] Kabir A.B., Evaluation of overhaul/replacement policy for a fleet of buses, Journal of Quality
in Maintenance Engineering, 2(3), 49-59, 1996. [bajar]
[11] A.K.S. Jardine. Maintenance, Replacement and Reliability. Pitman Publishing, Cap. 4, 1973.
[bajar]
[12] Bitros, G,C., Flytzanis, H., A Rehabilitation of Economic Replacement Theory,. Athens University of Economics and Business, Economics Discussion Paper No. 145, 2002. ref. [bajar]
[13] G. Bethuyne, The timing of technology adoption by a cost-minimizing firm, Journal of Economics 76(2), 123154, 2002. [bajar]
[14] D.C. Mauer E.L. Cox, S.H. Ott, Investment under uncertainty: the case of replacement investment decisions, Journal of Financial and Quantitative Analysis, 30(4), 1995. [bajar]
[15] Multi-parameter maintenance optimisation via the marginal cost, Dekker, R., Plasmeijer, R.P.,
Journal of the Operational Research Society, 52(2), 188-197, 2001.
[16] Aven, T., Dekker, R., A useful framework for optimal replacement models, Reliability Engineering & System Safety, 58(1), 61-67, 1997. [bajar]
[17] Taylor, J. S., A statistical theory of depreciation based on unit costs, J. Am. Stat. Assoc., 18
(New Series) (114), 1013, 1923.
[18] E. Popova and J.G. Wilson, Group replacement policies for parallel systems whose components
have phase distributed failure times, Annals of Operations Research, 91(0), 163 - 198, 1999.
[19] A.K.S. Jardine, A. Tsang, Maintenance, Replacement and Reliability, Taylor & Francis, 2006.
[20] S.C. Ray, I.N. Sinha, Replacement study of dump-trucks in an opencast mine in India, Geotechnical and Geological Engineering, 3(4), 311-317, 1985.
599
600
Captulo 30
Overhaul/reemplazo con
programaci
on din
amica
El m
as terrible de los sentimientos
es el sentimiento de tener la esperanza perdida.
Federico Garca Lorca
...in spite of the apparent difficulty in accurately estimating operating cost and saving
functions in real life situations, use of analytical techniques provides a framework for
critically examining all relevant issues and evaluating any existing policy and the likely
influences of various parameters on the optimal policy...
(Kabir, 1996)[3]
30.1.
Introducci
on
Un overhaul puede ser considerado como un conjunto de medidas ejecutadas antes de la falla.
N
otese que la definici
on de falla no solo incluye el no cumplimiento de la funcion del equipos, sino
que adem
as la de no producir bajo las especificaciones requeridas.
Las decisiones respecto de los overhauls son:
a) Intervalo entre overhauls. Notese que el intervalo puede ser infinito (o sea no realizarlo, solo
realizar intervenciones correctivas)
b) El grado de profundidad del overhaul, o sea, cuan cerca debe quedar el equipo de la condicion
como nuevo tras un overhaul. Llevando el concepto al extremo, el overhaul puede significar
el reemplazo del equipo.
En la pr
actica, un overhaul o una intervencion correctiva logran poner el equipo en funcionamiento,
pero no logran evitar que la condicion del mismo se degrade en el tiempo, hasta que es necesario
su reemplazo.
30.2.
Overhaul
optimo
Al ocurrir la falla, se pueden tomar dos acciones: reparar el equipo o reemplazarlo. El analisis
a continuaci
on utiliza el metodo de programaci
on din
amica: se asume que las decisiones pueden
ser tomadas s
olo en instantes discretos en el tiempo (por ejemplo, cada fin de semana). Se desea
determinar una estrategia que indique que accion tomar en cada punto de decision para minimizar
el costo global de mantenci
on sobre los siguientes n periodos de tiempo (ejemplo: un contrato de
mantenimiento con horizonte finito).
601
602
30.2.1.
Descripci
on del modelo
Sean:
a) i, el estado del equipo (bueno o con falla) al comienzo del periodo,
b) j, el estado del equipo (bueno o con falla) al final del periodo,
c) a, la acci
on que es tomada al comienzo del periodo (en este caso: overhaul, mantencion correctiva, o reemplazo)
d ) paij , es la probabilidad de que el equipo pase del estado i al estado j en un periodo si la accion
a es tomada.
a
e) Cij
, es el costo por periodo de pasar del estado i al estado j si la accion a es tomada. (En
este caso es el costo de intervencion del overhaul, C0 , costo de intervencion de reparacion, Cr ,
costo de falla por mantenimiento correctivo Ct si el equipo falla durante el periodo).
f ) El objetivo es determinar una estrategia combinada de overhaul, reparacion, reemplazo que
minimice el costo global asociado con estas acciones, para los siguientes n periodos de tiempo.
g) El costo global mnimo esperado, con n periodos a venir y comenzando en el estado i, es fn (i).
Para realizar el an
alisis se comienza en el u
ltimo periodo y se obtienen recursivamente el valor de
fn para cada periodo.
a
El costo de la primera decisi
on, al comienzo del n-esimo periodo, es Cij
si la accion a es tomada
y el equipo queda en el estado j. El estado j ocurre con una probabilidad paij . Hay una serie de
resultados que pueden ocurrir al realizar la accion a, por lo tanto el costo esperado de realizar la
accion a es
N
X
a
Cij
paij
i=1
donde N es el n
umero de posibles estados al final de un periodo.
Al final del periodo el equipo est
a en el estado j, con n 1 periodos mas por operar. El costo global
mnimo esperado para el tiempo restante es fn1 (i). Nuevamente, el equipo esta en el estado j con
probabilidad paij y por tanto el costo esperado es
N
X
i=1
As, comenzando en el estado i, con n periodos por operar, el tomar la accion a que resulta en el
estado j, el costo global sobre los n periodos es el costo esperado de la primera decision mas el costo
esperado futuro:
N
N
X
X
a
Cij
paij +
fn1 (j) paij
(30.1)
j=1
j=1
Dado que se desea minimizar el costo global esperado, se desea tomar la mejor accion a estando
en el estado i con n periodos por operar. La mejor accion es la que minimiza (30.1). El mnimo
del costo global esperado fn (i) y la mejor accion a pueden ser obtenidas de la siguiente relacion de
recurrencia:
N
N
X
X
a
fn1 (j) paij con n 1
(30.2)
fn (i) = mn
Cij
paij +
a
j=1
j=1
La ecuaci
on (30.2) puede ser resuelta recursivamente con la condicion inicial
f0 (i) = 0
luego
N
X
a
f1 (i) = mn
Cij
paij ...,etc.
a
j=1
(30.3)
Overhaul O
pogg
pogf
pRgg
pRgf
prfg
prff
pRfg
pRff
603
Reemplazo R
Reparacin r
F
Reemplazo R
n-1
30.2.2.
Ejemplo num
erico
La figura (30.1) representa con crculos los posibles estados del equipo (g, bueno, f , con falla) en
los instantes n y n 1. Los cuadrados representan la ocurrencia o no del evento falla. Vemos que:
Hay dos posibles condiciones del equipo al comenzar un periodo: bueno o con falla,
g
bueno
i=
f con falla
Hay 3 posibles acciones a tomar:
O
r
a=
overhaul
reparacion
reemplazo
Sobre probabilidades,
a) Si el equipo esta en la condicion g puede pasar a overhaul O o ser reemplazado. Si pasa a
overhaul hay una probabilidad p0gg que aun funcione al final del periodo, y una probabilidad
p0gf de que falle.
0
b) Si se decide reemplazar hay una probabilidad pR
gg y una probabilidad pgf de que el equipo
funcione o no al terminar el periodo.
c) Si el equipo est
a en condicion f puede ser reparado o reemplazado.
604
overhaul
0.75 (200)
0.25 (1200)
0.95 (500)
0.05 (1500)
0.6 (100)
0.4 (1100)
0.95 (500)
0.05 (1500)
reemplazo
reparacin
F
reemplazo
n-1
Condici
on al
empezar el periodo
g
f
Decision
O
R
r
R
Condici
on al
empezar el periodo
g
f
Decision
O
R
r
R
605
Para overhaul,
X
O O
O O
O O
Cgj
pgj = Cgg
pgg + Cgf
pgf
j=1,N
R R
R R
R R
Cgj
pgj = Cgg
pgg + Cgf
pgf
j=1,N
450
550
overhaul
reemplazar
= 450
y la mejor decisi
on es el overhaul.
Cuando i = f ,
P
C r pr
reparar
f1 (f ) = mn Pj=1,N fRj fRj
reemplazar
a
j=1,N Cf j pf j
100 0,6 + 1100 0,4
= mn
500 0,95 + 1500 0,05
a
500
= mn
550
a
= 500
y la mejor decisi
on es la reparacion.
Con dos periodos de tiempo aun por operar la ecuacion (30.2) toma la forma:
N
N
X
X
a
f2 (i) = mn
Cij
paij +
f1 (j) paij
a
j=1
j=1
Cuando i = g,
O O
O O
O
Cgg
pgg + Cgf
pgf + f1 (g)pO
gg + f1 (f )pgf
f2 (g) = mn
R R
R R
R
Cgg pgg + Cgf pgf + f1 (g)pgg + f1 (f )pR
a
gf
450 + 450 0,75 + 500 0,25
= mn
550 + 450 0,95 + 500 0,05
a
912,5
= mn
1002,5
a
= 912,5
y la mejor decisi
on es el overhaul.
Cuando i = f , con dos periodos por operar:
970,0
reparar
f2 (f ) = mn
1002,5
reemplazar
a
= 970
overhaul
reemplazar
606
Periodos por
operar n
Estado del equipo
al inicio del periodo i
Acci
on a tomar
al inicio del periodo a
Costo esperado
futuro fn (i)
1842
1900
1377
1435
912
970
450
500
y la mejor decisi
on es reparar.
Procediendo similarmente para n = 3, 4 se construye la tabla (30.3). Si el equipo empieza el periodo
funcionando
Observaci
on 87 El criterio usado por este metodo es el costo total. Se podra haber usado otro
criterio como maximizar la disponibilidad. Si tal es el caso, debera considerarse el tiempo que
toma hacer overhaul, reparar o reemplazar. En el ejemplo mostrado tal tiempo fue despreciado.
Esta simplificaci
on es razonable mientras tales tiempos sean peque
nos respecto de los periodos de
operaci
on, o si tales tareas pueden ser realizadas en periodos tales como los fines de semana, cuando
el equipo no opera.
Observaci
on 88 En la pr
actica, el periodo de tiempo sobre el cual se desea optimizar es muy largo.
Es interesante analizar el caso cuando el n
umero de periodos n tiende al infinito. Ello ser
a analizado
en la pr
oxima secci
on.
Observaci
on 89 El metodo presentado en esta secci
on asumi
o que la condici
on del equipo puede
ser satisfactorio (g) o con falla (f ). En muchos problemas de mantenimiento puede ser necesario
ser m
as especfico. Por ejemplo, aparte de querer saber si el equipo opera o no, querramos saber
cuanto tiempo ha operado el equipo desde la u
ltima intervenci
on de mantenci
on. Tambien se podran
considerar otras acciones aparte de overhaul, reparar, reemplazar. Por ejemplo, no hacer nada o
especificar varios niveles de overhaul. La inclusi
on de tales alternativas puede ser manejada de
la manera ya presentada. El mayor problema es la estimaci
on de la matriz de probabilidades de
transici
on.
Ejemplo 121 1 Construya una tabla de decisiones que minimice el costo global esperado de un
equipo sobre un horizonte de 2 periodos de tiempo (por operar). Los estados posibles del equipo son
bueno (g) o con falla (f ). Las acciones posibles de tomar al iniciar cada periodo son: overhaul (O),
reparar (r), reemplazar (R), no hacer nada (z). Las tablas 30.4 y 30.5 entregan probabilidades y
costos asociados.
De acuerdo a ecuaci
on (30.3),
P
C O pO
gj
Pj=1,N gj
R R
pgj
f1 (g) = mn Pj=1,N Cgj
a
z z
C
j=1,N gj pgj
1 de
Condici
on al
empezar el periodo
g
Decision
O
R
z
r
R
z
Decision
O
R
z
r
R
z
450
overhaul
reemplazar
550
f1 (g) = mn
a
0 0,30 + 1000 0,70
nada
450
overhaul
= mn 550 reemplazar
a
700
nada
= 450
y la mejor decisi
on es hacer overhaul.
Cuando i = f ,
P
C r pr
reparar
Pj=1,N fRj fRj
f1 (f ) = mn Pj=1,N Cf j pf j reemplazar
a
z z
nada
j=1,N Cf j pf j
500
550
= mn
a
0 0 + 1000 1
500
= mn 550
a
1000
= 500
y la mejor decisi
on es reparar.
Con dos periodos de tiempo por operar la ecuacion (30.2) toma la forma:
N
N
X
X
a
f2 (i) = mn
Cij
paij +
f1 (i) paij
a
j=1
j=1
607
608
Periodos por
operar n
Estado del equipo
al inicio del periodo i
Acci
on a tomar
al inicio del periodo a
Costo esperado
futuro fn (i)
912
970
450
500
550
+ 450 0,95 + 500 0,05
= mn
a
700 + 450 0,30 + 500 0,70
912,5
= mn 1002,5
a
1185
= 912,5
y la mejor decisi
on es hacer overhaul.
Cuando i = f , con dos periodos por operar:
f2 (f ) = mn
a
= mn
a
= mn
a
970,0
reparar
reemplazar
1002,5
Cfzg pzf g + Cfzf pzf f + f1 (g)pzf g + f1 (f )pzf f
nada
970,0
1002,5
1000 + 450 0 + 500 1
970,0
1002,5
1500
y la mejor decisi
on es reparar.
El programa de decisiones se muestra en tabla 30.6.
La hoja Excel de este ejemplo puede ser bajada aqu.
30.3.
Costos m
aximos para overhauls
Cuando el equipo se saca de produccion y es enviado al taller para reparacion, la decision debe
ser tomada en funci
on del costo estimado del overhaul, que debe ser comparado con el costo del
reemplazo. El problema es determinar costos maximos para equipos de diferentes edades, frente
a diferentes estimaciones de costo (usualmente, a mayor edad, mayor costo de overhaul). Tales
maximos son determinados de modo que minimicen el costos total esperado de la operacion durante
un periodo fijo de tiempo. As, si el equipo es enviado a overhaul la decision entre hacer overhaul o no
es determinada comparando el costo real con el costo lmite calculado, o sea, la maxima cantidad de
dinero que debe ser gastada en el overhaul de un equipo con un cierta edad. Utilizaremos nuevamente
la programaci
on din
amica para resolver el problema.
609
gi i(c)
A partir de aqu,
se reemplaza
Gi(C o,imax)
o,rr
C o,i
avg
Co,i
max
30.3.1.
Descripci
on del modelo
a) n es el n
umero de periodos en los cuales se espera que el equipo opere
b) i es la edad del equipo al comienzo del periodo
c) j es la edad del equipo al final del periodo. Esta sera de i + 1 si el equipo pasa a overhaul, de
lo contrario, j = 1 dado que habra sido reemplazado al principio del periodo
d ) gi (C) es la funci
on densidad de probabilidad para el costo estimado de overhaul del equipo de
edad i. Luego, la probabilidad acumulada es
Gi (Comax ) =
Comax
gi (C)dC
0
La figura 39.4 ilustra el problema. El costo del overhaul C es estimado. Hay una probabilidad pi,i+1
de que el costo del overhaul sea menor o igual al costo lmite Comax , y una probabilidad pi,1 de que el
m
ax
costo exceda Co,i
. Dado que el lmite de costo de overhaul es excedido el equipo sera reemplazado,
y entonces tiene edad 1 al final del periodo.
610
Costo
estimado
mayor que Li
=1
i
Costo
estimado
menor o
igual a Li
n
j =i+1
n-1
(30.4)
m
ax
Co,i
m
ax
m
ax
m
ax
m
ax
m
ax
= mn Co,i (Co,i
)Gi (Co,i
) + A 1 Gi (Co,i
) + fn1 (i + 1)Gi (Co,i
) + fn1 (1) 1 Gi (Co,i
)
m
ax
Co,i
n1
con la condicion de inicio
f0 (i) = 0 para todo i
(30.5)
Observaci
on 90 Se considera que los valores de recuperaci
on R(i) son iguales en funci
on de la
edad, por lo que es irrelevante considerarlo. Una mejora posible es tomar R(i) en cuenta NdP.
30.3.2.
Ejemplo
la distribuci
on de costos estimada para el overhaul de un equipo de edad 1 esta distribuida
uniformemente en el rango (0,6) (figura 30.5).
Cuando el equipo tiene edad 2 los costos siguen teniendo el mismo tipo de distribucion pero
en el rango (1,7). Se asumir
a que para mayor edad, el equipo mantiene esta distribucion.
611
f(t)=1/6
f(t)
(30.6)
dada la condici
on (30.5).
m
ax
Asumiendo que los posibles valores de control para Co,i
son 1,2,3,4,5 o 6 y fijando i = 1 la ecuacion
(30.6) toma la forma:
avg
Co,i
..
.
avg
Co,1
(6)G1 (6) + A [1 G1 (6)]
y
R1
C 1 dC
1
=
= R0 1 6
1
2
dC
0 6
Z 1
1
1
G1 (1) =
dC =
6
6
0
avg
Co,1
(1)
f1 (1) = mn
2
1
25 35 + 7 31
+7
2
6
6
31+70
= mn
5,92
5,00
4,25
3,66
3,25
3,00
= 3,00
Procediendo con la manera antes descrita para i = 2, con 1 periodo por operar, f1 (2) = 4,0 y esto
ocurre cuando el costo lmite de overhaul es de 7,0.
m
ax
Observaci
on 91 N
otese que s
olo hemos usado valores Co,i
discretos, lo mas correcto sera evaluar
en un rango continuo.
La informaci
on es resumida en la tabla 30.7.
Cuando quedan 2 periodos por operar, la ecuacion (30.4) toma la forma
avg max
m
ax
m
ax
m
ax
m
ax
f2 (i) = mn Co,i
(Co,i )Gi (Co,i
) + A 1 Gi (Co,i
) + f1 (i + 1)Gi (Co,i
) + f1 (1)[1 G1 (Co,i
)]
m
ax
Co,i
(30.8)
612
1
6
3.0
2
7
4.0
Co,1
avg (2)G1 (2) + A [1 G1 (2)] + f1 (2)G1 (2) + f1 (1)[1 G1 (2)]
Co,1 (3)G1 (3) + A [1 G1 (3)] + f1 (2)G1 (3) + f1 (1)[1 G1 (3)]
f2 (1) = mn
..
.
avg
Co,1 (6)G1 (6) + A [1 G1 (6)] + f1 (2)G1 (6) + f1 (1)[1 G1 (6)]
1
71
1
5
96
12 + 4 6 + 3 6
81
5+4 1 +3 2
3
3
33
7
4+4 1 +3 1
2
2 = m
41 = 7
n
= mn
7
11 + 4 2 + 3 1
3
3
3
31
13
5
1
7
2
4 +4 6 +3 6
7
3+41+30
El mnimo de f2 (1) es 7 y ocurre cuando el costo lmite es 6.
Procediendo como se describi
o anteriormente cuando la edad del equipo es i = 2, con n = 2 periodos
11
y ello ocurre cuando el lmite de overhaul es 6.
por operar, f2 (2) = 7 12
Edad del equipo
al comenzar el periodo i
m
ax
Costo lmite de Overhaul Co,i
Costo global mnimo esperado f1 (i)
1
6
7
2
5
7 11
12
2, semestre 2002-I.
613
cuando tenga 6 a
nos. Un overhaul s
olo puede ser realizado en baja temporada, una vez al a
no. El
proveedor s
olo ofrece respaldo de repuestos por 2 a
nos m
as por lo que el equipo ser
a obligatoriamente
reemplazado cuando tenga 7 a
nos. (La nueva tecnologa tiene el mismo valor inicial y costos de
operaci
on y mantenimiento).
30.4.
Comentarios finales
Hemos presentado modelos de red tiempo-estado y tiempo-edad que permiten minimizar los costos
globales esperados considerando un set restringido de acciones a tomar en cada ocasion.
Notamos que las probabilidades de transicion y los costos de ejecutar las intervenciones son independientes de la edad del equipo, lo que podra ser considerado para a
nadir los efectos de la etapa
de envejecimiento del equipo en el analisis. Ello fue tomado en cuenta en el modelo para el costo
lmite de overhaul, donde gracias al criterio usado se pudo calcular las probabilidades de transicion
y los costos esperados; haciendo mas realista el analisis.
Otras mejoras posibles al modelo presentado es actualizar los flujos de caja de cada a
no a t = 0 y
considerar el valor de reventa, que depende de la edad.
En anexo E se describe un modelo que utiliza un intervalo de tiempo infinito.
30.5.
A explorar
(Kabir, 1996) [3] utiliza el modelo visto en 30.3 para decisiones de overhaul y reemplazo de una
flota de buses.
(Lugitgheid et al, 2007) [?] revisan una serie de modelos en tiempo finito. Incluyen un estudio de
caso en un componente reparable, pero solo por un n
umero finito de ocasiones.
614
Bibliografa
[1] A.K.S. Jardine.Maintenance, Replacement and Reliability. Ch.6, Pitman Publishing, 1973. [bajar]
[2] H. Taha, Investigaci
on de Operaciones, una introducci
on, 6ta ed., Prentice Hall, 1998.
[3] A.B.M. Zohrul Kabir, Evaluation of overhaul/replacement policy for a fleet of buses, Journal of
Quality in Maintenance Engineering, 2(3), 1996, 49-59. [bajar]
[4] D. Lugtigheid, A.K.S. Jardine, X. Jiang, Optimizing the Performance of a Repairable System
Under a Maintenance and Repair Contract, Qual. Reliab. Engng. Int., (23) 943-960, 2007.
615
616
Captulo 31
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Conocer el concepto de intervencion imperfecta.
Evaluar si las reparaciones pueden ser consideradas como mnimas.
Darse cuenta de que una condicion necesaria para el uso del modelo es la disposici
on de un
historial de fallas y overhauls suficientemente rico.
Estimar plazos para reemplazo y overhaul cuando hay un proceso de envejecimiento
31.1.
Introducci
on
En este captulo estudiamos la estrategia de decision cuando un equipo puede ser reparado (queda
tan bueno como antes de la falla), pasar a overhaul (queda en alg
un punto entre como nuevo y tan
bueno como antes del overhaul) o ser reemplazado (nuevo). Se presenta un modelo matematico para
describir las mejoras en la tasa de falla cuando se realiza overhaul; ello permite plantear modelos de
costo que permiten determinar el periodo optimo entre overhauls y el n
umero optimo de los mismos
durante un ciclo adquisici
on-uso-reemplazo. Con los resultados anteriores es posible determinar la
duraci
on
optima entre reemplazo y reemplazo. Consideraremos que una reparacion no afecta la tasa
de fallas del equipo; que un overhaul logra que el equipo sea mejor que antes pero no tan bueno
como nuevo; y que un reemplazo tambien puede ser considerado como un overhaul extremo en el
cual el equipo queda como nuevo.
617
618
(t)
0.6
0.4
0.2
k-1
0
50
k
100
150
200
Tiempo
250
300
350
400
31.2. Overhaul
optimo tasas de fallas con crecimiento exponencial
31.2.1.
Descripci
on del modelo
el sistema est
a sujeto a tres tipos de acciones: reparacion mnima, overhaul, reemplazo; con
diferentes costos;
el sistema es reparado cuando falla;
el sistema es renovado luego de un cierto tiempo;
el sistema recibe n1 overhauls a lo largo de su vida; el periodo entre overhauls Ts es constante;
un overhaul mejora el sistema en terminos de la tasa de fallas, una reparacion solo retorna al
equipo a la condici
on justo antes de la falla;
el tiempo gastado en reparaciones y overhauls es despreciable;
El costo una reparaci
on es Cm un/intervencion;
El costo de un overhaul es Co um/intervencion;
El costo de un reemplazo es Cr um/intervencion;
(31.1)
ul
to de
enciones
ntivas
619
o
que antiguo
bueno como
.
0.6
(t)
0.4
0.2
0
0
50
100
150
200
250
Tiempo
300
350
400
(t)
0.6
0.4
Ts
0.2
50
100
150
200
Tiempo
250
300
350
400
620
(t)
0.6
0.4
Ts
0.2
50
100
150
200
Tiempo
250
300
350
400
Cr + Co (n 1) + Cm H(nT
s)
donde H(t)
es el n
umero esperado de fallas en el intervalo de tiempo [0, t)
Z t
H(t)
=
(x)dx
(31.2)
Observaci
on 98 No se ha considerado el valor de recuperaci
on del equipo de edad nTs . NdP.
Observaci
on 99 Un modelo alternativo para la tasa de fallas podra estar basado en una tasa
de fallas de referencia 0 (t) donde t = 0 represente el estado como nuevo y donde aun no se ha
realizado ning
un overhaul. Si seguimos considerando intervalos entre overhauls constantes Ts , la
tasa de fallas del k-esimo ciclo podra ser descrita como
k (t) = (kTs , p)0 (t kTs )
donde p es un set de par
ametros que determinan como crecer
a en el tiempo. es una funci
on
escalonada con valor constante en cada intervalo k. es dependiente del nivel de mantenimiento
621
t
l
l 1
Si queremos calcular el n
umero de fallas dura un un ciclo de vida del equipo:
Z nTs
H(nT
)
=
(x)dx
s
o
n Z
X
k=0
Ts
Ts
=
o
n
X
(kTs , p)
k=0
H(nT
s) =
n
X
n
pni q i1 H(iTs )
i
(31.3)
i=0
donde H(nTs ) es el n
umero esperado de fallas en la vida del equipo [0, nTs ) si no se realiza overhaul:
Z t
H(t) =
(x)dx
0
Observaci
on 100 Se asume que el equipo sigue solo una ley (t) durante toda su vida. NdP.
Observaci
on 101 El c
alculo de 31.3 a partir de la ecuaci
on 31.2 puede ser engorroso. A continuaci
on se presentan resultados para distribuciones de falla especficas.
Si la tasa de fallas sigue la ley
(t) = e0 +1 t , 1 > 0
y H(nT
s ) toma la forma:
e0
H(nT
s) =
p + qe1 Ts
q1
n
(31.4)
1
(31.5)
y el costo global esperado por unidad de tiempo cg (n, Ts ) cuando el sistema pasa n 1 overhauls
durante su vida, con intervalo Ts es
n
cg (n, Ts ) =
Cr + Co (n 1) + Cm e0
nTs
[(p+qe1 Ts )
q1
1]
(31.6)
(31.7)
Observaci
on 102 Si q = 0 la funci
on de costo se indetermina. Al parecer, si co no sube al mejorar
p, este debe ser maximizado para minimizar cg (n, Ts ).
1 ver
ref. [2].
622
31.2.2.
Caso especial: p = 1
Si el equipo no est
a sujeto a envejecimiento en el largo plazo (solo lo hay en el corto plazo, ver
figura 31.4) y se tiene una tasa de fallas de referencia del tipo (31.4), se tiene que el n
umero de
fallas durante un intervalo Ts es
Z Ts
s) =
H(T
(t)dt
0
Ts
=
0
e0
e0 +1 t dt
e1 Ts 1
1
todos los periodos son iguales con respecto a su tasa de fallas luego en promedio habran
e0 e1 Ts 1
1 Ts
fallas por periodo Ts y por tanto
e0 e1 Ts 1
H(nT
s) = n
1
y la funci
on de costo queda
cg (n, Ts ) =
31.2.3.
Cr + Co (n 1) + Cm n
e0 (e1 Ts 1)
1
nTs
(31.8)
Ejemplo num
erico
n
p + qe0,01Ts 1 / (0,01q)
cg (n, Ts ) =
nTs
Para un factor de mejora p = 0,7 se obtienen los siguientes valores
200 + 8 (n 1) + 2e15
n = 11
Ts = 195,6 das
cg (n , Ts ) = 0,1387 um/da
Los resultados pueden ser interpretados as: el intervalo optimo para overhaul es de 195.6 das; el
sistema debe ser reemplazado cada 11 195,6 = 2156 das; el costo global diario es 0,1387 um/da.
En tabla 31.1 se muestran resultados del analisis de sensibilidad sobre p. La hoja EXCEL utilizada
se puede bajar [aqu].
En una primera ocasi
on el problema fue resuelto con el solver AIM M S. Los detalles se muestran
en F.
Notese en figura 31.5 la topologa de la funcion objetivo. La zona alrededor del optimo es bastante
plana; luego cambia de magnitud r
apidamente al incrementar Ts y n.
n
6
8
11
15
p
0,5
0,6
0,7
0,8
Ts
260,3
223,3
195,6
186,2
623
cg (n , Ts )
0,1651
0,1539
0,1387
0,1185
250
12
10
8
200
Ts (ut)
4
150
2
100
10
15
20
624
31.2.4.
Mejoras al modelo
Es natural pensar que el costo de un overhaul es una funcion creciente con la calidad p y con la
edad (a traves de la tasa de fallas, por ejemplo); aqu consideraremos que tal costo crece en forma
k , luego para el k-esimo periodo:
exponencial con p y que es proporcional a
k (kTs )
Co (k) = e2 p+3
y se tiene que
k (kTs ) =
e0
p + qe1 Ts
k
i
1
q1
Cr + e
n1
P e 0
+ Cm e0
q1
k=1
cg (n, Ts ) =
(p+qe1 Ts )
[(p+qe1 Ts )
1]
q1
(31.9)
nTs
Ejemplo 123 Desarrolle3 un modelo para decisiones de overhaul/reemplazo que permita minimizar el costo global por unidad de tiempo de un equipo que tiene n modos de falla (j = 1, ..., n)
-estadsticamente independientes- cuyas tasas de falla (de no hacer overhauls) se estiman como:
j (t) = e0,j +1,j t
Los costos de reparaci
on y overhaul asociados son cm,j y co,j respectivamente. El costo del reemplazo
es cr . El factor de mejora para el modo j es pj .
umero de fallas j en el intervalo nj Ts,j es
De ecuaci
on (37.18) sabemos que el n
0,j
j (nj Ts,j ) = e
H
pj + qj e1,j Ts,j
qj 1,j
nj
1
para j = 1, ..., n
(31.10)
ademas, el periodo entre reemplazos debe ser igual para todos los modos de falla. Luego a
nadimos
las restricciones
nj Ts,j = n1 Ts,1 para j = 2, ..., n
(31.11)
Notese que hemos considerado que cada modo de falla tendra su frecuencia de overhauls propia. A
continuaci
on construimos la funci
on objetivo (basado en ec. 31.6):
Cr +
Pn
j=1
Co,j (nj 1) +
Pn
j=1
nj
Cm,j
1]
n1 Ts,1
(31.12)
Cr +
Pn
j=1
Co,j (nj 1) +
Pn
j=1
Cm,j
pj +qj e
1,j s1
qj 1,j
n1 Ts,1
Observaci
on 103 Cada modo de falla a
nade 1 grado de libertad al problema.
2 NdP,
3 de
octubre 2002.
control 3, semestre 2002-II.
n1
nj
!n
(31.13)
625
Observaci
on 104 Hemos considerado que cada modo de falla tiene una frecuencia de overhauls
que s
olo depende del modo de falla considerado. Pueden haber situaciones donde la frecuencia entre
overhauls pueda ser determinada considerando todos los modos, luego
nj = n
Ts,1 = Ts
lo que simplifica el modelo (31.13) a
cg (n, Ts ) =
cr + (n 1)
Pn
j=1 co,j
Pn
j=1 cm,j
nTs
(31.14)
31.3.
Maximizaci
on de disponibilidad
Cuando los costos de falla dominan a los demas componentes del costo global de mantenimiento,
puede ser conveniente maximizar la disponibilidad media del equipo durante su vida operativa Tl .
Para plantear el modelo, haremos la diferencia entre la vida operativa del equipo Tl y la vida calendario Tlc la cual incluye aparte de todos los intervalos operativos, los intervalos muertos (sumados
en Tmu ) en los cuales se realizaron overhaul e intervenciones correctivas:
Tlc = Tl + Tmu
lo que nos define dos ejes de tiempo: el tiempo operativo t (usado hasta ahora) y el tiempo calendario
tc que considera paradas por intervenciones preventivas y correctivas (ver figura 31.6 ).
Tenemos entonces que
l , n)Tm
Tlc = Tl + Tr + (n 1)To + H(T
luego podemos estimar la disponibilidad media del equipo durante su vida
A=
A(Tl , n) =
Tl
Tlc
(31.15)
Tl
l , n)Tm
Tl + Tr + (n 1)To + H(T
Para el caso de tener un tasa de fallas de referencia tipo exponencial (ecuacion 31.4),
h
n
i
Tl
e0 p + (1 p)e1 n
1
l , n) =
H(T
(1 p)1
luego
Tl
A(Tl , n) =
e 0
Tl + Tr + (n 1)To +
4 examen
2004-I.
n
Tl
p+(1p)e1 n
1
(1p)1
Tm
626
-1
10
-2
10
-3
10
-4
10
-5
10
-6
10
-7
10
500
1000
1500
2000
Tl y Tlc
627
La figura (31.7) muestra los resultados para el caso estudiado previamente con
To
Tm
Tr
= 14 das
= 2 das
= 90 das
El an
alisis de sensibilidad de la disponibilidad vs el factor de calidad p puede bajarse [aqu].
Las m
aximas disponibilidades se dan cerca del origen, eso es, vidas cortas, con pocos overhauls.
corregir gr
afico.
Ejercicio 12 Demuestre si la maximaci
on de la disponibilidad corresponde a la minimizacion del
costo global por unidad de tiempo cuando
To cf
Tm cf
Tr cf
Co
Cm
Cr
Cr + Co (n 1) + Cm H(nT
s)
nTs
Tr + To (n 1) + Tm H(nT
s)
cf
nTs
Tmu
cf
Tl
=
sustituyendo (31.15),
cg =
1
1 cf
A
como cf es constante,
1
+ cte
A
y la minimizaci
on de cg corresponde a la maximizacion de A.
cg
31.4.
Overhaul
optimo tasas de fallas con distribuci
on Weibull
H(nT
s) =
Ts
1
t
,1
X
n
i=0
n
i
pni (1 p)i1 i
y la funci
on objetivo toma la forma
cr + co (n 1) + cm
cg (n, Ts ) =
Ts
P
n
i=0
nTs
n
i
pni (1 p)i1 i
628
(cr /co 1 + n)
!
n
X
n
ni
i1
p (1 p) i /n
i
(31.16)
i=0
31.4.1.
v
u
u
= u
cr + (n 1) co
Pn
n
( 1) cm i=0
pn i (1 p)i1 i
i
Casos especiales
La expresi
on
n
X
n
pni (1 p)i1 i
i
i=0
Para n , = 2
n
X
n
pni (1 p)i1 i = n2 (1 p) + np
i
(31.17)
i=0
luego
s
Ts
cr + (n 1) co
cm n (n (1 p) + p)
(31.18)
Para n , = 3
n
X
n
pni (1 p)i1 i = n(n 1)(n 2)(1 p)2 + 3n(n 1)(1 p) + n
i
i=0
Observaci
on 106 Cuando no es 1,2 o 3 es f
acil evaluar la sumatoria a realizar en maple:
> beta:=1.5;n:=10;p:=0.7;
>evalf(sum(binomial(n,i)*p^(n-i)*(1-p)^(i-1)*i^beta,i=0..n));
18.87705110
10
10
(t)
10
10
10
10
10
629
-1
-2
W e ibull
-3
-4
-5
E xp o ne n c ia l
-6
-7
50
100
150
200
250
300
350
400
t(d ia s )
31.4.2.
Caso especial, p = 1
H(nT
nTs
s) =
Ts
Z Ts 1
t
dt
=n
0
Ts
=n
y la funci
on de costo queda
cr + co (n 1) + cm n
cg (n, Ts ) =
31.4.3.
Ts
nTs
Ejemplo num
erico
2 t
, t en das
100 100
nTs
s
n2 q + np
630
retomando la funci
on (31.16),
(Cr /Co 1 + n) n2 q + np
Q(n) =
n2
(Cr /Co 1 + n) (nq + p)
=
n
p
= q (Cr /Co 1 + n) + (Cr /Co 1 + n)
n
p
= q (Cr /Co 1) + nq + p + (Cr /Co 1)
n
derivando e igualando a 0 se llega a la condicion de mnimo
n q =
p
(Cr /Co 1)
n
31.5.
Overhaul
optimo considerando tasa de descuento
Aqu se minimizar
a el costo total considerando tasa de descuento, sobre un periodo de tiempo
infinito. Se usar
a la misma nomenclatura de las secciones anteriores.
A
nadiremos las siguientes variables:
et es la funci
on de la tasa de descuento (continua), 0
cg, (n, Ts ) es el costo total con tasa de descuento considerada.
Para el primer ciclo de reemplazo, el costo total (en dinero del instante t = 0) es
nTs
Cr e
n1
X
iTs
Co e
nTs
Z
+ Cm
(t)et dt
i=1
cg, (n, Ts ) = Cr e
n1
X
iTs
Co e
nTs
+ Cm
(t)e
dt
i=1
einTs
i=1
Cr enTs + Co e
Ts
enTs
1enTs
+ Cm
1
Pn1
i=0
enTs
eiTs
R Ts
0
(iTs + )e d
31.5.1.
631
Ts
enTs
1enTs
+ cm
1 enTs
31.5.2.
(31.19)
Ejemplo num
erico
Sup
ongase que los datos son iguales a los del ejemplo 148:
Cr = 200 um/intervencion
Co = 8 um/intervencion
Cm = 2 um/intervencion
(t) = e15+0,01t , t en das
p = 0,7
Sea
= 0,00035
lo que es equivalente a una tasa anual de
e0,00035365 = 0,88
La soluci
on
optima es
n = 11
Ts = 199 das
cg, (n , Ts ) = 300,2 um
Observaci
on 108 Comp
arese con los valores obtenidos en el ejemplo 148.
Ejemplo 124 Un ingeniero de mantenimiento ha estimado la evoluci
on del M T BF de un cierto
equipo de acuerdo a la tabla 37.6 (figura 31.9). al momento de hacer el estudio, no se haban
efectuado overhauls sobre el equipo. El costo global promedio de la reparaci
on es 50 um. Un overhaul
cuesta 500 um. El equipo nuevo vale 10000 um.Proponga un modelo que minimice el costo global
por unidad de tiempo en funci
on del intervalo entre overhauls y el n
umero de overhauls entre 2
reemplazos del equipo.
Reconociendo que el MTBF esta bajando exponencialmente, se ajustara una tasa de fallas de la
forma:
(t) = e0 +1 t
Usando los datos de M T BF ,
Para realizar el ajuste de los parametros 0 , 1 :
log i = 0 + 1 ti
o matricialmente
1 ti
0
1
= log i
632
tiempo(ut)
90
180
270
360
450
540
630
M T BF
0.91
0.83
0.76
0.69
0.63
0.58
0.53
1
0.9
0.8
0.7
MTBF
0.6
0.5
0.4
0.3
0.2
0.1
0
100
200
300
400
500
T(unidades de tiempo)
600
700
800
tiempo (ut) ti
90
180
270
360
450
540
630
M T BF
0.91
0.83
0.76
0.69
0.63
0.58
0.53
i = 1/M T BF
1.11
1.21
1.32
1.45
1.58
1.73
1.90
633
0
1
1 t1
A = ... ...
1 tn
log 1
..
b=
.
log n
En este caso
A=
1
1
1
1
1
1
1
0,1000
0,1900
0,2800
b =
0,3700
0,4600
0,5500
0,6400
90
180
270
360
450
560
630
0
1
cuya soluci
on es
x=
=
0,011
0,001
cg (n, Ts ) =
Cr + Co (n 1) + Cm e0
[(p+qe1 Ts )
1]
q1
nTs
cg (n, Ts , p) =
10 + 0,5 (n 1) + 0,05e0,01
[(p+qe0,001Ts )
1]
0,001q
nTs
con q = 1 p.
Ejercicio 14 5 Se dispone del historial de fallas para un grupo de 10 equipos similares (tabla 31.4).
Durante el primer a
no no se hicieron overhauls. A principios del quinto trimestre se realiz
o el
primer overhaul. Hasta finales del segundo a
no (instante del an
alisis) aun no se realiza el segundo
overhaul. El costo global de un reemplazo es 100 um/equipo. El de un overhaul es de 10 um/equipo
y para una reparaci
on, 3 um/equipo. Proponga y resuelva un modelo para optimizar los plazos entre
overhauls y el intervalos entre reemplazos.
5 control
3, 2003-I.
634
Trimestre
1
3
2
5
3
6
4
9
5
4
6
6
7
8
8
11
1 ti
0
1
= log i
0
1
1 t1
A = ... ...
1 tn
n=4
log 1
..
b=
.
log n
En este caso
1
1
A=
1
1
2
b =
log(3/10)
log(5/10)
log(6/10)
log(9/10)
cuya soluci
on es
x=
0
1
=
1,59
0,348
Periodo (ut)
Nro acumulado de fallas
1-4
20
5
23
6
28
7
34
635
8
43
9
47
10
53
11
61
12
72
i
e0 +1 (ti Ts ) e0 +1 ti p = k=2 (ti ) e0 +1 ti
o
Ap = b
con
+ (54)
e 0 1
e0 +1 5
0 +1 (64)
e
e0 +1 6
A=
0 +1 (74)
e0 +1 7
e
0 +1 (84)
e
e0 +1 8
4 e0 +1 5
6 e0 +1 6
b=
8 e0 +1 7
11 e0 +1 8
luego
p = 0,917
y reconociendo los dem
as par
ametros del modelo,
Cm = 100 um
Co = 10
Cr = 3
Este ejercicio nos ha permitido estimar la calidad de las intervenciones preventivas. Hemos podido
evaluar que tan cerca est
an los equipos de una situacion como nuevo o como antes, tras un overhaul.
A continuaci
on presentamos una forma alternativa de presentarlo. El problema es identico6 .
La tabla 31.5 muestra un registro de fallas acumuladas en una flota de equipos. El eje de tiempo
corre desde que fueron instalados. Al principio del periodo 5 se hizo un overhaul mayor a la planta
y se considera que quedaron como nuevos. Al final del periodo 8 se hizo un overhaul menor. Los
costos involucrados se muestran en tabla 31.6. Las reparaciones pueden ser consideradas mnimas.
Proponga y resuelva un modelo para fijar intervalos entre overhauls y periodo entre reemplazo. La
flota est
a compuesta por 10 equipos.
a)
6 control
2, 2005-II.
636
80
70
60
50
40
30
20
10
0
4
10
12
31.6.
Minimizaci
on de costos de intervenci
on
A continuaci
on, consideramos que el costo de falla es dificil o imposible de estimar y se desea
minimizar el costo de intervenci
on sujeto a restricciones de presupuesto. Este modelo es aplicable
a sistemas de defensa, por ejemplo.
Supongamos que el costo de intervencion anual para overhauls y reparaciones no debe superar un
cierto valor constante B (um/a
no), que la disponibilidad de cualquier a
no debe superar un valor
A0 y que se desea minimizar el costo esperado de ciclo de vida por unidad de tiempo:
cilc =
lc )
Cr + Co (n 1) + Cm H(T
um/ut
Tlc
donde
Tlc = nTs
Ts corresponde la intervalo calendario entre overhauls (incluye tiempos muertos por reparaciones y
overhauls). A efectos simplificadores, consideraremos que el ciclo de vida es m
ultiplo entero de un
a
no
Tlc = 365 das, entero
y que los overhauls tienen intervalos que son submultiplos de un a
no:
365
, entero
Cil = Co + H(nT
s ) H((n ) Ts ) Cm um
Ts =
y por la restricci
on de presupuesto,
Cil B
La disponibilidad esperada del ultimo a
no es:
h
i
H((n
)
T
)
Tm
Ts To H(nT
s
s
Al =
Ts
y por la restricci
on de disponibilidad,
Al A0
637
= 2
= 4
O sea, 2 overhauls/a
no y un ciclo de vida de 4 a
nos. Adem
as,
cilc
cg
Cil
Al
=
=
=
=
0,044 um/da
0,1756 um/da
4,16 um
0,922
(31.20)
H(nT
s) =
p + qe1 Ts
q1
n
1
(31.21)
n1 + n 2
n 1 + n2 + n 3
e0
p + (1 p) e1 Ts 1
(1 p) 1
h
i
2
0
e
p + (1 p) e1 Ts 1
e0
(1 p) 1
p + (1 p) e1 Ts
3
i
1
(1 p) 1
31.7.
Comentarios finales
Una limitaci
on importante del modelo original es que el equipo tiene un solo modo de falla relevante.
En general los equipos poseen varios modos de falla y los costos y tasas de fallas asociados pueden
ser muy distintos, invalidando los resultados obtenidos. En tal sentido, el modelo propuesto en el
ejemplo K.8 es una mejora relevante.
7 2005-II
638
16
14
12
10
Mod
Exp
8
6
4
2
0
1
Intervalo
31.8.
A explorar
(Kijima, 1989)[5] propone un modelo para la tasa de fallas en base al concepto de edad virtual.
(Levitin y Lisnianski, 2000)[20] proponen un modelo para un sistema-multi-componente con mantenimiento imperfecto.
(Wang & Pham, 1999)[1] modelan el mantenimiento imperfecto considerando MTBF decreciente
en el tiempo mientras que el MTTR es creciente. Tanto las intervenciones preventivas como las
correctivas son tratadas como imperfectas. Presentan un modelo de programacion no lineal y un
ejemplo numerico.
(Pham & Wang, 1996)[4] entregan un review de los modelos para mantenimiento imperfecto hasta
esa fecha.
(Usher et al., 1998)[10] usan el modelo de Malik para minimizar costos en un intervalo de tiempo
conocido. En su modelo, se realiza una de tres acciones posibles (reemplazo, overhaul imperfecto,
nada) con un intervalo fijo a fijar.
Bibliografa
[1] J. Bisschop and R. Entriken. AIMMS, The Modeling System. Paragon Decision Technology,
The Netherlands, 1993.
[2] Jardine A.K.S. Zhang, F. Optimal maintenance models with minimal repair, periodic overhaul
and complete renewal. IIE Transactions, 30, 1109-1119, 1998. [bajar]
[3] C.R. Sundararajan. Guide to Reliability Engineering. Van Nostrand Reinhold, 1991.
[4] Pham, H. and Wang, H., Imperfect Maintenance, European Journal of Operational research,
94,425-438, 1996. [bajar]
[5] Kijima, M., Some results for repairable systems with general repair, J Appl Probab, 26, 89102,
1989. [bajar]
[6] Levitin, G., Lisnianski, A., Optimization of imperfect preventive maintenance for multi-state
systems, Reliability Engineering and System Safety, 67, 193203, 2000. [bajar]
[7] H. Wang, H. Pham, Some maintenance models and availability with imperfect maintenance in
production systems, Annals of Operations Research, 91, 305318, 1999. [bajar]
[8] Fromm, E., The Art of Loving, Harper & Row, Inc., New York, 1956.
[9] Sherwin, D., A review of overall models for maintenance management,Journal of Quality in
Maintenance Engineering, 6(3), 138-164, 2000. [bajar]
[10] Usher, J.S., Kamal, A.H., Syed, W.H., Cost optimal preventive maintenance and replacement
scheduling, IIE Transactions, 30, 1121-1128, 1998. [bajar]
[11] Nakagawa, T., Imperfect preventive maintenance models, In: Ben-Daya, M., Duffuaa, S.O.,
Raouf, A., Maintenance modeling and optimization, Kluwer, 2000.
639
640
Captulo 32
Planificaci
on de overhauls en flotas
mixtas
En el mar tormentoso de Chile vive el rosado congrio,
gigante anguila de nevada carne. Y en las ollas chilenas, en la costa,
naci
o el caldillo gr
avido y suculento, provechoso.
Lleven a la cocina el congrio desollado, su piel manchada cede como un huante
y al descubierto queda entonces el racimo del mar,
el congrio tierno reluce ya desnudo, preparado para nuestro apetito.
Ahora recoges ajos, acaricia primero ese marfil precioso, huele su fragancia iracunda,
entonces deja el ajo picado caer con la cebolla y el tomate
hasta que la cebolla tenga color de oro.
Mientras tanto se cuecen con el vapor los regios camarones marinos
y cuando ya llegaron a su punto, cuando cuajo el sabor
en una salsa formada por el jugo del oceano y por el agua clara
que desprendi
o la luz de la cebolla, entonces que entre el congrio
y se sumerja en gloria, que en la olla se aceite, se contraiga y se impregne.
Ya s
olo es necesario dejar en el manjar caer la crema como una rosa espesa,
y al fuego lentamente entregar el tesoro
hasta que en el caldillo se calienten las esencias de Chile,
y a la mesa lleguen recien casados los sabores del mar y de la tierra
para que en ese plato t
u conozcas el cielo.
Pablo Neruda. Oda al Caldillo de Congrio.[4]
Resumen
Se presenta un modelo determinstico de programacion lineal entera para establecer un programa
de overhauls para una flota de equipos mecanizados. El objetivo es minimizar la edad promedio de
la flota, la cual se mide a traves del total de unidades de distancia que operan los equipos sobre
un horizonte finito de tiempo. Se incluyen restricciones de capacidad de los talleres y restricciones
para asegurar que una fracci
on de la flota sea reacondicionada en cada unidad de tiempo.
32.1.
Introducci
on
Consideremos una flota de equipos que estan asignados a varias unidades, donde cada unidad tiene
niveles de operaci
on y mantenimiento propios para un equipo. Dentro de la flota existen varias
subflotas de equipos diferentes.
641
642
El programa de mantenimiento de los equipos tiene varios escalones, de los cuales el mas alto es el
escalon de overhauls, realizado en talleres especializados.
El objetivo general es maximizar la disponibilidad de la flota en cada unidad. La hipotesis de este
trabajo es que la disponibilidad de la flota es proporcional a la edad promedio de la misma, donde la
edad de un equipo corresponde al perodo de tiempo que ha transcurrido desde el u
ltimo overhaul.
32.2.
Formulaci
on del modelo
32.3.
Modelo matem
atico
32.3.1.
Indices
32.3.2.
Par
ametros
INb,a,k : n
umero inicial de tanques de typo k en el batallon b de edad a
b : tasa de uso promedio (ud/ut) en la unidad b
RBb,k : n
umero de equipos tipo k asignados a la unidad b
: fracci
on de equipos de una unidad que deben ser reacondicionados por a
no
643
T Lb : n
umero m
aximo de equipos de la unidad b a ser intervenidos por a
no, luego
X
T Lb = RBb,k b
k
32.3.3.
Variables de decisi
on
x(b,a,t),(b,a+1,t+1),k : n
umero de equipos tipo k en la unidad b de edad a al principio de la unidad
de tiempo t que ha envejecido una unidad de tiempo al principio de la unidad de tiempo t + 1
x(b,a,t),(d,t+1),k : n
umero de equipos tipo k de edad a al principio de la unidad de tiempo t que
han sido enviados desde la unidad b
x(d,t),(b,0,t),k : n
umero de equipos tipo k que han sido enviados desde el taller d a la unidad b
al principio de la unidad de tiempo t
x(d,t),(d,t+1),k : n
umero de equipos tipo k que ... el taller d a la unidad b al principio de la unidad
de tiempo t
32.3.4.
Objetivo
Minimizar
XXXX
k
a b x(b,a1,t1),(b,a,t),k x(b,a,t),(d,t+1),k
(32.1)
La funci
on objetivo calcula el total de unidades de distancia acumulados entre overhauls para toda
la flota durante su ciclo de vida. El termino
x(b,a1,t1),(b,a,t),k x(b,a,t),(d,t+1),k
(32.2)
cuantifica el n
umero de equipos de edad a al principio de la unidad t. El primer termino de la
expresi
on (34.4):
x(b,a1,t1),(b,a,t),k
representa el n
umero de equipos tipo k en el batallon tras la ultima unidad de tiempo y el segundo
x(b,a,t),(d,t+1),k
representa los equipos tipo k que fueron enviados para overhaul.
32.3.5.
Restricciones
x(b,0,1),(b,1,2),k = INb,0,k +
x(d,1),(b,0,1),k k, b
(32.3)
x(b,0,t),(b,1,t+1),k =
x(d,t),(b,0,1),k k, b, 2 t T 1
(32.4)
(32.5)
x(b,a,1),(b,a+1,2),k +
X
d
644
x(b,a,t),(b,a+1,t+1),k +
x(b,a,t),(d,t+1),k = x(b,a1,t1),(b,a,t),k k, b, 2 t T 1
(32.6)
x(d,1),(d,2),k +
x(d,1),(b,0,1),k = DV 1d,k k, d
(32.7)
x(d,1),(d,t+1),k +
x(d,t),(b,0,t),k =
XX
a>0
DV 2d,k +
x(b,a,T 1),(d,t),k k, d, 2 t T 1
(32.8)
XX
(32.9)
a>0
x(d,1),(b,0,1)
XX
d
x(b,a,t1),(b,a+1,t),k +
(32.10)
x(d,t),(b,0,t),k
XX
x(b,a,1),(d,t+1),k = RBb,k k, b, 2 t T 1
(32.11)
X
x(b,a,T 1),(b,a+1,t),k +
(32.12)
XX
d
x(b,a,t1),(d,t),k DCd d, 2 t, a 6= 0
(32.13)
XXX
k
x(b,a,t),(d,t+1),k T Lb b
(32.14)
(32.15)
Los lados izquierdos y derechos de las restricciones (57.1)-(40.18) indican para cada nodo el flujo
hacia afuera y hacia adentro, respectivamente. Las restricciones (57.1)-(57.2) satisfacen el balance
de flujo en las unidades operacionales para equipos de edad 0. La restriccion (57.1) permite definir
la distribuci
on inicial de equipos. Las restricciones (40.17)-(40.19) hacen lo mismo pero para las
demas posibles edades. Las restricciones (40.20)-(40.18) imponen el balance de flujo en los talleres.
Las restricciones (40.20) y (40.18) tambien permiten establecer la distribucion inicial de equipos
en los talleres. Las restricciones (32.10)-(32.12) aseguran que cada unidad operacional disponga del
n
umero de equipos asignados para ella, en cada unidad de tiempo. Observamos que no se envan
tanques a reparar en la ultima unidad de tiempo. Las restricciones (32.13)-(32.14) representan las
restricciones de capacidad de los talleres y la fraccion de equipos que es intervenido. Por u
ltimo, la
restriccion (32.15) obliga a las variables de decision a ser no negativas y enteras.
32.4.
Ejercicio
32.4.1.
Presentaci
on
Un sistema de armas tal como un tanque M1A1 requiere de una inversion inicial de 4 um[38] (1
um=1 MUSD). Cada overhaul cuesta 0.2 um y el ciclo de vida de dise
no es de T = 20 a
nos.
Lo anterior justifica ampliamente el estudio del programa de overhauls a fin de buscar posibles
economas.
Para 1995, el plan de mantenimiento de reacondicionamiento del cuerpo de infantera de marina de
los Estados Unidos consista en ofrecer reacondicionamiento al 25 % de la flota cada a
no. La flota
de tanques M1A1 estaba distribuida as (geograficamente a distancia):
Unidad
1er batall
on activo
2do batall
on activo
1er batall
on de reserva
2do batall
on de reserva
Centro de ejercicios combinados
1era escuadra
2da escuadra
3era escuadra
Talleres
overhaul
P
Flota CT
30
44
58
58
58
21
239
645
Flota P J
28
14
32
32
22
6
134
646
Centro
de ejercicios
combinados
Reservas
PJ
Talleres
Overhaul
PJ
CT/PJ
CT
Activos
CT
Escuadras
Unidad
1er batallon activo
2do batallon activo
1er batallon de reserva
2do batallon de reserva
Centro de ejercicios combinados
Promedio
(Millas/trimestre)
309
90
309
90
309
Desviacion standard
(Millas/trimestre)
71
26
71
26
71
Edad maxima
(Trimestre)
16
20
16
20
16
Edad/batallon
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
2
2
2
2
2
2
3
3
3
10
14
8
8
2
4
4
4
9
7
7
7
5
647
2
2
2
3
3
2
3
4
2
2
2
3
2
2
2
3
3
3
4
2
2
2
3
1
1
1
2
2
5
6
2
2
1
32.5.
Comentarios finales
Se ha presentado un modelo de programacion lineal entera para definir que equipos de una flota
deben ser reacondicionados en que unidad de tiempo y sobre el ciclo de vida, para minimizar la
edad promedio de la flota (medido a traves de la suma de los intervalos desde el ultimo overhaul).
El modelo puede ser extendido para minimizar la edad promedio bajo restricciones presupuestarias
por ejemplo (ver 40).
648
Bibliografa
[1] Bargeron, J., Optimal depot level maintenance planning, Masters Thesis, Naval Postgraduate
School, 1995. [bajar]
[2] Goodhart, C.A., Depot-Level Maintenance Planning for Marine Corps Ground Equipment, Military Operations Research, 4, 3, 77-89, 1999. [bajar]
[3] Taha, H., Investigaci
on de Operaciones, una introducci
on, 6ta ed., Prentice Hall, 1998.
[4] http://www.uchile.cl/neruda/obra
649
650
Captulo 33
Intervenciones correctivas y
preventivas imperfectas
quien dijo que todo est
a perdido?
yo vengo a ofrecer mi corazon
tanta sangre que se llev
o el ro
yo vengo a ofrecer mi corazon
Mercedes Sosa & Francis Cabrel.
33.1.
Introducci
on
Vimos en el captulo 31 un modelo para establecer plazos entre overhauls (y reemplazo) cuando
las intervenciones correctivas son mnimas y las preventivas son imperfectas. Aqu, presentamos
un modelo donde tanto las intervenciones preventivas como las correctivas son imperfectas. El
modelo considera que tras cada intervencion el tiempo medio para fallar disminuye en una fraccion
constante. El tiempo medio para reparar se incrementa en un factor constante. El modelo minimiza
el costo global esperado por unidad de tiempo, sujeto a una restriccion de disponibilidad mnima.
La formulaci
on es no lineal en variable mixta.
T
Overhauls
A
0
B
k-1
Tiempo
Nro. de fallas
652
33.2.
Formulaci
on del modelo
Consideremos un sistema nuevo que comienza a operar en t = 0. El sistema esta sujeto a fallas
tempranas (etapa A), cuya reparaci
on usualmente tiene costo bajo. Sea k 1 el n
umero de fallas
antes de comenzar a aplicar un programa preventivo (etapa B, ver figura 33.1). Supongamos que
el costo de reparar el sistema a la i-esima falla es:
0
CcA = CcA
+ (1 i)CcA um/intervencion
si y solo si
ik1
donde
i = 1, 2, ..., k 1
Observemos que el costo de una intervencion correctiva se incrementa en CcA um cada vez que
el equipo es reparado.
La reparaci
on durante la etapa correctiva del programa de mantenimiento es imperfecta en el sentido
de que el tiempo medio para fallar decrece en (1 ) tras cada intervencion correctiva y el tiempo
medio para reparar crece en una fracci
on ( 1), donde
0<<1
>1
De lo anterior el tiempo medio para fallar tras la k-esima falla es (figura 33.2):
k1 T1 ut
donde T1 corresponde al tiempo medio para fallar de un sistema nuevo. A su vez, T1 corresponde
al intervalo de tiempo esperado para la primera intervencion en un sistema nuevo (ver figura 33.3).
Tras la (k 1)-esima falla, el sistema comienza a recibir intervenciones preventivas cada T ut,
T >0
con un costo Cp um/intervenci
on y una duracion esperada Tw ut . La intervencion preventiva es
imperfecta y deja al equipo como nuevo con probabilidad p y tal como antes, con probabilidad
(1 p). Despues de iniciar un programa preventivo, y al ocurrir una falla, se realiza una reparacion
imperfecta que acorta el tiempo medio para fallar en una fraccion (1 ). Estas intervenciones
correctivas tienen un valor de CcB um c/u. Notemos que ambos tipos de intervencion son imperfectas
y que en el caso de que = 1, la intervencion correctiva es perfecta.
Sea Tn el intervalo entre el (n 1)-esima falla y la n-esima falla, n 1. Cumple:
Tn 0
El n
umero de total de eventos N (t) que han ocurrido hasta el instante t pueden ser calculados a
partir de[1]:
P {N (t) = n} = P {N (t) n} P {N (t) n + 1}
= P {Tn T } P {Tn+1 t}
= Gn (t) Gn+1 (t)
donde Gn (t) es la convoluci
on de las funciones acumuladas F1 , F2 , ...,Fn .
El valor esperado de N (t) es M (t), y esta dado por:
M (t) = E [N (t)]
X
X
=
P {N (t) n} =
P {Tn t}
=
n=1
X
n=1
n=1
Gn (t)
653
Tk/T1
0.6
0.5
0.4
0.3
0.2
0.1
0
7
=1.3
6
MTTR (etapa A)
654
El intervalo entre dos intervenciones preventivas perfectas constituye un ciclo de renovacion. Considerando que la tasa de fallas como una funcion no decreciente (excluyendo tasa de falla constante)
(Wang y Pham, 1999)[1] llegan a los siguientes resultados:
El costo esperado por ciclo es:
Cg (T, k) = (k 1)
0
CcA
1
+ (k 2)CcA
2
+ Cp
i1
i(1 p)
p + CcB
i=1
(1 p)i1 pM (iT )
i=1
El primer sumando corresponde a los costos correctivos en la etapa A (netamente correctiva); los
otros dos, al costo esperado durante la etapa B (preventiva). La duracion esperada de un ciclo es:
Td (T, k) = T1
X
X
1 k1
1 k1
+ T1
+ Tw
(1 p)i1 p + T
i(1 p)i1 p
1
1
i=1
i=1
Cg (T, k)
Td (T, k)
(33.1)
0
+ Cp p1 + CcB
CcA
(k 1) + CcA (k1)(k2)
2
T1
1k1
1
+ T1
1 k1
1
i=1
+ T p1 + Tw
A(T, k) =
T1
k1
T1 1
1
(1 k1 )
+ T p1
1
k1
1
T1 1
1 + T p
+ Tw
(33.2)
33.3.
Distribuci
on Normal
Para ilustrar el uso del modelo, consideremos que la distribucion de referencia es Gaussiana:
f1 (t) =
1
1
e 2
2T
tT
1
T
1
2
Tenemos que
fk (t) = 1k f1 1k t
y
M (t) =
Gn (t)
n=1
donde:
Gn (t) = P {Tn t}
Tn sigue una distribuci
on Gaussiana con media:
x (n) = 1k
(1 n )
T
(1 ) 1
Parametro
T1
T 1
T1
0
CcA
CcA
Cp
CcB
p
Tw
A0
Valor
10
1
0,9
1
0,1
3
4
0,95
1,05
0,95
0,2
0,90
0,93
655
Unidad
ut
ut
ut
um
um
um
um
ut
1 2n 2
T
1 2 1
En consecuencia,
M (t) =
X
n=1
t x (n)
x (n)
(33.3)
Esta expresion permite evaluar numericamente (33.1) y (33.2) para tomar la decision acerca de
cuando comenzar el programa preventivo (k) y con que intervalo (T ).
33.4.
Ejemplo num
erico
656
cg (um/ut)
k=2
k=3
k=4
k=5
k=6
k=7
0.25
0.2
5.5
6.5
T (ut)
7.5
8.5
0.96
k=2
k=3
k=4
k=5
k=6
k=7
0.95
0.94
0.93
0.92
0.91
0.9
5.5
6.5
7.5
T (um)
8.5
657
0.94
0.32
cg(=1)
cg(=2)
A(=1)
A(=2)
0.3
0.935
0.28
0.93
0.26
cg (um/ut)
0.24
0.925
0.22
0.92
0.2
0.18
T (ut)
0.915
33.5.
Comentarios finales
Tal como esta planteado los parametros de costo pueden representar costos globales o de intervencion. Como lo revelante es minimizar el costo global, si se consideran como costo global entonces la
restricci
on de disponibilidad no debera ser tomada en cuenta. En caso de considerarse como costos
de intervenci
on, entonces, aparte de la restriccion de disponibilidad (impuestapor practicas en
otras empresas por ejemplo), podramos considerar una restriccion presupuestaria.
Es extra
no que el costo de una reparacion dependa de cuando se iniciaron las preventivas (CcB vs
0
CcA
).
Mejoras posibles:
Una forma alternativa de explotar este modelo considera la maximizacion de la disponibilidad
sujeto a una restricci
on de presupuesto.
Considerar el reemplazo.
Restricci
on presupuestaria
Considerar tasa de descuento
33.6.
A explorar
(Pham & Wang, 1996)[4] presentan un review de modelos para el mantenimiento imperfecto.
658
Bibliografa
[1] H. Wang, H. Pham, Some maintenance models and availability with imperfect maintenance in
production systems, Annals of Operations Research, 91, 305318, 1999. [bajar]
[2] F. Beichelt and K. Fischer, General failure model applied to preventive maintenance policies,
IEEE Transactions on Reliability R-29, 3941, 1980.
[3] F. Beichelt, A generalized block-replacement policy, IEEE Transactions on Reliability, R-30,
171173, 1981.
[4] H.W. Block, W.S. Borges and T.H. Savits, A general age replacement model with minimal repair,
Naval Research Logistics, 35, 365372, 1988.
[5] S. Sheu, W.S. Griffith and T. Nakagawa, Extended optimal replacement model with random
minimal repair costs, European Journal of Operational Research 85, 636649, 1995.
[6] C. Valdez-Flores and R.M. Feldman, A survey of preventive maintenance models for stochasically
deteriorating single-unit systems, Naval Research Logistics, 36, 419446, 1989.
[7] Y. Lam, Analysis of a two-component series system with a geometric process model, Naval
Research Logistics, 43, 491502, 1996.
659
660
Captulo 34
34.1.
Introducci
on
Los componentes pueden fallar temprano tras su puesta en marcha por defectos de manufactura,
es lo que llamamos la infancia del equipo. Luego aparece la degradacion causada por el uso y el
envejecimiento.
Muchos sistemas son vendidos con una garanta que ofrece proteccion a los compradores contra
fallas tempranas durante la infancia del equipo. El periodo de garanta se ha vuelto cada vez mas
largo; por ejemplo, la garanta de un automovil duraba solo 3 meses en los a
nos 30 y actualmente
oscila de 3 a 5 a
nos, o es una funcion del kilometraje recorrido. Con tales garantas extendidas, un
sistema puede ser cubierto gran parte de su vida u
til. Ello implica que pueden ocurrir fallas debido
a degradaci
on durante el periodo de garanta.
La degradaci
on puede ser controlada con mantenimiento preventivo, que reduce significativamente la
tasa de fallas del equipo, y su evolucion en el tiempo. En consecuencia, el mantenimiento preventivo
es importante cuando los periodos de garanta son largos.
El ofrecer periodos de garanta implica costos adicionales para el fabricante del equipo. Existe el
costo de reparar fallas (mantenimiento correctivo) durante el periodo de garanta. Un programa de
mantenimiento preventivo puede reducir tales costos correctivos. Dado que el comprador no paga las
reparaciones durante el periodo de garanta, no hay incentivos para el en invertir en mantenimiento
preventivo. Para el fabricante conviene realizar intervenciones s solo si logra reducir los costos
correctivos durante el periodo de garanta en un monto mayor al invertido en intervenciones s.
Sin embargo, desde el punto de vista del comprador, el invertir en mantenimiento preventivo durante
y despues de que la garanta ha expirado puede tener un impacto significativo en los costos postgaranta, que son pagados por el comprador. Consecuentemente, es conveniente definir programas
de mantenimiento preventivo aun durante el periodo de garanta; para ello se deben tomar en cuenta
los costos globales del ciclo de vida del equipo, cosa que estudiaremos en este captulo.
Presentamos un modelo que considera los puntos de vista de ambos actores, comprador y fabricante,
para determinar estrategias de mantenimiento preventivo optimas.
661
662
34.2.
Garantas
Una garanta es un contrato entre el comprador y el fabricante que se hace efectivo tras la compra del equipo. El prop
osito de la garanta es basicamente establecer responsabilidad en el caso
de una falla prematura del equipo, donde el termino falla se refiere a la inhabilidad del equipo en
realizar la funci
on para la cual ha sido dise
nado. El contrato especifica un cierto nivel de performance del equipo, que de no cumplirse, obliga a compensar al comprador. Se especifican ademas
las responsabilidades del comprador con respecto al cuidado y condiciones de operacion del equipo.
Existen varias formas de estimar los costos de las garantas en la evaluacion de un equipo:
a) Costo unitario, para el fabricante. Este costo unitario puede ser calculado a partir del costo
total de garanta dividido por el n
umero de items vendidos.
b) Costo unitario, para el comprador. Se obtiene al promediar los costos asociados a los equipos
adquiridos incluyendo aquellos obtenidos gratuitamente o aun precio reducido, por garanta.
c) Costo global durante el ciclo de vida
d ) Costo global en un horizonte finito
e) Costo por unidad de tiempo
La selecci
on del metodo adecuado depende del producto, el contexto y la perspectiva. La clase de
consumidor tambien puede ser importante, entre otros muchos factores. Se deben evaluar modelos
de costo tanto para el fabricante como para el comprador. El lector interesado es referido a Murthy
y Blischke (1994)[?] y Murthy y Djamaludin (2002)[4].
34.3.
Formulaci
on del problema
Se considera un componente reparable que tiene una garanta de reparaciones gratis durante
el periodo de garanta (0, Tw ).
El producto tiene una vida u
til Tl ,
Las reparaciones en el plazo (Tw , Tl ) son costo del comprador;
Las reparaciones durante el periodo de garanta son mnimas, o sea, retornan el equipo a
operaci
on, tal como antes de la falla.
Consideraremos que
M T T R M T BF
m, nivel de mantenimiento preventivo, corresponde a una variable de decision. Cumple
0mM
Un valor grande de m implica un mayor esfuerzo de mantenimiento. Por ejemplo, mayor frecuencia de inspecciones, mayor n
umero de componentes inspeccionados, etc. En este contexto,
el mantenimiento preventivo incluye al mantenimiento predictivo. m puede ser discreta o continua. Aqu la consideraremos como una variable continua.
Asumiremos que el nivel de mantenimiento es constante a lo largo de la vida del equipo.
M , valor m
aximo para el nivel de mantenimiento;
f0 (t), funci
on densidad de probabilidad de falla si no se realiza mantenimiento preventivo (en
realidad, mnimo);
la funci
on acumulada es
Z
F0 (t) =
f0 ( )d
0
663
0 (t)
[0 (Tw ) m (Tw )] + m (t)
para t (0, Tw )
para t (Tw , Tl )
La figura (34.1) muestra las tasas de falla durante la vida para los 3 casos.
El n
umero esperado de fallas durante el intervalo de garanta esta dado por:
Z Tw
(t, m)dt
0
Tl
(t, m)dt
Tw
664
a
b
c
Tw
Tl
Tiempo
Para el caso b,
Z
Tl
CB,b (m) = cm Tl + Cr
m (t)dt
(34.2)
Tw
Para el caso c,
Z
Tl
(34.3)
Tw
Observaci
on 110 En general las garantas no incluyen el costo de falla asociado al mantenimiento
correctivo, luego los modelos de costos (34.1-34.3) subestiman el costo global para el comprador. Los
modelos presentados son f
acilmente extensibles para considerar la situaci
on.
El nivel
optimo de mantenimiento para los casos b y c, pueden ser obtenidos minimizando el costo
global esperado. Desde el punto de vista del comprador, la decision entre tomar cualquiera de las 3
estrategias depende del valor del costo global obtenido para cada caso.
Por otro lado, el costo esperado para el fabricante por unidad, es la suma de los costos de reparaciones durante el periodo de garanta. Para los casos a y c, esta dado por:
Z Tw
CM,a = CM,c = Cr
0 (t)dt
(34.4)
0
665
Para el caso b,
Z
Tw
CM,b = Cr
m (t)dt
(34.5)
Como
m (t) < 0 (t)
el costo esperado para el fabricante es mnimo cuando el usuario realiza mantenimiento preventivo
durante el periodo de garanta.
El comprador avezado evaluar
a las 3 posibilidades y tomara aquella que minimice el costo global
durante el ciclo de vida. Un comprador poco inteligente tratara de ahorrarse el mantenimiento
preventivo durante el periodo de garanta, com un posible mayor costo global del ciclo de vida.
El fabricante tratar
a de convencer al comprador de hacer mantenimiento preventivo durante la
garanta a traves de alg
un incentivo, monetario por ejemplo. En tanto el incentivo cueste menos
que los posibles ahorros para el fabricante, ello resulta en una situacion donde ambos ganan. En
todo caso, el comprador puede estar tentado a tomar el incentivo y no realizar el mantenimiento
prometido. Es necesario que el fabricante pueda observar las acciones del comprador (ejemplo:
servicios tecnicos autorizados).
Con tecnologa moderna, el fabricante podra tener acceso a datos de condicion que verifiquen las
acciones preventivas del comprador, y premiarlo extendiendo el periodo de garanta desde Tw a Tw0 ,
por ejemplo.
Observaci
on 111 Una pr
actica alternativa es poner como cl
ausula de validez del contrato de
garanta el que se hagan mantenimiento preventivo estipulado por el vendedor en sus centros de
servicio (el caso de los vehculos particulares).
34.4.
Para este modelo consideraremos una relacion entre el parametro de escala y el nivel de mantenimiento m. Asumamos por ejemplo,
1
m = 0
1m
con
m (0, 1)
y
>0
La figura (34.2) muestra la relacion para = 1, 0 = 2.
Para un nivel dado de mantenimiento se tiene:
F (t, m) = 1 e( m )
t
adem
as,
(t, m) =
t1
y el n
umero esperado de fallas en un intervalo [t0 , t1 ] es
t1
m
t0
m
666
10
10
10
10
.2
.4
.6
.8
0
!
Cr
CB,b =
T
T
+ cm Tl
w
l
0
"
!
!
#
1
1
1
1
CB,c = Cr Tw
(Tl Tw ) +
Tl Tw
+ cm (Tl Tw )
0
m
0
Y para el fabricante (ecuaciones 34.4 y 34.5),
CM,a = CM,c = Cr
CM,b = Cr
34.5.
Tw
m
Tw
0
Ejemplo
667
10
data
polinomio
exponencial
cm
10
10
10
10
.1
.2
.3
.4
.5
cm
0
50
100
150
240
350
34.6.
3, 2003-I.
668
m1 (t)
[m1 (Tw ) m2 (Tw )] + m2 (t)
para t (0, Tw )
para t (Tw , Tl )
Los costos por mantenimiento preventivo durante la vida del equipo son, para este caso:
Cp,d (m1 , m2 ) = cm1 Tw + cm2 (Tl Tw )
El costo global durante la vida del equipo para el comprador es la suma del costo preventivo mas
el costo de mantenimiento correctivo en el periodo post-garanta. Para el caso d:
Z
Tl
(34.6)
Tw
Por otro lado, el costo esperado para el fabricante por unidad, es la suma de los costos de reparaciones durante el periodo de garanta. Para los casos d,
Z
Tw
CM,d = Cr
m1 (t)dt
(34.7)
34.6.1.
Modelo de Weibull
Tl
(T
T
)
+
T
T
l
w
w
l
m
m
m
1
2
2
Tw
Z
CM,d = Cr
Tw
m1 (t)dt
(34.9)
= Cr
34.7.
Tw
m1
2003-I.
669
global para cada ciclo de vida,para el comprador, considera (extendemos el costo propuesto en
ecuaci
on 34.2):
Z Tl
Cg (Tl ) = cm Tl + Cr
m (t)dt + A R(t)
(34.10)
Tw
(34.11)
con la restricci
on
Tl Tw
(34.12)
Notamos que el problema es no lineal. Si aplicamos el modelo de Weibull propuesto en 34.4 obtenemos:
Cr
t
T
T
+
c
T
+
A
1
e
m
l
w
l
0
cg,b (m) =
Tl
Observaci
on 112 El modelo anterior considera Tw como un par
ametro. Sera interesante proponer
un modelo donde se extienda plazo de garanta Tw por el pago de un monto extra A (contrato
de servicio). A es una funci
on de Tw , propuesta por el proveedor.
Observaci
on 113 Hemos descartado a priori que la vida del equipo sea menor que el plazo de
garanta. Ello se justifica pues usualmente
Tw Tl
si no es el caso, basta con a
nadir la funci
on indicadora ITl >Tw al objetivo (39.5):
Z Tl
cm Tl + ITl >Tw Cr
m (t)dt + A 1 et
Tw
cg , b(Tl ) =
Tl
y relajar la restricci
on (34.12).
34.8.
Una condici
on que puede no ser valida en muchos casos es que el proveedor pague los costos de falla
asociados a las panas durante el periodo de garanta. Ademas, es com
un que dentro del contrato
se especifique como cl
ausula el que se realizen mantenimientos preventivos periodicos durante el
intervalo en garanta. Consideremos que se llevan a cabo n intervenciones obligatorias en [0, Tw ],
con un costo Crp c/u. en tal caso, desde el punto de vista del comprador tenemos los siguientes
costos acumulados durante la vida del equipo:
Para el caso a0 :
Z
CB,a0 = Cf,r
Tw
rp (t)dt + nCrp +
(34.13)
Tk
Cr
Tw
3 control
3, semestre 2003-II
(34.14)
670
Para el caso b0 ,
Tw
Tl
m (t)dt + +nCrp + cm Tl + Cr
0
m (t)dt
(34.15)
Tw
Para el caso c0 ,
Z
C
B,c0
Tw
(m) = Cf,r
(34.16)
Tk
Cr
(34.17)
Tw
y aparece la opci
on de no tomar la garanta (que puede ser rentable para el comprador).
34.9.
4
Consideremos que el proveedor exige que se hagan inspecciones/overhauls con valor esperado Cio
um cada Tio ut durante la duraci
on de la garantia para hacer valido el contrato. Considere que el
costo de mantenimiento por unidad de tiempo cm depende tambien de Cio y de Tio seg
un alguna
funcion
cm (m, Cio , Tio ) = (m, Cio , Tio )
a definir. Considere los puntos de vista del comprador y del proveedor para las estrategias vistas.
Explicite funci
on objetivo, variables de decision y restricciones.
34.10.
Comentarios
Los autores del modelo original proponen las siguiente extensiones al modelo presentado:
Un efecto natural del mantenimiento preventivo es extender la vida Tl del equipo. Ello puede
ser modelado con una relaci
on con el nivel de mantencion m.
Se han considerado reparaciones mnimas, el mantenimiento correctivo podra dejar al equipo
como nuevo.
Se podran estudiar estrategias de incentivo.
Se ha considerado un nivel de mantenimiento constante a lo largo de la vida del equipo que
no considera su edad.
Se ha modelado el mantenimiento como un proceso continuo. Aparece la oportunidad de realizar overhauls en instantes discretos en el tiempo.
Otras posibles mejoras pueden ser (NdP ):
Utilizar otros modelos de distribucion de fallas mas generales que Weibull que permitan representar bien las 3 etapas en las vida de un equipo. Por ejemplo, un modelo de Dhillon.
Considerar el valor del dinero en el tiempo.
Considerar la extensi
on del intervalo de garanta como variable de decision, en funcion de la
tasa de fallas observada durante el intervalo inicial.
En general las garantas no incluyen el costo de falla asociado al mantenimiento correctivo,
luego los modelos de costos presentados (34.1-34.3 por ejemplo) subestiman el costo global
para el comprador.
4 control
3, 2004-I.
671
34.11.
A explorar
672
Bibliografa
[1] Blischke, W. & Murthy, D. Warranty Cost Analysis, Marcel Dekker, New York, 1994.
[2] Murthy, D and Blischke, W., Strategic Warranty Management: A Life-Cicle Approach, IEEE
Transactions on Engineering Management, 47(1), 40-54, 2000. [bajar]
[3] Djamaludin, I. and Murthy, D. Warranty and Preventive Maintenance, International Journal of
Reliability, Quality and Safety Engineering, (8)2, 89-107, 2001. [bajar]
[4] D.N.P. Murthy, I. Djamaludin, New product warranty:A literature review, International Journal
of Production Economics, 79,231260, 79, 231260, 2002. [bajar]
[5] D.N.P. Murthy, O. Solem , T. Roren, Product warranty logistics: Issues and challenges, European
Journal of Operational Research, 156, 110126, 2004. [bajar]
[6] Monga, A., Zuo, M.J., Optimal system design considering maintenance and warranty, Computers
Ops. Res., 9,691-705, 1998. [bajar].
[7] X.M. Zhang, H. Pham, A software cost model with warranty cost, error removal times and risk
costs, IIE Transactions, 30, 11351142, 1998. [bajar].
[8] M. Kimura, T. Toyota, S. Yamada, Economic analysis of software release problems with warranty cost and reliability requirement, Reliability Engineering and System Safety, 66, 4955, 1999.
[bajar].
[9] Y.I. Kwon, A Bayesian life test sampling plan for products with Weibull lifetime distribution
sold under warranty, Reliability Engineering and System Safety, 53, 6166, 1996. [bajar].
[10] Y.S. Oh, D.S. Bai, Field data analyses with additional after-warranty failure data, Reliability
Engineering and System Safety, 72, 18, 2001. [bajar].
[11] Chen, T., Popova, E., Maintenance Policies With Two-Dimensional Warranty, Reliability Engineering and System Safety, 77(1), 61-69, 2002. [bajar].
[12] Rai, B., Singh, N., Hazard rate estimation from incomplete and unclean warranty data, Reliability Engineering and System Safety, 81, 7992, 2003. [bajar].
[13] Rai B, Singh N., Modeling and analysis of automobile warranty data in presence of bias due to
customer-rush near warranty expiration limit, Reliability Engineering and System Safety 86(1),
83-94, 2004. [bajar].
[14] Kim, C.S., Djamaludin, I., Murthy, D.N.P., Warranty and discrete preventive maintenance,
Reliability Engineering and System Safety, 84(3), 301-309, 2004. [bajar].
[15] Huang, Y.S., Zhuo, Y.F., Estimation of future breakdowns to determine optimal warranty policies for products with deterioration, Reliability Engineering and System Safety, 84(2), 163-168,
2004. [bajar].
[16] Jack, N., Murthy, D.N.P., Iskandar, B.P., Comments on Maintenance policies with twodimensional warranty, Reliability Engineering and System Safety, 82(1), 105-109, 2003. [bajar].
[17] Chen, T.M., Popova, E., Comments on Maintenance policies with two-dimensional warranty Response to the letter written by N. Jack, D.N.P. Murthy, and B.P. Iskandar, Reliability
Engineering and System Safety, 82(1), 111-111, 2003. [bajar].
673
674
[18] Majeske, K.D., A mixture model for automobile warranty data, Reliability Engineering and
System Safety, 81(1), 71-77, 2003. [bajar].
[19] Yun, W.Y., Lee, Y.W., Ferreira, L., Optimal burn-in time under cumulative free replacement
warranty, Reliability Engineering and System Safety, 78(2), 93-100, 2002. [bajar].
[20] Levitin, G., Lisnianski, A., Optimization of imperfect preventive maintenance for multi-state
systems, Reliability Engineering and System Safety, 67(2), 193-203, 2000. [bajar].
[21] Chun, Y.H., Optimal number of periodic preventive maintenance operations under warranty,
Reliability Engineering and System Safety, 37(3), 223-225, 1992.
[22] Jones, J.A., Hayes, J.A., Use of a field Database for improvement of product reliability, Reliability Engineering and System Safety, 55, 1314, 1997. [bajar].
[23] Sahin, I., Polatoglu, H., Maintenance strategies following the expiration of warranty, IEEE
Trans Reliab, 45, 2208, 1996. [bajar].
[24] Berke, T.M., Zaino, N.A., Warranties - What Are They - What Do They Really Cost, Proceedings Annual Reliability And Maintainability Symposium, 326-331, 1991.
[25] Murthy D.N.P., Iskandar B.P., Wilson R.J., 2-Dimensional Failure-Free Warranty Policies 2-Dimensional Point Process Models, Operations Research, 43(2), 356-366, 1995.
[26] Yeh, R.H., Chen, G.C., Chen, M.Y., Optimal Age-Replacement Policy for Nonrepairable Products Under Renewing Free-Replacement Warranty, IEEE Transactions on Reliability, 54(1),
92-97, 2005.
[27] D. G. Nguyen and D. N. P. Murthy, An optimal policy for servicing warranty, Journal of the
Operational Research Society, 37(11), 1081-1088, 1986.
[28] D.G. Nguyen, D.N.P. Murthy, Optimal replace-repair strategy for servicing products sold with
warranty, European Journal of Operational Research, 39, 206-212, 1989.
Captulo 35
35.1.
Introducci
on
En industrias como la minera, hay sistemas con componentes que sufren gran desgaste y deben
ser reemplazados peri
odicamente. El fenomeno de desgaste depende, en general, de una serie de
variables tales como la condici
on de operacion, la dureza del material procesado, la geometra de
dise
no de los componentes, etc. El objetivo de este captulo es presentar un modelo que permita
pronosticar el desgaste en funcion de variables relevantes al proceso. Para ello, haremos un analisis
de regresion a partir de datos historicos del sistema. Como estudio de caso consideraremos un molino
de un planta procesadora de cemento. Como resultado del analisis, es posible optimizar los planes
de mantenimiento preventivo, ajustandolo a las condiciones registradas. Ello permite reducir los
costos globales de mantenimiento y de stocks de repuestos.
35.2.
Estudio de caso
La figura 35.1 muestra el molino con sus dos compartimientos y los puntos en donde se hicieron
medidas de espesor. El historial esta disponible [aqu].
La figura 35.2 meustra el desgaste observado en el primer compartimiento en funcion del uso (en
horas). El centro del molino se desgasta mas que los extremos.
La figura 35.3 muestra el desgaste mostrado en el primer compartimiento en funcion de las toneladas
y las horas de operaci
on. Su forma sugiere un modelo del tipo:
675
Figure 1.
The inspection sheet for
the two-ball mill
compartments
40
Espesor (mm)
676
30
20
10
0
A
1
x 10
B
2
C
Uso (horas)
Seccin
Figura 35.2: Desgaste observado en el primer compartimiento en funcion del uso (en horas)
677
10
10
0.5
1
1.5
10
2.5
2
2.5
x 10
1.5
3.5
1
4
0.5
x 10
4.5
Uso (Ton)
Uso (horas)
Figura 35.3:
678
x 10
35
185 Ton/hr
8
30
3.5
Uso (Ton)
12
25
3
2.5
16
20
20
15
24
1.5
28
10
32
1
36
0.5
1.5
Uso (horas)
2
x 10
Figura 35.5: Uso del modelo ajustado para estimar intervalo para reemplazo de los liners
Par
ametro
costo de intervencion
tasa de produccion
precio energa
costo de falla
Simbolo
Ci
p
Ce
cf e
Valor
80
2000
0,75
1000
Unidad
um/u
up/ut
um/ue
um/ut
35.3.
Ce (t)
p (t)
(t) dt
+ Ci
T + Tp
um/ut
(35.1)
ci (T ) =
Ce p
RT
0
1 (t)dt + Ci
T + Tp
(35.2)
cf e Tp
um/ut
T + Tp
(35.3)
La figura 35.7 muestra un estudio del costo global en funcion del intervalo T . Para las condiciones
dadas, si Tp es despreciable, conviene hacer el reemplazo cada T = 4 ut. Si, por ejemplo, el tiempo
679
16
Rendimiento (up/ue)
15
14
13
12
11
10
0
Edad (ut)
35.4.
Comentarios
La data es bastante colineal en un grafico logartmico del espesor. Eso puede hacer poco robusta la
estimaci
on de la superficie que se esta ajustando (figura 35.11).
35.5.
A futuro
En el modelo visto, la decision de reemplazo es de caracter tecnico (que el espesor sea mayor
que un valor prefijado). Sera interesante decidir el reemplazo en funcion del costo global o de la
disponibilidad del sistema.
Seg
un Radziszewski [3], el desgaste total depende de 3 procesos de desgaste (abrasion, corrosion e
impacto). Sera interesante estudiar el uso en funcion de cada criterio. Por ejemplo, para impacto
usar el numero acumulado de ciclos. Tambien se podra sospechar de eventos transientes que ocurran
en partidas y paradas (registrar el acumulado de partidas).
El desgaste del sistema molino tambien podra estudiarse en funcion de las unidades de energa
acumuladas en funci
on del total de material procesado.
Es necesario estudiar la frecuencia basica de los impactos: corresponde a nl x?, (x: velocidad de
rotaci
on, nl n
umero de lifters)?
680
400
350
300
250
200
180,0
143,6
150
134,2
131,9
135,5
100
1
Edad (ut)
Figura 35.7: Costo global esperado (um/ut) para Ce = 0,75 um/ue, Tp = 0 ut y cf e = 2000 um/ue.
400
350
300
280,0
250
193,6
200
167,5
156,9
155,5
150
100
1
3
Edad (ut)
Figura 35.8: Costo global esperado (um/ut) para Ce = 0,75 um/ue, Tp = 0,1 ut y cf e = 1000 um/ue.
681
400
350
346,7
334,7
316,2
313,4
318,4
300
250
200
150
100
1
Edad (ut)
Figura 35.9: Costo global esperado (um/ut) para Ce = 2,0 um/ue, Tp = 0,1 ut y cf e = 1000 um/ue.
400
380,0
350
300
243,6
250
200,8
200
181,9
175,5
150
100
1
3
Edad (ut)
Figura 35.10: Costo global esperado (um/ut) para Ce = 2,0 um/ue, Tp = 0,1 ut y cf e = 2000 um/ue.
682
10
10
0
0
10
3
2
2
4
x 10
4
1
0 6
x 10
Uso (Ton)
Uso (horas)
Figura 35.11: Infinitos planos pueden pasar por el eje de los puntos
Bibliografa
[1] N.S. Santarisi, R.M. Almomany, Mathematical modeling of wear rate of non-repairable parts
and their replacement strategies: Cement mill liners as a case study, Journal of Quality in
Maintenance Engineering, 11(1), 68-81, 2005.
[2] P.W. Cleary, Predicting Charge Motion, Power Draw, Segregation And Wear In Ball Mills Using
Discrete Element Methods, Minerals Engineering, 11(11), 1061-1080, 1998.
[3] P. Radziszewski, Exploring total media wear, Minerals Engineering, 15, 10731087, 2002.
683
684
Captulo 36
Modelos de conminuci
on
36.1.
Introducci
on
Los molinos en los cuales se procesa sin elementos facilitadores son conocidos como molinos autogenos (AG, Autogenous Grinding). Este tipo de molinos usa trozos de roca como medio moledor.
Si los trozos son de tama
no intermedio se habla de molinos de pebbles 1 (figura 36.1). Si se procesa
material cuyas caractersticas de fractura impida molerlos suficientemente, se carga una peque
na
cantidad de bolas de acero para facilitar el proceso de molienda. Este tipo de molinos es conocido
como semiautogenos (SAG). Ambos tipos de molinos son de amplio uso en minera.
La reducci
on de tama
no del mineral en molinos AG/SAG se lleva a cabo por una combinacion de
fuerzas por impactos, desgaste (attrition) y abrasion cuando el molino gira. Aquellas partculas que
est
an en el fondo reciben las maximas fuerzas de impacto del mineral y las bolas que caen. Las
demas caen desde diferentes alturas y estan sujetas a fuerzas de desgaste y abrasion que resulta en
disminuci
on de tama
no.
La operaci
on de los molinos autogenos y semi-autogenos considera el uso del medio moledor mas
barato y en reemplazo de las bolas de acero y las barras, que afectan de manera importante el
desgaste de los revestimientos. Es necesario que el mineral incluya una cantidad suficiente de mineral anfitri
on que dure lo suficiente para que act
ue como medio moledor. Este tipo de mineral es
conocido como competente. Aquellos minerales que se rompen facilmente son conocidos como de
baja competencia o poco competentes.
Los molinos AG/SAG han reemplazado exitosamente a configuraciones de molinos de barras y de
bolas. El n
umero de instalaciones de este tipo ha ido en crecimiento [1]. Una ventaja de este tipo de
molinos es que permite eliminar al menos una etapa de chancado. Los molinos SAG son usados para
moler mineral de oro y cobre duros. El indice de trabajo o indice de Bond [2]2 de estos minerales
oscila entre 12 y 14 KWh/t. Tambien se aplica molienda SAG a minerales mas suaves tales como
la bauxita.
1 El
di
ametro de un pebble oscila entre 4 y 64 cm
ndice de trabajo expresa la resistencia de un material a ser triturado y molido. Num
ericamente son los KWh/ton
requeridos para reducir un material desde un tama
no te
oricamente infinito a una producto de 80 % menos 100 micrones
2 El
686
Di
ametro (pies)
36
40
27
Longitud
17
40
d/l
-
Potencia (MW)
13
20
-
687
(36.1)
con = 0,67 y f0 = 53,5 mm. f80 corresponde al diametro de malla donde pase el 80 % del material.
Notemos que esta relaci
on no considera la dureza del material.
El n
umero y el di
ametro de las bolas de acero depende de la dureza del material. Al incrementar
el di
ametro de las bolas se incrementa su energa cinetica para fracturar pero la frecuencia de los
impactos se reduce. Ello fuerza un balance entre diametro y n
umero de bolas. En Australia los
di
ametros est
an entre 50 y 175 mm seg
un sea la dureza del material [1].
Los molinos AG/SAG vienen con las siguientes configuraciones:
a) circuito abierto con un trommel (figura 36.5) como clasificador
b) circuito cerrado con un ciclon como clasificador
c) circuito abierto con un molino de bolas en circuito cerrado
d ) circuito abierto con un chancador secundario y posterior molienda de bolas
Las figuras 36.6-36.8 muestran diferentes ejemplos observados.
La carga de un molino SAG es de un 30-35 % de su volumen interior. Las bolas ocupan un 5-15 %
del volumen [3]. La carga del molino es medida usualmente a traves de celdas de carga o strain
gages.
La velocidad de rotaci
on del molino varia seg
un sea la carga. En general es de 80-85 % de la velocidad
critica 3 . El proceso de molienda depende de la velocidad.
Para el calculo de la potencia existen varias formulas empricas. Una forma com
un de obtenerla es
a partir de ensayos sobre un prototipo a escala.
3 velocidad
688
689
La elecci
on entre molinos AG y SAG depende principalmente de las propiedades intrnsecas del
material (su competencia y su indice de trabajo) y la potencia requerida para el circuito de molienda.
Existen ensayos que permiten estimar la potencia requerida a partir de muestras del material de
alimentaci
on.
36.2.
ci
on
Modelamiento matem
atico del proceso de conminu-
Dependiendo del proceso utilizado, uno o mas impactos ocurren hasta la desintegracion y la reducci
on de tama
no ocurren a valores aceptables. El proceso de reduccion de tama
no comienza con
la tronadura. La materia prima consiste de un rango de tama
nos. La probabiblidad de que una
partcula sea reducida depende de la distribucion de tama
nos y tambien de la maquina que lo realice. Tanto el dise
no del equipo como el tiempo de residencia de las partculas definen la distribucion
resultante. A fin de estimar la distribucion, se usan mallas de distintos calibres.
Los modelos matem
aticos de molienda permiten simular el proceso, realizar analisis de sensibilidad
en los dise
nos y estimar condiciones optimas de operacion bajo condiciones especificas. La idea
basica de un modelo de conminucion es obtener la relacion entre la distribucion de entrada y la de
salida.
36.3.
En general, la operaci
on de los molinos a bolas es continua. El proceso demora lo necesario para
entregar un tama
no de liberacion deseado. El modelo a continuacion asume que la mezcla es homogenea. En el estado estaci
onario, el balance de masa del sistema entrega:
mineral
mineral
mineral
mineral
+
=
+
de alimentacion
real imentado
en proceso
producto
o
f + ARs = As + p
donde:
f es la tasa de alimentaci
on,
p es el producto,
s es el mineral en proceso,
R es una matriz diagonal que modela la seleccion de material a ser molido,
A es una matriz triangular inferior que modela la redistribucion del mineral seleccionado para
molerse.
El producto se relaciona con el mineral en proceso a traves de la relacion:
p = Ds
donde D es una matriz triangular que entrega las fracciones que entrega el molino. Depende de la
tasa de alimentaci
on al molino. Obviamente,
s = D1 p
Despejando,
p = DR1 (DR1 + I A)1 f
(36.2)
690
Tamano ( m)
1200-2400
600-1200
300-600
150-300
75-150
0-75
Alimentacion (u/u)
0.064
0.184
0.228
0.291
0.22
0.013
Producto (u/u)
0.003
0.065
0.095
0.154
0.289
0.394
(36.3)
p = DR1 Rs
(36.4)
y
La ecuaci
on 36.3 puede ser resuelta si se conoce la inversa de I A (no siempre disponible). Sin
embargo, las ecuaci
ones 36.3 y 36.4 son simultaneas para Rs. Para resolverlas se aprovecha que
ambas tienen forma triangular inferior.
Al considerar el balance de masa, Lynch y Whiten [5] y luego Gault [6] relacionaron la tasa de
descarga con la tasa de alimentaci
on volumetrica, seg
un:
D=
4v
2 l
(36.5)
36.3.1.
Estudio de caso
La distribuci
on de la alimentaci
on y del producto de un molino que procesa v0 = 200 t/h se muestra
en tabla 36.2. Se desea estimar la distribucion resultante de aumentar la alimentacion a v1 = 285
t/h.
La figura ?? muestra la distribuci
on de la alimentacion en Ton/h.
La matriz A est
a caracterizada por su primera columna:
0,188
0,321
0,208
a1 =
0,105
0,021
(36.6)
luego,
A=
0,188
0,321
0,208
0,105
0,021
0
0,188
0,321
0,208
0,105
0
0
0,188
0,321
0,208
0
0
0
0
0
0
0,188
0
0,321 0,188
(36.7)
691
60
Alimentacion (ton/h)
50
40
30
20
10
[0 75]
[75 150]
[150 300]
[300 600]
[600 1200]
[1200 2400]
Diametro (micrones)
12,8
36,8
45,6
f0 =
58,2
44,2
(36.8)
0,6
13,0
19,0
p0 =
30,9
57,8
(36.9)
Usando la ecuaci
on 36.3 calculamos Rs0 ,
15,02
35,25
50,54
Rs0 =
64,70
26,47
(36.10)
y usando ecuaci
on 36.4 despejamos D0 R1 , aprovechando que ella es diagonal:
D0 R1 = diag(p0 ./(Rs0 ))
(36.11)
donde diag(x) es la matriz cuya diagonal es x y ./ es la division elemento a elemento entre los dos
vectores.
D0 R
0,0569
0
0
0
0
0
0
0
0,5255
0
0
0
0,5357
0
0
0
0,6784
0
0
0
0
0
0
0
3,1111
(36.12)
v1
D0 R1
v0
(36.13)
692
100
200 t/h
285 t/h
90
80
Produccion (ton/h)
70
60
50
40
30
20
10
[0 75]
[75 150]
[150 300]
[300 600]
[600 1200]
[1200 2400]
Diametro (micrones)
D1 R
0,0399
0
0
0
0
0
0
0
0,3688
0
0
0
0,3759
0
0
0
0,4761
0
0
0
0
0
0
0
2,1832
(36.14)
18,2
52,4
65,0
f1 =
82,9
62,7
y usando ecuaci
on ?? obtenemos el nuevo producto:
1,19
23,25
33,21
p1 =
52,00
83,49
(36.15)
(36.16)
Las figuras ?? y 36.11 muestran las distribuciones de la produccion para ambos escenarios. Notemos
que las partculas sub 75 micrones pasan de 32 % a 39 %.
36.3.2.
Evoluci
on del proceso con el desgaste de revestimientos y mallas
En este caso consideraremos que la matriz A depende del uso t up (unidades de produccion) que
haya tenido el molino desde el ultimo overhaul (cambio de revestimiento).
A = A(t)
A fin de parametrizar A, le asociaremos una distribucion de Weibull truncada con parametros (x)
, , xmax ,
1
x
1
! x
e( )
0 x xmax
xm
a
x
1e ( )
f (x) =
693
0.4
200 t/h
285 t/h
0.35
0.3
Fraccion
0.25
0.2
0.15
0.1
0.05
[0 75]
[75 150]
[150 300]
[300 600]
[600 1200]
[1200 2400]
Diametro (micrones)
0.03
0.025
f(x)
0.02
0.015
0.01
0.005
0
0
500
1000
1500
2000
Dimetro (micrones)
2500
3000
(t) = 0 e t0
un ejemplo se muestra en figura 36.13.
Estudio de caso
Consideremos:
0 = 830 m
= 0,84
xmax = 2400 m
Tras un uso de 20000 Kton,
(x = 20000) =
despejando,
t0 =
t
0
ln (t)
0
2
694
850
800
750
700
650
600
550
500
450
400
0
0.5
1
Uso acumulado (Kton)
1.5
2
x 10
695
60
1200-2400
600-1200
300-600
150-300
75-150
0-75
Alimentacion (Ton/h)
50
40
30
20
10
0
0
0.5
1
1.5
Produccion acumulada (Kton)
2
x 10
20000
= 28854 Kton
ln 2
12,8
36,8
45,6
f=
Ton/h
58,2
44,2
(36.17)
donde los intervalos estan definidos por {1200-2400, 600-1200, 300-600, 150-300, 75-150}.
El producto al inicio de un ciclo de vida es,
p0 =
0,6
13,0
19,0
30,9
57,8
Ton/h
(36.18)
0,0569
0
0
0
0
0,5255
0
0
0
0
0,5357
0
DR1 =
0
0
0
0,6784
0
0
0
0
0
0
0
0
3,1111
(36.19)
36.4.
Comentarios finales
Hemos visto modelos que permiten modelar la distribucion del producto de un molino a partir
de la distribuci
on del mineral de alimentacion. El modelo basico visto ha sido usado exitosamente
696
100
1200-2400
600-1200
300-600
150-300
75-150
0-75
90
80
Producto (Ton/h)
70
60
50
40
30
20
10
0
0
0.5
1
1.5
Produccion acumulada (Kton)
2
x 10
0.5
1200-2400
600-1200
300-600
150-300
75-150
0-75
0.45
0.4
Producto (u/u)
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0
0.5
1
1.5
Produccion acumulada (Kton)
2
x 10
697
para modelar molinos de bolas y de barras. Tambien puede ser usado en simulacion de condiciones
din
amicas. En particular hemos adaptado el modelo basico para aceptar que el molino cambia la
calidad de su producto en funci
on de la edad de los revestimientos y los elementos de clasificacion.
698
Bibliografa
[1] Gupta, A., Yan, D.S., Mineral Processing Design and Operation: An Introduction, Caps. 9 y
10, Elsevier, 2006.
[2] Bond, F.C., Third Theory of Comminution, Trans. AIME, 193, 484-494, 1952.
[3] F. Penna, in Mineral Processing and Hydrometallurgy Plant Design - Worlds Best Practice,
A.M. Norton Jackson, G. Dunlop and P. Cameron, (eds), Australian Mineral Foundation, South
Australia, 43-47, 1999.
[4] A.R. MacPherson and R.R. Turner, in Mineral Processing Plant Design, AX. Mular and R.B.
Bhappu (eds), SME-AIME, New York, 279-305, 1980.
[5] AJ. Lynch, Mineral crashing and grinding circuits, their simulation, optimisation, design and
control, Elsevier Scientific Publishing Company, Amsterdam, 1977.
[6] G.A. Gault, PhD Thesis, University of Queensland, 1975.
699
700
Captulo 37
Dise
no con redundancia
Decidement, on naime bien
que les femmes quon na pas eues.
Emile Zola
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Conocer que:
el dise
no (configuracion) a traves de redundancia de las lneas y equipos afecta la confiabilidad, la disponibilidad y la mantenibilidad de los sistemas.
que la gesti
on de mantenimiento debe incluirse o estar en estrecho contacto con la gestion
de los activos de la organzacion.
los conceptos de redundancia activa y pasiva.
el problema de dise
no puede ser resuelto para el caso general utilizando la teora de colas
y los modelos de simulacion.
Dise
nar lneas y equipos de modo de optimizar alg
un criterio seleccionado, tomando en cuenta
las restricciones que puedan afectar la toma de decisiones.
Evaluar la validez de las hipotesis que sustentan a los modelos vistos.
37.1.
Introducci
on
La configuraci
on de un equipo o sistema influye en su confiabilidad. Esta puede ser estudiada en 2
niveles:
a) El efecto del equipo dentro de una lnea de produccion
b) El efecto de la disposici
on de componentes dentro del equipo
37.1.1.
Dependencia de la lnea
Los equipos son interdependientes dado que dependen de la operacion exitosa de otros equipos
para producir. Por ejemplo, en la configuracion de figura 37.1, la pieza pasa por todas las maquinas
secuencialmente. Si cualquiera de estas maquinas no opera hay una fuente potencial de perdida
de producci
on. Para reducir esta posible perdida, las maquinas crticas pueden ser dispuestas en
paralelo. En figura 37.2 se aprecia un ejemplo donde una de ellas estan en stand-by.
701
702
Sistema
p1
p2
p3
pn-1
pn
p2
p3
pn-1
pn
p3b
37.1.2.
Un equipo est
a compuesto en general por varios sub-sistemas, los cuales pueden ser inter-dependientes
tanto en serie como en paralelo. Las diferentes combinaciones posibles pueden resultar en diferentes
costos, confiabilidades, requerimientos de espacio, niveles de seguridad, etc.
Antes de examinar posibilidades
optimas calcularemos la probabilidad de buen funcionamiento del
equipo o confiabilidad.
37.2.
Conceptos probabilsticos
37.2.1.
Configuraci
on en serie
Si pi es la probabilidad de operaci
on satisfactoria del i-esimo componente 1 entonces la probabilidad
de que el sistema opere exitosamente, o sea, la confiabilidad del sistema, Rs es:
Rs =
n
Y
pi
i=1
37.2.2.
Configuraci
on en paralelo
i=1
n
Y
qi
i=1
1 N
otese
703
Sistema
p1
p2
p3
pn-1
pn
P2,1
Pk,1
P1,2
P2,2
Pk,2
P1,n1
P2,n1
Pk,nk
Etapa 1
Etapa 2
Etapa k
pn
37.2.3.
Configuraci
on mixta
La confiabilidad del sistema mostrado en figura 37.4 es la probabilidad de que al menos un componente funcionar
a cuando sea requerido, en cada etapa. Luego:
Rs =
k
Y
1 qini
i=1
37.2.4.
Redundancia pasiva
704
Sistema
p1
p2
p3
pn-1
pn
p1
p2
p3
pn-1
pn
p2
p3
pn-1
pn
p1
p2
p3
pn-1
pn
Rs =
pi
i=1
n
Y
pi
i=1
La confiabilidad de los dos sistemas puestos en paralelo es la probabilidad de que al menos uno
opere, lo que iguala
1 P (ambos fallen)
Luego
Rs = 1
n
Y
!2
pi
i=1
Una alternativa para incrementar la confiabilidad de sistemas en serie es poner 2 sistemas en paralelo
pero a nivel de componente, como se muestra en figura 37.6.
La confiabilidad de tal sistema es (de acuerdo a 37.2.3)
Rs =
n
Y
1 qi2
i=1
37.2.5.
Redundancia activa
En las configuraciones descritas anteriormente se asumio que cuando los componentes estan en
paralelo, solo uno es usado en un instante dado y los demas componentes de la etapa estan en
standby. Si el sistema opera con todos los componentes operando cuando es posible, pero donde la
falla de un componente no genera la falla del sistema (el mismo puede operar con menos que todos
los componentes; por ejemplo, turbinas de avion), en este caso se habla de redundancia activa y
sera tratado en una secci
on posterior.
Etapa
1
2
3
pi
0.9
0.7
0.9
705
ci (um)
2
3
1
37.3.
Configuraci
on
optima con restricci
on de presupuesto
Un equipo est
a compuesto de k etapas en serie y solo opera si cada etapa funciona. Para incrementar
la confiabilidad del equipo, los componentes pueden ser replicados, en paralelo, en cada etapa
(redundancia pasiva, dado que solo uno de los componentes debe funcionar). Dada la probabilidad
de falla de los componentes, el problema es:
determinar la configuraci
on optima que maximice la confiabilidad
sujeto a restricciones de presupuesto.
37.3.1.
Descripci
on del modelo
a) La configuraci
on del equipo es la mostrada en 37.2.3 de la seccion anterior. La confiabilidad
de tal sistema es:
k
Y
Rs =
(1 qini )
i=1
k
Y
(1 qini )
i=1
sujeto a
k
X
ni ci B
i=1
Como se puede ver, la formulacion es en variable discreta dado que los ni toman los valores 1, 2, 3, ...
37.3.2.
Ejemplo num
erico
El equipo se compone de 3 etapas. Los componentes pueden ser duplicados en las primeras 2 etapas.
Los datos se muestran en la tabla (37.1). El presupuesto aprobado es de 10 um.
Se desea
max (1 q1n1 ) (1 q2n2 ) (1 q3n3 )
ni
sujeto a
2 n1 + 3 n2 + 1 n3 10
706
n2
n1
n3 = 1
(37.1)
Dada la u
ltima restricci
on, y substituyendo los valores qi
m
ax (1 0,1n1 ) (1 0,3n2 ) 0,9
ni
sujeto a
2n1 + 3n2 9
La figura 37.7 muestra la region factible para el caso estudiado. Siendo que hay pocas variables, la
solucion es encontrada por evaluaci
on exhaustiva:
Sea n1 = 1, entonces
2 + 3n2 9
o sea
n2 2,33
Por tanto, tratando con n2 = 2, entonces
Rs = 1 0,11
= 0,737
1 0,32
1 0,11
Sea n1 = 2, entonces
4 + 3n2 9
o sea
n2 1,66
entonces, tratando con n2 = 1
Rs (n1 = 2, n2 = 1) = 1 0,12
= 0,624
si n1 = 3
6 + 3 n2 9
n2 1
1 0,31
1 0,11
707
entonces para n2 = 1,
Rs (n1 = 3, n2 = 1) = 1 0,13
= 0,629
1 0,31
1 0,11
37.4.
Una situaci
on usual es la de hacer un balance entre costo y confiabilidad. En este caso la restriccion
de presupuesto no aplica. Un objetivo combinado puede ser:
Rmax
C(n)
+
R(n)
Cmn
donde es la confiabilidad maxima, para la cual podemos asumir:
Rmax = 1
Cmn corresponde al costo mnimo, y es un factor de ponderacion entre ambos criterios.
Ejemplo 127 Para el caso del ejemplo, el costo mnimo se alcanza cuando no hay redundancia:
Cmn = 2 + 3 + 1 = 6 um
2 Examen
recuperativo 2005-I
708
37.5. Configuraci
on
optima con restricciones de presupuesto
y seguridad
El problema que examinamos aqu es determinar la configuracion optima de un equipo compuesto
de k etapas con ni componentes en paralelo en la i-esima etapa, y donde cada etapa debe operar
para que el equipo funcione, que maximice la confiabilidad del equipo sujeto a:
a) Una restricci
on de seguridad en terminos de la confiabilidad del equipo
b) restricci
on presupuestaria
37.5.1.
Descripci
on del modelo
a) La configuraci
on del equipo que se considera es descrita por la figura 37.2.3. La confiabilidad
de tal sistema es descrita por:
k
Y
Rs =
(1 qini )
i=1
k
Y
(1 qini )
i=2
f ) La restricci
on de seguridad sobre la configuracion es que la probabilidad de una operacion
prematura del equipo debido a una se
nal esp
urea sea menor o igual a Ps . Luego
(1 Qn1 )
k
Y
i=2
(1 qini ) Ps
Configuracion
(n1 ,n2 ,n3 )
(1, 2, 1)
(2, 1, 1)
(3, 1, 1)
Confiabilidad
0,737
0,624
0,629
709
Seguridad
0,041
0,061
0,090
ni ci B
i=1
i=1
sujeto a
n1
(1 Q )
k
Y
(1 qini ) Ps
i=2
k
X
ni ci B
i=1
37.5.2.
Ejemplo num
erico
710
ME57A
Cap. Diseo basado en la confiabilidad
Maximizacin de confiabilidad
con restriccin de presupuesto y de seguridad
n1
n2
n3
Q
q1
q2
q3
C1
C2
C3
B
S0
1
2
2
0.95
0.1
0.3
0.1
2000
3000
1000
10000
0.075
R
C
S
0.811
10000
0.045
711
37.6. Configuraci
on
optima minimizando el costo para nivel
de confiabilidad dado
Se desea dise
nar un equipo de una etapa que opere durante una unidad de tiempo (1 a
no por
ejemplo) con un cierto nivel de confiabilidad dado.
El dise
nador puede alcanzar tal requerimiento a traves del uso de redundancia pasiva con componentes de diferente calidad (y costo).
El problema es seleccionar el tipo y n
umero de componentes que minimice el costo y satisfaga un
nivel de confiabilidad dado.
37.6.1.
Descripci
on del modelo
sujeto a
1 qj j R
37.6.2.
Ejemplo num
erico
El costo fijo de todo componente es 1 um. El costo variable depende de la confiabilidad del componente y sigue la ley
0,5 + 1j um
La confiabilidad de cada tipo de componente se muestra en tabla 37.3. La confiabilidad deseada es
de 0,95.
El problema es entonces
mn [1nj + (0,5 + 1j) nj ]
nj ,j
sujeto a
1 qj j 0,95
Tras evaluar, la tabla 37.4 resume para cada tipo de componente, el n
umero optimo, la confiabilidad
alcanzada y el costo total.
712
j
1
2
3
4
5
pj
0,75
0,80
0,85
0,90
0,95
nj
3
2
2
2
1
Re
0,98
0,96
0,98
0,99
0,95
Costo
7,5
7,0
9,0
11,0
6,5
Observaci
on 119 Una extensi
on natural del problema es considerar equipos de varias etapas. Sandler [4] utiliza adem
as varios periodos de tiempo y costos de operaci
on variables en el tiempo.
37.7. Minimizaci
on de costo global con restricci
on de confiabilidad y varias etapas
3
Un equipo est
a compuesto por un conjunto de K etapas. En cada etapa es posible a
nadir tantos
componentes en standby como se requiera. A su vez, los componentes tienen una confiabilidad que
3 de
713
depende de su costo:
pk,j = 1 e/ck,j
y cuyos costos depende del tipo componente:
ck,j = k ej
a) Considere
ni,j es el n
umero de componentes de tipo j en la etapa i
pk,j es la probabilidad de que el componente opere correctamente durante un periodo de tiempo
dado;
ck,j es el costo variable unitario de un componente;
k es el ndice para la k-esima etapa;
j es el ndice para el tipo de componente (hay J tipos);
, k , son constantes conocidas;
Rs es la confiabilidad del equipo.
El costo fijo por componente es Cf i (no depende de la etapa ni del tipo de componente).
Por razones de detectabilidad, los componentes de cada etapa no son reparados hasta que
todos han fallado.
Se requiere que el equipo alcance una confiabilidad R. Para facilitar la gestion, se solicita usar
un solo tipo de repuesto en cada etapa.
Se requiere un modelo de optimizacion que permita minimizar el costo total.
37.7.1.
Modelo propuesto
En el caso m
as general una etapa puede tener varios tipos de componentes (j). En tal caso la
confiabilidad de la etapa Rk es
n
Rk = 1 Jj=1 qk,jk,j
donde
qk,j = 1 pk,j
Dado que las etapas est
an dispuestas en serie, la confiabilidad del sistema es
nk,j
K
J
Rs = K
R
=
q
k=1 k
k=1
j=1 k,j
la que al menos debe alcanzar el valor R dado:
Rs R
(37.2)
K X
J
X
(37.3)
k=1 j=1
714
K X
J
X
(37.4)
k=1 j=1
y ahora podemos a
nadir la restricci
on de exclusividad para cada etapa,
J
X
Ik,j = 1 k
(37.5)
j=1
nos queda el modelo no lineal con variables mixtas (NLMIP) que minimiza (37.4) con las restricciones (37.2) y (37.5).
Observaci
on 120 La formulaci
on podra ser re-escrita para ser de programaci
on mixta. N dP .
37.8.
Redundancia
optima a costo global mnimo
Se requiere dise
nar y operar equipo compuesto de una etapa, que puede tener varios componentes
en paralelo. El prop
osito de la redundancia pasiva es reducir la fraccion de tiempo en que el equipo
esta no operativo debido a que todos los componentes han fallado (el equipo requiere solo de uno
para operar. Al incrementar el grado de redundancia, los costos de insumos y de mantenimiento
se incrementan. Se requiere un balance entre el costo de los componentes y el costo de falla que se
reduce al aumentar el grado de redundancia.
37.8.1.
Descripci
on del modelo
37.8.2.
Ejemplo num
erico
n
1
2
3
4
715
cg (n) um/ut
7.150
4.850
6.783
8.800
cof = 5 um/ut
cov = 2 um/ut
B = 12 um/ut
n
Am
= 0,99
s
El
optimo se encuentra en:
n = 2
con
As = 0,9975
cto = 7,495 um/ut
cg = 7,745 um/ut
La hoja excel puede ser bajada [aqu] .
37.9.
Un sistema est
a compuesto de n maquinas en paralelo, cuyo producto es entregado a la proxima
etapa de la lnea de produccion. Si una de estas maquina falla, la carga de produccion es redistribuida
5 examen
2005-2.
716
entre las n 1 m
aquina remanentes, lo que logra que el nivel de produccion no se reduzca. La
maquina que fall
o es reparada y eventualmente retorna a produccion. Se asumira que basta con
que una m
aquina opere para que el nivel de producci
on no se vea afectado. El problema
es determinar el n
umero
optimo de maquina a disponer en paralelo para minimizar el costo global
por unidad de tiempo y el downtime de la etapa.
37.9.1.
Descripci
on del modelo
n
n
(1 + )
con
=
Para encontrar la f
ormula se utiliza la teora de colas. Dado que la proporcion de tiempo en
que la etapa no produce es equivalente a la probabilidad de que, para cualquier instante, las
n m
aquinas esten no-operativas. Se asume que los recursos de mantencion permiten que las
maquina sean reparadas en cuanto fallan. Ver referencia [5].
d ) El costo de falla por unidad de tiempo es cf .
e) El costos total de operaci
on por unidad de tiempo para una maquina es co .
f ) El objetivo es determinar el n
umero optimo de maquina n a disponer en paralelo en la etapa
para minimizar el costo global por unidad de tiempo cg (n) (considera operacion+falla).
cg (n) = n costo por maquina+
proporcion de tiempo que la etapa no produce
costo de falla
Por tanto
cg (n) = nco + Dn cf
Observaci
on 122 La f
ormula para An es v
alida en regimen estacionario. Si las condiciones transientes dominan la operaci
on es necesario simular. N dP .
37.9.2.
Ejemplo num
erico
n
1
2
3
4
5
Dn
0,5
0,25
0,13
0,06
0,03
717
cg (n)
350,0
325,0
375,5
436,2
518,1
37.9.3.
As =
n
X
n
pi (1 p)ni
i
i=k
donde
p+q =1
As + Ds = 1
Para el caso,
k=2
p = 0,5
La figura 37.11 muestra un estudio para varios valores de n. El optimo se encuentra en n = 3.
6 control
3, 2007-2.
718
800
700
600
500
400
300
200
100
0
2
Nro. equipos
Consideremos que los costos de operacion de un equipo son proporcionales al costo especfico co
um/ut. (solo cuando el equipo opera) y al n
umero de equipos dispuestos. Cuando un equipo esta en
standby su costo especifico se reduce a co um/ut. El costo de capital por unidad de tiempo de un
equipo es cc um/ut. Consideremos:
MTTR
= 0,5
M T BF
cf
=
=5
co
cc
=
= ,5
co
= 0,1
El n
umero
optimo de maquinas que minimice el costo global esperado por unidad de tiempo:
cg (n) = 2co An + Dn ((n 2)co + cf ) + ncc
n2
Normalizando por co ,
cg (n)
= 2An + Dn ((n 2) + + n)
co
Las figuras 37.12 y 37.13 muestran un estudio de la solucion para 2 niveles de . Uno de los
determinantes del nivel de redundancia es el factor de reduccion en costos entre equipos en operacion
y en standby.
El analisis puede bajarse aqu.
Una extension natural a este modelo considerara diferencias costos cuando los equipos estan
disponibles y cuando est
an siendo reparados.
7 Examen
2007-II.
719
Figura 37.12: N
umero optimo de maquinas. = 0,5.
7.0
Costo global esperado normalizado
7.0
6.5
6.0
5.5
5.0
4.5
4.0
3.5
3.0
6.5
6.0
5.5
5.0
4.5
4.0
3.5
3.0
Nro. equipos
Nro. equipos
Figura 37.13: N
umero optimo de maquinas. = 0,9.
37.9.4.
Consideremos la misma situacion del ejemplo pero combinemos con la decision de tener o no un
repuesto (la decision es tener o no tener 1 repuesto). Supongamos que el tiempo medio para reparar
en caso de no disponer el repuesto es 1/. En caso de disponer de el, este tiempo se reduce a /.
Para efectos del nivel promedio en bodega, asumiremos ademas que el repuesto es reemplazado en
bodega tan pronto es usado en una intervencion (la demora es usualmente mayor que 1/).
0<<1
El costo de almacenamiento de un repuesto es ca um/um/ut. El costo global queda entonces:
c0g (n) = nco + Dn0 cf + ca
con
n
n
(1 + )
Dn0 =
La figura (37.14) muestra un estudio del costo global esperado por unidad de tiempo vs para
ca = 50 um/ut.
Una alternativa es disminuir la intensidad de trafico al incrementar el M T BI. En caso de no tener
el repuesto en bodega la redundancia optima es 2 y el costo global esperado esta cercano a las 250
um/ut. Cuando se decide tener el repuesto en bodega y = 0,8 hay indiferencia entre no tener
redundancia y tenerla con n = 2. Si se tiene el repuesto y = 0,2 es mejor no tener redundancia a
costo global esperado 200 um/ut.
Observaci
on 123 Se ha asumido que la distribuci
on de fallas de una m
aquina es constante y no
es influenciada, por ejemplo, por absorber las cargas de otras m
aquina con falla. Si este no fuese el
caso, sera necesario derivar una nueva expresi
on para An .
Observaci
on 124 Tambien se asumi
o que la etapa no funciona, solo si todas las m
aquina fallan.
Otro caso a analizar es cuando la etapa no opera si r de las n m
aquina no funcionan. Tambien
sera necesario derivar una nueva expresi
on para d(n).
Ejemplo 129 Se dispone de un sistema con una configuraci
on de dise
no inicial como se muestra
en figura 37.15. Est
a compuesta por m
aquinas cuya probabilidad de falla en una unidad de tiempo
es q y el costo es c.
8 Control
3, 2007-I.
720
ca=50 um/ut
600
n=1
n=2
n=3
n=4
n=5
550
500
cg (um/ut)
450
400
350
300
2
250
200
150
0
0.2
0.4
0.6
0.8
Figura 37.14: Costo global vs para ca = 50 um/ut. Las cruces indican los puntos para el proyecto de
no disponer del repuesto en bodega (
optimo en n = 2 para ese caso).
C
A
D
E
F
1
3
etapas
a)
b)
Para expresar la confiabilidad del sistema de figura, primero se analizara por sistemas simples.
Definimos p = 1 q.
El sub-sistema CD (en serie) tiene probabilidad de operacion satisfactoria:
pCD = RCD
= p2
El sub-sistema EF (en paralelo) tiene probabilidad de operacion satisfactoria:
pEF = REF
= 1 q2
721
El sub-sistema CDEF puede ahora ser tratado como un sistema en paralelo son dos componentes:
pCDEF = 1 qCD qEF
= 1 1 p2 1 1 q 2
= 1 1 p2 q 2
Finalmente, quedan las 4 etapas como un sistema en serie de 4 equipos:
Rs,0 = p3 pCDEF
= p 3 1 1 p2 q 2
Para el estudio de la redundancia, se tiene el problema
max Rs =
ni
k
Y
1 qini
i=1
donde
q1 = q2 = q4 = q
q3 = 1 pCDEF
= 1 1 1 p2 q 2
= 1 p2 q 2
n3 = 1
k=4
con
k
X
ni ci B
i=1
donde
c1 = c2 = c4 = c
c3 = 4c
37.10.
722
i
1
2
3
4
5
6
7
8
Ci (um/falla)
5000
2000
200
500
50
100
1000
1500
M T T R (horas)
8
2
1
24
2
5
12
1
M T BFA
5000
2500
2000
1000
150
300
1000
10000
pi , i = 0, 1, 2 probabilidad de que i m
aquinas esten disponibles.
M T BFA , tiempo medio entre fallas si el equipo opera,
M T BFB , tiempo medio entre fallas si el equipo esta en stand-by.
De los datos:
pA = 0,8
pB = 0,2
M T BFB = 5 M T BFA
Asumiendo que ambos equipos son usados indistintamente en la medida en que estan ambos
disponibles, podemos calcular un M T BF esperado para ambas maquina:
M T BFesperado = pA M T BFA + pB M T BFB
= 0,8 M T BFA + 0,2 5 M T BFA
= 1,8 M T BFA
luego
i
1
2
3
4
5
6
7
8
M T BFB
5000
2500
2000
1000
150
300
1000
10000
M T BFesperado
9000
4500
3600
1800
270
540
1800
18000
P2
$/ut
2
i
1
2
3
4
5
6
7
8
723
CIM
Valor repuestos MTTR MTBF-A CIM
CAM 25% anual
(USD/falla) en bodega (USD) (horas) (horas)
USD/hora USD/hora
rho
rho/(1+rho) p0
p1
5000
10000
8
5000
0.56
0.29
8.9E-04
8.9E-04 7.9E-07 1.8E-03
2000
500
2
2500
0.44
0.01
4.4E-04
4.4E-04 2.0E-07 8.9E-04
200
500
1
2000
0.06
0.01
2.8E-04
2.8E-04 7.7E-08 5.6E-04
500
800
24
1000
0.27
0.02
1.3E-02
1.3E-02 1.7E-04 2.6E-02
50
1000
2
150
0.18
0.03
7.4E-03
7.4E-03 5.4E-05 1.5E-02
100
10
5
300
0.18
0.00
9.3E-03
9.2E-03 8.4E-05 1.8E-02
1000
500
12
1000
0.55
0.01
6.7E-03
6.6E-03 4.4E-05 1.3E-02
1500
2000
1
10000
0.08
0.06
5.6E-05
5.6E-05 3.1E-09 1.1E-04
CFM
CGM
CGM
p2
USD/hora USD/hora relativo
1.0E+00
0.21
1.05
9%
1.0E+00
0.11
0.57
5%
1.0E+00
0.07
0.14
1%
9.7E-01
3.14
3.44
29%
9.9E-01
1.76
1.97
17%
9.8E-01
2.20
2.38
20%
9.9E-01
1.59
2.15
18%
1.0E+00
0.01
0.15
1%
11.85
100%
CIM
CAM 25% anual CFM
CGM
USD/hora USD/hora
USD/hora
USD/hora CIM %
CAM %
0.56
0.29 0.213 1.05353
53%
0.44
0.01 0.107 0.56512
79%
0.06
0.01 0.067 0.13645
41%
0.27
0.02 3.144
3.441
8%
0.18
0.03
1.76 1.97274
9%
0.18
0.55
0.08
0.00
0.01
0.06
2.195
1.586
0.013
2.37887
2.15204
0.15374
8%
26%
54%
27%
3%
10%
1%
1%
CFM %
CGM %
20%
100%
19%
100%
49%
100%
91%
100%
89%
100%
0%
1%
37%
92%
74%
9%
100%
100%
100%
p0 =
(1 + )
1
=
M T BF
1
=
MTTR
Para p1 consideramos
p1 = p(m
aquina 1 disponible)p(maquina 2 no disponible)+
p(m
aquina 1 no disponible)p(maquina 2 disponible)
=2
1
1+
1+
luego
2
200
+
0,2
2
2 (200 2) +
(1 + )
(1 + )
200 2
0,2 2
1
$/ut
1+
1+
2
cf = 0,8
Para el c
alculo del costo de intervencion esperado por unidad de tiempo se considera
ci =
Ci
M T BFesperado + M T T R
$/ut
Los resultados se muestran en figuras 34.3 y 34.6. El analisis de Pareto permite concentrarse sobre
los modos de falla con mayor Cg , y luego establecer que componente es preponderante: intervencion,
falla o almacenamiento, para focalizar la b
usqueda de soluciones.
724
Correa
A
B
M T BF
(horas)
72
96
ti
(horas)
24
0
TTR
(horas)
6
12
RA (t = 300) = e 72 = 0,558
84
RB (t = 300) = e 96 = 0,417
Como est
an en paralelo el sistema tiene una confiabilidad para t = 300,
Rs (t = 300) = 1 (1 0,558)(1 0,417) = 0,742
9 de
10 de
725
50
100
150
200
250
300
Tiempo (horas)
b)
calcule el M T BF
c)
d)
e)
proponga medidas para lograrlo. Use los supuestos que considere relevantes.
Y
Ri
i
= 0,9910
= 0,90
Si asumimos que la distribuci
on de fallas del sistema es exponencial,
Rs (t = 8) = e8s = 0,90
luego
log 0,90
8
= 0,0132 fallas/hora
s =
y por tanto
M T T Fs =
1
= 75,9 horas
s
2003-II
726
A=
75,9
75,9 + M T T R0
luego
M T T R0 = 6,6 horas
Ello se puede lograr contratando m
as personal, aumentando el stock de repuestos, situando la bodega cerca de la lnea de producci
on, mejorando los procedimientos de diagn
ostico, simplificando el
reemplazo de componentes con tasa de falla alta, etc.
Ejemplo 133 12 Exprese la confiabilidad y la tasa de fallas en funci
on del tiempo para un sistema compuesto de 2 componentes en paralelo cuyas distribuciones de falla son exponenciales con
par
ametro . Se puede decir que la tasa de fallas del sistema es exponencial?, cual es la tendencia de la tasa de fallas cuando t es suficientemente grande? Trat
andose de un sistema en serie, la
confiabilidad es de la forma
Rs (t) = 1 1 et
2
= 1 (1 2et + e2t )
= 2et e2t
= et (2 et )
la tasa de fallas puede ser calculada a partir de
s (t) =
fs (t)
Rs (t)
donde
dFs (t)
dRs (t)
=
dt
dt
= 2et 2e2t
fs (t) =
luego
2et 2e2t
2et e2t
1 et
=
1 0,5et
s (t) =
como se aprecia, s (t) no es constante en el tiempo y por lo tanto no corresponde a una distribuci
on
exponencial. Sin embargo, la tasa de fallas tiende asint
oticamente en el tiempo a ser constante
(figura 37.19), si t , s .
12 examen2003-II.
727
=.1
=.25
0.25
0.2
0.15
0.1
0.05
10
12
14
16
18
20
Tiempo
Ejemplo 134 Considere un sistema con n componentes en serie cuyas fallas siguen una distribuci
on de Weibull con par
ametros y (para todo componente). Exprese la confiabilidad y la tasa de
fallas del sistema. A que tipo de distribuci
on corresponde?, cuales son los par
ametros? Para todo
sistema en serie la confiabilidad es
n
Y
Rs (t) =
Ri (t)
i=1
pero
Ri (t) = e
Rt
i (x)dx
luego
Rs (t) =
n
Y
i=1
Pn
Rt
i (x)dx
Rt
0
i (x)dx
i=1
i (x)dx
Rt
s (x)dx
=e
i=1
= e
R t Pn
= e
con
s (t) =
n
X
i (t)
i=1
En nuestro caso,
i (t) =
i
t
i
1
728
luego
1
n
X
t
i
i=1 i
" n #
X 1
= t1
i
i=1
s (t) =
1
Pn
= t1
Pn
i=1
=
Pn
i=1
=
Pn
i=1
i=1 i
1
1 P
1
1
i
n
i=1
1
i
t1
1 1
1 P
n
1
1
i=1
1 P
n
1
t1
1 (1)
i=1
1
i
1
=
Pn
i=1
s
=
s
t
s
1
i
Pn
t
1
i=1
1
i
s 1
con
s =
"
s =
(37.6)
n
X
1
i=1
# 1
(37.7)
(37.8)
con lo cual,
1
M T T F = s 1 +
1,5
= 1443,2 ciclos
n
10
11
12
13
729
k de n
0.099
0.344
0.712
0.966
37.11.
Sistemas k de n
n
i
pi (1 p)ni
para
i = 0...n
El termino binomial es:
n
i
=
n!
i!(n i)!
37.12.
Consideremos un sistema de produccion de una etapa, donde pueden disponerse varios equipos en
paralelo:
Existen varios tipos de equipos, i = 1...I
se desea decidir que tipo de equipo usar y que nivel de redundancia se debe tener.
730
0
0
Luego, el costo global esperado de ciclo de vida es:
R
0
fT ( )e d
Una forma complementaria para decidir que configuracion utilizar toma en cuenta la relacion costo/beneficio. En este caso consideraremos beneficio a la disponibilidad esperada del sistema.
37.12.1.
i (2i + i )
2
(i + i )
2
1 +3(i +i )+2i (2i +i )
2 +3(i +i )+2(2i +i )2 com,i
Ai,2
731
= p
p
p=.5p
37.12.2.
i (3i + i )
+ i (3i + i )
32i
y
Cp +
Cg,i
=
Ai,3
37.13.
Ai,2
Ejemplo num
erico
732
i
1
2
Ai
,9917
,9774
Cg,i
410,0
307,5
Cg,i /Ai
413,4
314,6
np,i /p
2,0
1,5
37.14.
37.14.1.
Formulaci
on
Par
ametro
n
A
1
1
.95
1.2
2
17
.98
1.1
3
5
.92
1.4
4
3
.96
1.0
733
Unidad
u
-
37.14.2.
Estudio de caso
Consideremos un sistema compuesto por 4 subsistemas. Los parametros se muestran en tabla 57.9.
La tasa de producci
on m
axima esta limitada por el subsistema 4, y cuya tasa de produccion es de
15 up/uto.
La figura 37.22 muestra el diagrama de bloques del sistema. Para producir a 100 % se requieren:
k = {1, 16, 4, 3}
con lo cual se obtiene una disponibilidad esperada de sistema:
As = 0,759
s = 11,5 up/uto
equipos activos lo que nos permite calcular la disponibilidad esperada por susbsistema (figura
37.23) y notar que el sub-sistema 4 debe ser priorizado para aumentar la disponibilidad de sistema.
Siguiendo la misma l
ogica, la figura 37.24 muestra un estudio de la disponibilidad de sistema para
otras tasas de producci
on. Las discontinuidades en la disponibilidad de sistema son producto de los
requerimientos puntuales de mas maquinas para lograr la produccion deseada. por ejemplo, si la
producci
on deseada supera las 10 um/uto, se requieren los 3 equipos en etapa 4 (figura 37.25).
Estimada la disponibilidad de sistema, se puede calcular la tasa de produccion esperada por unidad
de tiempo en funci
on de la tasa de produccion por unidad de tiempo en operacion(figura 37.26).
Si, por ejemplo, se sube la disponibilidad de un equipo en subsistema 4 de 0.96 a 0.97, la disponibilidad de sistema sube desde As = 0,759
A0s = 0,783
luego,
As = 0,024
0s = 11,8 up/uto
Otra manera de mejorar la solucion es incrementar la tasa de produccion de la etapa con mejores
pr
acticas de operaci
on o redise
no. Si por ejemplo, se sube 2 desde 1.1 a 1.15,
A00s = 0,791
00s = 11,9 up/uto
734
1
0.9
0.8
Disponibilidad
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
Sub-sistema
735
0.95
Disponibilidad de sistema
0.9
0.85
0.8
0.75
5
10
Tasa de produccion (up/uto)
15
Figura 37.24: Disponibilidad esperada en funcion de tasa de produccion. Salto en 10 up/uto: entra equipo
3/3 en etapa 4. Salto en 12.7 up/uto: entra equipo 4/5 en etapa 3. Salto en 14.6 up/uto, entra equipo
16/17 en etapa 2.
18
1
2
3
4
16
14
12
10
8
6
4
2
0
5
10
Tasa de produccion promedio (up/uto)
15
Figura 37.25: Cantidad de equipos requeridos en funcion del nivel de produccion deseado
736
15
14
13
12
11
10
9
8
7
6
5
5
10
Tasa de produccion promedio (up/uto)
15
37.14.3.
Comentarios
El modelo permite estimar la disponibilidad de sistema y la tasa de produccion esperada por unidad
de tiempo en funci
on del programa de produccion que se desee explotar.
La metodologa presentada puede ser muy u
til para:
dise
no y reingenieria de sistemas y niveles de redundancia y capacidad a disponer,
estudio de factibilidad de programas de produccion,
selecci
on (priorizaci
on) de equipos a ser optimizados con respecto a su disponibilidad.
37.15.
A explorar
Bibliografa
[1] A.K.S. Jardine. Maintenance, Replacement and Reliability. Pitman Publishing, Cap. 8, 1973.
[bajar].
[2] C.R. Sundararajan.Guide to Reliability Engineering. Van Nostrand Reinhold, 1991.
[3] Ebeling, C.E., An Introduction to Reliability and Maintainability Engineering, Ch. 3, McGrawHill, 1997.
[4] G.H. Sandler.System Reliability Engineering. Prentice-Hall, 1963.
[5] J.G. Rau.Optimization and Probability in Systems Engineering. Van Nostrand Reinhold, 1970.
[6] Wang, K., Sivazlian, B.D., Life Cycle Cost Analysis for Availaibility System with Parallel Components, Computers ind. Engng, 33(1-2),129-132, 1997. [bajar].
[7] Lyonnet, P. Maintenance Planning, Methods and Mathematics. Chapman & Hall, 1991. [bajar].
[8] Goel, H.D., Grievink, J., Herder, P.M., Weijnen, M.P.C., Integrating reliability optimization into
chemical process synthesis, Reliability Engineering and System Safety, 78,247-258, 2002. [bajar].
[9] J. Wang, J.B. Yang, P. Sen, T. Ruxton, Safety based design and maintenance optimisation of
large marine engineering systems, Applied Ocean Research, 18, 13-27, 1996. [bajar]
[10] Barlow, R.E. Heidtmann, K.D. Computing k out of n system reliability, IEEE Trans. on Reliability Vol. R-33, Oct, 322 - 323, 1984.
[11] Boland, P.J. and Proschan F., The Reliability of K out of N Systems, The Annals of Probability,
11, 760-764, 1983.
[12] Rausand, M., Hoyland, A., System Reliability Theory, 2nd ed., Wiley, New York, 2004.
[13] D.W. Coit, System-Reliability Confidence-Intervals for Complex-Systems With Estimated
Component-Reliability, IEEE Transactions on Reliability, 46(4), 1997.
[14] Goyal, A. Carter, W.C. deSouza-e-Silva, E. Lavenberg, S.S., The System Availability Estimator, Fault-Tolerant Computing, 1995, Highlights from Twenty-Five Years., Twenty-Fifth
International Symposium, 27-30 Jun 1995.
737
738
Captulo 38
Tama
no de flotas, talleres y
cuadrillas
From a practical viewpoint, simulation is the process of designing and creating a computerized model of a real or proposed system for the purpose of conducting numerical
experiments to give us a better understanding of the behavior of that system for a given
set of conditions.
Kelton et al.[13]
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Dominar los conceptos b
asicos de la teora de colas.
Visualizar la necesidad de los modelos de simulacion para tomar en cuenta situaciones realistas.
Evaluar la validez de las hipotesis que sustentan los modelos de apoyo a la toma de decisiones.
Establecer la cantidad de recursos humanos y materiales de mantenimiento a disponer in-house
y a subcontratar en talleres y en cuadrillas de trabajo.
Dise
nar e implementar modelos de simulacion en alg
un software comercial.
38.1.
Introducci
on
Al incrementar el nivel de equipos tales como fresas y sistemas modernos de inspeccion, incrementa
el costo de inversiones en mantenimiento y se requiere de mano de obra especializada adicional.
Adem
as, al incrementar los equipos y mano de obra internas se reduce la necesidad de recursos
externos tales como maestranzas y contratistas.
Un problema de decisiones importante es determinar el tama
no optimo del personal de mantenimiento. Al aumentar la dotacion,
a) Se incrementa el costo de intervencion
b) Se reduce el tiempo de detencion del equipo (menor costo de falla)
c) Se reduce el tiempo de detencion pues un equipo mas grande es capaz de resolver las tareas
m
as r
apidamente (menor costo de falla)
En este capitulo veremos como la teora de colas y el uso de simulaciones puede ayudar en la toma
de decisiones respecto del tama
no de talleres y cuadrillas.
739
740
ptimo
Costo global
Costo de
intervencin
Costo de
falla
Tamao del servicio
Figura 38.1: Costo global optimo
38.2.
Teora de colas
La teora de colas trata los problemas de congestion que ocurren cuando los clientes llegan a un
servicio. Ellos esperan en una cola (si ella existe), son procesados por servidores, y luego dejan el
servicio. En mantenimiento, los clientes pueden ser los trabajos que llegan a un taller desde las
plantas y los servidores en tal caso seran los tornos, fresas y personal de taller disponibles para
realizar las tareas. La teora de colas permite responder a (y tomar decisiones en consecuencia):
Cual es el tiempo promedio que un trabajo espera en la cola?
Cual es el n
umero promedio de trabajos en curso?
Cual es la probabilidad de que el tiempo de espera supere un T dado?
Cual es la probabilidad de que el servicio este sin trabajos en curso?
Disponiendo de la informaci
on mencionada es posible identificar el tama
no optimo del servicio para
minimizar el costo total. En el intervienen el costo de intervencion del servicio y el costo de falla
asociado a las esperas. La situaci
on se grafica en figura 38.1.
38.2.1.
Casos estudiados
Las figuras 38.2 y 38.3 muestran los servicios que consideraremos. En el caso de figura 38.2 hay
un solo servidor y solo un cliente puede ser atendido en un instante dado. En el caso de figura
38.3 existen varios servidores en paralelo. Las tareas son ejecutadas por el primer servidor que se
encuentre libre.
Antes de realizar el an
alisis de un sistema con colas, se debe disponer de:
Servidor
Llegadas
741
Salidas
Servidor
Servidor
Llegadas
Salidas
Servidor
Servidor
Figura 38.3: Varios servidores
Asumiremos que el patr
on de llegada de los clientes es aleatorio, con distribucion de Poisson:
n
P (n, t) =
(t) et
n!
donde,
P (n, t) es la probabilidad de que hayan n llegadas durante el intervalo de tiempo [0,t] y
es el promedio de llegadas por unidad de tiempo.
Asumiremos que el patr
on del servicio (T T R) es aleatorio con distribucion exponencial
Las reglas de prioridad: consideraremos que el primer cliente en llegar es el primero en ser
servido (FIFO, First In, First Out).
Observaci
on 125 En casos reales, las condiciones anteriores son aceptables aunque otros patrones
de llegada, servicio y prioridad sean apropiados. En tal caso, los resultados a los que llegaremos
pueden no ser aplicables y se deber
a consultar literatura especializada (o simular).
Observaci
on 126 En notaci
on standard, el tipo de cola que analizaremos es del tipo M/M/n. Eso
es, el tiempo entre llegadas es exponencial, el tiempo de servicio tambien, y hay n servidores[24].
38.2.2.
742
= Tq +
donde 1 es la intensidad de tr
afico (para un servidor):
1 =
Observaci
on 127 Para que la cola no sea infinita, debe ser menor que 1.
Sistemas con n servidores
El tiempo medio en que una maquina esta ocupada corresponde al n
umero de trabajos por unidad
de tiempo y por m
aquina tiempo medio de un trabajo en una maquina (o a intensidad de tr
afico
para n servidores):
1
=
n
La probabilidad de que el sistema este desocupado es[24, p.857]
p0 =
1
n1
X
i=0
i1
i!
!
+
n
1
n!
1
1
743
10
10
0.98
Tq
0.95
0.9
-1
10
0.8
-2
0.2
0.1
10
0.4
0.3
0.5
0.6
0.7
-3
10
10
15
20
30
40
60
100
10
25
1
10
10
-1
10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Figura 38.6: N
umero de clientes en el servicio vs intensidad de trafico y para n
umero de servidores en el
rango [1, 25]
744
Lq
luego,
T q = p0
n nn1
2
n! (1 )
El n
umero esperado de clientes en el servicio:
L = Lq + 1
La figura 38.4 muestra la probabilidad de que no haya ning
un cliente en la cola vs el n
umero de
servidores y varios niveles de carga. La figura 38.5 muestra la demora media (normalizada) T q
para varios n y , para las hip
otesis antes mencionadas.
38.3.
N
umero
optimo de m
aquinas para demanda fluctuante
38.3.1.
745
100
90
80
cg/max(cg)
70
60
50
Tiempo
de servicio
40
30
20
10
10
11
12
n
Figura 38.7: Costo global y uso de las maquinas para varios n
38.3.2.
Ejemplo
Sean
= 30 trabajos/ut
= 5,5 (trabajos/ut)/maquina
cf = 500 ut/ut
cl = 200 ut/ut
Evaluando (38.1) para diversos n, se obtienen los resultados mostrados en tabla (38.1).
N
umero de
m
aquinas n
6
7
8
9
10
11
12
Demora media de
un trabajo T s
0.437
0.237
0.198
0.189
0.185
0.183
0.182
746
Para n = 6,
= 0,91
T q = 1,4
Luego la espera media en la cola es de
T q = 1,4 0,182
= 0,255 semanas
y
T s = T q + tiempo medio de servicio
= 0,255 + 0,182
= 0,437 semanas
De ecuaci
on (38.1),
cg (6) = 6 200 + 0,437 30 500
= 1200 + 6555
= 7755 ut
Para calcular la fracci
on de tiempo en que una maquina esta ocupada:
fracci
on de tiempo ocupada = nro. medio de trabajos/maquina
tiempo medio por trabajo
1
=
n
luego la fracci
on de tiempo desocupado de una maquina es
1
38.4.
Tama
no de flota
38.4.1.
Una lnea de bus hace un recorrido de Tc utk /ciclo. La velocidad media en horario peak es de vp
utk /ut. En el recorrido, una de las estaciones define la demanda de la lnea. En horario peak llegan
1 control
3, 2007-II.
747
p usuarios por unidad de tiempo. Cada bus tiene una capacidad para transportar Cm usuarios,
pero al llegar a esa estaci
on solo hay disponibles Cm puestos en promedio. La disponibilidad media
de un bus es de Ab . Proponga un modelo para calcular la frecuencia de paso de los buses y el tama
no
de flota para que se cumpla que:
Lq Cp
(38.2)
T q Tt
donde Lq es el largo esperado de la cola (usuarios), Cp es la capacidad del paradero, T q el tiempo
esperado en cola (ut) y Tt (ut) el parametros de calidad del servicio.
38.4.2.
Estudio de caso
Ab
Tt
Cp
p
Valor
40
25
80
30
94
0.1
60
500
Unidad
Km
Km/hora
usuarios
%
%
hora
usuarios
1/hora
Del total de la flota (de n buses), disponemos de la fraccion Ab operando. Asumiremos que la flota
se distribuye uniformemente en el recorrido, luego, la distancia esperada entre buses es:
d=
Tc
nAb
d
vp
2
1
y el tiempo esperado en cola toma la expresion:
1
1
748
1.20
1.00
0.80
0.60
0.40
0.20
0.00
36
38
40
42
44
46
48
Tamao de flota
Usuarios en espera
500
400
300
200
100
0
35
37
39
41
43
45
47
49
38.5.
Esfuerzo
optimo de una cuadrilla
38.5.1.
Se dispone de una cuadrilla de mantenedores cuya tasa de trabajos puede ser influenciada por su costo, por ejemplo por la compra de equipos especializados o el pago de bonos. El grupo es responsable
del mantenimiento de un grupo de m
aquinas. Si la maquina falla y la cuadrilla esta libre, el equipo es
atendido inmediatamente, caso contrario debe esperar hasta que la cuadrilla este disponible. Cuando el equipo est
a en la cola la produccion es afectada (costo de falla) y el problema es determinar
la mejor tasa de trabajo de la cuadrilla para minimizar el costo global por unidad de tiempo.
38.5.2.
749
Descripci
on del modelo
a) La tasa de arribos de m
aquinas con falla sigue una distribucion de Poisson,
b) La tasa de servicio de la cuadrilla sigue una distribucion exponencial negativa,
c) El costo de falla de una maquina es cf ,
d ) El costo por unidad de tiempo de la cuadrilla cm es funcion de la tasa de servicio
e) El objetivo es seleccionar para minimizar el costo global esperado cg :
cg () = costo de falla debido al tiempo en cola+
costo de falla cuando se repara+
costo de la cuadrilla
El costo de falla asociado a la espera en cola es
cf,c = cf tiempo medio de espera por trabajo
tasa de arribo de trabajos
= cf
luego
1
+ cf + cm
+ cm
= cf
cg () = cf
(38.3)
c0m = cf
2
( )
38.5.3.
Ejemplo
750
Usando la condici
on (38.3),
=
10 20
+ 20 = 40 maquinas/ut
0,5
Entonces, la cuadrilla debe ser incentivada (con mejores herramientas y mas bonos) para alcanzar
una tasa de servicio de 40 m
aquinas/ut.
Para el ejemplo, la fracci
on de tiempo en que la cuadrilla esta ocupada (en promedio) es
20
=
40
= 50 %
(cm ) = mn + (max mn )
1+
cm
cm0
2
despejando cm ,
cm =
p
(max ) (mn )
cm0
max
(38.4)
2003-I.
751
80
A
B
70
60
50
40
30
20
10
0.5
1.5
2.5
3.5
Cm
4
4
x 10
38.6.
Combinaci
on
optima de m
aquinas diferentes
38.6.1.
El problema aqu planteado es una extension del ya visto en 38.3. Especficamente, aqu asumiremos que existe una clase de m
aquinas que pueden ser clasificadas en A y B por ejemplo. Los trabajos
pueden ser organizados en tres tipos
requiere de m
aquina A,
requiere de m
aquina B, o
pueden ser realizados por ambos tipos de maquinas indistintamente.
El tiempo de servicio de los trabajos difiere en ambos tipos de maquina, lo mismo que sus costos.
Para un patr
on de demanda dado, el problema es determinar la combinacion optima de maquinas
de ambos tipos que minimice el costo global por unidad de tiempo.
38.6.2.
Descripci
on del modelo
La figura 38.11 ilustra el problema de colas tratado. Se aprecia que los trabajos pueden requerir el
uso de:
una m
aquina A (con bajo costo asociado, por ejemplo);
una m
aquina B (costo asociado mayor, por ejemplo); o
puede ser procesado indistintamente en ambos tipos de maquina.
752
Trabajos A
Trabajos A o B
Trabajos B
753
Un trabajo llega al
sistema
si
Es un trabajo para
mquinas A?
Cola A
no
Cola B
no
no
si
Poner el trabajo
en la cola A
si
Cuanto demora el
trabajo en la
mquina A?
Poner el trabajo
en la cola B
Cuanto demora el
trabajo en la
mquina B?
754
38.6.3.
Ejemplo
Nro.
tiempo de arribo
tiempo
1
2
3
4
5
6
7
Cola
0.06
0.02
0.05
0.01
0.07
0.07
0
0.06
0.08
0.13
0.14
0.21
0.28
A
A
A
A
B
A
A
755
Tiempo de
Tiempo
Prximo trabajo
espera en cola
servicio
fin servicio
en la maquina
si
si
si
si
si
si (A1 libre en t=0.10)
si (A2 libre en t=0.19)
0
0
0
0
0
0
0
0.1
0.13
0.55
0.01
0.11
1.3
0.15
utilizada
A1
A2
A3
A4
B1
A1
A2
inicio servicio
0
0.06
0.08
0.13
0.14
0.21
0.28
0.1
0.19
0.63
0.14
0.25
1.51
0.43
6
7
nB
3
3
3
4
4
4
T s,A
4,23
3,08
2,60
3,60
2,51
2,49
T s,B
7,86
6,13
5,75
4,92
4,43
4,29
Px
0,91
0,93
0,94
0,82
0,87
0,92
cg
110,26
103,66
105,66
108,46
105,72
111,61
38.6.4.
Comentarios
La simulaci
on es una estrategia muy u
til para manejar problemas de cola complejos.
756
38.7.
Tama
no de flota para satisfacer una demanda
Una lnea de buses hace un recorrido de Tc utk /ciclo. La velocidad media en horario peak es de vp
utk /ut. En el recorrido, una de las estaciones define la demanda de la lnea. En horario peak llegan
u usuarios por unidad de tiempo. Cada bus tiene una capacidad para transportar Cm usuarios,
pero al llegar a esa estaci
on solo hay disponibles Cm puestos en promedio (0 < 1). La
disponibilidad media de un bus es de Ab . Proponga un modelo para calcular la frecuencia de paso
de los buses fb y el tama
no de flota n para que el tiempo esperado de espera no supere Tt ut y la
cantidad esperada de usuarios en el paradero no supere su capacidad que es de Cp usuarios.
38.7.1.
Formulaci
on del modelo
El sistema puede ser modelado como un problema de colas donde hay un solo servidor cuya tasa de
servicio es igual al intervalo de tiempo medio entre 2 buses. Un trabajo corresponde a transportar la
capacidad remanente del bus, eso es, Cm usuarios. De acuerdo a lo descrito anteriormente, Existen
n equipos que asumiremos distribuidos uniformemente en un ciclo de Tc utk . De la flota completa,
solo una fracci
on Ab est
a disponible en promedio. La frecuencia de paso sera entonces:
f=
vp
Tc
nAb
2, 2007-II.
(1 )
Parametro
Tc
vp
Cm
Ab
Tt
Cp
Valor
40
25
80
30
94
0.1
60
500
757
Unidad
Km
Km/hora
usuarios
%
%
hora
usuarios
1/hora
2
(1 )
Lq Cp
T q Tt
Ejemplo
Consideremos los par
ametros de tabla 38.3.
El
optimo se encuentra en n=xx. La figura yy muestra un estudio de sensibilidad de xx vs el tama
noi
de flota.
Si se mejorara la disponibilidad en 2 puntos la cola se reduciria un xx % y el tiempo de espera en
xx %.
38.8.
38.8.1.
Introducci
on
758
relleno de combustible
mantenimiento programado
mantenimiento no programado
preparaci
on de la carga
inspecci
on
Aunque el tipo de carga y el tiempo necesario para cargarla sean muy diferentes seg
un el tipo de
aeronave, las actividades son conceptualmente similares. El proceso puede ser modelado como un
sistema de colas donde los aviones son los clientes y los recursos requeridos son los servidores. El
sistema es representado por una flota de n aeronaves que circulan por m estaciones en un ciclo
cerrado. El estado del sistema en cualquier instante esta definido por el n
umero de aviones en cada
estacion. En la red utilizada como ejemplo se han definido 6 estaciones:
taxi que incluye operaciones en tierra e inspecciones antes del vuelo; eventualmente el avion es
enviado al taller para reparaciones;
misi
on representa al vuelo mismo;
diagn
ostico Incluye el conjunto de inspecciones tras el vuelo. Permiten determinar su condicion y determinar si son necesarias reparaciones (intervenciones correctivas) o puede ser preparado
directamente para otra misi
on;
mantenimiento correctivo representa las intervenciones correctivas (no programadas);
reacondicionamiento
Maniobra
759
p1,3=0.05
p1,2=0.95
Vuelo
p2,3=0.30
p2,5=0.70
Diagnstico
4f
4
Reparacin
Fuselaje
Reparacin
Sist. Electrico
Sist, hidraulico
Reparacin
Propulsin
Reparacin
avinica
4j
Reacondicionamiento
Municiones
Reparacin
Radar
Control de armas
760
Nombre
Estaci
on.
i
Taxi
Mision
Diagnostico
MC Estructura
MC Electrico/hidr
aulico
MC Propulsi
on
MC Avionica
MC Radar/Control armas
Reacondicionamiento
Municiones
1
2
3
4
4
4
4
4
5
6
Subest.
k
1
1
1
1
2
3
4
5
1
1
Tiempo medio
servicio
i,k (ut)
0,25
2,00
0,50
2,20
2,27
2,37
1,50
1,19
0,75
0,50
Varianza
2
i,k
(ut2 )
0,000
0,083
0,073
1,404
1,494
1,629
0,653
0,411
0,163
0,023
Probabilidad
intervencion
qi,k
1
1
1
0,17
0,39
0,21
0,27
0,46
1
1
Nivel recursos
Un servidor Varios
mi,k
1
1
1
3
1
2
1
1
1
2
1
6
1
4
38.8.2.
Modelo de simulaci
on
Para comenzar,
definir tama
no de flota N , n
umero de estaciones M , n
umero de subestaciones en la estacion
tenedor K;
Definir intervalo de servicio sik
Definir matriz de probabilidades p; calcular , la probabilidad de que un avion que pase por
la estacion 1 pase por la estaci
on j o subestacion ij;
Definir m, el n
umero de aeronaves que pueden ser atendidos simultaneamente en una estacion
o subestaci
on dada;
El modelo de simulaci
on en Arena?? se presenta en figura (38.15). Las tasas de vuelos vs el tama
no
de la flota cuando hay uno y varios servidores por subestacion se presentan en figura (38.16). La
fuente Arena puede ser bajada aqu.
38.8.3.
Comentarios
(Hackman,1997)[37] y (Dietz, 1997)[16] presentan modelos analiticos para hallar la tasa de misiones
en el estado estacionario. Ello ser
a estudiado en un captulo posterior.
Si se habla una fuerza de ataque posiblemente son los estados transientes (ataques sorpresivos) los
que definen la victoria o el fracaso; ello es posible de estudiar a traves de la simulacion presentada.
38.9.
Comentarios finales
Hemos visto como el uso de la teora de colas puede ser usado convenientemente para definir tama
nos
optimos de cuadrillas y talleres. R
apidamente nos damos cuenta como los resultados pueden estar
fuertemente limitados por la complejidad de la situaciones reales. En tales caso el uso de programas
de simulaci
on aparece como una estrategia a utilizar.
38.10.
A explorar
(Madu et al., 1994)[34] presentan una metodologa centrada en el uso de metamodelos producidos a
partir de simulaciones. As logran modelar la disponibilidad con un polinomio ajustado a variables
Tamao de flota
761
Nmero de Vuelos
5 8
61
Crear aviones
Taxi
Decide 2
Sortie
Separate 2
Separate 3
29
Turnaround
Munitions
29
28
Decide 4
29
Decide 5
Decide 6
1
Rpr3
9
Rpr4
14
Rpr5
1 4
360.0
19
Decide 7
Batch 6
Rpr2
28
28
Rpr1
15
14
29
Separate 5
Decide 3
27
29
Separate 4
0.0
12
10
8
6
Varios servidores
Un servidor
4
2
0
0
20
23
2 9
35
Decide 1
Troubleshoot
40
60
80
100
762
Bibliografa
[1] A.K.S. Jardine. Maintenance, Replacement and Reliability, Cap. 7, Pitman Publishing, 1973.
[bajar].
[2] J. Bisschop and R. Entriken. AIMMS, The Modeling System. Paragon Decision Technology,
The Netherlands, 1993. [bajar]
[3] Eppen, G.D. et al., Investigaci
on de Operaciones, Prentice Hall, 5ta ed., 2000.
[4] Little, J.D.C., A Proof for the Queueing Formula:L = W,, Operations Research, 9(3), 383-387,
1961.
[5] Hillier, F.S., Lieberman, G.J., Investigaci
on de Operaciones, Mc-Graw Hill, 7ma ed., 2002.
[6] Ahire, S., Greenwood, G., Gupta, A., et al. Workforce-constrained preventive maintenance
scheduling using evolution strategies, Decision Sciences, 31(4), 833-859, 2000. bajar
[7] Bowman, R.A., Schmee, J., Pricing and managing a maintenance contract for a fleet of aircraft
engines, Simulation, 76(2), 69-77, 2001.
[8] Basnet, C., Ellison, P.A., manpower planning decision support system for MQM Meat Services,
Computers and Electronics in Agriculture, 21(3), 181-194, 1998.
[9] Yang, T.H., Yan, S.Y., Chen, H.H., An airline maintenance manpower planning model with
flexible strategies, Journal of Air Transport Management, 9(4), 233-239, 2003.
[10] Yang, T., Lee, R.S., Hsieh, C.H., Solving a process engineers manpower-planning problem using
analytic hierarchy process, Production Planning & Control, 14(3), 266-272, 2003.
[11] Dekker, R., Scarf, P.A., On the impact of optimisation models in maintenance decision making:
the state of the art, Reliability Engineering & System Safety, 60(2), 111-119, 1998. [bajar]
[12] Yeh, R.H., Lo, H.C., Optimal preventive-maintenance warranty policy for repairable products,
European Journal of Operational Research, 134(1), 59-69, 2001. [bajar]
[13] Vassiliadis, C.G., Pistikopoulos, E.N., Maintenance scheduling and process optimization under
uncertainty, Computers & Chemical Engineering, 25(2-3), 217-236, 2001. [bajar]
[14] Francis, L.K.N., Optimal replacement policies determined using arithmetic-geometric processes,
Engineering Optimization, 33(4), 473-484, 2001.
[15] Hackman, D.V., Dietz, D.C., Analytical Modeling of Aircraft Sortie Generation with Concurrent
Maintenance and General Service Times, Military Operations Research, 3(3), 61-75, 1997.
[bajar].
[16] Dietz, D.C., Jenkins, R.C., Analysis of Aircraft Sortie Generation with the Use of a Fork-Join
Queueing Network Model, Naval Research Logistics, 44(2), 153-164, 1997. [bajar].
[17] Cronk, R., Wallace, A.J., LCOM User Manual, Version 94.B, Air Force Aeronautical Systems
Center, Wright-Patterson AFB, Ohio, March 1994.
[18] Abell, John B., The Sortie Generation Model System, Logistics Management Institute, Washington, DC, 1981.
[19] Emerson, D.E., An Introduction to the TSAR Simulation Program, Technical Report No. R2584-AF, The Rand Corporation, Santa Monica, California, 1982.
763
764
[20] Miller, L.W. et al., Dyna-Sim: A Nonstationary Queuing Simulation with Application to the
Automated Test Equipment Problem, Technical Report No. N-2087-AF, The Rand Corporation,
Santa Monica, California, 1987.
[21] Suri, R., Robustness of Queueing Network Formulas, Journal of the A.C.M., 30, 564-594, 1983.
[22] Rao, P.C., Suri, R., Approximate Queueing Network Models for Closed Fabrication/Assembly
Systems. Part I: Single Level Systems, Production and Operations Management, 4, 244-275,
1994.
[23] Lavenberg, S.S., and Reiser, M., Stationary Probabilities at Arrival Instants for Closed Queueing Networks with Multiple Types of Customers, Journal of Applied Probability, 17, 1048-106,
1980. [bajar].
[24] Hillier, F.S., Lieberman, G.J., Investigaci
on de Operaciones, Mc-Graw Hill, 7ma ed., 2002.
[25] Willits, C.J., Dietz, D.C., Nested fork-join queueing network model for analysis of airfield
operations, Journal of Aircraft, 38(5), 848-855, 2001. [bajar].
[26] Dietz, D.C., Mean value analysis of military airlift operations at an individual airfield, Journal
of Aircraft, 36(5), 750-755, 1999. [bajar].
[27] Hebert, J.E., Dietz, D.C., Modeling and analysis of an airport departure process, Journal of
Aircraft,34(1), 43-47, 1997. [bajar].
[28] Andijani, A., Duffuaa, S.,Critical evaluation of simulation studies in maintenance systems,
Production Planning & Control, 13(4), 336-341, 2002. [bajar].
[29] Alfares, H.K., Developing optimum preventive maintenance schedules using simulation: A case
study, International Journal of Industrial Engineering-Theory Applications and Practice, 9(3),
311-318, 2002.
[30] Duffuaa S.O., Andijani, A.A., An integrated simulation model for effective planning of maintenance operations for Saudi Arabian Airlines, Production Planning & Control, 10(6), 579-584,
1999. [bajar].
[31] Mathew, J., Rajendran, C., Scheduling of Maintenance Activities in a Sugar-Industry using
Simulation, Computers in Industry, 21(3), 331-334, 1993.
[32] Freese, J.A., Buck. J.R.,Scheduling Shutdown Maintenance Activities Using Microcomputer
Optimization and Heuristics, Maintenance Management International, 7(2), 115-120, 1988.
[33] Vigus, S.E., A Simulation-Based Analysis of the Impact of In-Sourcing a Major Process Element on the Coast Guard HH-60J Depot Maintenance Process, Thesis, Air Force Institute of
Technology, Wright-Patterson Air Force Base, 2003. [bajar].
[34] Madu, C.N., Lyew, P., Russel, J., On the use of Simulation Metamodeling in Solving Systems
Availaibility Problems, Microelectron. Reliab., 34(7), 1147-1160, 1994. [bajar].
[35] Guide, V.D.R., Srivastava, R., Kraus, M.E., Priority scheduling policies for repair shops, International Journal of Production Research, 38(4), 929-950, 2000.
[36] Becker, K.J., Gaver, D.P., Glazebrook, K.D., et al., Allocation of tasks to specialized processors:
A planning approach, European Journal of Operational Research, 126(1), 80-88, 2000. [bajar].
[37] Murty A.S.R., Naikan V.N.A., Machinery selection - process capability and product reliability
dependence, International Journal of Quality & Reliability Management, 14(4), 381-390, 1997.
[bajar].
[38] Graves, S.C., Determining the spares and staffing level for a repair depot, Working paper 169985,A. P. Sloan School of Management, Massachusetts Institute of Technology, Cambridge, MA
September, 1985. [bajar].
[39] Kelton, W. D., R. P. Sadowski, D. A. Sadowski, Simulation with Arena, McGraw-Hill, 1998.
[40] Van der Perre, P., Van Oudheusden, D., Reducing depot-related costs of large bus operators a
case study in Bangkok, European Journal of Operational Research, 96, 45-53, 1996. [bajar].
[41] Morse, P., Queues, Inventories and Maintenance, Wiley, New York, 1958.
765
[42] Upadhya, K.S., Srinivasan, N.K., Availability of weapon systems with multiple failures and
logistic delays, International Journal of Quality & Reliability Management, 20(7), 836-846,
2003. [bajar].
[43] Birolini, A., Quality and Reliability of Technical Systems, Theory, Practice, Management, 2nd
ed., Springer-Verlag, Berlin, 1997.
[44] Emerson, D.E., Simulation models for assessing force generation and logistics support in a
combat environment, in, Systems Analyses and Modelling in Defence, Plenum Press, New York,
1993.
766
Captulo 39
Externalizaci
on
Rolls-Royce (engines) makes 44 per cent of its revenue from maintenance and servicing
of its engines in aircraft , ships and power stations.
B. Glick (2003) [39]
Es verdad,
los amores que se tienen en la vida
nunca se olvidan,
son aromas que se llevan en el aire
y una estela de fragancias van dejando
Ilan Chester.
39.1.
Introducci
on
Muchas compa
nas realizan una parte de su mantenimiento con personal interno y otra con recursos
subcontratados. Algunas intervenciones que se realizan regularmente son ejecutadas por personal de
planta como parte de una estrategia de mantenimiento preventivo. Otras intervenciones requieren
equipo o competencias que el personal de planta no posee, y que deben ser manejadas va contratos.
Una tercera categora de trabajos puede ser realizada indiferentemente por personal interno o subcontratado, o por una mezcla entre ambos, dependiendo de las capacidades del personal residente.
La situaci
on anterior ocurre usualmente en:
talleres de mantenimiento de flotas de vehculos, donde se puede contratar mas personal y
adquirir mas equipos, o subcontratar servicios a talleres locales especializados;
en ambientes de manufactura, donde existen subcontratistas y tecnicos especializados;
en ambientes militares; donde las intervenciones son realizadas por personal profesional especializado, o por proveedores ubicados en las cercanas.
Existen una serie de ventajas para la compa
na en realizar su mantenimiento con personal propio:
el tiempo de respuesta es menor en general;
los an
alisis son en general de mayor profundidad, lo que permite encontrar la fuente raz del
problema, y evitar su recurrencia (proactividad);
Se generan efectos de aprendizaje, al mejorar los procedimientos para realizar las intervenciones
(incremento del know-how ).
Por otro lado, aparecen una serie de desventajas:
Inversi
on posiblemente importante en equipos especializados y capacitacion;
767
768
Modelo inicial
I X
J
J
X
X
1 i
ch j +
cjr (j j )
ij
i=1 j=1
j=1
769
sujeto al n
umero de horas disponibles Tih para cada especialidad i,
J
X
j
Tih , i = 1, ..., I
ij
j=1
y
0 j j , j = 1, ..., J
(39.1)
Observaci
on 129 En este modelo consideraremos que los trabajadores tienen especialidades fijas.
Otra posibilidad seria que pudiesen realizar alternativamente diversos tipos de especialidades. NdP.
39.2.2.
Mejoras al modelo
J
I X
J
X
X
cih +
(j j ) cjr et
ij
j=1
i=1 j=1
luego el costo global acumulado sobre un intervalo infinito y actualizado a t = 0 es
I X
J
J
X
X
X
j i
Cg,0 =
ch +
(j j ) cjr et
ij
t=1
i=1 j=1
j=1
Por supuesto se requiere
0
Considerar costos fijos por unidad de tiempo o inversiones iniciales es trivial:
I X
J
X
X
X
j i
Cg,0 = A +
ch +
(j j ) cjr + j cjf ix et
ij
t=1
i=1 j=1
j=1
donde A es una inversion inicial en equipos y capacitacion, por ejemplo. cjf ix son costos fijos por
unidad de tiempo que s
olo se aplican si hay subcontratacion (cuando la variable indicadora j vale
1).
39.2.3.
Modelo no lineal
En un ambiente real, existen aumentos de eficiencia cuando una misma tarea es repetida m
ultiples
veces por la(s) persona(s). Por otro lado, es muy probable que se incurra en un costo fijo por
inversi
on en equipos (que se carga una vez en cada unidad de tiempo considerada), si ciertas tareas
se hacen con recursos internos.
Una manera usual de modelar el efecto de aprendizaje es usar,
n
T (n) = T 1+
770
3.3
3.2
h (horas/intervencion)
3.1
3
2.9
2.8
2.7
2.6
2.5
2.4
2.3
10
20
30
40
50
60
70
80
n (intervenciones/semana)
log
log 2
T (n) corresponde al n
umero de unidades de tiempo requeridas para intervenir la n-esima unidad
(ver figura 39.1).
Se observa que cuando
=1
el tiempo de servicio es independiente de n:
T = T
Los parametros T y son estimados a partir de datos conocidos: corresponde a la fraccion de
tiempo que tomar
a intervenir la unidad 2n comparado con lo que se toma para la unidad n. Con
esta formulaci
on, el tiempo total para intervenir n unidades es:
1 1+
1 +
El costo fijo/unidad de tiempo es modelado para cada categoria j por
cjf ix j
con
j =
0
1
si j = 0
(39.2)
Observaci
on 130 Parece artificial considerar el efecto de aprendizaje en una an
alisis de costos
por unidad de tiempo (ello implica que se vuelve a un estado inicial de know-how tras cada unidad
de tiempo).NdP.
771
Observaci
on 131 La mano de obra interna debe ser pagada de todas maneras, ello implica un costo
fijo que no afecta la optimizaci
on. Sin embargo, en caso de que un cierto especialista o cuadrilla de
especialistas interna no sea utilizada (j = 0) entonces deber
an ser reasignados o despedidos.
En este caso,
cg () =
I X
J
X
i=1 j=1
J
X
j
cih +
(j j ) cjr + j cjf ix
ij (j )
j=1
con la restricci
on,
J
X
j=1
j
Tih , i = 1, ..., I
ij (j )
Tenemos que,
(39.3)
j
ij (j )
es el tiempo total de las categora j con la especialidad i (por unidad de tiempo) y por tanto es
igual a
1+ij
1 j
ij 1 + ij
Luego, la funci
on objetivo queda de la forma no lineal con variables mixtas:
cg (n) =
1+ij
J
I X
J
X
X
1 j
cih +
(j j ) cjr + j cjf ix
1
+
ij
ij
i=1 j=1
j=1
(39.4)
J
I X
J
1+ij
X
X
1 (j j )
cih +
j (1 j ) cjr + j cjf ix
1
+
ij
j=1
i=1 j=1 ij
(39.5)
y (39.3) como,
J
1+ij
X
1 (j j )
Tih , i = 1, ..., I
1
+
ij
ij
j=1
(39.6)
39.2.4.
Ejemplo num
erico
Consideraremos el ejemplo dado en la referencia fuente [1], con algunas modificaciones pues la
capacidades de las cuadrillas propuestas hacen trivial el problema (ademas hay un error en los
resultados, basta verificar la ecuacion 2 de la referencia).
La figura (39.2) muestra la implementacion en Excel. Se muestra el caso en que no se ha considerado
efecto de aprendizaje ni costo fijo por unidad de tiempo. Se ha decidido realizar todas las tareas en
casa (j = 1). Se aprecia como se ha violado la capacidad de servicio de la cuadrilla.
772
cih (um/hr)
16
12
15
i
1
2
3
Tih (horas/semana)
400
600
900
cjr (um/intervenci
on)
j (intervenciones/semana)
cjf ix (um)
tipo de intervencion j
1
2
3
4
90
60
80 75
75
60
80 50
400 500 1000
0
5
95
30
200
especialidad i
1
2
3
tipo
1
3,0
2,0
1,5
de intervencion j
2
3
4
5
4,0 4,5 3,7 2,4
1,0 5,0 4,0 3,1
3,0 4,0 3,7 2,5
Cuadro 39.3:
tipo de intervencion j
1
2
3
4
0,95 0,80 0,90 0,85
0,90 0,95 0,80 0,80
0,80 0,90 0,95 0,90
especialidad i
1
2
3
5
0,80
0,90
0,95
Cuadro 39.4:
A
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
B C D
c_h a_i
1 16 400
2 12 600
3 15 900
alpha(i,j)
i/j
J
K
L
M
1
2
3
4
5
1
1
1
1
1
75
60
80
50
30
VERDADERO VERDADERO VERDADERO VERDADERO VERDADERO
beta_j
n_j
delta_j
j
1
2
3
4
5
90 60 80 75 95
75 60 80 50 30
0
0
0
0
0
c_r
t_j
c_fix
Objetivo
i/j
1
2
3
j
1
1
3
2
2
3 1,5
phi(i,j)
1
2
3
1
1
1
1
2
3
4
5
4 4,5 3,7 2,4
1
5
4 3,1
3
4 3,7 2,5
2
1
1
1
3
1
1
1
4
1
1
1
5
1
1
1
t:_j*c_r
1
3600,0
1800,0
1687,5
2
3840,0
720,0
2700,0
3
5760,0
4800,0
4800,0
4
2960,0
2400,0
2775,0
5
1152,0
1116,0
1125,0
1
-6.750
6750
2
-3.600
3600
3
-6.400
6400
4
-3.750
3750
5
-2.850
2850
Cg
Restriccin
i/j
1
2
3
1
225,0
150,0
112,5
2
240,0
60,0
180,0
3
360,0
400,0
320,0
4
185,0
200,0
185,0
5
72,0
93,0
75,0
Figura 39.2: Ejemplo, sin aprendizaje y sin costo fijo, todo en casa
17312
10836
13088
41236
-23350
23350
41236
1082,0 <=
903,0 <=
872,5 <=
400
600
900
773
La solucion
optima encontrada en este caso es externalizar todas las tareas. Ello produce un costo
global de 23350 um/semana.
Sin embargo, la mano de obra interna debe ser pagada por lo que se consideran los costos fijos
propuestos en la referencia fuente.
En caso de incluir los efectos de aprendizaje (tabla 39.4), la solucion encontrada por el solver desde
el valor inicial
0 = 1
T
= 1 1 1 1 1
T
se obtiene una soluci
on
optima local = 1 1 0 0, 95 1
, que asegura un costo global
de 21413 um/semana.
Al incluir los costos fijos (tabla 39.2), con 0 = 1 se obtiene el mismo vector solucion anterior, pero
con un costo global asociado de 22513 um/semana.
La formulaci
on del problema, as como las estrategias de b
usqueda del solver hacen muy facil el
caer en soluciones mnimas locales.
La hoja EXCEL utilizada se puede bajar [aqu].
39.2.5.
Comentarios
Hemos presentado un modelo para determinar la fraccion optima de trabajos que deben ser externalizados seg
un su categora y en base a las especialidades disponibles en casa.
Se ha considerado que la fuerza de trabajo interna es constante y que sus especialidades son fijas.
La carga de trabajos para cada categora ha sido considerada una constante, lo que apunta al
mantenimiento preventivo.
El costo fijo por unidad de tiempo corresponde a un prorrateo de la inversion hecha en alg
un instante
en el tiempo.
Parece poco realista considerar efectos de aprendizaje que son inicializados en cada unidad de
tiempo considerada (una semana en el ejemplo de la referencia fuente [1]). Se ha mejorado el
modelo presentado en la misma referencia al utilizar las variables normalizadas j que eliminan las
variables discretas j y que estan acotadas en el rango [0,1]. Su comprension es inmediata pues
representan la fracci
on de trabajos de categora j que son realizados en casa.
El problema de no linealidades introducidas por el efecto de aprendizaje y los costos fijos dificulta
grandemente la convergencia (como se observo en Excel, as como seg
un lo descrito en la referencia
fuente).
Posibles mejoras al modelo:
Considerar recursos internos como variables de decision;
Considerar la demanda de trabajos por unidad de tiempo como una variable aleatoria
Considerar flexibilidad en las especialidades que una cuadrilla puede realizar;
En caso de que una especialidad no sea ocupada (j = 0) el personal asociado deber ser
reasignado o despedido.
El modelo anterior considera que la fuerza de trabajo disponible en casa es constante. Aqu haremos
una an
alisis durante un periodo infinito y tomaremos en cuenta que las inversiones en equipos y
capacitaci
on solo se efect
uan una vez.
1 examen
2003-II.
774
39.3.1.
Formulaci
on del problema
Considere la situaci
on:
llegan j trabajos tipo j por unidad de tiempo, j = 1..J.
Se dispone de varios tipos de cuadrillas i, i = 1..I.
El salario de una cuadrilla especializada tipo i es ct,i um/cuadrilla/unidad de tiempo;
El n
umero de cuadrillas tipo i es ni (variable de decision);
Una cuadrilla puede trabajar hasta un intervalo Tih por cada unidad de tiempo,
los repuestos asociados a un trabajo tipo j valen cr,j um/trabajo;
El nivel de repuestos en bodega sigue el modelo de Wilson por lo que su valor promedio en el
tiempo es j cr,j /2;
El costo de almacenamiento es evaluado con una tasa continua e , o sea, un flujo unitario en
t = 1 equivale a e en t = 0;
El costo de falla por unidad de tiempo es cf um/unidad de tiempo/trabajo;
Los contratistas cobran crj um/trabajo;
los repuestos son provistos por el mandante;
La tasa de servicio de los contratistas es cj (trabajos/unidad de tiempo).
Una cuadrilla tipo i puede realizar solo ciertos trabajos tipo j, lo que se define en el parametro
1 si la cuadrilla i puede hacer trabajos tipo j
Iij =
0
Las tasas de servicio por trabajo (interno) por cuadrilla ij (trabajos/unidad de tiempo/cuadrilla)
es conocida y constante;
Cada trabajo es realizado por una sola cuadrilla;
En caso de que un trabajo j sea realizado internamente por cuadrillas i, se deben realizar
inversiones en equipos y capacitacion con valor Aij (constante, conocido) en t = 0.
Se desea establecer que fracci
on de los trabajos debe ser subcontratada.
Proponga un modelo para optimizar la fraccion del total de trabajos hechos en casa = [ij ] y
T
el n
umero de cuadrillas n = {n1 ,...,nI } que minimize el costo global acumulado y actualizado
a t = 0. Considere una tasa de descuento continua tal que un flujo unitario ocurrido en el
instante t vale et en t = 0. Desprecie los efectos de aprendizaje (lo que se ve solo en los
primeros periodos).
Recomendaciones:
haga un an
alisis por unidad de tiempo, luego sobre un intervalo infinito.
Considere:
a)
b)
c)
d)
e)
f)
g)
Costos de intervenci
on mano de obra interna
Costos de intervenci
on repuestos
Costos de almacenamiento
Costo de falla trabajos en casa
Costo de intervenci
on contratistas
Costo de falla por trabajos subcontratados
Inversiones en equipos y capacitacion
775
Costos de intervenci
on mano de obra interna
Los costos por unidad de tiempo son proporcionales al n
umero de cuadrillas contratadas e independiente del n
umero de trabajos realizados,
c1 =
I
X
ni ct,i
i=1
Costos de intervenci
on repuestos
El costo por unidad de tiempo es proporcional al n
umero de trabajos que arriban (dado que todos
los repuestos son provistos por el mandante),
c2 =
J
X
j cr,j
j=1
ij 1 para j = 1, . . . , J
i=1
Observaci
on 133 La suma de las fracciones de trabajos hechos internamente no es necesariamente
1 pues
!
I
X
1
ij
i=1
es la fracci
on del total de trabajos j realizada por los contratistas.
El tiempo total (por unidad de tiempo) usado por las cuadrillas i es
J
X
ni
ij j para i = 1, . . . , I.
j=1 ij
776
ij
j=1
j=1 ij
Observaci
on 134 Consideramos que no hay traslapos entre los costos de falla asociados a los
trabajos. Si se trata de una lnea de producci
on, ello reducira el costo de falla total.
sumando sobre todos los tipos de trabajos y tipos de cuadrillas, el costo de falla asociado a trabajos
realizados en casa por unidad de tiempo es
c4 =
I X
J
X
ni
ij j cf
i=1 j=1 ij
Costo de intervenci
on contratistas
Los trabajos tipo j hechos por contratistas son
1
I
X
!
ij
j para j = 1, . . . , J
(39.7)
i=1
y su costo de intervenci
on por unidad de tiempo es
c5 =
J
X
j=1
I
X
!
ij
j crj
i=1
I
X
!
ij
j para j = 1, ..., J
i=1
y considerando el costo de falla para cada tipo de trabajo, el costo de falla por unidad de tiempo
para los trabajos j es
!
J
X
X
j
c6 =
1
ij cf
c
j=1 j
i
777
0
1
ij =
si ij = 0
J X
I
X
Aij ij
(39.8)
j=1 i=1
6
X
X
ci ek
Cg,0 = C7 +
k=1
i=1
6
= C7 +
1 X
ci
e 1 i=1
= C7 +
1
cg
e 1
Observaci
on 135 N
otese que si no hay inversiones iniciales (C7 = 0), la minimizaci
on del costo
global actualizado Cg,0 es equivalente a la minimizaci
on del costo global por unidad de tiempo cg .
Restricciones
Una fracci
on no puede ser mayor que 1 y debe ser no negativa:
0 ij 1
La fracci
on de trabajos j hechos en casa no puede ser mayor que 1,
X
ij 1 para j = 1, . . . , J
(39.9)
(39.10)
i=1
El n
umero de cuadrillas tipo i debe ser entero y no negativo,
ni
La capacidad de las cuadrillas internas no puede ser superada.
Una cuadrilla no puede realizar un trabajo para el cual no esta capacitada:
0 ij Iij
(39.11)
Observaci
on 136 N
otese que la condici
on (39.11) es m
as restrictiva que (42.6), luego, est
au
ltima
no es necesaria.
Si se decide prescindir de un tipo de cuadrilla i (ni = 0), es imposible que ij 0 j = 1, . . . , J. Se
tiene adem
as que los trabajos j que hacen las cuadrillas i no pueden superar el tiempo disponible
de cada tipo de cuadrilla,
X
1
ij j
ni Tih para i = 1, . . . , I
ij
j
778
39.4. Tama
no de la cuadrilla cuando hay subcontratistas y
demanda fluctuante
39.4.1.
39.4.2.
Descripci
on del modelo
779
probabilidad de que la
capacidad sea excedida
Figura 39.3: Analisis de costos
f(r)
mn
r
Figura 39.4: Valores esperados de trabajos internos y subcontratados
780
Si la demanda es inferior a la capacidad se tiene que el valor esperado de trabajos internos es (ver
figura 39.4):
R nm
f ()d
i = R0 nm
f ()d
0
luego el valor esperado del costo variable interno es
cv,i = [nm p + i (1 p)] Cw
Por otro lado, el costo variable externo resulta del producto entre el valor esperado de trabajos
subcontratados por unidad de tiempo y el costo por trabajo.
El n
umero de trabajos subcontratados es
a) 0, si la demanda no supera la capacidad interna; la probabilidad asociada es
Z nm
f ()d
1p=
0
(39.12)
El modelo asume que la duracion de los trabajos es de una unidad de tiempo. El permitir que los
trabajos no cumplan tal condici
on complica el modelo.
39.4.3.
Ejemplo
La distribuci
on de trabajos por semana puede ser representada por una distribucion uniforme en el
rango (30, 70) osea
1
40 si 30 70
f () =
0 en otro caso
Ademas,
m
Cw
Cs
ci
= 10 trabajos/semana
= 2 UF
= 10 UF
= 40 UF/semana
781
600
500
400
300
200
100
0
0
Feb
222
Mar
199
Abr
201
May
211
Jun
201
Jul
199
Ago
192
Sep
203
Oct
187
Nov
207
Dic
216
70
1
d +
40
10n
Z 70
1
10
( 10n) d
40
10n
10n
30
d +
40
Tama
no
optimo de la cuadrilla
b)
c)
n
umero esperado de trabajos que ser
an subcontratados.
d)
782
i
i
F = N +1
F (, )
kFF k
Ene
194
3
.231
.194
.037
Feb
222
12
.923
.973
.050
Mar
199
4.5
.346
.357
.011
Abr
201
6.5
.500
.434
.066
May
211
10
.769
.797
.028
Jun
201
6.5
.500
.434
.066
Jul
199
4.5
.346
.357
.011
Ago
192
2
.154
.144
.010
Sep
203
8
.615
.513
.102
Oct
187
1
.077
.059
.018
Nov
207
9
.692
.667
.025
Dic
216
11
.846
.908
.062
1
f () = e
2
()2
2 2
p=
f ()d
nm
=1
nm
y
Z
() =
()d
0
2
1
() = e
2
(39.13)
R nm
f ()d
i = R0 nm
f ()d
0
R n
m
f ()d
R
nm
f ()d
nm
=
nm
783
nm
( nm ) f ()d
R
f ()d
nm
R
R
f ()d nm nm f ()d
nm
R
=
f ()d
nm
nm
e =
(39.14)
pero
Z
Z nm
f ()d
f ()d
=
+
nm
nm
nm
nm
= +
nm
nm
=
+ 1
f ()d =
nm
y
Z
nm
f ()d = 1
f ()d
nm
nm
=1
luego, retomando (39.14),
e =
nm
+ ( nm ) 1
1 nm
nm
784
56000
USD
55000
54000
53000
52000
51000
14
15
16
17
18
19
20
= m 1 +
(nn )2
2
2n
n 2
d Cw si d < m (n)n
m (n)nCw si d < m (n)n
0 si d < m (n)n
(d m (n)n) Cs si d < m (n)n
(39.15)
785
luego la funci
on objetivo (no lineal por el producto n y la dependencia compleja de m con respecto
a n) queda de la forma
cg (n, ) = nci + [d + m (n)n (1 )] Cw + (d m (n)n) Cs
(39.16)
(39.17)
(39.18)
A continuaci
on se introduce una variable auxiliar y tal que
y = x1 x2
las siguientes condiciones fuerzan a que la variable y tome el valor del producto:
y
y
y
y
ux1
x2
x2 u(1 x1 )
0
en nuestro caso ,
x1 =
x2 = n
u = nmax
y = n
luego, () es sustituida por
mn cg (n, , y) = nci + d (Cw + Cs ) + m Cw n m (Cw + Cs ) y
sujeto a
y
y
y
y
nmax
n
n nmax (1 )
0
Una de las ventajas de tener un MIP es que los solvers comerciales estan optimizados para resolverlos, lo que no es el caso para los MINLP.
Observaci
on 138 Para linealizar la parte m (n) el lector interesado es referido a Bisschop93
[224].
Ejercicio 15 Considere el rentabilizar el tiempo ocioso de la cuadrilla, ofreciendo servicios de
inspecci
on a otras empresas.
2 Mixed
786
39.5.
Comentarios finales
Hemos tratado el tema de los subcontratistas, el cual es de gran actualidad por la tendencia de las
empresas a utilizar los conceptos del outsourcing.
Vimos como un problema que originalmente se presenta como no lineal (y posiblemente de difcil
solucion) puede ser reescrito como uno lineal aprovechando estrategias de la programacion en variable mixta.
39.6.
A explorar
(Smith et al, 2004[7]) presentan una formulacion en variable mixta para establecer estrategias
de subcontrataci
on con costo mnimo en entornos de desarrollo y mantenimiento de sistemas de
informacion.
(Coase, 1988)[11] propone que toda actividad economica existen dos tipos de costo: de transaccion
y de interacci
on. Bajo ciertas circunstancias, el realizar las tareas con recursos internos provee
mecanismos m
as eficientes para acceder y usar recursos que las transacciones en un mercado libre
de recursos. Desde ese punto de vista, la eficiencia aparece como promotor para no externalizar.
(Gotfredsson et al., 2005)[9] presentan una vision mas general del proceso de externalizacion.
Ademas, presentan ejemplos de como el outsourcing estrategico ha permitido el desarrollo sustentable de varias empresas clase mundial.
Lai et al. (2004)[8] discuten la vaguedad que existe en contratos de servicios de mantenimiento de
infraestructuras civiles, lo que lleva a frecuentes disputas. Los autores hacen un survey.
Soliman (2003) [13] presenta un estudio acerca de tendencias en la externalizacion de sistemas de
informacion.
Arru
nada y V
azquez (2006) [14] estudian los riesgos asociados a la tercerizacion en la produccion
y contratos de servicio.
Murthy et al. (2002) [?] hacen una dura critica a la tendencia a subcontratar el mantenimiento.
Argumentan que la gesti
on y la planificacion no deben ser tercerizadas por:
las funciones de mantenimiento y produccion deben tener lazos estrechos. Tal relacion se
debilita con el outsourcing,
los objetivos a largo plazo de los contratistas difieren de los del mandante. Los contratos son
en general de corto plazo, en consecuencia las acciones del contratista no son optimas en el
largo plazo,
Los riesgos asociados al outsourcing son importantes. El prestador de servicios adquiere una
gran cantidad de conocimiento sobre el equipo bajo mantenimiento y tal conocimiento se pierde
cuando el mandante cambia de proveedor. Eso puede ser evitado al no cambiar el proveedor.
Sin embargo, ello se traduce en una dependencia total del proveedor. En caso de que caiga
en bancarrota o decida no ofrecer el servicio es un riesgo importante para las utilidades de la
empresa y su eventual supervivencia.
Tambien hay riesgos de selecci
on adversa por la inabilidad del mandante para evaluar las
competencias de los proveedores antes de decidir cual contratar.
Tambien hay un riesgo moral pues es difcil y costoso para el mandante monitorear la calidad
del servicio del contratista. En este caso, existe la tentacion para el agente de no llevar a cabo
todas las tareas adecuadamente con lo cual la performance del sistema se degrada.
Bibliografa
[1] Kennedy, W.J., Modeling in-house vs contract maintenance, with fixed costs and learning effects,
International Journal of Production Economics, 32 (1993) 277-293. [bajar].
[2] Steffen, S. and Laubner, O., Refinery exceeds industry benchmarks with maintenance outsourcing,
Oil & Gas Journal, 99(21), 68-72, 2001. [bajar].
[3] Komonen, K., A cost model of industrial maintenance for profitability analysis and benchmarking, International Journal of Production Economics, 79(1), 15-31, 2002. [bajar].
[4] Jardine, A.K.S., Maintenance, Replacement and Reliability. Pitman Publishing, Cap. 7, 1973.
[bajar].
[5] J. Bisschop and R. Entriken. AIMMS, The Modeling System. Paragon Decision Technology, The
Netherlands, 1993. [bajar].
[6] Czepiel, E., Practices and Perspectives in Outsourcing Aircraft Maintenance, Northwestern University, Evanston Illinois, Final report, 2003. [bajar].
[7] Smith, L.D., Nauss, R.M., Subramanian, A., Beck, R., Decision Support for Staffing, Outsourcing
and Project Scheduling in MIS Strategic Plans, INFOR, 42(1), 79-100, 2004. [bajar].
[8] Lai,J.H.K., Yik, F.W.H., Jones, P., Disputes arising from vaguely defined contractual responsibilities in building services maintenance contracts, Facilities, 22(1-2), 44-52, 2004. [bajar].
[9] Gottfredson, M., Puryear, R., Phillips, S., Strategic Sourcing: From Periphery to the Core,
Harvard Business Review, 83(2), 132-139, 2005. [bajar].
[10] Hagel, J., Brown, J.S., Productive Friction: How Difficult Business Partnerships Can Accelerate
Innovation, Harvard Business Review, 83(2), 82-91, 2005. [bajar].
[11] Coase, R.H., The Nature of the Firm: Origin, Journal of Law, Economics and Organization,
Oxford University Press, 4(1), 3-17, 1988. [bajar], [bajar traducido].
[12] Woof, M., Under Contract, World Mining Equipment Magazine, 23(4), 24-26, 1999.
[13] Soliman, K.S., A framework for global IS outsourcing by application service providers, Business
Process Management Journal, 9(6), 735-744, 2003.
[14] B.o Arru
nada, X.H. V
azquez, When Your Contract Manufacturer Becomes Your Competitor,
Harvard Business Review, 135-144, Sep 2006.
[15] S.M. Gilbert, Y. Xia, G. Yu, Strategic outsourcing for competing OEMs that face cost reduction
opportunities, IIE Transactions, 38, 903915, 2006.
[16] D.N.P. Murthy, A. Atrens, J.A. Eccleston, Strategic maintenance management, Journal of
Quality in Maintenance Engineering, 8(4), 257-305, 2002.
[17] B. Glick,Rolls-Royce Is Confident Grid Technology Will Earn its Wings, Computing, 30 April,
2003.
787
788
Captulo 40
Asignaci
on de recursos con
restricci
on presupuestaria
Los mundos nuevos deben ser vividos
antes de ser explicados
Alejo Carpentier
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Conocer que:
En flotas mixtas de equipos, debe aplicarse una priorizacion por el efecto que cada tipo
de equipo tiene en el nivel de servicio general de la organizacion.
Conocer y modelar los efectos de:
Los diferentes escenarios de demanda de produccion;
los diversos niveles de criticidad por ubicacion funcional o geografica;
Un posible endeudamiento;
La posibilidad de diversos niveles de overhauls;
La posibilidad de combinar presupuestos de adquisicion y de mantenimiento, orientando
el problema a la gesti
on de activos.
Seleccionar el criterio de optimizacion mas apropiado a la situacion encontrada.
Asignar de manera optima los fondos para overhauls de flotas mixtas de equipos en situacion
de escasez de recursos y en un intervalo de tiempo estrategico.
40.1.
Introducci
on
En este captulo veremos dos modelos recientes relacionados con la asignacion de recursos para
mantenimiento cuando hay restricciones de presupuesto (y de otros tipos). La generacion 2005-II
prepar
o el mapa conceptual que se muestra en figura 40.1. Se han resaltado los conceptos mas
cercanos a los modelos vistos en el captulo.
789
790
40.2.
791
Modelo est
atico
40.2.1.
Formulaci
on del modelo
Se proponen 2 maneras para encontrar las soluciones optimas: maximizacion de los beneficios o la
minimizaci
on de los costos.
Sean,
I el n
umero de proyectos,
J el n
umero de alternativas para cada proyecto,
ij el nivel de comfort obtenido si realiza la alternativa j del proyecto i,
0 ij 1
(40.1)
Maximizaci
on del comfort promedio ponderado
En este caso, el nivel de comfort promedio ponderado entre las alternativas que se aprueben es:
= max
I X
J
X
i ij ij
i=1 j=1
(40.2)
con la condici
on,
J
X
ij = 1, i = 1...I
j=1
ij =
1
0
792
Minimizaci
on del costo de intervenci
on inicial
Aqu el objetivo es minimizar el costo inicial total promedio ponderado,
C = mn
I X
J
X
Cij ij
i=1 j=1
(40.3)
con,
J
X
ij = 1
i = 1, ..., I
j=1
Restricciones adicionales
Costos inicial El costos global inicial maximo es la restriccion mas importante dado que usualmente est
a predefinida y no puede ser excedido de forma significativa,
I X
J
X
Cij ij B
(40.4)
i=1 j=1
Nivel de comfort El nivel de comfort debe ser igual o superior a un standard dado,
J
X
ij ij mn i = 1, ..., I
(40.5)
j=1
Tlij ij Tl mn i = 1, ..., I
j=1
Vida de servicio m
axima Algunas veces es sabido que el ocupante presente de un edificio
dejara de requerir ciertos servicios (por reconversion o mudanza, por ejemplo) en alg
un instante
conocido,
J
X
Tlij ij Tl max i = 1, ..., I
j=1
Costo de mantenimiento por unidad de tiempo Los costos de mantenimiento de los edificios
son afectados por muchos factores relacionados con la naturaleza y el ambiente del edificio. Estos
factores incluyen: condiciones de servicio, edad del edificio, tipo de componentes utilizados, etc.,
I X
J
X
cmij ij bm
(40.6)
i=1 j=1
Duraci
on del overhaul
J
X
Tij ij Td , i = 1, ..., I
j=1
793
Optimizaci
on con programaci
on din
amica
Si elegimos la maximizaci
on del nivel de comfort y el metodo de la programacion dinamica, la
soluci
on es encontrada al aplicar recursivamente la siguiente ecuacion,
J
X
j=1
i = 1, ..., I
donde S1,i+1 es la variable de estado asociado a los costos de capital iniciales, y S2,i+1 esta asociada
a los costos de mantenimiento anuales:
S1,j =
I X
J
X
Ckj kj C
(40.8)
cmij ij bm
(40.9)
k=1 j=1
S2,j =
I X
J
X
i=1 j=1
y s
olo una alternativa es elegida por proyecto,
J
X
kj = 1 k = 1, ..., I
(40.10)
j=1
J
X
Cij ij
(40.11)
cmij ij
(40.12)
j=1
S2,i+1 = S2,i +
J
X
j=1
40.2.2.
Ejemplo num
erico
Estudiaremos un caso con 4 edificios: colegio (1), sala de eventos (2), edificio de oficinas (3), edificio
residencial (4). La tabla 42.2 muestra 5 alternativas para el proyecto 2. Estas alternativas se basan
en una evaluaci
on de la condici
on que le entrego al edificio una nota de 2.5 en una escala del 1 al
5. Se consideran las siguientes alternativas para el proyecto 2:
a) Dejarlo como est
a: lo que implica un nivel de nivel de comfort pobre.
b) Overhaul parcial: habr
a una mejora en la condicion de algunos de los componentes y el nivel
de comfort sera aceptable.
c) Overhaul completo: El nivel de nivel de comfort subira al menos a 4 para cualquier servicio
del edificio.
d ) Construir un edificio alternativo en alg
un sitio cercano
e) Demoler y reconstruir en el mismo sitio; lo que obliga a arreglos temporales para ofrecer los
servicios que el edificio entrega.
Las tablas (40.2-40.6) sumarizan los parametros para los 4 proyectos junto con sus diferentes alternativas. El presupuesto total es:
C = 6000 um
794
Alternativa
1
2
0
160
2
5
43
43
47.9 78.1
0.25 0.5
1
0
6
no
no
Aspecto
Costo inicial (um)
Ciclo de vida (ut)
Costos anual (um)
Costo global/a
no (um/ut)
Nivel de comfort
Duraci
on del proyecto (ut)
Perturba servicio
3
660
20
29
75.4
0.75
1
2
si
4
930
50
21
64.3
1
2
si
5
1270
50
21
80.3
1
2
si
Alternativa j
1
2
3
4
5
Proyecto i
1
2
0
0
120 160
400 660
500 930
1270
3
0
1200
2200
3000
-
4
0
2400
4400
6000
-
1
, i = 1, ..., 4
4
Alternativa j
1
2
3
4
5
Proyecto i
1
2
0.25 0.25
0.5
0.5
1.0
0.75
1.0
1.0
1.0
3
0.25
0.5
0.75
1.0
-
4
0.25
0.5
0.75
1.0
-
Alternativa j
1
2
3
4
5
795
Proyecto i
1 2 3
0 0 0
4
0
1
4
1
2
3
4
1
2
-
1
2 21
-
1
6
1
2
1
1
-
2
2
Alternativa j
1
2
3
4
5
Proyecto
1
2
10 43
10 43
8
29
8
21
21
i
3
90
90
60
53
-
4
180
180
120
105
-
Proyecto
1
2
2
2
20 5
50 20
50 50
50
Alternativa j
1
2
3
4
5
i
3
2
10
20
50
-
4
2
10
20
50
-
Proyecto i
Alternativa j
1
3
2
4
3
3
4
2
Proyecto i
i
1
20
2
20
3
20
14
20
796
40.2.3.
Comentarios
Hemos presentado un modelo para ayuda en la toma de decisiones relacionadas con la asignacion
de recursos limitados y bajo una serie de restricciones. El modelo es estatico pues no considera que
pueden haber varias unidades de tiempo en las cuales se dispone de presupuesto. Ello sera tratado
en la proxima secci
on.
40.2.4.
A explorar
Shohet y Lavy (2004) [?] presentan un review acerca de la gestion de mantenimiento de infraestructura civil.
40.3.
Modelo din
amico
El mantenimiento de una flota de equipos variados requiere un balance eficiente entre los requerimientos operacionales y los presupuestos disponibles. Los presupuestos dependen de la habilidad del
servicio para demostrar el conflicto ente ofrecer alta disponibilidad de cada sub-flota y los costos
de intervencion asociados al servicio. Aqu presentamos un modelo matematico para optimizar el
uso de los recursos presupuestarios sobre un horizonte de varias unidades de tiempo en terminos
del mantenimiento a nivel overhaul. El objetivo es maximizar el valor agregado de la flota al poder
disuasivo. El modelo asegura que un n
umero adecuado de cada tipo de equipo este disponible
cuando sea requerido. Se consideran restricciones presupuestarias anuales y posibles incrementos o
decrementos por adquisici
on de nuevos equipos y retiro de otros por ser dados de baja.
40.3.1.
Formulaci
on del modelo b
asico
El objetivo del modelo es maximizar la disponibilidad global ponderada de todos los equipos para
un horizonte de an
alisis de varias unidades de tiempo (a
nos, por ejemplo). Como restricciones aparecen los presupuestos anuales y las disponibilidades mnimas de cada subflota para cada unidad de
tiempo. Para lograrlo, se debe decidir sobre cuantos equipos de cada subflota se realizara mantenimiento (overhaul y reparaciones de taller central) cada unidad de tiempo. El modelo considera que
los recursos para realizar las actividades (talleres, mano de obra) no act
uan como restriccion activa.
Lo anterior se justifica por la presencia de contratistas. Se asume ademas que si se asignan fondos
a un equipo en una unidad de tiempo dada, su proceso de reacondicionamiento tomara solo esa
unidad de tiempo.
Para el caso estudiado, se define disponibilidad operacional para cada subflota i y para cada unidad
de tiempo j con el indicador
( g
)
ni,j
Ai,j = mn
,1
(40.13)
nw
i,j
donde
nw
umero de equipos requerido de cada subflota para cada unidad de tiempo j 1 ,
i,j representa el n
ngi,j representa el n
umero de equipos tipo i listos para uso durante el intervalo j 2 .
El indicador (F.1) no representa la disponibilidad a nivel unitario pues un equipo eventualmente
puede no estar operativo, pero si reacondicionado; para efectos del taller central esta disponible
(reparaciones en terreno tienen su propio presupuesto).
El modelo incorpora el an
alisis cuantitativo el poder disuasivo de cada tipo de equipo y as logra
ponderar entre diversas clases de equipos, donde cada uno compite por fondos. El modelo asigna
1 war
material requirement
for issue
2 ready
797
un peso igual para todo equipo de un tipo (subflota) dado. En tal caso, retomamos (F.1) para
considerar la importancia relativa i (i i 1) de un equipo de la subflota i sobre el poder
disuasivo:
i,j = i Ai,j
(
= mn
(40.14)
ngi,j
i w
ni,j
)
, i
nbi 0 , valor inicial de equipo tipo i no operacionales al inicio del intervalo de analisis,
ngi 0 , n
umero inicial de equipos tipo i operacionales al inicio del intervalo de analisis,
ni,j , n
umero estimado de arribos de equipos tipo i para ser intervenidos, durante el intervalo j;
i , criticidad relativa asociada a equipos tipo i,
nw
i,j , requerimiento de equipos tipo i, para el segmento j.
Variables
nbi,j , n
umero de equipos tipo i no disponibles al inicio del segmento j,
ngi,j , n
umero de equipos tipo i disponibles al inicio del segmento j,
r
ni,j , n
umero de equipos tipo i que reciben recursos para ser intervenidos en el segmento
j,
i,j , poder disuasivo total de la subflota i, al final del segmento j,
nsi,j , diferencia entre equipos tipo i disponibles y requeridos al final del segmento j.
La funci
on objetivo es
I X
J
X
i,j
(40.15)
i=1 j=1
Sujeto a restricci
on presupuestaria para cada segmento de tiempo j,
I
X
nri,j Ci Bj j
(40.16)
i=1
El valor agregado al poder de disuasion de la flota por parte de la subflota i durante el intervalo
j debe tomar alguno de los dos valores lmites (seg
un 40.14), la maximizacion de (57.1) fuerza la
situaci
on:
ngi,j
i,j i w i, j
(40.17)
ni,j
i,j i i, j
(40.18)
798
i
1
2
3
Ci
100
80
50
nbi 0
0
0
0
ngi 0
100
100
100
i
1
0,5
0,25
1
1400
2
1400
3
1400
=
j=1
j>1
(40.19)
El n
umero de equipos de la subflota i operativos al inicio del segmento j corresponde a su valor en
el segmento anterior, mas aquellos que son intervenidos menos los equipos viejos que se agregan a
la cola, mas los equipos nuevos que lleguen:
ngi,j
=
j=1
i
j>1
(40.20)
El n
umero de unidades disponibles en la flota i y en cada intervalo j debe superar el porcentaje
mnimo admisible para esa flota:
ngi,j i,j nw
(40.21)
i,j i, j
ademas, todas las variables 0, {ngi,j , nbi,j , nri,j } enteras.
40.3.2.
Ejemplo num
erico
i
1
2
3
j
1
0,9
0,85
0,8
2
0,9
0,85
0,8
3
0,9
0,85
0,8
i
1
2
3
j
1
10
5
0
2
10
5
0
799
3
5
5
10
i
1
2
3
j
1
10
5
0
2
10
5
0
3
5
5
10
Cuadro 40.13: Programa de overhauls por subflota y por periodo con factor de castigo temporal
Los resultados de la optimizacion entregan:
3 X
3
X
i,j = 4,92
i=1 j=1
para el programa de reparaciones indicado en tabla 40.12. Los presupuestos son 100 % utilizados.
40.3.3.
Correcci
on temporal
i,j j
(40.22)
i=1 j=1
(40.23)
donde el par
ametro cumple
0<1
otra forma posible es
j = e(j1)
(40.24)
con
0
Ejemplo 141 Consideremos el ejemplo anterior, pero con el factor de correcci
on dado por ecuaci
on
(40.23) con par
ametro = 0,5. Los resultados de la optimizaci
on entregan:
3 X
3
X
j1 i,j = 2,91
i=1 j=1
para el programa de reparaciones indicado en tabla 40.12. Los presupuestos son 100 % utilizados.
Notemos que el programa de reparaci
on obtenido es el mismo que si no se considera factor de castigo
temporal.
800
40.3.4.
Diferentes escenarios
Si existen K escenarios posibles, cada uno con probabilidad pk y pesos i,k para los equipos tipo i,
entonces podramos plantear como objetivo
I X
J X
K
X
pk i,j,k
(40.25)
ngi,j
i, j, k
nw
i,j,k
(40.26)
con la restricci
on corregida
i,j,k i,k
i,j,k i,k i, j, k
(40.27)
logicamente,
K
X
pk = 1
(40.28)
k=1
40.3.5.
Endeudamiento
Bj
n
1
1( 1+
) j
1
1
1( 1+
)
con
nj = J j
En este caso la restricci
on presupuestaria para esa unidad de tiempo es relajada y en vez de considerar (57.2), tomamos
I
X
i=1
nri,j Ci +
j1
X
k=1
Bk
Bj + Bj j
( )
1
( )
Jk
1
1 1+
1
1 1+
3 examen
2004-II
(40.29)
801
i
1
2
3
j
1
10
10
10
2
10
8
0
3
0
0
0
Cuadro 40.14: Programa de overhauls por subflota y por periodo con factor de castigo temporal
Observaci
on 139 Una posible extensi
on a este modelo es la posibilidad de ahorrar (devengando
intereses por ello) en ciertas unidades de tiempo (donde probablemente haya una baja demanda de
overhauls) y luego usar esos recursos extras en epocas con carga prevista alta.
Consideremos el ejemplo anterior (con factor de castigo temporal, = 0,5). La tasa de interes del
prestamo es
= 0,1
Los resultados de la optimizaci
on entregan:
3 X
3
X
j1 i,j = 2,99
i=1 j=1
para el programa de reparaciones indicado en tabla 40.14. O sea, el poder disuasivo se aumento en
2,99
1 100 = +2,8 %
2,91
Las intervenciones solo se realizan durante el primer y segundo periodo. En el tercero no se hacen
intervenciones (aun cuando llegan vehculos para ser reacondicionados) y a
un as siempre se cumple
la disponibilidad mnima. El programa de prestamos al final de cada periodo es
900
758,57
B =
um
0
Notemos adem
as que al final del tercer periodo queda un remanente de presupuesto de 47 um (no
alcanza para otra intervenci
on).
La hoja Excel para este ejemplo se puede bajar aqu. El modelo en GAMS se puede bajar aqu.
40.3.6.
Otra mejora posible al modelo es considerar que el puede sufrir varios tipos de overhaul (y eventuales
mejoras tecnol
ogicas -upgrades-) que incrementen su poder disuasivo por sobre el poder disuasivo de
referencia para cada tipo de armamento. Digamos que cada tipo de equipo tiene k = 1...K posibles
niveles de overhaul. El costo de realizar un overhaul tipo k a los equipos tipo i es Ci,k . En caso de
realizarlo el poder de disuasi
on crece un factor ik con la condicion
1 ik
802
Inicialmente, consideremos que se ha decidido normalizar el tipo de overhaul que reciba cada subflota
i. Definamos la variable binaria
1 si se realiza overhaul tipo k a la subflota k
Iik =
0 y a
nadamos la restricci
on por la cual solo se selecciona un tipo de overhaul para cada subflota:
K
X
k=1
y en este caso el poder disuasivo de la flota sobre J periodos queda de la forma no lineal (extendiendo
40.22),
I X
J X
K
X
Iik i,j j
(40.30)
i=1 j=1 k=1
y la restricci
on de costos queda (a partir de 57.2),
I X
K
X
i=1 k=1
40.3.7.
Minimizaci
on de presupuesto
nri,j Ci
(40.31)
j=1 i=1
y tomamos tambien en cuenta que no se debe superar un nivel de presupuesto maximo por periodo.
Ejemplo 142 La aplicaci
on al ejemplo presentado resulta en un poder de disuasi
on:
I X
J
X
i,j = 4,86
i=1 j=1
j
PI
r
i=1 ni,j Ci
1
1400
2
1400
3
900
40.3.8.
803
Zonas criticas
??En un pais esbelto como Chile, tiene sentido manejar flotas independientes en k = 1...K zonas.
O sea, cada zona tiene flotas que no se mezclan con las demas y hay una entidad central que debe
asignar presupuesto y programa de overhauls a cada zona.
La formulaci
on se basa en la ya vista inicialmente en 40.3.1.Nuestro objetivo en este caso es:
K
X
kz
k=1
I X
J
X
i,j,k
(40.32)
i=1 j=1
donde:
kz corresponde a la importancia estrategica relativa de la zona k;
i,j,k corresponde al poder disuasivo aportado por la subflota i en el periodo j y en la zona k:
i,j,k = i Ai,j,k
(
= mn
(40.33)
ngi,j,k
i w , i
ni,j,k
donde
Ai,j,k corresponde a la disponibilidad aportado por la subflota i en el periodo j y en la zona k;
ngi,j,k es el numero de equipos operativos de la subflota i en el periodo j y en la zona k;
nw
i,j,k es el numero de equipos tipo i para el periodo j requeridos por la zona k.
Considerando que el costo del overhaul es independiente de la zona y solo depende del tipo de
equipo, la restricci
on presupuestaria para cada segmento de tiempo j,
K X
I
X
nri,j,k Ci Bj j
(40.34)
k=1 i=1
El valor agregado al poder de disuasion de la flota por parte de la subflota i durante el intervalo j
en la zona k debe tomar alguno de los dos valores lmites:
i,j,k i
ngi,j,k
nw
i,j,k
i, j, k
i,j,k i i, j, k
(40.35)
(40.36)
El n
umero de equipos de la subflota i no operativos al inicio del segmento j en la zona k, es el
valor inicial, mas todos aquellos que llegan a la cola durante j, menos aquellos para los cuales se
asign
o recursos para overhaul durante j:
0
nbi,k
+ ni,j,k nri,j,k
j=1
b
ni,j,k =
i, k
(40.37)
b
ni,j1,k + ni,j,k nri,j,k j > 1
El n
umero de equipos de la subflota i operativos al inicio del segmento j en la zona k corresponde
a su valor en el segmento anterior, mas aquellos que son intervenidos menos los equipos viejos que
se agregan a la cola, mas los equipos nuevos que lleguen:
0
ngi,k
+ nri,j,k ni,j,k + nni,j,k
j=1
g
ni,j,k =
i, k
(40.38)
g
ni,j1,k + nri,j,k ni,j,k + nni,j,k j > 1
El n
umero de unidades disponibles en la flota i y en cada intervalo j debe superar el porcentaje
mnimo admisible para esa flota:
ngi,j,k i,j,k nw
i,j,k i, j, k
adem
as, todas las variables 0, {ngi,j , nbi,j , nri,j } enteras.
(40.39)
804
i
1
2
3
0
ngi,1
70
70
70
0
nbi,k=1,2
0
0
0
Ci
100
80
50
0
ngi,2
30
30
30
i
1
0,5
0,25
1
1400
2
1400
3
1400
40.3.9.
Ci
K
X
nri,j,k +
I
X
i=1
k=1
i
1
2
3
j
1
0,9
0,85
0,8
Cia
J X
K
X
nni,j,k Bj + Bja j
j=1 k=1
2
0,9
0,85
0,8
3
0,9
0,85
0,8
(40.40)
k=1
i
1
2
3
j
1
7
2
0
2
7
3
0
805
3
1
6
7
Cuadro 40.19: Programa de overhauls por subflota y por periodo para zona 1
k=2
i
1
2
3
j
1
3
3
0
2
3
2
0
3
3
0
3
Cuadro 40.20: Programa de overhauls por subflota y por periodo para zona 2
Ejemplo 144 Retomando el ejemplo (143), consideramos un 4to tipo de equipo, del cual inicialmente no hay. Cada equipo requiere una inversion de 300 um. Su poder disuasivo relativo es 4.
Cada zona requiere al menos 1 para los periodos 2 y 3. El presupuesto combinado para overhauls y
adquisiciones es de 1400, 2300, 2300 um/ut. Los resultados al considerar el presupuesto combinado
se muestran en tablas (40.21-40.23). El poder disuasivo obtenido es:
K
X
k=1
kz
I X
J
X
i,j,k = 16,82
i=1 j=1
40.3.10.
Comentarios
Hemos presentado un modelo de programacion lineal determnistica que permite asignar recursos
presupuestarios limitados al mantenimiento de una flota de equipos compuestas de varias clases
(sub-flotas), cuyos valores agregados al poder (disuasivo o de produccion) son distintos.
(Goodhart, 1999)[36] reporta que el modelo sirvio para justificar un incremento de 40 % el presupuesto de talleres centrales del cuerpo de infantera de marina de los EEUU en 2000, redujo
dram
aticamente el tiempo de preparacion del plan estrategico de mantenimiento y aseguro un
equilibro balanceado entre la disponibilidad de diversos equipos para satisfacer las necesidades operacionales. En ese caso se manejaron alrededor de I = 350 subflotas (tipos) de equipos. El horizonte
de an
alisis utilizado fue de J = 6 a
nos.
Otras posibles extensiones son:
que las adquisiciones sean variables de decision y en tal caso los presupuestos incluiran los de
overhaul mas los de adquisiciones (punto de vista de la fuerza en vez de la del 4to escalon de
mantenimiento);
k=1
i
1
2
3
4
j
1
5
0
0
0
2
9
7
0
0
3
7
7
7
0
Cuadro 40.21: Programa de overhauls por subflota y por periodo para zona 1 con presupuesto combinado
806
k=2
i
1
2
3
4
j
1
3
0
0
0
2
3
6
1
0
3
3
3
3
0
Cuadro 40.22: Programa de overhauls por subflota y por periodo para zona 2 con presupuesto combinado
i=4
k
1
2
j
1
1
1
2
0
0
3
0
0
Cuadro 40.23: Programa de adquisiciones del equipo tipo 4 para ambas zonas con presupuesto combinado
mutaciones de equipos de una flota a otra (por ejemplo, unidades repotenciadas o modernizadas);
tomar en cuenta el valor del dinero en el tiempo;
considerar posibles sinergas en el poder disuasivo con la combinacion de varios sistemas de
armas (ver por ejemplo Scarf & Martin, 2001[6]);
considerar restricciones de capacidad de taller (ver Bargeron, 1995[38]);
considerar en el problema de adquisicion de equipos con un programa de presupuestos mancomunados para overhaul y adquisicion, lo que sera mas eficiente que resolver ambos problemas
por separado. Los equipos adquiridos en el horizonte de analisis podran venir con un programa
de overhauls definido.
considerar la dependencia entre el n
umero de equipos a ser reacondicionados en una unidad de
tiempo depende del n
umero de equipos disponibles en unidades de tiempo anteriores (a mayor
disponibilidad, mayor uso) (ver Bargeron, 1995[38]).
Una generalizaci
on interesante es que las fuerzas armadas de un pas deben al menos igualar el
poder disuasivo de sus posibles enemigos; ello permitira extender este modelo a la planificacion
estrategica de adquisiciones, overhaul y modernizacion de sus sistemas de armas.
El modelo tambien puede ser aplicado a sistemas productivos donde la disponibilidad de los equipos
crticos tiene un mayor peso que la de otros.
40.4.
A explorar
Rajabi et al. (1998)[7] y Santhanam y Kyparisis, 1996)[8] presentan marcos referenciales para modelar inter-dependencias y sinergias entre proyectos. Ello es una extension natural a los dos modelos
vistos en este capitulo.
Suryadi y Papageorgiou (2004)[20] presentan un modelo de programacion dinamica para la asignacion de cuadrillas de mantenimiento en plantas de proceso. El modelo considera la interaccion
entre las necesidades de producci
on y el mantenimiento planificado. El articulo incluye ejemplos
numericos resueltos en ambiente GAMS/CPLEX.
Phillips y Bana (2005) [12] presentan un enfoque general de caracter tecnico-social para la asignacion
de recursos en organizaciones. Proponen uso de tecnicas de analisis multi-criterio combinados con
conferencias de decisi
on.
Bibliografa
[1] Goodhart, C.A., Depot-Level Maintenance Planning for Marine Corps Ground Equipment, Military Operations Research, 4, 3, 77-89, 1999. [bajar]
[2] Loerch, A.G., Incorporating Learning Curve Costs in Acquisition Strategy Optimization, Naval
Research Logistics, 46, 256-271, 1999. [bajar]
[3] Shohet, I.M., Perelstein, E., Decision support model for the allocation of resources in rehabilitation projects, Journal of Construction Engineering and Management-ASCE, 130(2), 249-257,
2004. [bajar]
[4] Shohet, I.M., Lavy, S., Healthcare facilities management: state of the art review, Facilities,
22(7/8), 210-220, 2004.
[5] Bargeron, J., Optimal depot level maintenance planning, Masters Thesis, Naval Postgraduate
School, 1995. [bajar]
[6] Scarf, P.A., Martin,H., A framework for maintenance and replacement of a network structured
system, Int. J. Production Economics, 69, 287-296,2001. [bajar]
[7] Rajabi, S., Kilgour, D.M., Hipel, K.W., Modeling action-interdependence in multiple criteria
decision making, European Journal of Operational Research 110, 490-508, 1998. [bajar]
[8] Santhanam, R., Kyparisis, G.J., A decision model for interdependent information system project
selection, European Journal of Operational Research, 89, 380-399, 1996. [bajar]
[9] A.G. Loerch, R.R. Koury, D.T. Maxwell, Value added analysis for army equipment modernization, Naval Research Logistics, 46(3), 233 - 253, 1999. [bajar]
[10] Suryadi, H., Papageorgiou, L.G., Optimal maintenance planning and crew allocation for multipurpose batch plants, International Journal of Production Research 42(2), 355 - 377, 2004.
[bajar]
[11] Mahon, B.H., Bailey, R.J.M., A proposed improved replacement policy for army vehicles, Operational Research Quarterly , 26, 477-494, 1975.
[12] Phillips, L.D., Bana e Costa, C.A., Transparent prioritisation, budgeting and resource allocation
with multi-criteria decision analysis and decision conferencing, Annals of Operations Research
(forthcoming), Working Paper LSEOR 05-75, London School of Economics, 2005.
807
808
Parte IV
Gesti
on de repuestos y cadena de
suministros
809
Captulo 41
Gesti
on de repuestos centrada en
costos y confiabilidad
For want of a nail the shoe was lost, for want of a shoe the horse was lost, and for want
of a horse the rider was lost.
Benjamin Franklin.
... in 1990 the (US) Air Force had over 31 109 USD invested in repairables..
C. Sherbrooke [244]
...This (system oriented) approach was tested... at Hamilton Air Force Base... in the
sixth month period... the objective was to improve the ... 82.8 % fill rate and lower the
investment cost of 1.84 106 USD. The results were a 91.2 % at a cost of 1.45 106 USD...the
average number of times per month that an aircraft became not operationally ready for
supply dropped from 33 to 19, a 42 % reduction.
C. Sherbrooke [244]
The stock levels from a model should no be treated like the ten commandments, No model
embodies all of the day-to-day knowledge of experienced personal.
C. Sherbrooke [244]
...manufacturers recommendations may be more slanted towards maximizing the sales of
consumable spares rather than minimizing the downtime for the user...
Rausand, M. [18]
It youre a gardener, every spring you must decide how you will prune your roses: hard
or long. Pruning hard means that you select three of the plants strongest stems and cut
them down to three or four growth buds. That technique forces the plant to channel all
its resources into a relatively small number of growth buds. Why would you prune your
roses in that way? Because you want the biggest roses in the neighbourhood in June. I
dont prune hard. Why? Because its a high-risk strategy. Where I live, the most terrible
things can happen to my roses. I live on a hill, where night frosts in April or even early
May are not uncommon. Also, many deer roam freely on the hill, and they love to eat
rosebuds. if I prune hard and the nights are frosty and the deer are hungry, I might have
no roses in June at all. So I prune long: I leave between five and seven stems in each plant,
and on each stem I leave between five and seven growth buds. As a result, the plant is
allowed to spread his resources over many growth buds. I have never had the biggest roses
in the neighbourhood, but I do have roses every June. And something else happens when
you prune long for a number of years: you get surprises. In two or three years, some of
the spindlier stems have grown much stronger and have begun producing buds, and some
of the old stems do not produce roses anymore. So what do you do? You remove the old
811
812
stems and encourage the new ones. A tolerant pruning policy gradually renews the rose
portfolio.
A. de Geus[28]
...quien manda?
la demanda.
Ventura Cer
on
...When shortage costs are unknown, the optimization criterion is usually shifted toward
an inventory performance measure such as the probability of having a spare at hand when
demand is generated.
Louit et al. [10].
Inventories represent about one third of all assets in a typical company.
Daz & Fu [35].
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Conocer los costos involucrados en los stocks de repuestos.
Conocer y modelar los efectos de:
la obsolescencia tecnol
ogica;
los programas de mantenimiento preventivo (planificado) y correctivo (no planificado);
la estacionalidad en la tasa de demanda de repuestos;
la demora en la entrega de los repuestos;
las econ
omias de escala que ocurren al existir multiples proveedores y posibles compras
agrupadas (oportunismo);
41.1.
Introducci
on
A continuaci
on veremos varios criterios para fijar de manera optima tama
nos de pedido, periodo
entre pedidos, puntos de reorden. Primero consideraremos una optimizacion desde el punto de vista
de bodega; luego utilizaremos el costo global de mantenimiento.
Los costos asociados a repuestos son:
costo de adquisici
on, vale decir, el costo de cursar las ordenes de compra,
costo de intervenci
on repuestos, proporcional al n
umero de items, aunque puede ser influenciado por programas de descuento ofrecidos por los proveedores
costo de propiedad o de almacenamiento: intereses no devengados, seguros.
costo de falla, por no disponibilidad y su efecto en la produccion.
Louit et al. [?] hacen una clasificaci
on de los objetivos de la gestion de repuestos de acuerdo a:
Nivel de servicio instant
aneo
que corresponde a la probabilidad de que un repuesto este disponible en cualquier instante. Es
equivalente a la fracci
on de demandas que pueden ser satisfechas inmediatamente con el stock
disponible.
813
41.2.
Minimizaci
on del costo global sin demora en pedidos
Este modelo es conocido como EOQ por sus siglas en ngles (Economic Order Quantity) 1 . Se trata
de un modelo determinista y depende de los siguientes parametros:
, la demanda estimada por unidad de tiempo (u/ut); puede ser constante
(t) =
o fluctuante;
q, n
umero de items ordenados en cada orden de compra (variable de decision);
f , n
umero de pedidos por unidad de tiempo (o frecuencia de los pedidos);
f=
pu , precio unitario;
, tasa de descuento aplicada al promedio de inventario por unidad de tiempo;
Cad , costo de adquisici
on (um/pedido);
T , el periodo entre pedidos:
T =
Costo de adquisici
on
Este depender
a del n
umero de requisiciones hechas a un mismo proveedor; y de la cantidad de items
solicitada en cada pedido. Los costos de adquisicion se pueden subdividir en:
compras;
manejo de repuestos;
recepci
on, control de calidad;
almacenamiento;
contabilidad;
1 seg
un
Sherbroorke [244], la primera referencia en la cual aparece este modelo es Harris (1915) [37].
814
pago de agentes;
etc.
Obviamente,
= qf
El costo de adquisici
on por unidad de tiempo es:
cad =
Cad
= Cad
T
q
Costo de almacenamiento
Este costo indica los retornos financieros de una posible reduccion de capital en bodega. Esta compuesto por:
intereses sobre el capital;
costos de almacenamiento: espacio fsico, seguros, considerados por unidad de tiempo y por
valor unitario.
El costo de almacenamiento es expresado a traves de la tasa de descuento , tal que un flujo unitario
en t = 0, reporta um2 a t = 1.
Si asumimos que el consumo es regular y que se repone inventario en tanto se acaba, entonces el
promedio de unidades en bodega es
1
q
2
y el valor promedio es de
1
qpu
2
el costo de almacenamiento por unidad de tiempo es
1
qpu
2
(ver figura 41.1).
Observaci
on 140 El modelo no considera economas de escala por fidelidad ni por volumen con
el proveedor.
De lo anterior, el costo global por unidad de tiempo es (sin considerar costos de falla, pues nunca
hay deficit en este modelo):
cg = pu +
1
Cad + qpu um/ut
q
2
(41.1)
o por periodo T ,
Cg (T ) = T cg
q
= cg
= Cad + pu q +
1 pu 2
q
2
Observaci
on 141 Usualmente el valor de repuestos pu es considerado en el costo de intervenci
on
de cada orden de trabajo.
2 um:
unidades monetarias
815
qs
T1
T2
T3
tiempo
Figura 41.1: Nivel de inventario con tasa de consumo constante y pedidos a intervalos regulares
Observaci
on 142 En el costo global no se considera costo de falla pues al no haber demoras, no
existe la situaci
on donde se debe detener producci
on por no disponer de repuestos.
A fin de encontrar una cantidad optima qwi que minimice cg (ecuacion 41.1), aplicamos la condicion
dcg
=0
dq
entonces
Cad
1
+ pu = 0
q2
2
Con lo cual se llega a la f
ormula de Wilson:
s
2Cad
qwi =
pu
qwi
(41.2)
(41.3)
En Maple,
cg:=lambda*pu+lambda*Cad/q+1/2*q*pu*iota;
solve(diff(cg,q)=0,q);
41.2.1.
Incentivos personales
El jefe de compras recibe premios por los descuentos obtenidos. consideremos que el precio ofrecido
depende del tama
no de los pedidos seg
un:
q q
pu = p0u e
wi
um/u
816
cu (q) = cg (pu ) +
(41.4)
para alg
un valor que depende del compromiso del empleado con su empresa.
La figura (41.2) muestra los efectos al probar con los parametros:
Cad = 100 um/pedido
p0u = 20 um/u
= 0,15 um/um/ut
= 0,02
= 55 u/ut
S0 = 500 um/ut
2
Observamos que el costo global sube desde 60.5 unidades a 72 por efecto del descuento. La minioptimo a 105 unidades (+45 %). Ello incrementa el costo global para
mizacion de (41.4) empuja el
la empresa en 0.9 %.
1400
1380
1360
Costos (um/ut)
1340
105
1320
1300
60.6
1280
1260
72
Wilson
cg()
cu
1240
1220
1200
20
40
60
80
100
120
140
160
180
200
41.2.2.
Tomando como base el modelo de Wilson, consideremos todos los posibles proveedores ofrecen un
descuento d en el precio unitario, en caso de que los pedidos superen una cantidad de referencia
817
3.15
10
Wilson
con economia de escala
3.14
10
3.13
cg
10
3.12
10
3.11
10
3.1
10
50
100
150
Tamao de lote
Figura 41.3: Tasa de consumo constante, pedidos a intervalos regulares, y considerando economas de
escala
qd . O sea, en cada periodo T entre pedidos se tienen los siguientes costos
cg (q, qd ) =
pu
1
+ Cad + qpu um/ut
1 + d d
q
2
donde
d =
1 si q > qd
0
Cad
(1 + ) Cad
qpu Ccaa
qpu Ccaa
pu
1
+ Cad (1 + a ) + qpu um/ut
1 + d d
q
2
a =
0 si qpu Ccaa
1
818
j
1
2
3
4
qj
0
120
150
j
0
0.05
0.1
41.2.3.
(41.5)
donde
qj =
l
si qjl q qj+1
q
0
cg (q) = pu
X
1
qj um/ut
Cad + pu
2
j qj
j
(1 j ) j + P
(41.6)
donde j , j = 1..J son variables binarias que se activan solo si q esta en el j-esimo segmento de
descuento. A
nadimos la restricci
on de que solo un segmento de descuento puede estar activo:
X
j = 1
j
y forzamos al u
nico j activo para que se cumpla el que se aplique el descuento j si y solo si se
cumple la condici
on (41.5), usamos
j qjl qj para j = 1..J
l
qj < j qj+1
para j = 1..J
Ejemplo 146 La figura (41.6) muestra el costo global esperado por unidad de tiempo cuando el
proveedor ofrece el programa de descuentos mostrado en tabla (41.1). Para este caso,
q = 150 u
Tasa de descuento
819
820
3.15
10
Wilson
con economia de escala
3.14
10
3.13
cg
10
3.12
10
3.11
10
3.1
10
20
40
60
80
100
120
140
160
180
200
Tamao de lote
X
j
41.2.4.
j (1 + j ) +
1
Cad + (q + q)pu um/ut
q + q
2
Consideremos a continuaci
on que existen varios proveedores, k = 1..K. Cada uno ofrece un programa
de descuentos jk escalonados seg
un el tama
no de los pedidos, de modo que se paga:
qpu (1 j,k )
si se decide comprar a ese proveedor. Para hacer valido el programa de descuento, cada proveedor
exige exclusividad de parte del cliente. Los segmentos son definidos de manera creciente,
l
l
qj,k
qj,k < qj+1,k
para j = 1..J
(41.7)
821
l
l
si qj,k
q qj+1,k
q
0
y seguramente,
1,k = 0 para k = 1, ..., K
logicamente, los descuentos son crecientes,
j,k j+1,k para j = 1..J, k = 1, ..., K
cg (q, ) = pu
XX
j
(1 j,k ) j,k +
XX
1
Cad + pu
qj,k um/ut
q
2
j
(41.8)
donde j,k , j = 1, ..., J, k = 1, ..., K son variables de decision binarias que se activan solo si q esta en
el j-esimo segmento de descuento de cada proveedor, y las compras son adjudicadas solo a uno de
ellos por la restricci
on de exclusividad y por la restriccion de que solo un segmento de descuento
puede estar activo:
XX
j,k = 1
j
y forzamos al u
nico j,k activo para que se cumpla el que se aplique el descuento j,k si y solo si se
cumple la condici
on (41.5), usamos
l
j,k qj,k
qj,k para j = 1..J, k = 1, ..., K
l
qj,k < j,k qj+1,k
para j = 1..J, k = 1, ..., K
(41.9)
(41.10)
Observaci
on 144 Una mejora natural a este modelo considera anular la condici
on de exclusividad
y permitir comprar fracciones de la demanda a varios proveedores. Otra es considerar que los costos
de adquisici
on dependan del proveedor: NdP.
XX
Cad,k j,k
Cad =
j
Observaci
on 145 Una extensi
on al modelo presentado es considerar la calidad de los proveedores.
En ese caso dependera del proveedor activo.
41.2.5.
Entrega uniforme
Consideremos en modelo b
asico de Wilson pero en vez de entrega instantanea, ella ocurre a una
tasa constante u/ut, llevando a la situacion descrita en figura (41.2.5). El nivel promedio del
inventario ser
a:
q
1
2
2Cad
pu 1
822
q/
q(1-/)
Nivel de
inventario
Tiempo
q/
Figura 41.7: Entrega a tasa constante u/ut
400
350
300
250
200
150
100
50
0
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
41.2.6.
823
Tomemos en cuenta el valor del dinero en el tiempo. Para ello consideremos que un flujo ocurrido
en el instante t tiene un valor en t = 0 de
et
Como una simplificaci
on diremos que los flujos ocurridos en el n-esimo ciclo de compra-consumo
ocurren al inicio del periodo. Tenemos entonces que el costo total actualizado para un periodo
infinito es
Cg, (q) =
=
X
n=0
cg,T eT n
q
cg,T e( )n
n=0
donde cg es la suma de flujos por unidad por periodo (ecuacion 41.1). Aprovechando la identidad,
en =
n=0
e
1
Tenemos entonces,
Cg, (q) =
1 pu 2
Cad + pu q +
q
2
eq
eq 1
(41.11)
La figura (41.9) muestra un estudio de Cg, para el ejemplo (16). Hemos considerado que el costo
de almacenamiento tiene la misma tasa de descuento, se tiene que
e = 1 +
de la que se despeja el valor de ,
= 0,1398
El
optimo se encuentra para
q = 42 unidades
con un costo acumulado
Cg, (42) = 97611 um
luego
42
55
= 0,76 ut
T =
Notemos que el costo global es bastante insensible a q en los alrededores del optimo. Por ejemplo,
el modelo de Wilson entrega un q optimo de 60 unidades. Ello implica un costo:
Cg, (60) = 98872 um
lo que equivale a un incremento de solo 1.01 % respecto del optimo.
41.2.7.
Un proveedor ofrece la posibilidad de pagar el repuesto cuando sea utilizado siempre y cuando se
construya y opere una bodega que sea capaz de guardar qb unidades. En caso de que la empresa no
disponga de la misma, es necesario construirla a un costo Ab um, con costo de operacion cob um/ut.
824
x 10
4.5
3.5
2.5
1.5
0.5
50
100
150
Tamao de lote
pu + cob
= Ab +
41.3.
Minimizaci
on del costo global con costo de falla
825
x 10
Sin convenio
Con convenio
4.5
3.5
2.5
1.5
0.5
50
100
150
Tamao de lote
q
T
ello significa que durante Tr se consumen Tr ; con lo que el inventario sube a q cuando el nuevo
pedido llega. Ello implica que el promedio del nivel de inventario en el intervalo T es de:
1 2
q
2
(ver figura 41.11).
El n
umero de demandas no satisfechas es 0 en T y (1 )q en (1 )T , dando un promedio de
items en deficit de:
1
(1 )2 q
2
para el periodo T.
Si el costo resultante de no disponer del item es cf (um/u/ut), se tiene un costo de falla por unidad
de tiempo
1
(1 )2 qcf
2
por lo que la ecuaci
on del costo global por unidad de tiempo (41.1) es corregida:
cg (, q) = pu +
1
1
Cad + 2 qpu + (1 )2 qcf
q
2
2
(41.13)
cf
cf + pu
(41.14)
Cad
1 2
1
2
+ pu + (1 ) cf = 0
2
q
2
2
826
0
T
(1-)T
T
tiempo
q =
2 p
1
2
(1 ) cf
1 2Cad
pu
En este caso se justifica que no hayan repuestos por 20 % del tiempo. La rentabilidad depende de la
relaci
on entre el costo de quedar sin repuestos cf y el precio unitario de los mismos, pu .
41.3.1.
Si los items solicitados durante el intervalo (1 )T simplemente no son consumidos (la produccion
se detuvo); luego la bodega llega al nivel q cuando llega un pedido. Un analisis grafico muestra que
el nivel medio de repuestos es en este caso,
1
q
2
luego, el valor medio del costo de almacenamiento por periodo es
1
qpu
2
827
j=1
q1
j=2
j=3
q2
q3
j=4
q4
q5
Tamao de pedido
El n
umero de demandas no satisfechas es 0 en T y (1 )T en (1 )T , luego el promedio de
trabajos no satisfechos por unidad de tiempo es
1
q(1 )2
2
y el costo de falla por unidad de tiempo es
1
(1 )2 qcf
2
El costo global por unidad de tiempo es
cg () = pu +
1
1
(41.15)
comparando (42.6) con (42.9) notamos que solo el termino asociado al costo de almacenamiento ha
variado. Minimizando (42.6) con respecto a obtenemos la condicion,
=1
pu
2cf
a continuaci
on mimimizamos cg () con respecto a q,
s
q=
2Cad
pu + 12 (1 )2 cf
luego
T =
828
41.4.
Consideremos el caso en que hay reducciones en el precio unitario en la medida que los tama
nos de
pedido crece (figura 41.12). O sea,
pu (q) = pu (1 j )
si
l
qjl q qj+1
(41.16)
Retomando (42.9),
cg (, q) = pu
1
1
Cad + 2 qpu
j (1 j ) + (1 )2 qcf
q
2
2
j
j (1 j ) +
(41.17)
1
j (1 j ) + Cad + (1 )2 qcf
cg (, q) = pu + 2 q
2
q
2
j
(41.18)
donde
j =
l
1 qjl q qj+1
0
y
q=
qj j
q1l = 0
donde qj define el valor inferior que define al j-esimo segmento e j es un conjunto de variables
binarias. La minimizaci
on en este caso no aparece de la derivacion de la funcion objetivo. Para
asegurarse que s
olo un segmento este activo, se a
nade la restriccion:
X
j = 1
y forzamos al u
nico j activo para que se cumpla el que se aplique el precio pu,j si y solo si se
cumple la condici
on (41.16), usamos
j qjl qj para j = 1..J
l
qj < j qj+1
para j = 1..J
Observaci
on 146 El modelo tambien puede ser mejorado para considerar que el precio es una
funci
on de la forma de pago. En Chile es com
un negociar plazos de 30, 60, 90 das. El precio
tambien puede ser funci
on de condiciones ambientales. Por ejemplo, una m
aquina vendedora de
bebidas que dispone de un sensor de temperatura puede ajustar su precio para ajustarse a la curva
de demanda percibida.
Observaci
on 147 En caso de un proveedor u
nico, es factible que recargue su bodega con pedidos
discretos en el tiempo. El cliente puede negociar un contrato para reservar una fracci
on de ellos para
su consumo. Ejemplo: China negoci
o con Codelco para asegurarse la venta de cobre por 15 a
nos a
cambio de financiamiento para nuevos proyectos (Junio 2005). NdP.
829
Nivel de alarma
Td
tiempo
41.5.
Este metodo fija el punto de reorden (nivel de alarma) sobre la cantidad presente de items. Al
llegar a este punto, se hace un pedido que es satisfecho con una cierta demora Td . El punto de
reorden se fija en funci
on de como la demanda vara en el tiempo. Ello implica un estudio de la
demanda hist
orica. Aqu se estudiara el caso de una distribucion normal y el de una de Poisson. Se
asumir
a que las variaciones de Td son insignificantes con respecto a las de la demanda.
El consumo medio durante la demora es:
Td
(figura 41.13).
De lo anterior, el punto de reorden qw se debe fijar en:
qw = Td + qs
Distribuci
on Gaussiana
Sea , la media y la desviaci
on standard del consumo por unidad de tiempo, entonces se fija el
punto de reorden seg
un:
p
qw = Td + Td
(41.19)
donde se selecciona de modo que la probabilidad de quedar sin stock sea lo suficientemente baja.
Observaci
on 148 N
otese que se utiliza Td para tener en cuenta que la desviaci
on standard
est
a dada para una unidad de tiempo y no Td unidades de tiempo.
Distribuci
on de Poisson
Sea Td el consumo promedio durante la demora Td . La probabilidad de que el consumo no exceda
n items durante ese periodo es:
P (consumo n) =
n
i
X
eTd (Td )
i=0
i!
830
Observaci
on 149 Si al momento de hacer el pedido a
un quedan qz items sobre el nivel de advertencia qw , la orden es corregida a
q 0 = qw qz
El metodo tiene las siguientes ventajas y desventajas:
Da alta seguridad de no quedarse sin inventarios;
el punto de reorden debe ser constantemente corregido para tomar en cuentas cambios en el
consumo de los items, as como en las demoras;
En general, tiene el efecto de aumentar el n
umero de ordenes a un proveedor.
Observaci
on 150 Se ha considerado que la demora es constante; sin fluctuaciones.
Observaci
on 151 El metodo es usado en 80 % de los casos [230].
Ejemplo 149 El consumo de un cierto tem es: Cada item cuesta 50 um. El costo asociado a cada
Ene
20
Feb
30
Mar
25
Abr
15
May
30
Jun
10
Jul
35
Ago
-
Sep
40
Oct
25
Nov
40
Dic
15
orden es de 700 um; los costos de propiedad suman 30 % sobre el valor de las existencias. La demora
en recibir el producto tras hacer el pedido es de 1 ut. Optimice el inventario de modo de tener una
probabilidad de quedar sin existencias de un 5 %. Usando la f
ormula (41.2):
p
qwi = 2 285 700/50 0,30 = 163 u/orden
El consumo medio es de 285/11 = 26 unidades/ut y la desviaci
on standard es 10,2 unidades/ut. Asumiendo una distribuci
on Gaussiana, y para una probabilidad de 95 % de que el nivel de inventario no
exceder esta variaci
on de la media, ello corresponde a 1.645 veces la desviaci
on standard; asumiendo
una distribuci
on Gaussiana:
qw = 26 1 + 1,645 10,2 1 = 43 u
El problema es como manejar el inventario con un 5 % de riesgo, dado el siguiente patr
on:
Ene
1
Feb
1
Mar
0
Abr
1
May
1
Jun
0
Jul
1
Ago
0
Sep
0
Oct
1
Nov
0
Dic
0
Con n
umeros tan peque
nos, se asume una distribucion de Poisson; la media es = 0,50 y entonces
de la tabla de esta distribuci
on, el riesgo de 5 % corresponde a un tama
no de inventario mnimo de
1 < < 2; por lo que ser seleccionan 2 items.
41.5.1.
Intervalo fijo
41.6.
831
Asumiremos que los costos de falla y de almacenamiento han sido estimados y que la ley de distribuci
on de fallas ha sido identificada. Se desea encontrar el punto de reorden optimo a fijar.
41.6.1.
Distribuci
on de Poisson
Si la distribuci
on es de Poisson, la esperanza matematica del n
umero de fallas que podran ser
reparadas inmediatamente (por disponibilidad de repuestos) es:
qw
X
qi
(qw qi )e(Td )
qi =0
(Td )
qi !
(41.20)
donde
qw es el punto de reorden. Cuando el stock alcanza este nivel se gatilla la orden de compra,
Td es el n
umero esperado de fallas que ocurren entre poner la orden y recibir los repuestos.
Observaci
on 152 N
otese que al instante de poner la orden, el nivel es qs .
Observaci
on 153 La componente
qi
p(qi ) = eTd
(Td )
qi !
de la ecuaci
on (41.20) corresponde a la probabilidad de que el n
umero de fallas sea igual a qi .
La esperanza del n
umero de fallas que no seran reparadas por falta de repuestos es:
qi
(qi qw )eTd
qi =qw +1
(Td )
qi !
Observaci
on 154 Se asume que una falla no reparada por falta de repuestos no afecta el que se
produzca la siguiente falla.
Si Ca es el costo de almacenamiento, por tem y en un intervalo Td y Cf el costo de falla por no
disponer de un item durante Td , el costo global esperado en Td es:
Cg (qw , Td ) = Ca
qw
X
qi =0
qi
(qw qi )eTd
(Td )
qi !
+ Cf
qi =qw +1
qi
(qi qw )eTd
(Td )
qi !
(41.21)
10
fallas/ut
12
832
qw
0
1
2
3
4
5
6
p(qw )
,43
,36
,15
,04
,008
,0015
,0002
0.4
0.35
Probabilidad
0.3
0.25
0.2
0.15
0.1
0.05
0,3
12
Tenemos,
= 10/12 = 0,83 fallas/ut
0,3
Ca = 1000
= 25 um/item
12
Cf = 3200 um/item
Con Td = 0,83 las probabilidades de Poisson del n
umero de fallas en una unidad de tiempo son
mostradas en tabla (41.2) y figura (41.14).
Observaci
on 156 N
otese que en el ejercicio anterior la tasa del costo de almacenamiento se calcul
o como la tasa anual dividido por el n
umero de meses en un a
no,
=
0,3
= 0,0225
12
qw (u)
0
1
2
3
4
5
833
Cg (um)
2645
858
230
92
84
104
84 2645
= 96 %
2645
Ejercicio 19 Para el ejemplo anterior, Que nivel de seguridad se debe tener si se desea un nivel
de servicio de 95 %?
Ejemplo 151 3 Para el ejemplo anterior, el costo de almacenamiento por repuesto Ca se estim
o sobre la demora completa Td . Lo mismo para el costo de falla. De esta manera se sobrestiman ambos
terminos pues ambos dependen de qw tambien.
La situacion se grafica en figura (41.15) cuando qw es peque
no. En la situacion que se observa se
incurre en costo de almacenamiento y de falla en fracciones de T d.
Si
qw < Td
Se incurre en costo de almacenamiento (valor esperado) durante Td :
Td =
qw
Ca (qw ) = pu
Td
= pu
um/u
qw
3 Control
3, 2007-I.
834
tiempo
Td
Se incurre en costo de almacenamiento
Se incurre en costo de falla
Figura 41.15: Situacion esperada cuando qw es peque
no
y el costo de falla esperado de cada repuesto no disponible:
Cf (qw ) = cf (1 )Td um/u
Caso contrario, si
qw > Td
se espera que
=1
y por estar siempre disponible,
Ca (qw ) = pu
Td
y
Cf (qw ) = 0
La funcion de costo modificada queda:
Cg (qw , Td ) =
qw
X
qi
qi =0
(Td )
qi !
qi
qi =qw +1
(Td )
qi !
Plan B
la probabilidad que la demanda consuma qw repuestos en un intervalo en T < Td es
qw
X
qi
eT
qi =0
(T )
qi !
(41.22)
Feb
25
Mar
32
Abr
33
May
15
Jun
18
Jul
25
Ago
31
835
Sep
28
Oct
27
Nov
30
Encuentre
a)
b)
el tama
no
optimo de pedido y su frecuencia
el nivel
optimo del inventario de seguridad
(1 + )
= 1 + 0,25
luego
= 0,0188
y
Cad = 800 um
pu = 318 um
Td = 2 ut
Asumiendo una distribuci
on normal, podemos calcular el tama
no de pedido usando el modelo de
Wilson (ecuaciones 41.2 y 41.3),
r
2 26,4 800
qwi =
= 84,1 84 u
(41.23)
318 0,0188
y el periodo entre pedidos:
Twi =
84,1
= 3,2 ut
26,4
(41.24)
luego,
1
= 0,32 ut1
3,2
Para el nivel de seguridad, usamos la f
ormula (41.19),
p
qs = Td
fwi =
(41.25)
con seleccionado de modos que la probabilidad de que el consumo en una unidad de tiempo sea
menor que 0.9, eso es
= 1,28
En Matlab, beta=norminv(0.9,0,1) luego
qs = 1,28 5,9
4 examen
2004-II
2 = 10,75 11
836
41.7.
Compras agrupadas
41.7.1.
Formulaci
on del problema
Variables
T : intervalo b
asico de tiempo
ki : n
umero de ciclos b
asicos entre dos pedidos de tem i.
Objetivo
cg : costo global por unidad de tiempo (pedidos+almacenamiento).
Definamos los costo promedios para cada tem i, considerando que es ordenado cada ki T unidades
de tiempo. Los costos especficos a cada tipo de repuesto incluyen el costo por orden asociado al
tem y el costo de almacenamiento asociado al mismo. El objetivo es minimizar el costo global, que
es una suma del costo asociado s
olo a un pedido mas los costos asociados a los items incluidos en
el mismo. Asumiendo que el costo mayor Cad se carga cada T unidades de tiempo, tenemos:
I
Cad X
cg =
+
T
i=1
Cadi
1
+ cai i ki T
ki T
2
con:
ki N
y
T >0
Puede ocurrir que ninguno de los ki en la solucion optima sea 1. Ello implica que existiran ocasiones
en las cuales no se har
an pedidos de ning
un tem y por tanto es necesario corregir cg . Por ejemplo,
supongase que hay dos items y que k1 = 2 y k2 = 3. Si ello ocurre, en 2 ocasiones de cada 6
no sera usadas para comprar items y por tanto no habra costo asociado y se aplica el factor de
correccion (k) con
k = (k1 , .., kn )
Para el ejemplo,
k = (2, 3)
luego
(k) = 4/6
i
Cadi
i
cai
cf
1
300
1
50
500
2
50
6
50
500
3
100
1
50
500
4
200
1
50
500
837
Unidades
um/orden
u/ut
um/ut/u
um/ut/u
1 Cad
2
3 i
4 Cad,i
5 i
500
6 ca,i
7 ki
8 T
9 c,i
50
50
50
2
1.81
173.37
299.00
100.50
10 cg
994.99
1
300
2
50
3
100
F
um/orden
4 Unidades
200 um/orden
1 u/ut
50 um/ut/u
2 adimensional
um
145.73 um/ut
um/ut
n
X
i=1
(1)i+1
{{1,...,n}:||=i}
Cad X
cg = (k)
+
T
i=1
Cadi
1
+ cai i ki T
ki T
2
Observaci
on 158 Notese el problema mixto no lineal que se genera. Ello puede facilitar la no
convergencia o la convergencia a mnimos locales.
La tabla 41.4 muestra para un ejemplo con 5 items, a partir del trabajo de Wildeman, 1996 [2]. La
figura 41.16 muestra resultados.
Ejercicio 20 El consumo de un cierto repuesto sigue un patr
on del tipo:
(t) = 0 (1 + sin t) , 0 |
en u/ut. El valor de un repuesto es pu . El costo de almacenamiento se eval
ua con la tasa . cada
orden tiene un valor Cad . El costo de falla de un repuesto no disponible en bodega es de cw um/ut.
Proponga un modelo para decidir de manera
optima,
a)
el n
umero de items ordenados en cada orden de compra;
b)
c)
la fracci
on de tiempo en que conviene disponer de repuestos.
838
F
um/orden
1 Cad
2
3 i
4 Cad,i
5 i
500
6 ca,i
7 cf,i
8 ki
9 i
10 T
11 c,i
50
500
2
50
500
1
50
500
1
50 um/ut/u
500 um/ut/u
2 adimensional
0.91
1.90
165.30
0.91
0.91
0.91
285.08
95.83
12 cg
948.68
1
300
2
50
3
100
4u
200 um/orden
1 u/ut
um
138.95 um/ut
um/ut
Figura 41.17: Compras agrupadas. Ejemplo con nivel de servicio y costo de falla.
41.8.
En caso de aceptar un nivel de servicio inferior a 1, aparece un termino por costo de falla, como ya
vimos en 41.3:
I
Cad X
cg = (k)
+
T
i=1
Cadi
1
1
+ i2 cai i ki T + (1 i )2 cfi i ki T
ki T
2
2
Si consideramos el ejemplo anterior y cfi = 500um/u/ut, obtenemos los resultados de figura 41.17.
El nivel de servicio
optimo es de 91 % para los 5 repuestos.
41.9.
Se tiene una flota de n equipos distintos (operando en lneas de produccion independientes) cuyos
(i)
costos de falla son cf um/ut, i = 1, ..., n. Cada equipo tiene una tasa media de intervenciones
propia, (i) .Los equipos comparten un repuesto en com
un, cuyo precio es pu um/u. El costo de
un pedido es Cad um/pedido. La demora media en la entrega es Td ut. Proponga un modelo para
optimizar el tama
no de los pedidos, q.
La demanda percibida por bodega es:
n
X
(i) u/ut
i=1
cf =
5 Control
3, semestre 2006-2.
1 X (j)
c um/ut
n j=1 f
839
n
X
j=1
(j)
(j)
Pn
c um/ut
(i) f
i=1
lo que nos permite utilizar el modelo de 41.3.1 para estimar q y el de 41.6.1 para estimar qs
(aunque se debera pensar en una practica canibalista: si una maquina tiene un costo de falla muy
por sobre el de sus compa
neras independientes, debera ser conveniente quitarle el componente a
una de ellas en caso de no disponer en bodega). En caso de que el costo de un pedido sea despreciable
frente al costo de falla, el modelo debe considerar el balance entre el costo de falla y el costo de
almacenamiento esperados y q = qs .
n
R(t)dt
luego,
cg (Tp , q)
Cad
1
+ qpu
q
2
ad
1
= [gp R(Tp ) + gf F (Tp )] pu + pu +
pu + qpu
q
2
= [Cgp R(Tp ) + Cgf F (Tp )] + pu +
donde
gp
gf
ad
Cgp
pu
Cgf
pu
Cgp
pu
R(t)dt
0
6 Control
3, semestre 2006-2.
Tp
840
Figura 41.18: Logaritmo del costo global esperado por unidad de tiempo
Para una distribuci
on Weibull sabemos que:
Z
0
41.10.1.
Tp
R(t)dt = inc
"
Tp
#
1
1
,
Ejemplo
n=2
pu = 20 um/u
= 0,15 um/um/ut
= 1,5
Historicamente, se ha establecido una estrategia de mantenimiento correctivo para ambos equipos
y bodega ha percibido una demanda de c = 55 u/ut, luego:
=
c
n
1
1 + 1
41.11.
841
m
u/ut
T
(41.26)
m
T u
T
k
ut
m
y varianza:
2 =
T2 k 2
ut
m2
Tenemos que :
P (n k) = P (Tn T ) = 1 (xn )
donde , y:
Tn
Si se desea que la probabilidad de no poder satisfacer inmediatamente una demanda con probabilidad p, se deben disponer de kp repuestos al inicio de T :
s
2
xpn T
Tm
xpn T
+
u
kp =
+
2 T
T
2 T
xn =
P (n = i) =
(T ) eT
i!
luego
(k) = P (n k) =
k
i
X
(T ) eT
i=0
i!
(41.27)
(41.28)
842
Nivel de servicio
(adim)
1,00
0,95
0,90
0,85
Nro de repuestos
0,80
0,75
40
45
50
55
41.11.1.
Una ut corresponde a un a
no,
m
MTTF
MTTR
p
T
=
=
=
=
=
62
8 ut
0,22 ut
0,95
1 y 5 ut
Tenemos entonces,
M T BF = M T T F + M T T R = 8,22 ut
La demanda percibida por la bodega es:
=
62
m
=
u/ut
M T BF
8,22
41.11.2.
m
MTTF + MTTR
843
1,00
0,95
0,90
0,85
Nro de repuestos
0,80
0,75
10
15
50
n* (u)
40
30
20
10
0
0,125 0,25
0,5
1
T (ut)
2,5
844
(
q =
qT 12 T T
T
1 q
2q
T
si q > qi
si q qi
El costo de falla,
Cf (qi q) si q qi
y restando el valor de reventa de repuestos no usados al final de T :
pu (q qi ) si qi q
Si asumimos una distribuci
on de Poisson la probabilidad de que hayan qi demandas en T
est
a dada por:
q
eT (T ) i
qi !
La probabilidad de que una demanda de repuestos sea satisfecha con repuestos adquiridos inicialmente es:
q
q
X
eT (T ) i
p=
qi !
q =0
i
q
X
eT (T ) i
pu
(qi q)
+
qi !
qi =q+1
1
1 q2
p q T pu T + (1 p)
pu +
2
2
q
X
eT (T ) i
Cf
(qi q)
qi !
q =q+1
i
pu
q
X
qi =0
qi
(q qi )
eT (T )
qi !
Variable
q*
Costo intervencion preventivo
Costo intervencion correctivo
Costo almacenamiento
Costo de falla
Venta excedentes
Costo global
Valor
43
645
52.3
181.6
0
-59.8
819
845
unidades
u
um
um
um
um
um
um
q/
Tiempo
Ejemplo 154 Se dispone de un flota de 62 correas transportadoras que son operadas por un motor
c/u (los motores son gemelos). El tiempo medio para fallar es de 8.0 ut. El horizonte de an
alisis es
de 5 ut. El tiempo medio para reparar un motor es de 0.22 ut. El repuesto para el motor tiene un
valor de 15 um si es adquirido en forma regular y de 75 si es requerido de emergencia. El valor de un
repuesto no usado, tras 5 ut es de 10 um. El costo de almacenamiento se estima en 10 % del valor
del repuesto por ut. El costo de falla de una correa transportadora es de 365 um/ut. La direcci
on
ha descartado la compra de motores y el mantenimiento preventivo o centrado en condici
on.
Tenemos:
m = 62 u
62
=
u/ut
8 + 0,22
T = 5 ut
pu = 15 um/u
pu = 75 um/u
pu = 10 um/u
= 0,1 um/um/ut
Asumiremos que la entrega de emergencia es inmediata, por lo que no se incurre en costos de falla.
Los resultados se muestran en tabla (41.5). La hoja excel puede ser bajada [aqu].
846
Tiempo
Nro. de componentes en
operaci
on (u/nave)
1
1
1
1
3
Periodo medio
entre reemplazos (ut)
18.0
2.4
3.1
2.6
23.1
41.12.
7
La tabla (K.1) muestra la tasa de reemplazos (ya sea preventivo o correctivo) de varios tipos
de componentes en un subsistema de un flota de 12 naves de la Armada. Los componentes son
reemplazados cuando fallan. El proveedor ha informado que ya no va a continuar produciendo estos
repuestos y eventualmente se puede hacer un ultimo pedido (ahora).
Se desea:
a) 1) Considerando los stock actuales, estimar los intervalos esperados para niveles de servicio
de misi
on de 90 %, 95 %, 99 %.
2) Encontrar el tama
no del ultimo pedido a hacer para asegurar un 90 % de nivel de servicio
para la flota por un periodo de 4 ut.
Si asumimos una distribuci
on de Poisson, podemos usar el modelo (41.27). Los resultados se
muestran en tablas (41.7) y (41.8) respectivamente. Observamos que el componente critico es el 2,
por su relativamente alta tasa de reemplazos.
La hoja Excel puede ser bajada [aqu] .
7 Adaptado
i
1
2
3
4
5
= 0,9
5,84
1,06
3,08
3,16
5,03
= 0,95
4,93
0,92
2,80
2,87
4,45
= 0,95
3,50
0,69
2,30
2,40
3,50
Cuadro 41.7: Intervalos de tiempo (ut) para varios niveles de servicio de la flota para los stocks presentes
i
1
2
3
4
5
847
q
0
18
5
5
0
41.12.1.
Crecimiento de la flota
q
1
28
12
14
2
41.12.2.
Restricci
on de presupuesto
Una variante del problema considera una restriccion de presupuesto: Se desea maximizar la disponibilidad del sistema de armas en las proximas 4 ut. Aplica una restriccion de presupuesto pues
se dispone de B = 25 um para todas las compras asociadas a este sistema. La indisponibilidad
de cualquiera de los repuestos implica la indisponibilidad del sistema. Optimice el programa de
adquisiciones a realizar. Los valores unitarios del i-esimo tipo de repuestos son 0.5, 1, 0.3, 2, 0.1 respectivamente. La disponibilidad del sistema es el producto del nivel de servicio de cada componente
critico:
As (T ) =
5
Y
i=1
lo que corresponde a la funcion objetivo del problema. La solucion encontrada es comprar 0,18, 3,
3, 0 repuestos de tipo i = 1..,5 respectivamente. Se alcanza
As (T = 4) = 61,7 %
La hoja Excel puede ser bajada [aqu].
848
41.13. Estimaci
on de numero de fallas en un periodo cuando
la tasa de fallas es creciente
Si F es una distribuci
on con tasa de fallas creciente y N (t) es el numero de fallas en el intervalo
[0, t],
1
MTTF =
(41.29)
0
entonces
P (N (t) n)
j
X
(0 t) e0 t
j!
j=n
(41.30)
para
t
1
0
n
X
Nj (tj ) N
P
j=1
n
X
Nj (tj )
j=1
n
X
tj
j=1
X
X
j e
P
Nj (tj ) N =
j!
j=1
j=n
si solo podemos asumir que la tasa de fallas de los componentes es creciente en el tiempo, y con
media (41.29), entonces:
X
X
j e
P
Nj (tj ) N
j!
j=1
j=n
De modo que el numero de repuestos a adquirir puede ser elegido de modo que la probabilidad de
quedarse sin repuestos sea menor que 1 .
8 ver
41.14.
849
41.14.1.
Ejemplo
La tabla 41.10 muestra los parametros necesarios para definir el diagrama para un conjunto de 6
repuestos. La figura 41.24 muestra los resultados.
850
Code
1
2
3
4
5
6
c (u/ut)
103
106
102
105
103
104
pu (um/u)
104
105
104
103
105
103
T nr (ut)
9
3
1
2
0.2
0.1
T r (ut)
2
0.5
0.2
3
1
0.5
p
0.05
0.5
0.9
0.01
0.2
1
cf (um/ut)
106
105
4
1,510
105
105
105
0.1
0.1
0.01
0.01
0.5
4.0
10
0.009
0.008
0.007
0.01
0.006
0.005
0.004
x 10
0.003
0.002
0.001
Spare code
Spare code
10
x 10
9
Lead time
Repair
7
6
6
Time (ut)
4
3
3
2
Spare code
100
3.5
80
90
70
60
50
40
30
20
2.5
1.5
0.5
10
Spare code
Spare code
Spare code
851
10
1
3
2
c1g (um/ut)
10
10
10
10
10
10
10
c0g (um/ut)
41.15. Distribuci
on de repuestos con varias bodegas y demanda distribuida
Consideremos la situaci
on de una compa
na que dispone de j = 1...J plantas distantes unas de otras.
A fin de abastecerlas de repuestos se dispone de i = 1...I bodegas de repuestos. Para simplificar el
an
alisis, todos los repuestos son considerados del mismo tipo.
El costo de transferir un repuesto desde la bodega i a la planta j es Cij um/u.
Por limitaciones de espacio fsico (y/o administrativas) la bodega i puede entregar hasta i
u/ut.
La planta j tiene una tasa de demanda de j u/ut.
Se desea conocer xij , la cantidad de repuestos que deben ser entregados por cada bodega a
cada planta, por unidad de tiempo.
El criterio de decisi
on es la minimizacion del costo total esperado por unidad de tiempo, cg .
Las variables de decisi
on en este caso son los valores de la matriz X. Los parametros son los vectores
, , y la matriz C. Las restricciones son:
Restriccion de capacidad de cada bodega:
X
xij i i
xij j j
La funci
on objetivo es:
cg =
XX
i
852
Bodega
1
2
Planta (u/ut)
1
2
3
225 153 162
225 162 126
41.15.1.
Ejemplo
funcion objetivo
limitacion de capacidad de la bodega i
demanda esperada de la planta j ;
Bodega
1
2
853
Planta (u/ut)
1
2
3
5
30 0
27.5 0
27.5
41.16.
Comentarios finales
Existen varios otros metodos entre ellos el de intervalos y cantidades fijas que es usado para repuestos no crticos, tales como material de oficina. Aparecen riesgos de inventario si los intervalos
entre pedidos son muy largos. Para repuestos super-crticos, el riesgo de quedar sin inventario debe
ser mnimo (costo de falla muy importante) y es necesario realizar estudios con tecnica tales como
el
arbol de fallas.
A explorar
Ghobbar y Friend (2004)[5] presentan un interesante analisis de las estrategias usadas por 175
aerolneas para el problema de reposicion de repuestos.
Sundarraj (2004)[30] describe un prototipo de sistema de apoyo a la toma de decisiones para el
manejo de contrato con proveedores de repuestos y servicios apoyado con el uso de la Web. El
sistema utiliza el criterio AHP (Analytical Hierarchy Process) para priorizar seg
un varios criterios.
El punto de vista usado es el del proveedor, quien toma un contrato de servicio post-venta.
Lummus y Vokurka (1999)[31] entregan una perspectiva historica de la gestion centrada en la cadena
de suministros (supply chain) y guas generales para su implementacion.
Bonoma (1982)[32] estudia el efecto de los criterios usados por el agente comprador en su estrategia
de compras.
Kennedy et al. (2002)[42] presentan un review sobre gestion de repuestos. Enfatizan las diferencias
que existen con respecto a otros inventarios tales como de materiales semi procesados (WIP, WaitIn-Process) y productos terminados.
Porras y Dekker (2008)[?] presentan una metodologa para clasificar repuestos de acuerdo a 3
criterios: criticidad, demanda y precio unitario.
Una referencia original para el problema de inventarios en sistemas multi-escalon es Clark & Scarf
[8].
Eaves (2002) presenta un estudio doctoral sobre gestion de inventarios de repuestos consumibles.
854
Bibliografa
[1] P. Lyonnet. Maintenance Planning, Methods and Mathematics. Chapman & Hall, 1991. [bajar]
[2] Wildeman, R.E. The art of Grouping Maintenance. PhD thesis, Erasmus University, Holland,
1996. [bajar]
[3] Sadrian, A.A., Yoon, Y.S., A procurement decision support system in business volume discount
environments, Operations Research, 42, 14-23, 1994.
[4] Crama, Y., Pascual, R, Torres, A., Optimal procurement decisions in the presence of total quantity discounts and alternative product recipes, European Journal of Operational Research, 159,
364-378, 2004. [bajar]
[5] Ghobbar, A., Friend C.H., The material requirements planning system for aircraft maintenance
and inventory control: a note, Journal of Air Transport management, 10, 217221, 2004. [bajar]
[6] Leonard, M.,Air force materiel command: a survey of performance measures, Master Thesis,
Department of Operational Sciences Graduate School of Engineering and management Air Force
Institute of Technology, Wright-Patterson Air Force Base, Ohio, 2004. [bajar]
[7] Li, C.L., Hsu, V.N., Xiao, W.Q., Dynamic lot sizing with batch ordering and truckload discounts,
Operations Research,5(4), 639-654, 2004. [bajar]
[8] Cachon, G.P., Zipkin, P.H., Competitive and cooperative inventory policies in a two-stage supply
chain, management Science, 45(7), 936-953, 1999. [bajar]
[9] Rosenthal, R.E., A GAMS tutorial, Naval Postgraduate School, Monterey, California, 1997.
[bajar]
[10] Kumar, N., Vrat, P., Sushil, A.,Simulation study of unit exchange Spares management of diesel
locomotives in the Indian railways, International journal of production economics, 33(1-3), 225236, 1994. [bajar]
[11] Sundarraj, R.P., A Web-based AHP approach to standardize the process of managing servicecontracts, Decision support systems, 37(3), 343-365, 2004. [bajar]
[12] Yang S.C., Du, Z.W., Criticality evaluation for spare parts initial provisioning, Proceedings :
Annual Reliability and Maintainability Symposium, 507-513, 2004. [bajar]
[13] Ghobbar A.A., Friend, C.H., The material requirements planning system for aircraft maintenance and inventory control: a note, Journal of air transport management, 10(3), 217-221, 2004.
[bajar]
[14] Aronis, K.P., Magou, L., Dekker R., et al., Inventory control of spare parts using a Bayesian
approach: A case study, European Journal of operational research, 154(3), 730-739, 2004.
[15] De Smidt-Destombes, K.S., Van der Heijden, M.C., Van Harten, A., On the availability of a
k-out-of-N system given limited spares and repair capacity under a condition based maintenance
strategy, Reliability engineering & system safety, 83(3), 287-300, 2004.
[16] Lai, C.A., Chang, C.T., Ko, C.L., et al., Optimal sensor placement and maintenance strategies
for mass-flow networks, industrial & Engineering chemistry research, 42(19), 4366-4375, 2003.
[bajar]
855
856
[17] Kilpi, J., Vepsalainen, A.P.J., Pooling of spare components between airlines, Journal of air
transport management, 10(2), 137-146, 2004. [bajar]
[18] Bloch, H.P., Setting up your spare parts program, Hydrocarbon processing, 83(6), 11-12, 2004.
[bajar]
[19] Ghobbar, A.A., Friend, C.H., Evaluation of forecasting methods for intermittent parts demand
in the field of aviation: a predictive model, Computers & operations research, 30(14), 2097-2114,
2003. [bajar]
[20] Spengler, T., Schroter, M., Strategic management of spare parts in closed-loop supply chains A system dynamics approach, Interfaces, 33(6), 7-17, 2003. [bajar]
[21] Fleischmann, M., Van Nunen, J., Grave, B., Integrating closed-loop supply chains and spareparts management at IBM, Interfaces, 33(6), 44-56, 2003. [bajar]
[22] Deshpande, V., Cohen, M.A., An empirical study of service differentiation for weapon system
service parts, Operations Research, 51(4), 518-530, 2003. [bajar]
[23] Schultz, C.R., Reid, R.A., Spare parts inventory and cycle time reduction, International Journal
of production research, 42(4), 759-776, 2004.
[24] Eaves, A.H.C., Kingsman, B.G., Forecasting for the ordering and stock-holding of spare parts,
Journal of the operational research Society, 55(4), 431-437, 2004.
[25] Nikolopoulos, K., Metaxiotis, K., Lekatis, N., et al., Integrating industrial maintenance strategy
into ERP, industrial management & data Systems, 103(3-4), 184-191, 2003. [bajar]
[26] Chan C.K., Tortorella M., Spares-Inventory Sizing For End-To-End Service Availability, Proceedings of the Annual Reliability and Maintainability Symposium, 98-102, 2001.
[27] Teunter, R.H., van der Laan, E., Inderfurth, K., How to set the holding cost rates in average cost
inventory models with reverse logistics?, Omega-International Journal Of Management Science,
28(4), 409-415, 2000.
[28] De Geus, A., The living company, Harvard Business Review, March-April, 1997. [bajar]
[29] Schroeder, R.G., Administracion de Operaciones, McGraw-Hill, 3era ed., 1989.
[30] Sundarraj, R.P., A Web-based AHP approach to standardize the process of managing service
contracts, Decision support systems, 37(3), 343-365, 2004. [bajar]
[31] Lummus R.R., Vokurka R.J., Defining supply chain management: a historical perspective and
practical guidelines, Industrial Management & Data Systems, 99(1), 11-17(7), 1999. [bajar].
[32] Bonoma, T.V., Major sales: Who really does the buying?, Harvards Business Review, May-June,
111-119, 1982. [bajar].
[33] Jardine, A.K.S., Tsang, A., Maintenance, Replacement and Reliability, Taylor and Francis,
2006.
[34] Louit, D., Banjevic, D., Jardine, A.K.S., Optimization Models for Critical Spare Parts Inventories - A Reliability Approach, Working paper, University of Toronto, 2005.
[35] Diaz, A., Fu, M.C., Models for multi-echelon repairable item inventory systems with limited
repair capacity, European Journal of Operational Research, 97, 480492, 1997.
[36] Sherbrookem C.C., Optimal inventory modeling of Systems, multi-echelon techniques, 2nd ed.,
Kluwer, 2004.
[37] Harris, Operations and costs, Factory management series, A.W. Shaw Co., Chicago, 1915.
[38] Sheikh, A.K., Younas, M., Raouf, A., Reliability Based Spare Parts Forecasting and Procurement Strategies, In Ben-Daya, M., Duffuaa, S.O. and Raouf, A. (eds.) Maintenance, Modeling
and Optimization, pp. 81-108, Boston: Kluwer Academic Publishers, 2000.
[39] B Ghodrati, U Kumar, Operating environment-based spare parts forecasting and logistics: a
case study, International Journal of Logistics, 2005.
[40] Rausand, M., Reliability centered maintenance, Reliability Engineering and System Safety, 60,
121-132, 1998.
857
[41] Almeida, A.T. de, Multicriteria Decision Making on Maintenance: Spares and Contracts Planning, European Journal of Operational Research, 129 (2), 235-241, 2001.
[42] W.J. Kennedy, J.W. Patterson, L.D. Fredendall, An overview of recent literature on spare parts
inventories, Int. J. Production Economics, 76, 201215, 2002.
[43] Sheerbrooke, C., Optial Inventory Modeling of Systems, 2nd ed., Kluwer, 2004.
[44] A.J. Clark, H. Scarf, Optimal Policies for a Multi-Echelon Inventory Problem Management
Science, 6(4), 475-490, 1960.
[45] R. Dekker, M.J. Kleijn, P.J. de Rooij, A spare parts stocking policy based on equipment criticality, Int. J. Production Economics, 56-57, 69-77, 1998.
[46] E. Porras, R. Dekker, An inventory control system for spare parts at a refinery: An empirical
comparison of different re-order point methods, European Journal of Operational Research, 184,
101132, 2008.
[47] A.H.C. Eaves, Forecasting For The Ordering And Stockholding Of Consumable Spare Parts,
Ph.D. Thesis, Lancaster University, England, 2002.
858
Captulo 42
Gesti
on de repuestos reparables
centrada en nivel de servicio y
consolidaci
on
Most men would rather die than think. Many do.
Bertrand Rusell
There is no point transferring your inventory to a supplier, because it will
then have the inventory cost, and you will see it showing up
sooner or later. But if you can reduce the whole chains
inventory, it will make you more competitive.
W
are, A. (Nokia)[2].
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Modelar las economas de escala que ocurren al consolidar repuestos entre compa
nias y bodegas
Modelar el nivel de servicio para un repuesto reparable dado
Resumen
En este captulo estudiamos los ahorros posibles al establecer consolidacion de repuestos entre
varias compa
nas. Veremos que es posible observar importantes economas de escala. Aplicaremos
el concepto a las compa
nas de transporte aereo. Ademas discutiremos las implicaciones en la gestion
cuando existe cooperaci
on.
42.1.
Introducci
on
Un indicador de gesti
on clave para una aerolnea es la tasa de uso de sus aeronaves. El disponer de
repuestos modulares y de alta confiabilidad ayudan a incrementar tal indicador pues un reemplazo
rapido evita costos muy altos en caso de ocurrir una falla. El tiempo para reparar se acorta. Los
componentes que son desmontados son reparados en forma programada. Los costos de disponer de
un stock de repuestos son causados principalmente por el capital detenido.
859
860
ARTICLE IN PRESS
138
1.20
200
180
=.99
=.80
0.80
140
120
0.60
100
0.40
80
60
0.20
40
0.00
20
200
1992
1991
1990
1989
1988
1987
0
1986
100
Numero de aeronaves en la flota
1985
1984
Nro. repuestos/aeronave
1.00
servicio a la organizaci
on propia.
Observaci
on 159 (MacDonald, 2002)[8] estima que en el negocio del transporte aereo las mayores
operating
costs of an airline, ma
the aparecen
aviationporindustry
there
has beendearepuestos.
constant
oportunidades deInahorro
la reducci
on de inventario
Se ha estimado
(Flint,
9
1995)[9] que las
l
neas
a
e
reas
disponen
de
un
inventario
de
alrededor
de
45
10
USD,
del
cual
80
%
represent some
1015% (Serist
strain of driving down the number of spare units. It has
corresponde al
inventario
de
los
operadores.
Tras
serios
esfuerzos
en
tal
sentido
tal
n
u
mero
es
Fig. 2 shows some trends in
even 9been said that the potential for savings through
estimado en tighter
50 10 USD
en 2002[8].of
Si spares
el valor in
del the
inventario
las aerol
se estima European
por
airlines from
management
supplydechain
is neas selected
aeronave, el monto ha cado desde 3.75 106 a 3.35 106 USD/avi
on en el periodo 1995-2002.
as.
La
idea
es
combinar
las
mejores
of an aircraft family increased
in inventory, nearly 80% of which was owned by the
caractersticasoperators
de las 3 estrategias
antes nombradas.
estaofestrategia
importa quien
requiere of aircraft in use. A
the number
(Flint, 1995).
Despite aEnlot
serious notalk
el repuesto. Como veremos mas adelante, el pooling de inventario genera economas de escala. La
has more than doubled during
about reducing inventory levels, the gure was estimated
figura 42.1 muestra un ejemplo de como se generan las mismas. El grafico ha sido generado con el
of an aircraft family pe
to
be
over
US$50
billion
in
2002
(McDonald,
2002).
modelo que ser
a presentado en la pr
oxima seccion, con parametros tpicos. El n
umeroeet
de aeronaves
slowly.
If the inventory
value
of completa,
the aviation
chaindeis un tiporelatively
en la flota no significa
el tama
no de
la flota
sino supply
de la subflota
de aeronave
operada por la
aerolnea. per aircraft in operation, the dollar amount
The setting in the industry
considered
potential
of utilizing economies
actually
dropped
about
million
Como puede has
observarse
en figura
42.1, from
mientras
mas US$3.75
aeronaves haya
en laper
flota, menor
es la canbeyond
aircraft in
1995 topor
about
US$3.35
million per aircraft
in son is
tidad de componentes
requerido
aeronave.
Los requerimientos
de repuestos
aleatorios
por the reach of m
naturaleza, pues
las fallas
Al considerar
estrategia
cooperativa
entre compa
nas es ev- growing total e
Continuously
2002.
This loisson.because
the una
global
airline
eet has
idente (del gr
afico) que los
participantes
con flotas
peque
nas tienen m
as por ganar
families
ensure that the cost re
increased
from
about 12,000
to relativamente
about 15,000
aircraft
que aquellas con
grandes
flotas.
increasing. A cooperative arran
during that period. New aircraft taken into operation
more
airlines operating commo
lately que
represent
new
considerEste estudio sugiere
las compa
nastechnology
reduzcan suswhich
niveles means
de inventario
lo que aporta
una manera
de reducir losably
masivos
costos
de almacenamiento
la industria
aeron
autica.
way of utilizing the potential.
lower
need
for spare partsdethan
industry
average.
The idea of cooperative poo
On the other hand the new technology parts are more
the air transport industry. In th
expensive than their low technology predecessors. So it
eet commonality between E
is unclear whether the spare inventory glut has actually
provided a foundation for two m
increased or decreased.
861
ARTICLE IN PRESS
180
=.99
160
=.80
140
120
100
80
60
40
20
200
2001
2000
1999
1998
1997
1996
1995
1994
1993
1992
1991
1990
1989
1988
1987
1986
1985
0
1984
00
de aeronaves en la flota
42.2.1. Modelo b
asico
operating costs of an airline, maintenance costs typically
ry there has been a constant
ilustra las
relaciones
que(Serist
afectano,
cuatro factores de la disponibilidad (confia. los1995).
represent
some
1015%
number of spare units. El
It modelo
has basico
bilidad, periodo medio de reposicion, nivel de servicio y tama
no la flota) y el n
umero requerido de
Fig. 2 shows some trends in the eet composition of
potential for savings through
repuestos.
selected European airlines from the year 1984 to 2001.
pares in the supply chain is
la industria aeron
autica la medida mas usada para la confiabilidad es el tiempo medio de
More new
jet aircraft were taken into use during that
revenue opportunities En
in the
operaci
on entre intervenciones no programadas (Tbur )1 . En general depende del tiempo de operacion
everdefinir:
before, as the total eet increased from
ld, 2002). It was estimated
in
acumulado.
Esperiod
posiblethan
entonces
under 1100 to over 2700 aircraft. The average total eet
pply chain held US$45 billion
Tbur even more rapidly than
of an aircraft family
of which was owned by the
Tburincreased
=
ut calendario
ct
As the number of airlines
the number of aircraft in use.
Despite a lot of serious talk
has more
during(utthe
period,
average
levels, the gure was estimated
donde corresponde
a la than
tasa dedoubled
uso del equipo
operaci
on/utthe
calendario).
eet of an aircraft family per airline has increased
in 2002 (McDonald, 2002).
El n
umero de unidades apoyadas nu corresponde al n
umero de componentes que estan instalados
relatively
slowly.
of the aviation supply chain
is los equipos
en todos
del las
flotas de todas las compa
nas participantes.
The setting in the industry is such that the real
operation, the dollar amount
La frecuencia de pedidos (no programados) de repuestos percibida por bodega es:
potential of utilizing economies of scale to reduce costs
m about US$3.75 million per
nu
is beyond the reach of
most
individual airlines.
US$3.35 million per aircraft in
u/ut
b =
T
ct
Continuously growing total bur
eets
of different aircraft
the global airline eet has
families ensure that the cost reduction potential keeps
,000 to about 15,000 aircraft
El indicador Tincreasing.
como
el periodo transcurrido
desde
la remoci
on or
del componente desde
at es medido A
cooperative
arrangement
between
two
aircraft taken into operation
la aeronave y cuando es guardado en bodega, tras su reparacion y esta listo para un nuevo uso. La
more airlines operating common aircraft family is one
nology which means considerMean Time Between
Unscheduled
Removals.
ut de operaci
on.
way
of utilizing
theEn
potential.
e parts than industry 1average.
The idea of cooperative pooling is in no way new to
ew technology parts are more
the air transport industry. In the 1960s there was a lot of
technology predecessors. So it
eet commonality between European airlines, which
are inventory glut has actually
provided a foundation for two maintenance consortiums
862
k
0
1
2
3
4
5
6
p(k)
0, 6814
0, 2614
0, 0501
0, 0064
0, 0006
0, 0000
0, 0000
(k)
0, 000
0, 681
0, 943
0, 993
0, 999
1, 000
1, 000
(42.1)
(42.2)
Si consideramos que las fallas siguen una distribucion de Poisson es posible calcular la probabilidad
de que ocurra un cierto n
umero de intervenciones no programadas en un periodo de tiempo dado.
Si el intervalo considerado corresponde a Tat , se tiene:
k
p(k) =
(42.3)
(k) =
k
X
p(i)
(42.4)
i=0
20
u/ut
730
Gracias a las ecuaciones (42.3) y (42.4) es posible calcular el nivel de servicio en funcion del n
umero
de repuestos. Los resultados se observan en la tabla 42.1. La tabla permite establecer el n
umero de
repuestos requeridos para alcanzar un nivel dado. Por ejemplo, si se fija
0,99
entonces se deber
a disponer de al menos 3 repuestos (y el nivel de servicio efectivo sera de = 0,993).
863
0.2
0.15
0.1
0.05
500
1000
1500
2000
2500
3000
3500
Tbur (dias)
Figura 42.3: N
umero de repuestos requeridos por avion vs TBU R
42.3.
An
alisis de sensibilidad
A continuaci
on estudiamos los efectos de los 4 parametros del modelo sobre el n
umero de repuestos
necesarios.
La figure 42.3 muestra el efecto de reducir la confiabilidad del repuesto para 3 tama
nos de flota: 50,
150, 500. El intervalo Tat se ha fijado en 4 semanas y el nivel del servicio en 0,99. Se observa que
al incrementar confiabilidad, se reduce el n
umero de repuestos necesarios para asegurar un nivel de
servicio dado. Para flotas existentes una manera de extender el Tbur es optimizar el programa de
inspecciones.
En la figura 42.4 se estudia el efecto del Tat en el n
umero de repuestos requeridos por aeronave para
asegurar un nivel de servicio del 99 %, cuando el Tbur es de un a
no. Las curvas muestran tendencias
lineales con pendiente positiva. Al reducir el Tat , se reduce el n
umero de repuestos por aeronave.
En la figura 42.5 se observa que al bajar el nivel de servicio, tambien lo hace el n
umero de repuestos
requeridos por aeronave. La curva muestra un crecimiento considerable del nivel de stock cuando
el nivel del servicio es superior a 95 %.
La figura 42.6 muestra claramente que al crecer el tama
no de la flota, se reduce el n
umero de
repuestos necesarios por avi
on.
42.4.
Modelando la cooperaci
on entre compa
nas
864
0.2
0.15
0.1
0.05
10
15
20
25
30
35
40
45
Tat (dias)
Figura 42.4: N
umero de repuestos requeridos por avion vs TAT
0.2
0.15
0.1
0.05
0
0.8
0.82
0.84
0.86
0.88
0.9
0.92
0.94
0.96
0.98
Figura 42.5: N
umero de repuestos requeridos por avion vs
Aerolnea
A
B
B
C
D
Base
A1
B1
B2
C1
D1
aeronaves
20
45
15
60
25
nu
80
180
60
240
100
865
0.35
0.3
0.25
0.2
0.15
0.1
0.05
50
100
150
200
250
300
350
400
450
500
nu (unidades)
Figura 42.6: N
umero de repuestos requeridos por aeronave vs nu
Tbur
6570
=
9
= 730 das calendario
Tburct =
Asumiremos adem
as que las intervenciones correctivas se hacen en las bases propias de cada
aerolnea. Ello se justifica por dos razones: la falla de la mayora de los componentes no afecta
la seguridad de las personas, hacerlo en bases externas es mucho mas caro que hacerlo en una
propia.
Asumiremos que Tat = 21 das calendario para cualquiera de las cuatro compa
nas.
42.4.1.
La idea de consolidaci
on de repuestos es estudiada tambien en Lee(1987)[3] y Dada(1992)[4]. Si
existe una estrategia de pooling, el problema de repuestos se puede tratar como si hubiese una
sola bodega, aun si hay varias bases [3]. El modelo basico presentado anteriormente puede ser
utilizado para estimar cuantos repuestos son requeridos en bodegas para mantener un nivel dado
del servicio. El n
umero total de repuestos es distribuido entre las diversas bases. Como las bases
de las lneas est
an localizadas a una cierta distancia geografica, el inventario consolidado puede
no estar disponible tan r
apido como lo sera si no existiese el pool y cada compa
nia manejase su
bodega independientemente. Cuando la base local no dispone del componente, se debe programar
un transporte de emergencia de la pieza desde la base mas cercana, o con tiempo de respuesta mas
rapido. La idea misma de la consolidacion de repuestos depende de la factibilidad de hacer estos
transportes r
apidamente. Asumiremos que un repuesto que es transportado a otra base (por ser
requerido), es devuelto por la misma posteriormente. Aun as, el tener que transportar el repuesto
desde otra base siempre implicara un tiempo mayor para disponerlo con respecto a tenerlo en la
base propia. Ello significa que cada aerolnea debe aceptar demoras logsticas debido a que los
repuestos pueden estar en otras bases y no en la propia. Para nuestro ejemplo, consideraremos que
las demoras logsticas entre las bases tienen los valores mostrados en la matriz de figura 42.7. Las
866
A1
B1
B2
C1
D1
A1
1
11
10
9
12
B1
11
1
5
7
8
B2
10
5
1
6
6
C1
9
7
6
1
6
D1
12
8
6
6
1
Figura 42.7: Demoras logsticas (horas) debido a transporte de emergencia del repuesto
demoras oscilan entre 5 y 12 horas. El periodo de demora incluye: el vuelo mismo, la demora en
iniciar el vuelo, localizar el repuesto, empaquetarlo, cargarlo, descargarlo, recibirlo, desempacarlo.
En nuestro ejemplo, A1 y D1 tienen demoras maximas de 12 horas. Asumimos que en caso de
disponer el repuesto en la base propia, las demoras seran de 1 hora.
Seg
un lo anterior, es necesario definir dos tipos de niveles de servicio: uno para disponibilidad en la
base local (l ) y otro para la disponibilidad consolidada (de todas las bases), c .
Para efectos del ejemplo hemos fijado el nivel del servicio en
c 0,99
Ademas, el nivel de servicio local debe ser de al menos
l 0,75
42.5.
La compa
na B ya dispone de bodegas consolidadas. Veamos como calcular el n
umero de repuestos
requeridos para alcanzar niveles de servicio satisfactorios.
La flota B consta de
nu = 180 + 60
= 240 componentes
ya sabemos que
Tat = 21 das
Tburct = 730 das
luego, el nivel de servicio c requiere entonces de al menos 15 repuestos (tabla 42.3) y el nivel de
servicio logrado es c = 0,9949 que corresponde al valor encontrado en las filas 2 y 3 de la columna
6 de la tabla 42.5.
Esos 15 repuestos son repartidos entre las dos bases de modo de minimizar la varianza del servicio
de corto plazo (local). La mejor situacion es 10 en la base B1 y 5 en la base B2 .
El calculo del nivel de servicio con repuestos locales en la base B1 se muestra en la tabla 42.4. Los
parametros utilizados son:
nu = 180
Tat = 21
Tburct = 730
k = 10
k
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
p(k)
0,0010
0,0069
0,0239
0,0550
0,0950
0,1312
0,1510
0,1489
0,1285
0,0986
0,0681
0,0427
0,0246
0,0131
0,0064
0,0030
c (k)
0
0,0010
0,0079
0,0319
0,0869
0,1819
0,3131
0,4641
0,6130
0,7415
0,8401
0,9081
0,9509
0,9754
0,9885
0,9949
k
0
1
2
3
4
5
6
7
8
9
10
p(k)
0,0056
0,0292
0,0756
0,1305
0,1689
0,1749
0,1510
0,1117
0,0723
0,0416
0,0215
l (k)
0
0,0056
0,0348
0,1104
0,2409
0,4098
0,5847
0,7357
0,8474
0,9197
0,9612
867
868
Compa
nia
A
B
C
D
Base
A1
B1
B2
C1
D1
nu
80
180
60
240
100
660
k
7
10
5
15
8
45
l
0.991
0.961
0.969
0.995
0.991
0.981
c
0.991
0.995
0.995
0.995
0.991
0.993
Base
A1
B1
B2
C1
D1
nu
80
180
60
240
100
660
k
4
8
4
10
5
31
l
0.799
0.847
0.903
0.840
0.836
0.845
c
0.993
0.993
0.993
0.993
0.993
0.993
%
-43
-30
-33
-38
-31
k
0
1
2
3
p(k)
0.9512
0.0476
0.0012
0.0000
869
(k)
0
0.9512
0.9988
1.0000
42.6.
Ejemplo 155 El administrador de un edificio con dos ascensores desea asegurar un nivel de servicio
de 95 %. La falla con mayor tiempo medio para reparar es la del panel, del cual cada ascensor dispone
de uno. El panel es un componente modular, reparable, cuyo reemplazo toma muy poco tiempo. El
tiempo medio entre fallas es de 4 meses. Cuando un panel falla, pasan en promedio 3 das entre el
instante en que es retirado y reparado, y el instante cuando est
a listo para ser instalado nuevamente.
Cuantos paneles de repuesto debe disponer el edificio? El proveedor de servicios de mantenimiento
no asegura disponibilidad inmediata de este tipo de paneles.
En este caso:
Tat = 3 das
M T BU Rct = 4 30 = 120 das
nu = 2 unidades
La tabla 42.7 muestra los resultados. Se requiere 1 panel de repuesto para asegurar el nivel de
servicio deseado.
870
n
M T BI
s
Planta 1
9
83
1
Planta 2
4
10
1
Unidades
u
ut
u
A
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
B
Planta 1
n
MTBI
s inicial
s propuesto
TAT1
TAT2
TAT3
C
Planta 2
9
83
1
1
0.11
4
10
1
2
0.40
D
Pool
13 u
ut
2u
3u
0.51 u/ut
1
2
3
ut
ut
ut
(s inicial)
TAT1
TAT2
TAT3
90%
81%
72%
67%
45%
30%
91%
73%
55%
(s propuesto)
TAT1
TAT2
TAT3
90%
81%
72%
94%
81%
66%
98%
92%
80%
42.7.
Estudio de caso
871
aj nj
(42.5)
donde nj es el nivel de inventario de repuestos de tipo j en el pool ; aj son los parametros obtenidos en
la regresi
on y A0 corresponde al nivel de disponibilidad cuando n = 0. Por supuesto, la aproximacion
lineal (42.5) tiene un rango de validez definido:
nmn n nmax
(42.6)
(42.7)
Cada repuesto tipo j tiene un calor pu,j um/u. Luego el costo de intervencion del pool es:
Ci =
pu,j nj
(42.8)
El objetivo es minimizar tal costo de intervencion sujeto a una restriccion de disponibilidad mnima:
Amn A
(42.9)
42.9.
Ejemplo
Tomamos como ejemplo, el nivel de inventarios requeridos por las flotas de A-4 Skyhawk de la
fuerza aerea de Argentina y de la aviacion naval de Brasil muy similar al utilizado en (Rodrigues,
872
1999). Tenemos:
640
570
1030
1120
a=
105 um1
400
70
1
5
1
5
1
5
1
5
n
1
5
1
10
1
10
91,8
30,8
46,8
78,2
pu =
um/u
180,0
5,0
5,0
A0 = 0,755
Amn = 0,90
5
n =
1
con lo cual el costo total y la disponibilidad alcanzadas son:
Ci = 982,6 um
A = 0,902
Una alternativa es maximizar la disponibilidad con restriccion presupuestaria. Eso es:
on:
Maximizar (42.5) sujeto a las restricci
X
pu,j nj B
42.10.
Comentarios finales
La consolidaci
on de repuestos puede reducir de manera sustancial el nivel de stocks para alcanzar
un nivel de servicio dado. El ejemplo muestra que en un caso feasible es posible reducir en mas de
873
874
Bibliografa
[1] Kilpi, J., Vepsalainen, A.P.J., Pooling of spare components between airlines, Journal of Air
Transport Management, 10(2), 137-146, 2004. [bajar].
[2] Morais, R.C., Damn the torpedoes, Forbes, 167(11),100-109, 2001.
[3] Lee, H.L, A multi-echelon inventory model for repairable items with emergency lateral transshipments. Management Science 33 (10), 1302 1316, 1987.
[4] Dada, M., A two-echelon inventory system with priority shipments. Management Science 38 (8),
1140 1153, 1992.
[5] Gulati, R., Does familiarity breed trust? The implications of repeated ties for contractual choice
in alliances. The Academy of Management Journal 38 (1), 85112, 1995.
[6] Doz, Y.L., Hamel, G., Alliance Advantage: The Art of Creating Value through Partnering. Harvard Business School Press, Boston, 1998.
[7] Hamel, G., Doz, Y.L., Prahalad, C.K., Collaborate with your competitors-and win. Harvard
Business Review, 89(1), 133-139, 1989.
[8] McDonald, M., Custom tuning. Air Transport World, 39(3), 48-50, 2002.
[9] Flint, P., Too much of a good thing, Air Transport World, 32(7), 103-107, 1995.
[10] Rodrigues, M.B., Karpowicz, M., An analysys of operational availaibility of Brazilian Navy and
Argentine Air Force A-4 fleets using simulation modeling, Master Thesis, Naval Postgraduate
School, Monterey, California, 1999. [bajar].
[11] Rodrigues, M.B., Karpowicz, M., Kang, K., A readiness analysis for the Argentine Air Force
and the Brazilian Navy A-4 fleet via consolidated logistics support, Winter Simulation Conference
2000: 1068-1074. [bajar].
[12] Arena Professional Edition Reference Guide, Rockwell Software Inc., 2000.
[13] Kelton, W.D., Sadowski, R.P., Sadowski, D.A., Simulation with Arena, McGraw-Hill, 1998.
[14] Flint, P., Trying to hold on, Air Transport World, 39(11), 60-62, 2002.
[15] P.Parthanadee, R. Logendran, Periodic product distribution from multi-depots under limited
supplies, IIE Transactions, 38, 10091026, 2006.
[16] Homeniuk, J., Hodkiewicz, M., Pascual, R., Reunion de trabajo, Universidad de Toronto,
Toronto, Julio 2006.
[17] M.S. Patankar, J.C. Taylor., Applied Human factors in Aviation Maintenance, Ashgate, 2004.
[18] R. Dekker, M.J. Kleijn, P.J. de Rooij, A spare parts stocking policy based on equipment criticality, Int. J. Production Economics, 56-57, 69-77, 1998.
[19] J. Walker, A Graphical Aid for the Initial Purchase of Insurance Type Spares, Journal of the
Operational Research Society, 47,1296-1300, 1996.
[20] J. Walker, Base stock level determination fo insurance type spares, International Journal of
Quality & Reliability Management, 14(6), 569-574, 1997.
[21] Figueroa, H., Veliz, F., Informe Proyecto ME57a Consolidacion de repuestos en DET, PAM
Lab, 2008.
875
876
Captulo 43
Gesti
on de repuestos reparables
centrada en la disponibilidad de
sistema
...Murray Geisler, an active logistician form any years, tells the story of briefing an Air
Force General...about the marginal analysis technique. The general objected to the technique saying that the Strategic Air Command would never accept anything that was
marginal. Recent references sometimes refer to the technique as the greedy heuristic,
hardly an improvement.
...In logistics applications we know that all of our data are estimates: demand rates, costs,
lead times, repair times, probability of local repair capability,... We know that we will
never hit the projected availability or cost precisely in the real world, regardless of the
degree of mathematical sophistication that we employ.
C. Sherbrooke [244]
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Evaluar que se cumplan las hipotesis de base para los modelos vistos, por ejemplo, que la
demanda sea de tipo Poisson.
Estimar los par
ametros de tiempos y costos.
Establecer niveles de stock para asegurar un nivel de disponibilidad de flota tomando en cuenta
posibles restricciones de presupuestos.
43.1.
Introducci
on
878
registros de intervalos de tiempo cortos. Una medida posible es tratar de estimar la demanda de
otras plantas similares, en lo podramos denominar pool de datos. Sin embargo, este enfoque puede
ser poco exitoso si las condiciones de uso varan entre las plantas consideradas.
Otra dificultad en la gesti
on de repuestos de baja rotacion es su inflexibilidad. Por ejemplo, el sobrestockeo de repuestos con rotaci
on r
apida se puede remediar rapidamente por el consumo natural, lo
que no es el caso con los repuestos de baja rotacion. Los excesos en compras al iniciar la operacion
de la planta (o posteriores a la puesta en marcha) solo se pueden remediar lentamente, en particular
si el repuesto es u
nico, lo que imposibilita el venderlo a otras empresas. Cuando la planta cierre o
se torne obsoleta, el repuesto deber
a ser vendido como chatarra.
Otra diferencia aparece con la variaci
on de los tiempos logsticos de entrega o de reparacion. Los
stocks de repuestos de alta rotaci
on pueden ser ajustados rapidamente al cambiar estas demoras. En
el caso de repuestos de baja rotaci
on, al ajustar los niveles por variaciones transientes en los tiempos
logsticos, se puede llegar f
acilmente al sobre-stockeo cuando se llega a condiciones estacionarias en
los tiempos logsticos.
Otra forma para lograr una gesti
on eficiente es usar una estrategia de pool de repuestos. La agregacion de demandas de cada planta/faena pueden llegar establecer una demanda agregada lo suficientemente alta como para usar tecnicas tradicionales. En general los niveles de stock son reducidos
al usar la estrategia de pool. Una desventaja es que pueden incrementarse los costos de falla debido
a que los repuestos no esten disponibles localmente si no en una bodega central o en la de alguna
de los miembros del consorcio.
Otra manera de aumentar la rotaci
on es la estandarizacion en los repuestos. Sin embargo ello es
generalmente difcil de realizar una vez la planta ha sido diseada e implementada. En tal sentido,
es conveniente establecer programas de gestion de activos fsicos para estudiar la posibilidad de
estandarizar desde la conceptualizacion del sistema. Desafortunadamente, el sobre-enfasis en la
estandarizaci
on puede retrasar el progreso tecnologico que aparece com
unmente de la experiencia
ganadas al hacer modificaciones especificas a los diseos convencionales.
Al igual que para repuestos de alta rotacion, en algunos casos act
uan restricciones de espacio (por
ejemplo, en un submarino) o, con mas frecuencia, restricciones de presupuesto. Ello conlleva en
general la suboptimizaci
on en la toma de decisiones.
En caso de considerar una organizaci
on orientada al lucro, la estrategia para repuestos de baja
rotacion debe tomar el costo de falla como parametro. Por supuesto, la estimacion del costo de falla
puede tornarse difcil. El proceso es facilitado pues en general las decisiones pueden ser nivel de
stock, 0, 1, o a lo mas 2 repuestos.
43.1.1.
Clasificaci
on de repuestos de baja rotaci
on
43.2.
879
Modelo multi-item
Consideremos un sistema que requiere I tipos de repuestos reparables y que pertenece a una flota de
equipos. La reparaci
on de estos componentes se realiza en un taller y toma un cierto tiempo logstico
de reparaci
on (Turnaround Time, Tat ). En logstica aeronautica, este tipo de repuesto es conocido
como LRU (Line Replaceable Unit). Se desea una solucion seg
un el criterio de disponibilidad del
sistema (el conjunto de equipos de la flota). Se contrastara con el criterio de nivel de servicio de
cada repuesto, que ya habamos visto en captulos anteriores (42). Asumiremos que las fallas son
independientes y que no aplica la canibalizacion.
43.2.1.
Repuestos reparables
En cualquier instante, un repuesto reparable puede estar disponible (stock on hand, OH), siendo
reparado (due in, DI), o siendo solicitado pero indisponible (backorder, BO), el balance de masa
queda:
s = OH(t) + DI(t) BO(t)
donde s es el nivel de stock del item reparable, el cual es constante. Las 3 variables son aleatorias.
Cualquier cambio en una de ellas, afecta a las demas. Por ejemplo, cuando una demanda ocurre
(por una falla), DI se incrementa en 1 (pues se enva a reparar), si OH > 0 entonces se reduce en
1 (se reemplaza el componente da
nado), en otro caso, BO se incrementa en 1 (pedido pendiente).
Cuando,
DI < s OH > 0
cuando DI > s hay pedidos pendientes. En sistemas de 2 escalones (base, deposito), DI es la suma
de los items siendo reparados en la base mas lo que son reparados en el deposito.
La figura 43.1 ilustra el calculo del nivel de servicio : durante la unidad de tiempo considerada se
pidieron 3 repuestos. Tan solo 1 demanda fue satisfecha con lo cual:
= 1/3
El n
umero promedio de pedidos pendientes (EBO) en cada unidad de tiempo 43.2.1 es estimado
como el area coloreada dividida por el intervalo observado. En el caso de figura 43.1:
M BO = (,5 1 + ,25 2)/1 = 1 u
Si N es el tama
no de la flota y zi es la multiplicidad del repuesto en cada equipo, existen N zi
componentes i en toda la flota. La probabilidad de que alguna de las N zi posiciones no tenga un
repuesto operativo instalado es:
EBOi (si )
Di =
N zi
lo que corresponde a la indisponibilidad esperada de cada componente de la flota.
La disponibilidad esperada de sistema (cada avion, ...), As , o sea, la fraccion de tiempo en que los
equipos pueden operar debido a que hay repuestos disponibles es:
As =
I
Y
Ai
(43.1)
i=1
I
Y
i=1
EBOi (si )
1
N zi
zi
(43.2)
880
Stock disponible
-1
-2
.15
.25
.50
.75
1.0
Tiempo (ut)
Nivel stock
tiempo
EBO
Figura 43.2: N
umero esperado de pedidos pendientes
Sistema 1
Sistema 2
Sistema 3
LRU 1, Z1=2
LRU 2, Z2=1
881
y puede ser tambien considerada como la fraccion de tiempo que cualquier aeronave esta disponible
por repuestos.
Al tomar el logaritmo de (43.1), y recordando que:
ln(ab) = ln a + ln b
entonces,
I
X
EBOi (si )
ln As =
zi ln 1
N zi
i=1
Recordando que,
1
ln(1 D) = D D2 ... D
2
cuando
D < ,1
entonces,
ln As
I
1 X
EBOi (si )
N i=1
y
1
As e N
PI
i=1
EBOi (si )
Como el maximo de una funcion coincide con el de su logaritmo, nuestro objectivo es minimizar la
suma de los EBOi .
43.2.2.
Si la demanda de un repuesto sigue una distribucion Poisson con parametro 1/ut, y tiempo
logstico de reparaci
on Tat ut, el nivel de servicio es:
(s) =
s1
X
j=0
(Tat )j eTat
i!
(43.3)
y el n
umero esperado de pedidos pendientes:
EBO(s) =
(j s)
j=s+1
(Tat )j eTat
j!
(43.4)
43.2.3.
An
alisis marginal
Para definir un programa de adquisicion de repuestos cuando existe una restriccion presupuestaria:
I
X
si pui B
i=1
882
i
i
zi
Tati
pu i
1
1
1
,1
5
2
5
1
,08
1
1/ut/u
u/u
ut
um/u
43.2.4.
Estudio de caso
Consideremos un flota de N = 10 aeronaves que comparten 2 repuestos LRU crticos. Otros parametros son descritos en tabla K.1.
La figura 43.4 muestra un ejemplo de calculo para el repuesto 1 y para s = 6. La serie infinita se
limito a los primeros 25 terminos. La hoja excel puede bajarse aqu.
La figura (43.8) agrega los niveles de servicio en funcion de la cantidad de repuestos. En general
este numero se fija en alg
un valor sobre 80 %. Imaginemos que se desea una disponibilidad de flota
de 95 %. Entonces bastara asegurar un nivel de servicio de 80 % (se requieren 7 u.) para el repuesto
2 y de solo 40 % para el repuesto 1 (se requieren 1 u.).
43.2.5.
Comentarios
El modelo visto es muy interesante dado que relaciona un indicador de sistema como es la disponibilidad con el nivel de stock de cada repuesto.
43.2.6.
Minimizaci
on del costo global
Sean,
el costo de falla por unidad de tiempo y por sistema es cf um/ut/u,
el costos de operaci
on y mantenimiento es com um/ut/u,
es la tasa de descuento (um/um/ut).
La inversi
on inicial en repuestos, llevada a flujos constantes sobre un intervalo infinito corresponde
al equivalente del costo de intervenci
on por unidad de tiempo:
X
1
ci (s) = 1
si pui um/ut
1+
i
entonces, el costo global por unidad de tiempo de la flota es:
cg (s) = ci (s) + ncf Ds (s) + ncom As (s) +
X
i
si pui
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
A
B
C
(1/ut)
50
MTTR (ut)
0.08
Costo (um/u)
1
s
6
i
P(i)
(i-s)*(i>s)
883
Pipeline
Costo total
4
6
(i-(s+1))*(i>(s+1))
1.8%
0.000
7.3%
0.000
0.000
14.7%
0.000
0.000
19.5%
0.000
0.000
19.5%
0.000
0.000
15.6%
0.000
0.000
10.4%
0.000
0.000
6.0%
0.060
0.000
3.0%
0.060
0.030
1.3%
0.040
0.026
10
0.5%
0.021
0.016
11
0.2%
0.010
0.008
12
0.1%
0.004
0.003
13
0.0%
0.001
0.001
14
0.0%
0.000
0.000
15
0.0%
0.000
0.000
16
0.0%
10
0.000
0.000
17
0.0%
11
0.000
10
0.000
18
0.0%
12
0.000
11
0.000
19
0.0%
13
0.000
12
0.000
20
0.0%
14
0.000
13
0.000
21
0.0%
15
0.000
14
0.000
22
0.0%
16
0.000
15
0.000
23
0.0%
17
0.000
16
0.000
24
0.0%
18
0.000
17
0.000
25
0.0%
19
0.000
18
0.000
EBO(s)
0.000
0.195 EBO(s+1)
0.085
[(EBO(s)-EBO(s+1)]/pu 0.111
4.5
3.5
2.5
1.5
0.5
10
15
20
25
Figura 43.5: N
umero esperado de ordenes no satisfechas vs capital invertido en repuestos
884
0.95
Disponibilidad
0.9
0.85
0.8
0.75
0.7
0.65
0.6
10
15
20
25
1
2
0
0.607
0.669
0.733
0.791
0.837
0.868
0.887
0.945
0.956
0.981
0.986
0.988
0.996
Disponibilidad
885
1
A
SL1
SL2
0.9
0.8
Probabilidad
0.7
0.6
0.5
0.4
0.3
0.2
0.1
10
15
20
25
cg = 15,05 um/ut
s = {0, 5}
La descomposici
on de costos para el optimo se muestra en figura 43.10.
43.2.7.
Al fijar un mantenimiento centrado en el uso a edad Ts , se genera una demanda con intervalo,
Z
M T T I(Ts ) =
Ts
R(t)dt
0
n
M T T I(Ts ) + Tp R(Ts ) + Tr F (Ts )
Consideremos por ejemplo, el caso anterior. Supongamos que se ha fijado el nivel de stock en s1 = 1,
s2 = 7 y que los par
ametros de forma de la distribucion Weibull son 1 = 3, 2 = 2. Sabemos ademas
que al aplicar estrategias correctivas, los MTBI son:
M T BFc1 =
M T BFc2 =
1
1
=
= 1 ut
M T T Fc1 + Tr1
1
1
1
=
= 0,2 ut
M T T Fc2 + Tr2
2
y
M T T Fci = i (1 + 1/i ) , i = 1, 2
886
18.5
3
18
17.5
6
s2
17
16.5
5
16
15.5
15
14.5
14
s1
Figura 43.9: Estudio del costo global esperado por unidad de tiempo
0.75; 5%
0.65; 4%
3.29; 22%
10.36; 69%
operacin y mant.
costo de falla
int. repuestos
almacenamiento
Figura 43.10: An
alisis de costos para el inventario optimo
887
para,
Tr1 = Tr2 = 0,03 ut
1 = 3
2 = 2
Despejando,
1 = 1,09 ut
2 = 0,19 ut
En Maple:
Tr:=.03;MTBF :=.2;beta:=2;eta:=evalf((MTBF-Tr)/GAMMA(1+1/beta));
Al fijar el inventario en s1 = 1, s2 = 7, la indisponibilidad asociada al inventario son:
(inv)
Di
EBOi
, i = 1, ..., I
N
Di
Tp R (Tp ) + Tr F (Tsi )
, i = 1, ..., I
M T T I(Tsi ) + Tp R (Tp ) + Tr F (Tsi )
de lo cual,
As (s, Ts ) =
I
Y
(inv)
1 Di
(int)
1 Di
i=1
43.3.
Modelo multi-escal
on METRIC
888
0.5
0.45
0.4
T2
0.35
0.3
0.05
0.25
0.2
0.15
0.1
0.1
0.4
0.2
0.25
0.6
0.15
0.8
1.2
T1
1.4
1.6
1.8
0.5
0.45
0.175
0.18
0.4
T2
0.35
0.175
0.3
0.17
0.25
0.165
0.2
0.16
0.15
0.165
0.165
0.1
0.4
0.6
0.8
1.2
T1
1.4
1.6
1.8
889
0.5
0.45
0.4
0.26
T2
0.35
0.225
0.224
0.3
0.28
0.223
0.25
0.224
0.225
0.2
0.24
0.15
0.3
0.1
0.4
0.6
0.8
1.2
T1
1.4
1.6
1.8
Base 3
Taller
1er escaln
Base 1
Base 2
890
43.3.1.
Formulaci
on del modelo
El modelo calcula el nivel de stock de cada item en cada una de varias bases y un deposito (taller
de segundo escal
on, ver figura 43.14). La funcion objetivo a minimizar es la suma de los pedidos
pendientes (backorders) en todas las bases, lo que corresponde a la maximizacion de la disponibilidad1 .
Tomaremos las siguientes condiciones:
las demandas en cada base siguen una distribucion de Poisson.
las reparaciones hechas en una base no dependen del nivel de stock ni de la carga de trabajo
en la base,
no hay traspasos laterales entre bases,
No se agrupan las reparaciones,
Para comenzar, consideraremos un solo tipo de repuesto:
j es su demanda en la j-esima base
Tj es su tiempo de reparaci
on en la j-esima base,
j es la probabilidad de que sea reparado en la j-esima base,
TOj tiempo promedio (desde la orden hasta el arribo) desde el deposito a la j-esima base,
To tiempo logstico de reparaci
on del taller de segundo escalon.
La demanda promedio del deposito es la suma de las fracciones de demanda que no son reparadas
en cada base:
X
o =
j (1 j )
j=1
(43.5)
43.3.2.
Ejemplo num
erico
Consideremos un sistema con 5 bases y 1 taller central. Las bases tienen parametros de demanda
iguales, y seg
un tabla 43.2. El taller central tiene un tiempo logstico de reparacion To = 0,02531
ut.
Cada base genera la siguiente cantidad de pedidos por unidad de tiempo:
j = 10 2,32 = 23,2 u/ut
j = N
de las cuales enva al taller central, que observa una demanda total:
o =
J
X
j=1
1 Cuando
no hay canibalizaci
on
891
Inicio
Estimar EBO de
taller central
Seleccin de
criterios de buen
desempeo y
restricciones
Estimar EBO de
cada base
Estimar
disponibilidad total
y por base
Estimar demanda
a taller central
Fijar niveles de
stock de taller y de
bases
Optimizacin
Anlisis marginal
Se cumplen
objetivos?
fin
Parametro
j
Nj
Zj
Tj
j
TOj
Valor
2.32
10
1
0.01
0.2
0.01
unidades
u/ut/aeronave
aeronaves
u/aeronave
ut
ut
892
0.99
6
0.98
5
0.97
0.96
0.95
1
0.94
0
0
0.93
para so = 0, sj = 0, j = 1..,5:
EBOj = ,7017
para so = 0, sj = 1, j = 1..,5:
EBOj = ,1975
La figura 43.16 muestra un estudio de sensibilidad de la disponibilidad promedio en funcion de los
niveles totales de stock en las bases y en el taller central.
43.3.3.
Comentarios
El modelo METRIC no solo entrega cuantos repuestos tener si no que ademas donde tenerlos. El
metodo usa como criterios la disponibilidad y los costos de intervencion repuestos. Una alternativa
interesante es usar el criterio de costo global para alinearse con los objetivos corporativos de una
organizaci
on orientada en el lucro.
n
M T BI
s
Planta 1
9
83
1
Planta 2
4
10
1
893
Unidades
u
ut
u
Actual
Planta 1
0.9994
0.9976
0.9947
Planta 2
0.9824
0.9377
0.8747
Propuesto
Planta 1
0.9999
0.9996
0.9987
Planta 2
0.9991
0.9899
0.9645
43.4.
Estudio de caso
43.5.
Modelo multijerarquico
i u/ut
i=1
Consideraremos tambien que los tiempos para reparar un LRU o un SRU son T0 y Ti respectivamente. El valor esperado del pipeline es:
EP0 = 0 = 0 T0 +
EBO(si |Ti )
(43.6)
43.5.1.
Ejemplo
Consideremos el caso de un LRU, compuesto por 2 SRUs, descrito en tabla K.1. La flota soportada
es de 10 aeronaves y hay 1 LRU/aeronave.
Los pipelines de los SRUs son:
894
i
i
Ti
si
0
2
0,5
4
1
1
8
10
2
1
8
10
1/ut
ut
u
i Ti = 1 8 = 8 u, i = 1, 2
con lo cual,
EBOi (8|10) = 0,426 u, i = 1, 2
con ello podemos estimar el valor esperado del pipeline del LRU:
EP0 = 0 = 2 0,5 + 2 0,426 = 1,852 u
y si asumimos que el pipeline tiene una distribucion de Poisson, el EBO del LRU es:
EBO(s0 |0 ) = 0,056 u
luego,
0,056
= 0,0056
10
Sin embargo, incurrimos en una aproximacion grosera al EBO real (y una subestimacion de la
indisponibilidad de los sistemas soportados) dado que el pipeline del LRU no sigue una distribucion
de Poisson (la varianza 02 excede la media 0 ). (El valor exacto del EBO es 0.202), como veremos
a continuaci
on. Primero, necesitamos expresar la varianza de los backorders:
2
V BO(s) = E B 2 (X|s) [EBO(s)]
D=
y analogamente al EBO,
X
E B 2 (X|s) =
(j s)2 Pr{X = x}
j=s+1
I
X
V BO(si |Ti )
i=1
Para mejorar el modelo inicial (METRIC), Sherbrooke recomienda el uso de la distribucion binomial
negativa, cuando la raz
on varianza/media es superior a 1:
a+x1
Pr(x) =
bx (1 b)a
x
con parametros,
a>0
0<b<1
895
3.5
1
2
3
5
10
VBO/EBO
2.5
1.5
0.5
10
15
20
25
30
35
40
Figura 43.17: VBO/EBO cuando el pipeline sigue una distribucion de Poisson y para varios niveles de
inventario
que tiene media y varianza,
ab
1b
2
=
1b
=
2
>1
1
1
b=
a=
=1
=3
Entonces,
a = 1/2
b = 2/3
Las figuras 43.18-43.21 muestran comparaciones entre el uso de la Poisson y la binomial negativa.
896
10
p(s)
Poisson
Binomial negativa
10
-1
10
-2
10
-3
10
-4
10
12
14
10
Poisson
Binomial negativa
-2
10
-4
10
-6
10
-8
10
-10
10
-12
10
-14
EBO
10
10
12
14
10
10
10
-2
10
-4
10
-6
10
-8
10
-10
10
-12
10
-14
897
VBO
Poisson
Binomial negativa
10
12
14
5
4.5
4
Poisson
Binomial negativa
VBO/EBO
3.5
3
2.5
2
1.5
1
0.5
0
0
10
12
14
898
Binomial negativa
Poisson
0.6
0.5
p(i)
0.4
0.3
0.2
0.1
0
0
Figura 43.22: p(i) para = 1,852 y = 1,873 con Poisson y Binomial negativa
43.5.2.
Ejemplo
Continuando con el ejemplo anterior, tenemos que la varianza del pipeline del LRU es:
V P0 = 1 + V BO(10|8) + V BO(10|8) = 3,468
luego,
3,468
= 1,873
1,852
con lo que podemos ajustar la binomial negativa con:
=
a = 2,122
b = 0,466
con lo cual obtenemos:
EBO(s0 |EP0 , V P0 ) = EBO (4|1,852, 3468) = 0,194
y
0,194
= 0,0194
10
lo que se acerca bastante al valor exacto 0.202. La figura 43.22 muestra la diferencia en probabilidades en el pipeline para Poisson y la binomial negativa.
D=
43.5.3.
<1
Cuando la razon entre varianza y media del pipeline es inferior a 1, Sherbrooke aconseja el uso de
la distribucion binomial:
n
Pr(x) =
x (1 )nx para x = 0, 1, 2, ..., n
x
con
0<<1
n entero
899
n=
1
como la razon entre y 1 no es necesariamente entera, se puede usar la aproximacion:
n = f ix
+ 0,99
1
donde f ix(.) redondea el argumento al entero mas proximo a la izquierda. El termino .99 asegura
que si la razon /(1 ) es entera, el valor de n sera el correcto.
43.5.4.
Comentarios
En el modelo visto se ha desagregado un LRU en sus SRUs asociados y se ha determinado los EBO
y la disponibilidad de sistema considerando el efecto de que los pipelines no siguen distribucion de
Poisson.
43.6.
A explorar
Guide y Srivastava [6] hacen una revision de modelos para inventarios de repuestos reparables.
900
Bibliografa
[1] Sheerbrooke, C., Optimal Inventory Modeling of Systems, 2nd ed., Kluwer, 2004.
[2] A.J. Clark, H. Scarf, Optimal Policies for a Multi-Echelon Inventory Problem Management
Science, 6(4), 475-490, 1960.
[3] Gross, O., A Class of discrete-type minimization problems, RAND Corp., RM-1655-PR, California, 1956.
[4] Mitchell, G. H., Problems of Controlling Slow-Moving Engineering Spares, Operational Research
Quarterly, 13(1), 1962.
[5] Sherbrooke, C.C., Optimal inventory modeling of Systems, multi-echelon techniques, Cap. 4,
2nd ed., Kluwer, 2004.
[6] V.D.R. Guide Jr., R. Srivastava, Repairable inventory theory: Models and applicationsEuropean
Journal of Operational Research, 102, 1-20, 1997.
901
902
Captulo 44
Sistemas multi-escal
on y manejo
de repuestos con simulaci
on
44.1.
Modelo de simulaci
on
Consideremos la situaci
on donde varias i = 1..I compa
nas disponen de flotas de ni equipos similares. El mantenimiento de los equipos es realizado en 3 niveles o escalones: operacional, local,
central. El escal
on operacional considera las intervenciones de mantenimiento realizadas in situ. Si
ellas lo requieren pasan al segundo escalon, y si son mas profundas pasan al tercer escalon. El tercer
escal
on es com
un a todas las compa
nas. Cada equipo esta compuesto por j = 1..J subsistemas
reparables o LRUj 1 , los cuales a su vez pueden disponer de k = 1..K componentes reparables o
SRUk que pueden ser reemplazados en el taller de segundo escalon2 .
44.2.
Formulaci
on del modelo
ingl
es, Line Replaceable Unit.
Replaceable Unit.
2 Shop
903
904
j\i
1
2
3
4
5
1 (u)
3
2
2
3
3
2 (u)
2
3
3
3
2
1 + 2 (u)
5
5
5
6
5
1 (u)
3
5
2 (u)
7
5
1+2 (u)
10
10
44.3.
Ejemplo
1 (ut)
220
270
174
146
272
2 (ut)
147
180
116
97
181
1 + 2 (ut)
22030+14720
= 191
30+20
27030+18020
= 234
30+20
17430+11620
= 151
30+20
14630+9720
=
127
30+20
27230+18120
= 236
30+20
j
1
2
3
4
5
905
p
0,70
0,88
0,80
0,66
0,69
Cuadro 44.4: Probabilidad de que un componente sea enviado al tercer escalon tras la inspeccion.
j
1
2
3
4
5
Distribucion
Exponencial
Lognormal
Exponencial
Exponencial
Exponencial
M T T R (ut)
1,04
0,41
1,12
0,36
1,72
Desv. Std.
0,26
44.3.1.
Resultados
44.4.
Si ambas flotas consolidan sus bodegas, podemos considerar que se dispone de una flota de 20+30 =
50 aeronaves. Los niveles de la bodega consolidada (fsica o virtual ) sera la suma de los valores
Actividad
Transporte martimo flota 1
Transporte martimo flota 2
Reparaci
on LRU
Reparaci
on SRU
Distribuci
on
Uniforme
Uniforme
Uniforme
Uniforme
Tmin
30
20
30
30
Tmax
45
40
90
90
906
Falla LRU
Se puede
reparar en
escaln I?
no
Se puede
reparar en
escaln II?
no
Reparacin en
escaln III
si
Reparacin en
escaln I
si
Anlisis de falla
Reemplazo SRU
Verificacin
LRU
reparada
i
LRU/SRU
j=1
j=2
j=3
j=4
j=5
k=1
k=2
1
Promedio
58
53
85
87
43
8
25
95 %
64
60
94
95
49
9
27
2
Promedio
53
51
89
115
39
8
31
95 %
59
57
97
124
44
9
35
1+2
Promedio
107
103
178
205
81
14
55
95 %
115
112
188
215
89
16
59
Cuadro 44.7: N
umero de partes enviadas a tercer escalon en 10 a
nos
907
Falla LRU
Se puede
reparar en
escaln I?
no
Se puede
reparar en
escaln II?
no
Reparacin en
escaln III
si
Reparacin en
escaln I
si
Anlisis de falla
si
SRU critica?
no
no
Reemplazo
SRU critica
Reemplazo
otras SRU
Verificacin
ok?
si
LRU
reparada
908
tiempo de fallas
150.0
True
Inspeccion
LRU_1
Assign 1
AIMD o BCM
Viaje Ida
Reparar_Extrangero
Viaje Vuelta
Release 1
Dispose 11
LRU_1_extrangero
0
0
False
Remover
LRU_1
Separate 1
Repara Local
Original
Dispose 12
Release 2
Duplicate
0.0
cola1
0
Seize 1
0.0
Instalar
LRU_1
Assign 2
200.0
Process 50
Record 4
Fallas_Flota
Remover
LRU_2
Assign 6
Original
AIMD o BCM
LRU_2
Inspeccion
LRU_2
Separate 2
True
Viaje Ida
LRU_2
Reparar_Ext_LRU_2
Viaje Vuelta
LRU_2
0
Else
18.5
15.1
23.4
27.9
Assign 4
Duplicate
Release 3
Dispose 15
LRU_2_extrangero
Tipo de Falla
False
Remover
SRU_2
Inspeccion
SRU_2
True
SRU_2 o LRU_2
Separate 3
Viaje Ida
SRU_2
Reparar_Ext_SRU_2
Viaje Vuelta
SRU_2
Release 4
Dispose 16
SRU_2_extrangero
Original
Remover
LRU_3
Seize 3
Instalar
LRU_2
Assign 7
False
Duplicate
Record 6
Process 51
Instalar
SRU_2
Seize 2
0
Assign 9
AIMD o BCM
LRU_3
Inspeccion
LRU_3
True
Viaje Ida
LRU_3
Reparar_Ext_LRU_3
Original
False
Release 6
Release 7
Dispose 19
0
0
Process 52
Instalar
LRU_3
Inspeccion
LRU_4
Original
AIMD o BCM
LRU_4
Duplicate
LRU_3_extrangero
Dispose 20
Assign 12
Seize 4
Separate 5
Dispose 17
0
Repara Local
LRU_3
Release 5
Duplicate
Remover
LRU_4
Assign 10
Repara Local
LRU_2
Viaje Vuelta
LRU_3
Separate 4
Assign 5
Record 5
True
Viaje Ida
LRU_4
Reparar_Ext_LRU_4
Viaje Vuelta
LRU_4
Release 8
LRU_4_extrangero
Dispose 22
0
0
False
Remover
LRU_5
Remover
SRU_4
Inspeccion
SRU_4
0
SRU_4 o LRU_4
True
Separate 6
Original
Viaje Ida
SRU_4
Reparar_Ext_SRU_4
Viaje Vuelta
SRU_4
Release 9
SRU_4_extrangero
Dispose 23
0
0
False
Duplicate
Seize 5
Instalar
SRU_4
0
Repara Local
LRU_4
Release 10
Instalar
LRU_4
Assign 8
Dispose 25
Seize 6
Record 7
Process 53
0
0
Separate 7
Original
0
Inspeccion
LRU_5
Process 54
AIMD o BCM
LRU_5
Duplicate
True
Viaje Ida
LRU_5
Reparar_Ext_LRU_5
Viaje Vuelta
LRU_5
Release 11
LRU_5_extrangero
Dispose 27
0
0
False
Repara Local
LRU_5
Release 12
Dispose 28
0
Seize 7
Instalar
LRU_5
Assign 11
Record 8
909
mostrados en tabla en la u
ltima columna de las tablas (44.1) y (44.2). Para los M T BF de la flota
consolidada se considera un valor promedio ponderado por el tama
no relativo de cada flota (
ultima
columna de tabla 44.3). El nivel de disponibilidad de la flota consolidada es:
A1+2 = 0,88838
Ello implica que la primera flota dispone en promedio de:
20 (0,88838 0,83975) = 0,973 u
aeronaves extras, mientras que la segunda flota,
30 (0,88838 0,86578) = 0,678 u
O sea, a cero costo extra ambas flotas pueden incrementar su flota operacional en 1 equipo. Obviamente, la decisi
on de consolidar los inventarios tiene que ver tambien con las decisiones estrategicas
y la aversi
on al riesgo de cada empresa.
44.5.
Comentarios finales
44.6.
A explorar
910
Bibliografa
[1] A.K.S. Jardine.Maintenance, Replacement and Reliability. Cap. 7, Pitman Publishing, 1973.
[bajar]
[2] Rodrigues, M.B., Karpowicz, M., An analysys of operational availaibility of Brazilian Navy and
Argentine Air Force A-4 fleets using simulation modeling, Masters Thesis, Naval Postgraduate
School, Monterey, California, 1999. [bajar].
[3] Rodrigues, M.B., Karpowicz, M., Kang, K., A readiness analysis for the argentine air Force
and the Brazilian Navy A-4 Fleet via consolidated logistics support, Proceedings of the 32nd
conference on Winter simulation, Orlando, Florida, 1068-1074, 2000. [bajar].
[4] Arena Professional Edition Reference Guide, Rockwell Software Inc., 2000.
[5] Flint, P., Maintaining Balance, Air Transport World, 41, 12, 64-69, Nov 2004.
[6] M. Ong, X. Ren, G. Allan, V. Kadirkamanathan, H.A. Thompson, P.J. Fleming, Decision support system on the grid, International Journal of Knowledge-Based and Intelligent Engineering
Systems, 9(4), 315 - 326, 2005.
[7] Sheerbrooke, C., Optimal Inventory Modeling of Systems, 2nd ed., Kluwer, 2004.
[8] A.J. Clark, H. Scarf, Optimal Policies for a Multi-Echelon Inventory Problem Management
Science, 6(4), 475-490, 1960.
[9] Gross, O., A Class of discrete-type minimization problems, RAND Corp., RM-1655-PR, California, 1956.
[10] Mitchell, G. H., Problems of Controlling Slow-Moving Engineering Spares, Operational Research Quarterly, 13(1), 1962.
911
912
Captulo 45
Modelo de Markov
Capitulo aportado por Alejandro Martinez, desafiante del semestre oto
no 2006.
45.1.
Introducci
on
Los modelos presentados aqu permiten determinar el stock optimo de componentes a mantener en
un inventario, seg
un cuatro criterios de optimizacion distintos: nivel de servicio, nivel de servicio
en misi
on, costo global e indisponibilidad de sistema. Los modelos consideran procesos de Markov
y los desarrollos se basan en Louit [1].
45.2.
Procesos de Markov
(45.1)
(45.2)
Para un proceso de Markov homogeneo, el tiempo de permanencia en un estado sigue una distribuci
on exponencial. Normalmente, es posible representar los procesos de Markov mediante grafos. En
ellos, aparecen los estados que puede tomar el proceso, y ademas, las tasas de transicion a cada estado, mediante una flecha (figura 45.1). Es posible escribir estas tasas en forma matricial, en donde
el elemento (i, j) es la tasa de transicion del estado i al estado j. Las ecuaciones de ChapmanKolmogorov permiten obtener la distribucion de probabilidades de que el sistema se encuentre en
alg
un estado particular, en un instante de tiempo. Para el caso de procesos homogeneos, si mij (t) es
la probabilidad que el sistema modelado evolucione al estado j en t unidades de tiempo m
as, dado
913
914
(45.3)
Bajo ciertas condiciones, es posible encontrar probabilidades estacionarias (independientes del tiempo) para el proceso. Se recomienda revisar la bibliografa para mas antecedentes al respecto.
Un caso especial son los procesos de nacimiento y muerte. De modo breve, en este tipo de procesos,
el conjunto de estados puede representarse por el conjunto {0, 1, 2, ...}. En cada instante, el sistema
puede mantener su estado actual, incrementarlo en uno, o disminuirlo en uno (si no esta en 0). El
grafo asociado es de la forma mostrada en figura 45.2. Bajo ciertas condiciones es posible encontrar
probabilidades estacionarias.
45.3.
1
1/ut/u
M T BI
1
1/ut/u
MTTR
915
(45.4)
(45.5)
(45.6)
r(i, j) = 0 para j 6= i + 1, i, i 1
(45.7)
45.3.1.
Nivel de servicio
En el sistema hay escasez de repuestos si hay mas componentes en reparacion que el stock s. Si se
denota por pi la probabilidad estacionaria de estar en el estado i, y:
=
=m
s
X
i 1
i=0
i! c
(45.8)
916
45.3.2.
(45.9)
En este caso, interesa que no exista escasez de repuestos en un intervalo de tiempo [0, T ]. Para
ello, se debe estar siempre en estados i, tal que i s. Este conjunto de estados se denominara D.
(D)
Se denota pij (T ) la probabilidad de ir desde un estado i a uno j en el intervalo de tiempo T ,
asumiendo adicionalmente que durante el intervalo de tiempo especificado, todos los estados a los
que el sistema accede pertenecen a D. Se define P(D) como la matriz de transicion cuyos elementos
(D)
son los valores pij (T ). esta puede ser encontrada a partir del sistema de ecuaciones obtenido a
partir de las ecuaciones de Chapman-Kolmogorov. La matriz se calcula como:
k
X
T Q(D)
(D)
T Q(D)
P (T ) = e
=
(45.10)
k!
k=0
(D)
En donde Q
es la matriz de tasas de transicion para el subconjunto de estados D. Es decir, la
matriz de tasas de transici
on truncada en s (con lo que solo son considerados los primeros (s + 1)
filas y columnas).
La suma sobre las filas de P(D) otorga el nivel de servicio en mision dado un n
umero inicial de
componentes en reparaci
on. Esto se expresa para un intervalo [t, t + T ], y un estado e(t), como:
X (D)
P (e(u) s, t u t + T |e(t) = i) =
pij (T )
(45.11)
js
s
X
pi
i=0
Con
pi =
45.3.3.
(D)
pij (T )
(45.12)
js
i 1
i! c
Indisponibilidad de sistema
m+s
X
(i s)pi
(45.13)
i=s+1
45.3.4.
917
Costo global
Los costos que deben ser considerados, en principio, son todos los que varan con el nivel de inventario, o costos asociados a la poltica de inventario. En general estos costos son los de adquisicion,
almacenamiento, y de falla. En el caso aqu presentado, no se considera el caso de compra de nuevas
unidades, dado que la cantidad de componentes en el sistema es constante. El costo global esperado
por unidad de tiempo en el sistema, cg puede ser calculado como:
cg (s) = sca + EBOs cf
45.4.
(45.14)
Implementaci
on
El modelo fue implementado en una aplicacion Web, de modo que se pudiese obtener resultados
y gr
aficos de sensibilidad va Internet. Especficamente, fue utilizado el lenguaje de programacion
Java. La estructura de programacion fue la siguiente: el modelo fue separado en cuatro partes, cada
una correspondiente a un criterio de programacion. Cada una de estas partes fue programada en
una clase distinta, program
andose dos metodos por parte; uno para optimizar inventario a partir de
datos de entrada (encontrar stock optimo e indicador asociados), y el otro para obtener indicadores a
partir de datos de entrada (es decir, no optimizar, solo evaluar la situacion de entrada). El conjunto
de estas clases se agrupo en un archivo JAR. Posteriormente, para habilitar el uso va Web de los
metodos programados, se utiliz
o un servlet, cuya utilidad es servir de interfaz entre el usuario y los
metodos del modelo, y adem
as realizar graficos de sensibilidad, utilizando los metodos del modelo
para obtener datos, y la librera KavaChart [5] para el grafico.
La optimizaci
on fue realizada enumerando soluciones factibles, comenzando desde el mnimo stock
admisible para el problema y criterio en cuestion. Cada indicador (criterio de optimizacion) fue
programado como funci
on del stock. Posteriormente se llevo a cabo el procedimiento de optimizacion
hasta superar el nivel exigido, para el caso de nivel de servicio, nivel de servicio en mision y
disponibilidad, o hasta alcanzar el mnimo, para el caso de costo.
Es conveniente explicar el metodo para calcular la exponencial de la matriz de transicion utilizada
por el criterio de nivel de servicio en mision. El procedimiento es el siguiente:
Dado que el modelo s
olo considera transiciones a estados adyacentes (donde vara en uno la
cantidad de componentes en reparacion), la matriz resultante es tridiagonal. Por ello, puede
ser convertida en una matriz simetica similar.
Se diagonaliza la matriz simetrica similar obtenida, utilizando la librera Jama [4].
Es calculada la exponencial de la matriz diagonal obtenida en el paso anterior.
Se obtiene la exponencial de la matriz original, de la matriz diagonal similar del paso anterior.
Este metodo fue utilizado debido a que fue posible encontrar una librera que resolviera el problema
de vectores propios, pero no el de calcular directamente la exponencial de una matriz.
Los gr
aficos fueron realizados con la librera KavaChart [5]. La forma en que se obtiene, es pidiendo
al usuario el rango, y entorno a que solucion desea realizar el analisis. Luego se obtiene para
cada stock en el rango especificado, los indicadores (nivel de servicio,nivel de servicio en mision,
disponibilidad, y costo). Esto u
ltimo se realiza con un metodo que solo devuelve los indicadores,
sin optimizar, dados los par
ametros. Una vez obtenidos los datos, estos se insertan en forma de un
arreglo de datos en la estructura dada por la librera para generar graficos dinamicamente.
El manejo de errores es realizado por el servlet, en donde se programan los mensajes al usuario.
Para identificar los errores que ocurren en el modelo, se devuelve un valor negativo de stock, el cual
permite saber que tipo de error ocurrio, y mostrar el mensaje adecuado al usuario.
Una consideraci
on especial que debe tenerse es la de utilizar clases que permitan un manejo apropiado de grandes enteros (m
as alla del tipo long), para que los metodos factoriales funcionen
apropiadamente. Esto podra ser mejorado utilizando alguna aproximacion para el logaritmo del
factorial, pero no se ha visto necesidad de ello a
un.
918
45.5.
Estudio de caso
Consideremos una faena minera donde operan 39 camiones de carga. En la transmision de cada uno
de ellos hay z = 2 componentes crticos para la operacion, que interesa estudiar. Cada vez que uno
de estos componentes es removido del camion, un repuesto es puesto en su lugar, y el componente
que ha sido removido es enviado a un taller para ser reparado. Una vez que la reparacion ha sido
realizada, el componente es almacenado nuevamente en el inventario. Debido a que cada camion
utiliza dos componentes, existe una flota de m = 78 componentes en operacion en la faena minera.
Usaremos como unidad de tiempo la hora, Normalmente, un camion tiene una carga de trabajo de
6600 horas por a
no, luego:
6600
uto
=
= 0,532
ut
24 365
donde uto es unidad de tiempo en operacion. El mantenimiento preventivo se fija a edad:
Tp = 9000 uto
Se asume que las reparaciones (preventivas y correctivas) son perfectas, y que la capacidad de
servicio no es una restricci
on (no hay colas). En base al historial de falla encontrado, se conoce que
las fallas siguen una distribucion Weibull de parametros:
w = 0,857
w = 14650 uto
Tomando en cuenta la estrategia de mantenimiento preventivo, se estima que el tiempo medio entre
intervenciones es:
Z
Tp
M T BI =
Par
ametro
Flota en operaci
on
Tiempo medio entre intervenciones
Horizonte planificacion
Tiempo medio de reparacion
Costo almacenamiento
Costo de falla
Simbolo
m
M T BI
T
MTTR
c
cf
919
Valor
78
6420
6600
452
1.51
2173
Unidad
u
uto
uto
uto
um/uto/u
um/uto/u
Stock optimo
15
10
6
14
Meta
0.95
0.95
0.01
-
Resultado
0.981
0.975
0.009
23
Unidad
um/uto
45.6.
Comentarios finales
Los modelos vistos aqu muestran el poder de los modelos de Markov y su aplicacion a la gestion
de repuestos. Resulta muy interesante estudiar diferentes puntos de vista (bodega, mantenimiento,
negocio) en la toma de decisiones.
Criterio
Nivel de servicio
Nivel de servicio en mision
Stock
9
14
Meta
0.95
0.95
Resultado
0.947
0.949
920
Bibliografa
[1] Louit, D., Optimization of Critical Spare Parts Inventories: A Reliability Perspective, PhD.
Thesis, University of Toronto, 2006.
[2] Ross, S., Introduction to Probability Models, Academic Press, 1997.
[3] PAM++, Laboratorio de Gestion de Activos Fsicos, opam.ing.uchile.cl.
[4] JAMA, JAVA Matrix Package, math.nist.gov/javanumerics/jama.
[5] KavaChart, www.ve.com
921
922
Parte V
Planificaci
on y gesti
on estrat
egica
923
Captulo 46
Planificaci
on de tareas
46.1.
Introducci
on
La planificaci
on es un problema siempre presente para el servicio de mantenimiento. Una tecnica
muy u
til es el PERT (Program Evaluation and Review Technique), desarrollada en Estados Unidos
en los a
nos 50 para el desarrollo del proyecto del submarino nuclear POLARIS. En ese proyecto se
manejaron m
as de 3000 contratistas y proveedores. Se estimo que el uso del PERT acorto en 2 a
nos
el proyecto.
La tecnica considera 3 partes:
planificaci
on de tiempos
planificaci
on de cargas
planificaci
on de costos
46.2.
Planificaci
on de tiempos
En primer lugar definimos la red PERT, que esta constituida de los siguientes elementos:
46.2.1.
Tareas
Corresponde a la lista de acciones necesarias para completar una operacion, realizadas en un cierto
orden. Las tareas usualmente se designan con letras.
46.2.2.
Tareas predecesoras
46.2.3.
Etapas
925
926
2
D
2
E
Predecesoras
B, D, E
E
F
B
b)
46.2.4.
Matriz de predecesoras
927
B
0
fin
A
D
928
Tarea
A
B
C
D
E
F
G
H
I
J
Anteriores
J
I,G,H
H
C,E,H
A,F
H
J
A,F,H
-
Tiempo (dias)
2
4
1
2
5
3
1
2
4
2
Primero hacer
A
B
C
D
E
F
G
H
I
J
1
1
J
1
1
1
1
1
1
1
Total
1
2
1
3
2
1
1
0
3
0
46.2.5.
Camino crtico
hacer
A
B
C
D
E
F
G
H
I
J
1
1
1
I
1
J
1
1
1
1
1
1
1
1
1
P
1
2
1
3
2
1
1
0
3
0
1
0
2
0
2
2
0
0
H
2
J
2
A
1
C
1
0
F
G
0
E
929
C
1
H
0
fin
Predecesora
Duracion
A
B
C
D
E
F
A
A,B
F
C,B
2
1
1
2
2
2
Personal
requerido
2
1
1
2
3
1
46.3.
Planificaci
on de cargas
El metodo Pert permite determinar tambien la mano de obra necesaria para cada etapa; ello la
convierte en una herramienta invaluable en la planificacion de la mantencion. El uso del metodo
Pert ayuda a decidir el orden en que las tareas deben ser realizadas.
Tomese el ejemplo de tabla 46.5. La carta Gantt se muestra en grafico 46.8 y las cargas vs el tiempo
en figura 46.9. En el instante 3, la carga es maxima y se requiere de 6 personas, dado que en t = 3
se ejecutan las tareas E (crtica),F (sin holgura) y C (con holgura), conviene realizar C en t = 1 o
t = 2 y con ello reducir el personal necesario para el proyecto a 5 personas.
46.3.1.
Aspectos probabilsticos
Una preocupaci
on principal de todo jefe de proyecto es respetar el programa. Sin embargo, siempre
existen imponderables que implican que la duracion de las tareas sea aleatoria. Dado que el n
umero
de variables que pueden afectar a un proyecto es usualmente grande, es razonable asumir distribuciones normales para la duraci
on de las tareas. Requerimos entonces de estimacion para la duracion
media T y la desviaci
on standard . Para simplificar el analisis, para cada tarea podemos estimar:
A2
0
1
C1
F2
B1
2
3
D2
E2
fin
930
A
E
F
D
B
C
7
6
Carga
5
4
3
2
1
0
1
Tiempo
T0 + 4Tr + Tp
6
Tp T0
6
(46.1)
Las tareas que determinan el tiempo para completar el proyecto son aquellas que estan en la ruta
crtica. Si los par
ametros para dichas tareas se denotan Ti , i entonces, para el proyecto:
X
T =
Ti
X
2 =
i2
Conociendo estos valores y consultando la tabla de la distribucion normal se puede estimar la
probabilidad de que el proyecto no demore mas de cierto tiempo, con una cierta probabilidad.
Ejemplo 160 En la red Pert de figura 46.10, se han anotado los tiempo optimistas, realista y
pesimistas para cada tarea. Se desea calcular el tiempo esperado y la desviaci
on standard. Seg
un el
c
alculo de la tabla 46.6, la ruta crtica es B-C-E con duraci
on esperada y varianza:
T
2
13 11,83
= 0,800
1,462
931
1
A
0
1,3,5
1,2,3
3,4,8
2,4,8
2,4,7
Te
4.33
4.50
2.00
4.17
3.00
2
1.00
0.694
0.111
0.694
0.444
46.4.
Planificaci
on de costos
Este metodo tambien se conoce como CPM (Critical Path Method).Es usual que al reducir el
tiempo para completar un proyecto existan beneficios (por ejemplo, mayor produccion), cuyo valor
puede ser estimado.
Para decidir que acciones tomar, es necesario estudiar la relacion entre reducir la duracion del
proyecto y los beneficios que ello pueda ocasionar. Para reducir el tiempo hay dos extremos:
programa crash: reducir el tiempo al mnimo posible, lo que incrementa los costos de intervenci
on
programa normal : estimar costos con duraciones nominales para las tareas, a un costo normal.
El gradiente de costos de cada tarea puede ser aproximado por:
costo crash-costo normal
tiempo normal-tiempo mnimo
Las medidas a realizar es reducir el tiempo de las tareas ubicadas en la ruta critica, entre estas,
empezar con aquellas que tienen el menor gradiente de costos (las menos sensibles al tiempo).
932
Tiempo
normal
3
2
6
4
3
Actividad
A
B
C
E
D
Costo
normal
40
50
100
80
60
Tiempo
limite
1
1
4
2
1
Costo
limite
80
120
140
130
140
0
B
130 80
= 25
2
para la tarea E. Por lo tanto es mas barato acortar la tarea A.
Ejemplo 162 1 Una parada de planta consta de las tareas indicadas en tabla E.2.
a) 1) Dibuje la red PERT
2) Describa la ruta crtica
3) Calcule el tiempo esperado y la varianza de cada actividad
1 control
2
1
3
A
2
B
3
C
4
D
3
E
933
3
F
4
G
3
2
Te
1+43+5
6
1+42+3
6
2+43+4
6
3+44+6
6
2+43+7
6
1+43+4
6
2+44+6
6
= 3,00
= 2,00
= 2,66
= 4,16
= 3,50
= 2,83
= 4,00
51
6
31
6
42
6
63
6
72
6
41
6
62
6
= 0,66
= ,33
= ,33
= ,50
= 0,83
= ,50
= 0,66
= (1,1)
1,05
= 1 (1,1)
= 1 0,86
= 0,14
luego la probabilidad es de 14 %.
b)
Holgura de la tarea D.
c)
934
Actividad
A
B
C
D
E
F
G
Predecesoras
A
A,B
A,B
C,D
C,D,E
Tiempo (das)
optimista esperado
1
3
1
2
2
3
3
4
2
3
1
3
2
4
pesimista
5
3
4
6
7
4
6
Actividad
A
B
C
D
E
F
G
Anteriores
A
A
B,C
D,E
B,C
Duracion
normal (das)
2
3
3
4
3
3
5
Costo extra
por da de apuro (K$)
50
30
30
40
20
20
50
b)
c)
d)
e)
Ejemplo 164 Ejercicio 22 2 Un overhaul incluye las actividades mostradas en tabla K.1.
2 control
3, 2003-I.
18 nov '01
25 nov '01
02 dic '01
09 dic '01
Comienzo
L M M J V S D L M M J V S D L M M J V S D L M M
0%
vie 30/11/01
0%
vie 30/11/01
Id
1
Nombre deDuracin
tarea
A
2 das
3 das
3 das
dom 02/12/01
4 das
dom 02/12/01
3 das
mi 05/12/01
3 das
sb 08/12/01
5 das
mi 05/12/01
0%
0%
0%
0%
0%
C
D
Comienzo: 30/11/01
Identificador: 1
Comienzo: 02/12/01
Identificador: 3
Fin: 01/12/01
Dur: 2 das
Fin: 04/12/01
Dur: 3 das
RE:
935
RE:
Comienzo: 02/12/01
Identificador: 4
Fin: 05/12/01
Dur: 4 das
RE:
Comienzo: 30/11/01
Identificador: 2
Fin: 02/12/01
Dur: 3 das
Comienzo: 08/12/01
Identificador: 6
Fin: 10/12/01
Dur: 3 das
RE:
E
G
RE:
Comienzo: 05/12/01
Identificador: 5
Fin: 07/12/01
Dur: 3 das
RE:
Comienzo: 05/12/01
Identificador: 7
Fin: 09/12/01
Dur: 5 das
RE:
Actividad
a
b
c
d
e
f
g
Predecesora
a
a
c
b,d
Sucesora
d,e
g
f
g
Tiempo
normal
4
8
2
3
5
5
6
Costo
normal
10
8
4
8
8
6
12
Tiempo
apresurado
2
2
1
2
3
1
2
Costo
apresurado
15
14
6
12
14
10
16
46.5.
Comentarios finales
La optimizaci
on de la gesti
on del mantenimiento pasa necesariamente por el buen uso de los recursos
disponibles. El rol de la funci
on planificacion/programacion es planificar los recursos (mano de obra,
materiales, herramientas, repuestos) necesarios para realizar las intervenciones de mantenimiento.
El factor que mas afecta el uso de los recursos es la carga de tareas. La carga esta compuesta
de una parte programada y de una parte no programada (correctiva, de emergencia). La primera
es determinstica mientras que la segunda es estocastica, por lo que se dificulta el proceso de
programaci
on. el uso combinado de la tecnica PERT y los diagramas Gantt permite visualizar la
carga en el tiempo y ajustar los programas en consecuencia.
46.6.
A explorar
(Duffuaa y Al-Sultan, 1997) [1] presentan un modelo matematico para la programacion de cargas
programadas y no programadas. El modelo es ilustrado con un ejemplo numerico.
Actividad
A
B
C
D
E
F
G
Tareas precedentes
A
A
A,B,C
D,E
B,C
costo de expedicion/da
5
no se puede
3
4
2
2
5
936
(El-Diraby, 2004) [23] estudia las dificultades en la planificacion de actividades de proyectos civiles.
(Alkhamis y Yellen, 1995) [24] presentan una formulacion entera para la programacion de tareas
preventivas en plantas de refinaci
on.
46.7.
Sumario y objetivos
Bibliografa
[1] Lyonnet, P., Maintenance Planning, Methods and Mathematics. Chapman & Hall, 1991. [bajar].
[2] Taha, H., Investigaci
on de Operaciones, una introducci
on, 6ta ed., Prentice Hall, 1998.
[3] Schroeder, R.G., Administracion de Operaciones. McGraw-Hill, 3era ed., 1989.
[4] Basnet, C., Ellison, P., A manpower planning decision support system for MQM Meat Services,Computers and Electronics in Agriculture, 21, 181194, 1998. [bajar].
[5] Fwa, T.F., Chan, T., Hoque, K.Z., Multiobjective Optimization for Pavement Maintenance
Programming, J. Transp. Engrg., 126(5), 367-374, 2000.
[6] Hassanein, A., Moselhi, O., Planning and scheduling highway construction, Journal of Construction Engineering and Management-ASCE, 130(5), 638-646, 2004. [bajar]
[7] E. J. Yellig G. T. Mackulak, Robust deterministic scheduling in stochastic environments: the
method of capacity hedge points, International Journal of Production Research 35(2), 369379,
1997.
[8] S.O. Duffuaa, K.S. Al-Sultan, Mathematical programming approaches for the management of
maintenance planning and scheduling,Journal of Quality in Maintenance Engineering, 3(3),
163-176, 1997. [bajar]
[9] Paz, N.M., Leigh, W., Maintenance Scheduling: Issues, Results and Research Needs, International Journal of Operations & Production Management, 14(8), 47-69, 1994. [bajar]
[10] Banerjee, A., Flynn, B.B., A Simulation Study of Some Maintenance Policies in a Group
Technology Shop, International Journal of Production Research, 25(11), 595-609, 1987.
[11] J Ashayeri, A Teelen, W Selen, VU Brussel, B, A production and maintenance planning model
for the process industry, International Journal of Production Research, 1996. [bajar]
[12] C Sriskandarajah, AKS Jardine, CK Chan, Maintenance scheduling of rolling stock using a
genetic algorithm, Journal of the Operational Research Society, 1998.
[13] T Coudert, B Grabot, B Archimede, Production/maintenance cooperative scheduling using
multi-agents and fuzzy logic, International Journal of Production Research, 2002
[14] K Nikolopoulos, K Metaxiotis, N Lekatis, Integrating industrial maintenance strategy into ERP,
Industrial Management & Data Systems, 2003.
[15] Swanson, L., The impact of new production technologies on the maintenance function: an empirical study, International Journal of Production Research, 1999.
[16] JM Keizers, JWM Bertrand, J Wessels, Diagnosing Order Planning Performance at a Navy
Maintenance and Repair Organization, Using Logistic, Production and Operations Management, 2003
[17] H Loefsten, Management of industrial maintenanceeconomic evaluation of maintenance policies, International Journal of Operations & Production Management, 1999.
[18] H Yamashina, S Otani, Optimal preventive maintenance planning for multiple elevators, Journal of Quality in Maintenance Engineering, 2001.
[19] I Hipkin, Knowledge and IS implementation: case studies in physical asset management, International Journal of Operations & Production Management, 2001.
937
938
[20] H Suryadi, LG Papageorgiou, Optimal maintenance planning and crew allocation for multipurpose batch plants, International Journal of Production Research, 2004.
[21] CR Cassady, E Kutanoglu, Minimizing job tardiness using integrated preventive maintenance
planning and production scheduling, IIE Transactions, 2003.
[22] RI Mcintosh, SJ Culley, AR Mileham, GW Owen, Changeover Improvement: A Maintenance
Perspective, International Journal of Production Economics
[23] El-Diraby TE, OConnor JT, Lessons learned in designing research methodology in field-based
construction research, Journal of Professional Issues in Engineering Education and Practice,
130(2), 109-114, 2004. [bajar]
[24] T.M. Alkhamis, J. Yellen, Refinery units maintenance scheduling using integer programming,
Applied Mathematical Modelling, 19, 543549, 1995.
[25] X. Zhu, W.E. Wilhelm, Scheduling and lot sizing with sequence-dependent setup: A literature
review, IIE Transactions, 38, 9871007, 2006.
Captulo 47
Indicadores de gesti
on
The choice of a dependability measure requires consideration about where the main cost
or penalty of system failure is. If it is associated with the frequency of failures, a measure
based on the time between successive failures is needed, and if it is associated with the
fraction of time the system is down, an availability measure is needed.
Goyal et al. [90]
Knowledge is power
Francis Bacon
A mon avis, vous ne pouvez pas dire
que vous avez vu quelque chose fond
si vous nen avez pas pris une photographie.
Emile Zola
47.1.
Indicadores adecuados
Un ejemplo que gr
afica la importancia de la seleccion adecuada de indicadores en la toma de
decisiones de mantenimiento se presenta en (Crowther y Whiddington, 1963)[65].
Durante la segunda guerra mundial, la fuerza aerea britanica tomo como indicador de performance
la utilidad de la flota, S, definida como la razon entre la suma de aeronaves en vuelo ( nf ) mas
aquellas disponibles para volar (na ), y el total de aeronaves en la flota:
S=
nf + na
nf + na + nm
donde nm es el n
umero de aeronaves en mantenimiento, Se fijo como valor mnimo,
S Smn = 0,75
Un estudio revel
o que por cada unidad de tiempo de vuelo, los aviones pasaban dos en mantenimiento, luego:
nm
=
=2
nf
y
nf
na + 1
S=
( + 1) nf
na + 1
y si consideramos la restricci
on, tenemos que
nf
Smn 1
na
1 Smn ( + 1)
939
940
nf
n f + na + nm
1
1+
1Smn (+1)
Smn 1
La figura (47.1) muestra los resultados para 3 valores de . Observamos que al hacer crecer la
utilidad, las horas de misi
on disminuyen(!). El efecto positivo de acortar los tiempos de reparacion
tambien son significativos.
0.9
Referencia
=2.0
=1.5
=1.0
0.8
0.7
0.6
Af
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Smin
Abstract
1
47.2.
941
Introduction
Maintenance spending accounts for a significant part of the operating budget in organizations with
heavy investments in plant, machinery and equipment (Cross, 1988; Dekker, 1996). Tracking the
performance of maintenance operations should be a key management issue in these organizations.
This paper examines the various approaches to measuring maintenance performance with a view to
identifying an appropriate methodology that embraces the design principles of a good performance
measurement system.
The first part of this paper defines the maintenance function. It is followed by a review of the theory
and practice of measuring organizational performance in general and maintenance performance in
particular. The pitfalls of utilizing the commonly used maintenance performance indicators are also
examined. In the subsequent section, various approaches to establishing maintenance performance
measures that would lead to effective decisions in todays turbulent and highly competitive environment are discussed. These approaches include the use of a single measure, multiple measures and
system audits for performance evaluation. Also presented is a method for comparing the operational
efficiencies of multiple maintenance organizations. In the concluding section, recommendations for
a research agenda are made for applying a holistic approach to maintenance performance measurement.
47.2.1.
Before something can be measured, it must be defined. The traditional perception of maintenances
role is to fix broken items. Taking such a narrow view, maintenance activities will be confined to
the reactive tasks of repair actions or item replacement. Thus, this approach is known as reactive
maintenance, breakdown maintenance, or corrective maintenance. A more recent view of maintenance is defined by Geraerds (1985) as: .All activities aimed at keeping an item in, or restoring it
to, the physical state considered necessary for the fulfilment of its production function. According
to this definition, maintenance also includes the proactive tasks such as routine servicing, periodic inspection, preventive replacement, and condition-monitoring. When the strategic dimension is
taken into account, making decisions that will shape the future maintenance requirements of the
organization should also fall into the domain of maintenance operations. Equipment replacement
decisions and design modifications to enhance equipment reliability and maintainability are examples of these activities. The Maintenance Engineering Society of Australia (MESA) recognizes this
broader perspective of maintenance and defines the function as: The engineering decisions and associated actions necessary and sufficient for the optimization of specified capability. C
apabilityin
this definition is the ability to perform a specific function within a range of performance levels
that may relate to capacity, rate, quality and responsiveness. The scope of maintenance management, therefore, should cover every stage in the life cycle of technical systems (plant, machinery,
equipment and facilities): specification, acquisition, planning, operation, performance evaluation,
improvement, replacement and disposal (Murray et al., 1996). When perceived in this wider context, the maintenance function is also known as physical asset management.
The EUT-maintenance model developed at Eindhoven University of Technology, The Netherlands
(Geraerds, 1990) provides a conceptualisation of the processes involved in the maintenance function.
Its main focus is on meeting the maintenance needs of technical systems already in place. This is
achieved by utilising internal maintenance capacity and external services, with the support of spare
parts inventory management and performance measurement. There are two cycles of management
processes embedded in the maintenance function. The first cycle consists of the managerial processes of formulating maintenance policies, establishing objectives, planning, auditing, and measuring
performance that apply to the entire function. The issues addressed in the planning process include organizational structure, manpower, resource allocation, action plans, etc. The second cycle
is concerned with technical planning and operation of maintenance activities for individual technical
systems. These involve the selection of maintenance regimes (reactive, preventive, condition-based,
TPM, etc.), planning and optimization of maintenance decisions, scheduling and execution of work.
Maintenance
Policy
IJOPM
19,7
694
Figure 1.
The general
maintenance model
Management
Planning
Objectives
Organization
Manpower
Resources
Financing
System (Cycle)
Design
Failures
Maintenance Operation
Maintenance
Approach
Maintenance
Plan
Management
Administration
Task
Execution
On Condition
Overhaul
Replace
Design-out
Run to failure
Shutdowns
Services
Inspections
Scheduling
Task Planning
Procurement
Task
Management
942
Task
Feedback
Performance Mgt
Quality Mgt
Task detail
Inspection Rpts
Performance
Results
Optimisation
Maintenance
History
RCM
Data Analysis
Performance
Measurement
incl. Audit
47.2.2.
Neely et al. (1995) provide a comprehensive literature review of performance measurement that
addresses two distinct aspects, namely levels and concepts. They examine performance measurement
at three different levels:
- (1)the individual performance measures;
- (2)the performance measurement system (PMS); and
- (3)the relationship between the PMS and its environment.
Three of the key concepts identified in the review are highlighted below:
- (1)Performance measures can be classified in a number of ways according to their perspective,
namely financial and non-financial measures, outcome measures and performance drivers, internal and external measures. Another classification, suggested subsequently by Kaplan and Norton
(1996b), is linked to the level of focus of the measures: diagnostic measures are used to monitor and
control day-to-day operations and strategic measures, on the other hand, are selected to inform the
stakeholders of the organizations strategic intent and the progress that has been made in achieving
it.
- (2)Performance measures need to be positioned in a strategic context, as they influence what
people do. Peters and Waterman (1982) explain this succinctly - What gets measured gets done.
The pattern of decisions and action within an organization defines the strategy in practice. Thus,
performance measurement should not be considered purely as a means to provide information for
management control and decision making; it can also serve as a powerful motivational tool driving
decisions and action that are consistent with the espoused strategy.
- (3)The PMS does not exist in isolation. The effectiveness of the PMS in shaping behaviour depends
on the support of a matching organizational infrastructure relating to issues such as resource allocation, work structuring, management information, reward and recognition in addition to technical
943
or operational activities such as maintenance operations. For example, there is a need to link performance measurement to reward systems because, as Hammer and Stanton (1995) state, The way
to peoples hearts and minds is not through their ears but through their wallets. Therefore, work
in the organization should be structured to achieve joint optimization of the social and technical
subsystems, or at least a good fit between them, and there is choice in developing such organizational designs (Gerwin and Kolodny, 1992). The organization in which the PMS is embedded must
also be understood as an open system that is in continuous interaction with its environment. When
that environment is turbulent, organization designs must repeatedly change to best adapt to the
uncertainty of the environment. This perspective is referred to as a Sociotechnical Systems (STS)
approach.
If performance measures are to trigger effective beneficial change, they have to fulfil two conditions.
First, they should relate to what is controllable by the unit to be evaluated. Second, favourable
results on these measures will contribute to specific business success factors. The level of analysis
(for instance, organization versus the maintenance department), and the agreed sphere of influence
of the function being measured, will significantly influence the measures used. If average equipment
life is used as a measure of performance, maintenance must have an input in equipment purchase
decisions. When the lost time for repair is monitored, the organization being measured should have
jurisdiction over staffing decisions and stocking of spare parts (Dwight, 1994).
The widely used performance measures were developed on the premises of the scientific management
movement pioneered by Frederick Taylor about a century ago, a period when demand far exceeded
supply, the operating environment was very stable, and labour intensive operations were the norm.
The conventional wisdom of management which evolved from such a background is characterised
by a preoccupation with maximizing the utilization of resources. Thus, in assessing maintenance
performance, various efficiency indicators (equipment availability and labour utilization, etc.) and
financial measures (such as repair and preventive maintenance costs) are routinely tracked.
Assessments in terms of financial measures are typically performed through variance analysis, which
breaks a variance down into its constituent parts such as price variance and usage variance to
determine the causes of the discrepancy. It has been shown that variance analysis is dysfunctional
to global optimization because it focuses on minimization of within-department costs (Kaplan,
1990). Here is a likely scenario in an industrial organization:
- The maintenance unit is reluctant to introduce condition based maintenance even though it
will prevent unplanned outages due to machine breakdowns, a major benefit manifested in the
Production Department. The resistance exists because when compared to the do nothing.option
embodied in the standard cost, it will give rise to unfavourable usage variance in the cost of planned
maintenance, an indicator commonly used to measure maintenance performance.
Furthermore, the notion of comparing the actual cost to a staticstandard cost in variance analysis is incompatible with the philosophy of continuous improvement. Trends as well as deviations
from the standardshould be tracked to motivate favourable change as an ongoing process. If a
standardis to be established, it should be based on the best-in-class benchmark instead of the
organizations historical performance level.
Apart from the above problems relating to variance analysis, Kaplan (1989) also points out that
the numbersproduced by traditional management accounting systems are:
- too aggregate to provide relevant information for operational control;
- available too late for corrective action to be taken; and
- too distorted by the standard overhead absorption method.
Equipment maintenance is a key process in industries such as transportation, utilities, mining,
and manufacturing. It represents a significant component of the operating cost in these industries.
Much of these expenses are consumed by non-value adding management control or logistics related
activities. Through the application of business process reengineering (BPR) pioneered by Hammer
and Champy (1993), maintenance processes can be streamlined to eliminate waste and produce
breakthrough performance in areas valued by customers. Activity-based costing (Kaplan, 1988),
944
being an effective tool for capturing all the end-to-end expenses associated with a process, will
provide the financial measures for determining the outcome of such changes.
Various aspects of performance measurement have been extensively discussed in the literature.
Atkinson et al. (1997) identify that there are three roles in performance measurement, namely coordinating, monitoring, and diagnostic. Poirier and Tokarz (1996), Neely et al. (1997) offer suggestions
on the design of good performance measures. Cameron (1986), Keegan et al. (1989), Maskell (1991),
Bevan and Thompson (1991), Lockamy and Cox (1995), Kaplan and Norton (1996b) provide their
sets of guidelines for design of performance measurement systems that would lead to excellent performance in todays highly turbulent and competitive business environment. The principles shared
by most of these prescriptions are:
- Measures are organization-specific - they are linked to the organizations strategy.
- Multiple measures - internal and external, financial and non-financial measures, performance
drivers and outcome measures - should be used to achieve balance in perspective, and to communicate the causal relationships for achieving business success.
- Measures should be user-friendly - simple, easy to use, available promptly.
- Measures at different levels of the hierarchy are aligned and they are integrated across an organizations functions.
- Involve employees in formulating strategies and identifying the related performance measures.
- The organizations infrastructure encourages desired behaviour and supports operation of the
measurement system.
- Effectiveness of the system and its contribution to overall organizational performance are reviewed
periodically to allow changes and improvements to be made.
47.2.3.
In a review of the performance literature, Cameron (1986) finds that measures of organizational
performance are often selected on the basis of convenience. Typically, the measures used are either
too narrowly or too broadly defined. This is a problem related to level of analysis; measures of
individual, group, and organizational performance are not necessarily the same. In fact, focusing
on a biased set of lower level measures may encourage sub-optimization. Other common features of
performance measures identified in the review are:
- proxies of measures selected on the basis of convenience are often unrelated to organizational
performance;
- a single measure is commonly used to assess performance which is a multidimensional construct;
- outcome measures are the dominant type of indicators for evaluating performance, whereas effects
are most frequently used in policy decisions and by the public. Outcome measures reflect short-term
results, but sustainable performance depends on the long-term effects of strategies pursued by the
organization.
Results of a KPMG survey (1990) of 150 of The Times, 1,000 companies, excluding the top 200,
found that the information used to monitor performance was rated poor or average by close to
half of the respondents in terms of relevance, accuracy, timeliness, completeness, cost effectiveness
and presentation. Internal information and past financial performance appeared to dominate the
information set. External information was not reported as being widely used in strategy formulation
or monitoring. In fact, information available to formulate and review strategy was rated poor or
average by the majority of respondents.
A large scale postal survey of almost 12,800 organizations both in the private and public sectors
in the UK was conducted in 1991 to determine the state of practice of performance management
in industry (Bevan and Thompson, 1991). With a response representing a fifth of the total UK
workforce, the survey results indicated that just under 20 percent of respondents claimed to be
945
operating a formal PMS, but that a further two-thirds did have policies for managing employee performance generally. Evidently, there was a patchy and incomplete uptake of performance
management techniques in the UK. The main reasons employers gave for introducing performance
management included improving organizational effectiveness and increasing employee motivation. It
was also found that organizations with a formal PMS were more likely to have a performance-related
reward system.
In 1995, another survey on performance measurement was conducted in the USA, covering over
200 organizations (APQC, 1996). It can be observed from the results that .Overall, the majority of management systems are designed around short-term, control-oriented financial frameworks
that are fundamentally tactical. The characteristics of performance measurement in participating
organizations are as follows:
- dominated by financial or other backward-looking indicators;
- failure to measure all the factors that create value;
- little account taken of asset creation and growth;
- poor measurement of innovation, learning and change; and
- a concentration on immediate rather than long-term goals.
In its conclusion, the survey report states: Despite reasonably high level use, non-financial measures
and targets are frequently treated in isolation from strategic objectives. They are not reviewed
regularly, nor are they linked to short-term or action plans - they are largely ignored or for interest
only.
Maintenance practices of small and medium sized enterprises (SME) is the focus of a recent survey conducted in Australia (De Jong, 1997). It is found that the main measure of maintenance
performance used in the responding companies is the ratio of the total cost of the maintenance
system to estimated equipment replacement value (ERV). Other measures are chosen according to
the priorities of the company and they may include number of accidents, value of spare parts to
ERV, maintenance cost to production cost. Two other significant observations made from the study
are:
- (1)Companies which have equipment performance goals and maintenance performance goals in
place show both lower maintenance cost and lower proportions of reactive maintenance.
- (2)As the practice moves more towards proactive and relies less on reactive maintenance, the
direct cost of maintenance will tend to reduce.
In an on going project to study the current practice of maintenance operations, the first author
interviewed senior executives with maintenance responsibilities in six large-scale organizations in
Hong Kong and Canada. The companies included in the study are in the steel, public utility,
transportation, and process industries and all of them have significant maintenance budgets. The
findings from these interviews so far are generally in agreement with those reported in the relevant
literature as reviewed above. It is observed that among the companies studied, their maintenance
performance management systems share the following characteristics:
- It is an exception rather than the norm that the maintenance organization uses a structured
process to identify measures of its performance. Management is typically not aware of the part that
the measurement system can play in achieving vertical alignment of goals and horizontal integration
of activities across organizational units.
- The performance measures are primarily used for operational control purposes.
- The commonly used measures are financial indicators such as operation and maintenance (O&M)
costs, and equipment-based or process-oriented measures such as equipment availability, labour
productivity, and number of incidents caused by in-service failures.
- Benchmarking is gaining acceptance as a methodology to evaluate performance and establish
targets by making reference to the achievements of best-in-class organizations.
946
47.3.
Arts and Mann (1995) use the time horizon to classify maintenance decisions into three categories,
namely strategic, tactical, and operational. Strategic maintenance decisions are made in the selection
of design options for management systems or products to be developed, or plant and machinery to
be acquired that will be compatible with the organizations business strategy. Tactical maintenance
decisions relate to the formulation of policies for effective and efficient use of available resources.
Operational decisions are made to achieve a high level of effectiveness and efficiency in maintenance
activities.
Maintenance plans are often established with a view to achieving a quantified objective. However,
the objective is usually chosen by gut feelrather than by careful analysis. In a study done during
the Second World War it was discovered that aircraft of the UKs Coastal Command was prevented
from maximizing their flying time since a wrong objective (maximizing serviceability) was used
(Crowther and Whiddington, 1963). Serviceability, defined as the ratio of the number of aircraft on
the ground available to fly plus those flying to the total number of aircraft, was initially used as the
measure of performance for these aircraft. With the technology in those days, for every hour spent
flying, two hours would be required for maintenance. Thus, aiming for a high level of serviceability
would be in conflict with Coastal Commands wartime requirement of maximizing the flying time
of aircraft. On the other hand, in situations where aircraft are called upon only on emergencies, a
high serviceability objective may be appropriate.
Many indicators of maintenance performance discussed in the literature are developed to support
operational decisions. Armitage and Jardine (1968) note that these indicators are, at best, descriptive signalling that some action need to be taken. To be more useful, decision rules which are
compatible with organizational objectives should also be in place such that the preferred course of
action can be determined on the basis of the indicators values.
To facilitate detection of trends when the level of activities may vary over time, or comparisons are
made between organizations of differing scales of operation, indices are often used as measures of
maintenance performance. Campbell (1995) classifies these commonly used performance measures
into three categories on the basis of their focus:
- (1)measures of equipment performance - e.g. availability, reliability, overall equipment effectiveness;
- (2)measures of cost performance - e.g. operation and maintenance (O&M) labour and material
costs; and
- (3)measures of process performance - e.g. ratio of planned and unplanned work, schedule compliance.
However, the underlying assumptions of these measures are often not considered when the results
are interpreted.
Dwight (1994) proposes to classify performance measures into a hierarchy according to their implicit
assumptions regarding the impact of the maintenance system on the business. There are five levels
in the hierarchy, indicating a progression in awareness of the Business Success Factors that are
controllable or influenced by maintenance. Some details of the classification are shown in Table
47.1.
The measures in the fifth level recognize that expenses include depletion of the fixed asset resource,
the value of which depends on future demand, technological changes, and the appropriateness of
the various maintenance actions. They also allow maintenance actions to be judged against factors
like the remaining life of the equipment, process or product.
Maintenance is an essential support function in an organizationss value chain. Dwight states that
its contribution to the organizations business success can be analysed as a function of four variables:
- (1)the cost of the action;
- (2)the effect of disruption caused by the required maintenance actions;
- (3)the effect of equipment performance between maintenance actions; and
947
Level
Assumptions
Typical measures
1. Overt bottom-line
impact
2. Profit-loss and
overt cost impact
performance
3. Instantaneous
effectiveness
measures
4. System audit
approach
5. Time related
performance
measurement
M
main
perf
time, or to track resources consumed by the system. Again, these measures are
appropriate only if they have a cause-and-effect relationship with business
performance.
Approaches to measuring maintenance performance
A value-based performance measure
Maintenance activities determine the future options available to meet demand.
The readiness to deal with uncertain events, such as equipment breakdown, is
also influenced by maintenance management decisions. In the light of these
Levels of
948
Figure 2.
The incident evaluation
approach to collecting
data for performance
measurement
implies
Primal
incident
evaluate
Alternate
actions leading
to secondary
incidents
determine
Residual
value of
alternate
actions
compare with
Optimal
actions
Actual
actions
Figura 47.3: The incident evaluation approach to collecting data for performance measurement
- (4)the ability of the action to affect the life of the asset.
An assessment of the situation with respect to these dimensions determines the appropriate maintenance actions that will affect the bottom line. This analysis, in turn, will determine the relevant
measures of performance that should be used. For example, when a company has surplus productive capacity, disruption may have a low correlation with success. In such a case, any measure that
relates to disruption will not be appropriate.
Whilst these four variables relate to the impact of maintenance at the equipment level, other
indicators that measure performance of the maintenance system should also be in place. These
measures of system performance are typically designed to detect if planned work had been done
and completed on time, or to track resources consumed by the system. Again, these measures are
appropriate only if they have a cause-and-effect relationship with business performance.
47.4.
47.4.1.
Maintenance activities determine the future options available to meet demand. The readiness to deal
with uncertain events, such as equipment breakdown, is also influenced by maintenance management
decisions. In the light of these characteristics, Dwight (1995) identifies the following shortcomings
of performance measures currently used in industry:
- The concept of accumulation of risk is not captured.
- The focus is on the immediate rather than the overall requirement.
- The measures are not related to business requirements.
A performance measure that takes into account the impact of maintenance activities on the future
value of the organization has been proposed by Dwight (1994) as follows:
Performance =
Vr Vl
Vr
where Vr is the value realized in the period, which is equivalent to CF (t 1, t), the cash-flow during
the interval (t 1, t). Vl is the future value lost compared with the known best value, Vr , which,
in turn, is given by V = Vr (t 1) where Vr (t) is the estimated best attainable sum of future
real cash flows, or residual valuein the system at time t. V (t) and Vl must be calculated ex poste
by considering the circumstances prevailing during that period. In this calculation of value, it is
assumed that the best available option will be taken up in the next period.
An alternative definition of performance, which deals with residual valuein the system, is:
Performance =
CF (t 1, t) + V (t)
V (t 1)
The data required in determining the above performance measure can be collected from an existing
system using a conceptual model known as the Incident Evaluation Approach(see Figure 2)
949
(Dwight, 1995). This approach involves the compilation of a library of possible primal incidents
and their associated actions, leading to secondary incidents. An incident is a failure mode of the
system which will reduce the potential output of the system. The expected residual value of an
action policy is determined by the expression:
N
X
(p(Ci )CFi ) | A
i=1
where p(Ci ) is the probability of occurrence of incident Ci as a function of time. CFi is the expected
cash flow as a result of Ci occurring at its expected time, given the available resources implied by
action set A. The optimal action policy and V (t 1) are determined ex poste by taking into
account the involuntary incidents that actually occurred during the interval (t 1, t).
This is a labourious procedure which only focuses on the financial impact of decisions associated
with system failures. If other dimensions of performance measures, such as customer perception and
contribution to meeting the future business needs of the organization, are to be assessed, a more
comprehensive approach to performance measurement has to be used.
47.4.2.
Some of the shortcomings of using financial measures as performance indicators have been discussed
in the section on The theory of performance measurement. Even if those flaws can be eliminated,
financial measures still have the drawback that they tend to shape managers behaviour to focus
on short-term results. The short-term thinking is driven by the investment communitys short-term
perspective. As a result, very few managers will choose to make capital investments or pursue
long-term strategic objectives that will jeopardize quarterly earnings targets.
Income-based financial figures are lag indicators. They are better at measuring the consequences
of yesterdays decisions than at indicating tomorrows performance. Managers are willing to play
the earnings game. For instance, investment in maintenance can be cut back to boost the quarterly
earnings. The detrimental effect of the cut back will only show up as increased operating cost in
some future periods, by which time the manager making the cut back decision may have already
been promoted because of the excellent earnings performance. In view of these deficiencies, customer
oriented measures such as response time, service commitments, and customer satisfaction have been
proposed to serve as lead indicators of business success (Eccles, 1995).
To assure future success, organizations nowadays must be financially sound and customer oriented.
This is possible only if their internal processes can provide a set of distinctive core competencies
that will enable them to achieve their business objectives. Furthermore, they also need to have the
capability to improve and create value continuously, through development of their most precious
assets - the employees. An organization which excels in only some of these dimensions can, at
best, be a mediocre performer. Improvements in operational capabilities such as faster response,
better quality of service, reduced waste, etc. will not lead to better financial performance unless the
spare capacity created by the operational improvement is utilized or the operation is downsized.
Also, maintenance organizations that are efficient in delivering high quality services will not remain
viable for long if they are slow in developing new expertise that will meet the emerging needs of
the user departments. For example, electro-mechanical systems are being phased out by electronic
and software systems in many automatic facilities. In the face of the new demand, the maintenance
service provider has to transform the profile of its expertise from one that is primarily in the electrical
and mechanical trades to one that is more focused on electronics and information technology.
Obviously, relying on a few measures that represent a narrow perspective will not be able to capture
all these requirements. A balanced presentation of results is therefore the preferred approach to
measuring maintenance performance. The Balanced Scorecard (BSC) proposed by Kaplan and
Norton (1992) offers the template for the balanced presentation. The BSC is a vehicle that translates
a business units mission and strategy into a set of objectives and quantifiable measures built around
four perspectives:
Focus has both strategic and operational dimensions in defining direction, capability and
what the business or its activities are all about, while balance seeks an equilibrium for making
sense of the business and to strengthen focus. Integration is critical, ensuring that
organizational effort knits into some form of sustainable response to strategic priority and
change.
950
Strategic
Objectives
Measures
(KPIs)
Targets
Action
Plans
Perspective
Financial
Mission &
Strategy
Figure 3.
The Balanced Scorecard
links strategic objectives
to short-term actions
Customer
Internal
Processes
Learning
& Growth
Figura 47.4: The Balanced Scorecard links strategic objectives to short-term actions
- (1)financial (the investors views);
- (2)customer (the performance attributes valued by customers);
- (3)internal processes (the long- and short-term means to achieve the financial and customer
objectives); and
- (4)learning and growth (capability to improve and create value).
It directs managers to focus on a handful of measures that are most critical for the continual success
of the organization.
The Balanced Scorecard had been implemented in a number of major corporations in the engineering, construction, microelectronics and computer industries (Kaplan and Norton, 1993). Experience
in these pioneering organizations indicates that the Scorecard will get its greatest impact on business performance only if it is used to drive a change process. The development of a Balanced
Scorecard also engenders the emergence of a strategic management system that links long-term
strategic objectives to short-term actions (see Figure 47.4) (Kaplan and Norton, 1996a, 1996b)
A strategic management system that builds around a Balanced Scorecard is characterised by three
keywords - focus, balance and integration. Ashton (1997) explains these three attributes as follows:Focus has both strategic and operational dimensions in defining direction, capability and
what the business or its activities are all about, while balance seeks an equilibrium for making
sense of the business and to strengthen focus. Integration is critical, ensuring that organizational
effort knits into some form of sustainable response to strategic priority and change.
The BSC approach provides a holistic framework for establishing performance management systems
at the corporate or business unit level. When the approach is applied to managing the performance
of maintenance operations, a process involving the following steps can be followed (see Figure 47.5)
(Tsang 1998):
- (1)Formulate strategy for the maintenance operation - strategic options such as developing inhouse capability, outsourcing maintenance, empowering frontline operators to practise autonomous
maintenance, developing a multi-skilled maintenance workforce, and implementing condition-based
maintenance are considered and decisions made through a participative process.
- (2)Operationalize the strategy - the maintenance strategy is translated into long-term objectives.
The relevant Key Performance Indicators (KPIs) to be included in the BSC are then identified
and performance targets established. Suppose outsourcing the maintenance and repair of generic
and common equipment and vehicle fleets has been chosen as a strategy to allow an electric utility
company to focus on its core competencies of managing its transmission and distribution system.
The KPIs and performance targets that relate to this strategic objective are .outsource 20 percent
of maintenance work.and reduce maintenance costs by 30 percentin two years. The former indicator belongs to the Internal Processesperspective and the latter the Financialperspective. To
By directing
managers
to consider
all the
important
measures
together, the
outsourcing
of non-core
maintenance
works
given in the
above example,
the
company
may
have
decided
to
develop
capabilities
in
the
following
Balanced Scorecard guards against sub-optimization. Unlike conventional
three
areas
which are
neededthe
in Balanced
the outsourcing
process:
measures
which
are control
oriented,
Scorecard
putscontract
strategy and
R. Pascual.
El Arte
de Mantener
(draft).
Universidad
de Chile.
951
negotiation,
contract
management,
and
the
ability
to
capitalize
on
vision at the centre and its emphasis is on achieving performance targets.
The
emerging opportunities arising from changing technology and the
measures are designed to pull people toward the overall vision. They are
identified and their stretch targets established through a participative process
which Corporate
involves the Maintenance
consultation ofMaintenance
internal and external
stakeholders
Action
Implement senior
Strategy
Strategy
Objectives
Plans
Plans function,
management, key personnel in the operating units of the maintenance
and the users of the maintenance service. This way,
the performance measures
Structural &
Measures
infrastructural
& Targets to the business
for the maintenance operation are linked
success of the whole
changes
organization.
The theoretical underpinning of the Balanced Scorecard approach to
Figure 4.
measuring performance is built on two assertions:
Strategic maintenance
performance
Performance
(1) Strategic planning has a Periodic
strong andMeasurement
positive effect on a firm's
Review
management process
performance.
(2) Group
goals influence group performance.
Figura 47.5: Strategic maintenance performance management process
Table II.
Measuring the
maintenance
performance of an
electricity transmission
and distribution
company
Perspective
Strategic objectives
Financial
Customer
Internal processes
Learning and growth
Cuadro 47.2: Measuring the maintenance performance of an electricity transmission and distribution
company
achieve vertical alignment, these objectives, KPIs and targets are cascaded into goals for teams and
individuals.
- (3)Develop action plans - these are means to the ends stipulated in the targets established in
step (2). To achieve the targets relating to outsourcing of non-core maintenance works given in the
above example, the company may have decided to develop capabilities in the following three areas
which are needed in the outsourcing process: contract negotiation, contract management, and the
ability to capitalize on emerging opportunities arising from changing technology and the changing
competitive environment in the maintenance field. These action plans should also encompass any
necessary changes in the organizations support infrastructure, such as structuring of maintenance
work, management information systems, reward and recognition, resource allocation mechanisms,
etc.
- (4)Periodic review of performance and strategy - progress made in meeting strategic objectives
is tracked and the causal relationships between measures are validated at defined intervals. The
outcome of the review may necessitate the formulation of new strategic objectives, modification of
action plans and revision of the scorecard.
Some of the KPIs featured in the Scorecard for measuring the maintenance performance of an
electricity transmission and distribution company may include the items in Table 47.2 (Tsang and
Brown, 1998).
Since these measures are derived from the organizations strategic objectives, the Balanced Scorecard is specific to the organization for which it is developed.
952
By directing managers to consider all the important measures together, the Balanced Scorecard
guards against sub-optimization. Unlike conventional measures which are control oriented, the Balanced Scorecard puts strategy and vision at the centre and its emphasis is on achieving performance
targets. The measures are designed to pull people toward the overall vision. They are identified and
their stretch targets established through a participative process which involves the consultation
of internal and external stakeholders - senior management, key personnel in the operating units
of the maintenance function, and the users of the maintenance service. This way, the performance
measures for the maintenance operation are linked to the business success of the whole organization.
The theoretical underpinning of the Balanced Scorecard approach to measuring performance is built
on two assertions:
- (1)Strategic planning has a strong and positive effect on a firms performance.
- (2)Group goals influence group performance.
The link between strategic planning and a firms performance has been the subject of numerous
research studies. By applying the meta-analytic technique to analyse the empirical data drawn
from planning-performance studies published in the last two decades, Miller and Cardinal (1994)
are able to establish a strong and positive correlation between strategic planning and growth. They
also show that a similar link between planning and profitability exists when the firm is operating
in turbulent environments.
The existence of group goal effect is also established in a similar study on previously published
research findings relating to goal setting in groups (OLeary-Kelly et al., 1994).
Although it is a common belief in industry that strategic planning is important for ensuring an organizations future success, very often the performance measures and the actual company improvement
programs are inconsistent with the declared strategy. Such a discrepancy between strategic intent
and operational objectives and measures is reported in a recent survey conducted in the Belgian
manufacturing industry (Gelders et al., 1994). This unsatisfactory situation can indeed be avoided
by introducing the Balanced Scorecard.
47.4.3.
System audits
An organizations maintenance capability can be inferred from an audit of its maintenance system.
The audit is a thorough and comprehensive review of the various dimensions in the maintenance
system, such as organization, personnel training, planning and scheduling, data collection and analysis, control mechanisms, measurement and reward systems, etc. To get unbiased findings, the
reviewer should have no direct responsibility or accountability for performance of the system under
review. The audit is usually conducted by using a questionnaire designed to provide a profile of the
maintenance system. Typically, the questionnaire is structured to address specific key areas in the
system to be audited. Responses to these questionnaires may take one of these forms:
- either es.or no;
2
10%
is the
state of
Feedback
from
operations
Failure Attribute
influences
on
100
350
Ad hoc
system
Figure 5.
Determining the
contribution of an
observed system state to
business success
953
Frequency
of
delays
contributes
to
0.5
Business
Success
0.015
Figura 47.6: Determining the contribution of an observed system state to business success
(scoring 100 points out of a total of 350). With Frequency of delays contributing to 50 percent
of business success, the overall performance contribution of the observed state of Feedback from
operation is computed as:(see equation 4)The overall performance of the maintenance system can
be determined by aggregating the contributions to business success of the observed states of all the
system elements that have an influence on a relevant failure attribute.
In this procedure, mutually exclusive and collectively exhaustive failure attributes that contribute
to business success have to be identified. The same requirements also apply to the system elements
that have an influence on a failure attribute.
The more typical system audit tends to focus on the issue of conformance to a standard model
both in system design and execution. It is assumed that the standard can be universally applied
to achieve superior performance. The maintenance system audit questionnaires in Westerkamp
(1993) and Wireman (1990) are developed on the basis of this concept. This approach to system
audits fails to recognize that different organizations operate in different environments. Product,
technology, organizational culture and the external environment are some of the key variables in
an organizations operating environment and they may be in a state of constant change. Superior
performance will be achieved only if the internal states and processes of the organization fit perfectly
in the specific operating environment. Sociotechnical System (STS) analysis provides a methodology
to design a system that will achieve this fit (Taylor and Felten, 1993). Thus, the basic assumption of
a standard reference model implicit in the design of the typical audit questionnaire is problematic.
An effective system audit that focuses on the organizations social systems can be designed on the
basis of the Parsonian paradigm, which postulates that people are organized into groups to fulfil
these four (GAIL) functions (Parsons and Smeler, 1956):
- (1)attaining goals that legitimize the groups existence (G);
- (2)adapting to external circumstances (A);
- (3)integrating activities for survival (I); and
- (4)maintaining the possibility to function in the longer term (L).
In the context of maintenance management, these functions relate to four roles, namely user, designer, manager, and maintainer, respectively. Running through these roles are three macro processes
that collectively contribute to achieving the goals of the organization:
- (1)producing (products);
- (2)maintaining (equipment); and
- (3)modifying and building (new facilities).
The equipment can be in the start-up, stabilising, or stable phase. The interface between the roles
and processes must be managed and controlled in ways which are appropriate to the equipments
phase of existence. For example, when the equipment is in the start-up phase, Engineering (the
designer) and Production (the user) should play a leading role in maintenance. However, when
the equipment is in the stable phase, maintenance and operations management should become the
driving force.
954
Organizational culture, the softer aspect of the organization, is an important element that can also
be assessed by a culture audit. Scores relating to various dimensions of the organizations culture
can be plotted on a multifactor chart developed from the competing values model (Quinn and
Rohrbaugh, 1983). The four quadrants in the chart defines four orientations of cultural dimensions:
innovative, supportive, rule-oriented, and goal-oriented, which correspond to the adaptive, pattern
maintenance, integrating, and goal-attainment functions, respectively in the Parsonian paradigm.
A culture audit can bring out the cultural differences, if any, between various parties in the organization. It can also detect mismatches between an organizations culture and its approach to
maintenance management, such as introducing self-directing teams in a Production Department
which has a very low level of innovative and goal orientations (Rensen, 1995).
The alignment between strategy, actions and performance measures, a basic principle in the design
of performance measurement systems, can be audited using the Performance Management Questionnaire (PMQ) developed by Dixon et al. (1990). The tool can also be applied to perform a reality
check on the performance measurement in practice rather than the one on paper. Any deficiencies
identified from these processes will become the driver for realigning perceptions, or changing the
measurement system.
47.5.
Performance analysis
Performance analysis is the measurement and comparison of levels of achievement of specific objectives. To evaluate the overall performance of maintenance operations across organizations in a
specific industry, the measures of achievement must not be influenced by matters unrelated to operational issues, such as accounting and taxation rules, or financing arrangements. In single-input,
single-output cases, productivity defined as the ratio of output to input is an adequate measure of
operational performance. However, the analysis becomes more complex when multiple inputs and
multiple outputs are involved. These multiple inputs could have different units of measures and the
same situation may also apply to the multiple output measures. Consider the case of comparing the
maintenance performance of railway systems. The inputs can include available kilometres, passenger
trips per day, rolling stock and station facilities, etc. O&M costs per car operating kilometre, and
car operating kilometre per total staff plus contract hours are examples of the multiple outputs.
Data Envelopment Analysis (DEA), developed by Charnes et al. (1978), is a non-parametric approach that can be used to compute multiple-input, multiple-output productivities. It does not
require preassigned weights for inputs and outputs; these are implicit in the data set. Performing DEA requires the solution of a linear programming (LP) model for each decision-making unit
(DMU) in the peer group. The set of solutions of the LP models in the data set will define the data
envelopment surface, a piecewise empirical extremal surface, in a hyperspace with m + s dimensions
where m is the number of inputs and s is the number of outputs. DMUs which are on the data
envelopment surface, also known as the efficient frontier, are considered top performers amongst
their peers.
A review of the various basic DEA models and their extensions to deal with complications such as
inputs and outputs that are non-discretionary, or have categorical values can be found in Charnes
et al. (1994).
DEA is often supplemented with multiple regression analysis to identify the significant factors
contributing to superior performance of the DMUs on the frontier.
The procedure has been used to compare the operational performance amongst airlines (Schefczyk,
1995), hospitals (Ozcan and McCue, 1996), schools (Thanassoulis, 1996), and special economic
zones in China (Zhu, 1996). An example illustrating the use of DEA to study the performance of a
number of aircraft maintenance operations over multiple time periods can be found in Charnes et
al. (1985).
47.6.
955
Concluding remarks
Performance measures will only provide useful information for guiding management decisions and
shaping desirable employee behaviour if they are appropriately selected to fit the operating environment peculiar to the organization. The indiscriminate use of commonly employed performance
measures without regard to their underlying assumptions and their adequacy in reflecting the organizations strategic focus may lead management astray by providing misleading information for
management decisions or giving incoherent signals to employees on what factors are important to
the organizations success.
Maintenance performance measurement is a complex task since multiple inputs and multiple outputs are involved in the process. Various approaches to measuring maintenance performance have
been reviewed. The value-based performance measure attempts to assess the impact of maintenance
activities on the future value of the associated assets. However, the procedure involved is labourious
and it has a limited focus - the measure is a financial indicator expressed in terms of future cash
flows. The Balanced Scorecard provides an alternative and holistic approach to measurement which
is developed on the notion that no single measure is sufficient to indicate the total performance
of a system. It translates the organizations strategy on maintenance into operational measures in
multiple dimensions that collectively are critical indicators of current achievements and powerful
predictors of future maintenance performance. While some of the indicators featured in the Balanced Scorecard are easily quantifiable (these are known as hard measures), some others are soft
measures which lend themselves to evaluation by using the system audit approach. Examples of soft
measures include the fit between organizational culture and the structuring of maintenance work,
the vertical alignment of objectives at different levels of the hierarchy, and horizontal integration
across multiple functions that interact with maintenance. System audits designed on the basis of
STS analysis provide an approach to predicting future maintenance performance with particular
focus on interactions between the social system in the organization and its operating environment.
The extent of alignment within the organization can be surveyed by using instruments such as
PMQ.
Value-based measures, the Balanced Scorecard, and system audits are approaches to measuring
the maintenance performance of an organization. When the operational efficiencies of multiple
maintenance organizations are to be compared quantitatively, however, the DEA approach will be
appropriate.
47.6.1.
The Balanced Scorecard has received increasing acceptance in industry as the model for measuring
overall performance of business units. Despite such interest in industry, the feasibility of applying
the BSC model for managing performance of a specific function, maintenance for instance, is still
an uncharted area which needs researching. In this context, the specific issues are:
- (1)What processes should be in place to:
- implement a BSC-based performance management system for maintenance operations?
- match the strategy, as manifested in the measures of the BSC, with the culture and the prevailing
operating environment of maintenance operations?
- ensure vertical alignment and horizontal integration?
- (2)A typical BSC for a business unit has measures representing four perspectives: financial, customer, internal processes, learning and growth. Are these perspectives still appropriate for the BSC
of maintenance operations?
- (3)What is the optimum number of performance measures to be included in the maintenance
BSC?
- (4)How to validate that the BSC reflects the declared strategy of the maintenance operation? The
following questions are relevant:
956
- how to ensure that the various performance measures used are associated with each other and
linked to the strategy?
- how to ascertain the completeness of the measures in the BSC?
- (5)When problems are identified in the periodic reviews, how to ensure that the system will
regulate itself, such as modifying the strategy, fine-tuning the action plans, or replacing inadequate
performance measures with better ones ?
- (6)Are there generic measures for evaluating maintenance performance?
- (7)How to analyse the costs and benefits of a maintenance performance management system?
- (8)In measuring maintenance performance, what are the measures that relate to:
- the learning and growth perspective?
- the performance drivers that can be used as lead indicators (predictors of performance)?
- (9)What elements of organizational infrastructure are mandatory to support the BSC-based maintenance performance measurement system?
- (10)What are the success factors and common pitfalls in implementing the BSC-based performance
measurement system?
The performance of maintenance operations can be enhanced only to the extent that the stakeholders concerned behave in an orchestrated manner that will ensure availability of productive assets
to meet demands at minimum life cycle cost to the organization. The framework built around a
Balanced Scorecard as outlined in Figure 5 provides a model for achieving this goal. Investigation
into the issues listed above will surely shed light on the contributing factors to ensure success of
the maintenance performance measurement system.
47.7.
A explorar
(De Groote, 1995)[64] presenta una metodologa para la realizacion y evaluacion de auditorias. El
estudio incluye valores para 10 indicadores de performance en 3 sectores industriales europeos.
Bibliografa
[1] APQC (1996), Corporate Performance Measurement Benchmarking Study Report, American
Productivity & Quality Centre, Houston, TX.
[2] Armitage, W. and Jardine, A.K.S. (1968), Maintenance performance - a decision problem,
International Journal of Production Research, 7(1), 15-22.
[3] Arts, R.H.P.M. and Mann, L. Jr (1995), Some aspects of measuring maintenance performance
in the process industry, in Martin, H.H. (Ed.), New Developments in Maintenance, Moret Ernst
& Young Management Consultants, Netherlands.
[4] Ashton, C. (1997), Strategic Performance Measurement, Business Intelligence Ltd, London.
[5] Atkinson, A.A., Waterhouse, J.H. and Wells, R.B. (1997), .A stakeholder approach to strategic
performance measurement, Sloan Management Review, Vol. 38 No. 3, pp. 25-37.
[6] Bevan, S. and Thompson, M. (1991), Performance management at the crossroads, Personnel
Management (UK), November, pp. 36-9.
[7] Cameron, K.S. (1986), .A study of organizational effectiveness and its predictors, Management
Science, Vol. 32 No. 1, pp. 87-112.
[8] Campbell, J.D. (1995), Uptime: Strategies for Excellence in Maintenance Management, Productivity Press, Portland, OR.
[9] Charnes, A., Clark, C.T., Cooper, W.W. and Golany, B.A. (1985), .A developmental study of
data envelopment analysis in measuring efficiency of maintenance units in the US Air Forces,
Annals of Operations Research, Vol. 2 No. 1, pp. 95-112.
[10] Charnes, A., Cooper, W.W. and Rhodes, E. (1978), Measuring the efficiency of decision
making units, European Journal of Operations Research, Vol. 2, pp. 429-44.
[11] Charnes, A., Cooper, W.W., Lewin, A.Y. and Seiford, L.M. (Eds) (1994), Data Envelopment
Analysis: Theory, Methodology and Applications, Kluwer Academic Publishers, Boston, MA,
pp. 23-61.
[12] Coetzee, J.L. (1997), Towards a general maintenance model, Martin, H.H. (Ed.), Proceedings
of IFRIM 97, Hong Kong, paper 12, pp. 1-9.
[13] Cross, M. (1988), Raising the value of maintenance in the corporate environment, Management
Research News, Vol. 11 No. 3, pp. 8-11.
[14] Crowther, J.G. and Whiddington, R. (1963), Science at War, HMSO, London.
[15] De Jong, E. (1997), Maintenance Practices in Small to Medium Sized Manufacturing Enterprises (SMEs), National Key Centre for Advanced Materials Technology, Monash University,
Australia.
[16] Dekker, R. (1996), .Applications of maintenance optimization models: a review and analysis,
Reliability Engineering & System Safety, Vol. 51, pp. 229-40.
[17] Dixon, J.R., Nanni, A.J. Jr and Vollmann, T.E. (1990), The New Performance Challenge:
Measuring Operations for World-Class Competition, Business One Irwin, Homewood, IL.
[18] Dwight, R.A. (1994), Performance indices: do they help with decision-making?, Proceedings
of ICOMS-94, Sydney, Paper 12, pp. 1-9.
957
958
959
[40] Neely, A., Gregory, M. and Platts, K. (1995), Performance measurement system design: a
literature review and research agenda, International Journal of Operations and Production
Management, Vol. 15 No. 4, pp. 80-116.
[41] Neely, A., Richards, H., Mills, J., Platts, K. and Bourne, M. (1997), Designing performance
measures: a structured approach, International Journal of Operations and Production Management, Vol. 17 No. 11, pp. 1131-52.
[42] OLeary-Kelly, A.M., Martocchio, J.J. and Frink, D.D. (1994), .A review of the influence of
group goals on group performance, Academy of Management Journal, Vol. 37 No. 5, pp. 1285301.
[43] Ozcan, Y.A. and McCue, M. (1996), Development of financial performance index for hospitals:
DEA approach, European Journal of Operations Research, Vol. 47 No. 1, pp. 18-26.
[44] Parsons, T. and Smeler, N. (1956), Economy & Society: A Study in the Integration of Economic
and Social Theory, Routledge & Kegan Paul, London.
[45] Peters, T.J. and Waterman, R.H. Jr (1982), In Search of Excellence: Lessons From American
Best-Run Companies, Harper & Row, Cambridge.
[46] Poirier, C.C. and Tokarz, S.J. (1996), Avoiding the Pitfalls of Total Quality, ASQC Quality
Press, Milwaukee, WI.
[47] Quinn, R.E. and Rohrbaugh, J. (1983), .A spatial model of effectiveness criteria: towards a
competing values approach to organizational analysis, Management Science, Vol. 29 No. 3, pp.
363-77.
[48] Rensen, E.J.K. (1995), Maintenance audits, a conceptual framework, in Martin, H.H. (Ed.),
New Developments in Maintenance, Moret Ernst & Young Management Consultants, Netherlands, pp. 83-94.
[49] Schefczyk, M. (1995), .Operational performance of airlines: an extension of traditional measurement paradigms, in Holloway, J., Lewis, J., and Mallory, G. Performance Measurement and
Evaluation, Sage Publications, London, pp. 307-30.
[50] Taylor, J.C. and Felten, D.F. (1993), Performance By Design: Sociotechnical Systems in North
America, Prentice Hall, Englewood Cliffs, NJ.
[51] Thanassoulis, E. (1996), .Assessing the effectiveness of schools with pupils on different ability
using data envelopment analysis, European Journal of Operations Research, Vol. 47 No. 1, pp.
84-97.
[52] Tsang, A.H.C. (1998), .A strategic approach to managing maintenance performance, Journal
of Quality in Maintenance Engineering, Vol. 4 No. 2, pp. 87-94.
[53] Tsang, A.H.C. and Brown, W.L. (1998), Managing the maintenance performance of an electric
utility through the use of balanced scorecards, Proceedings of 3rd International Conference of
Maintenance Societies, Adelaide, Paper 22, pp. 1-10
[54] Westerkamp, T.A. (1993), Maintenance Managers Standard Manual, Prentice-Hall, Englewood
Cliff, NJ, pp. 765-84.
[55] Wireman, T. (1990), World Class Maintenance Management, Industrial Press, New York, NY.
[56] Zhu, J. (1996), Data envelopment analysis with preference structure, European Journal of
Operations Research, Vol. 47 No. 1, pp. 136-50.
[57] , A.H.C. Tsang, A.K.S. Jardine, H. Kolodny, Measuring maintenance performance: a holistic
approach, International Journal of Operations & Production Management, 19/7), 691-715, 1999.
[58] Sumanth,D.J. and Reckford, S.J., A Powe Plant Maintenance Worker Productivity Process,
Industrial Engineering, Oct. 1992.
[59] A.H.C. Tsang, W.L. Brown, Managing the Maintenance Performance of an Electric Utility,
New Engineering Journal, 22-29,Nov. 1999.
960
[60] Cooke, R., Paulsen, J.,Concepts for measuring maintenance performance and methods for
analysing competing failure modes, Reliability Engineering & System Safety, 55(2), 135-141,
1997.
[61] Lofsten, H., Measuring maintenance performance - in search for a maintenance productivity
index, International Journal of Production Economics, 63(1), 47-58, 2000.
[62] , Komonen, K., A cost model of industrial maintenance for profitability analysis and benchmarking, International Journal of Production Economics, 79(1), 15-31, 2002.
[63] Leonard, M.,Air force materiel command: a survey of performance measures, Master Thesis,
Department of Operational Sciences Graduate School of Engineering and Management Air Force
Institute of Technology, Wright-Patterson Air Force Base, Ohio, 2004.
[64] Maintenance performance analysis: a practical approach, Groote, P.D., Journal of Quality in
Maintenance Engineering, 1(2), 4-24, 1995. [bajar]
[65] Crowther, J.G., Whiddington, R., Science at war, H.M.S.O., Gran Breta
na, 1963.
[66] Da Costa, S.E.G., De Lima, E.P., Uses and misuses of the overall equipment effectiveness
for production management, Engineering Management Conference, 2002. IEMC02, 2002 IEEE
International Publication, 2002, 816- 820
[67] P. Jonsson, M. Lesshammar, Evaluation and improvement of manufacturing performance measurement systems - the role of OEE, International Journal of Operations & Production Management, 19(l), 55-78, 1999.
[68] Garg, Amik, Deshmukh, S.G., Maintenance management: literature review and directions,
Journal of Quality in Maintenance Engineering, 12(3), 205-238, 2006
[69] D. Chrusciel, Exploring the facilities management effective rate as a useful metric, Facilities,
24(1/2), 18 - 30, 2006.
[70] Feng-Chuan Pan, Escalate BSC power by AHP: innovative approach for strategy implementation International Journal of Management and Decision Making, 7, (2-3), 337 - 351, 2006.
[71] A framework to create key performance indicators for knowledge management solutions, Journal of Knowledge Management, 2003.
[72] Geraerds, W.M.J., The cost of downtime for maintenance: preliminary considerations, Maintenance Management International, 5, 13-21, 1985.
[73] C. M. Kelly , C. T. Mosier, F. Mahmoodi, Impact of maintenance policies on the performance
of manufacturing cells, International Journal of Production Research 35(3), 767 - 787, 1997.
[74] C.R. Cassady, E. Kutanoglu, Integrating preventive maintenance planning and production
scheduling for a single machine, IEEE Transactions on Reliability, 2005.
[75] C.J. Romanowski, R. Nagi, Analyzing maintenance data using data mining methods, Kluwer
Massive Computing Series, 2001.
[76] W.G. Ouchi, The Relationship Between Organizational Structure and Organizational Control,
Administrative Science Quarterly, 22(1), 95-113, 1977.
[77] K.A.H. Kobbacy, D.F. Percy, B.B. Fawzi, Sensitivity analysis for preventive-maintenance models, IMA Journal of Management Mathematics, 1995
[78] Kumar, U., Economic Aspects Of Equipment Breakdowns In Mines And Control Measures,
[79] P Samaranayake, GS Lewis, ERA Woxvold, D Toncich, Development of engineering structures
for scheduling and control of aircraft maintenance, International Journal of Operations and
Production Management, 2002
[80] Hosseini M.M., Kerr, R.M., Randall R.B., A hybrid maintenance model with imperfect inspection for a system with deterioration and Poisson failure, Journal of the Operational Research
Society, 50(12), 1229-1243(15), 1999.
[81] Murray, M., Fletcher, K., Kennedy, J., Kohler, P., Chambers, J., Ledwidge, T., Capability
assurance: a generic model of maintenance, Proceedings of 2nd International Conference of
Maintenance Societies, Melbourne, 1-5, 1996.
961
[82] C Lohman, L Fortuin, M Wouters, Designing a performance measurement system: A case study,
European Journal of Operational Research, 2004.
[83] I.M. Shohet, S. Lavy, Healthcare facilities management: state of the art review, Facilities, 2004.
[84] A Parida, U Kumar, Maintenance performance measurement (MPM): issues and challenges,
Journal of Quality in Maintenance Engineering, 2006.
[85] Md. Mostaque Hussain, A. Gunasekaran, An institutional perspective of non-financial management accounting measures: a review of the financial services industry, Managerial Auditing
Journal, 17(9), 518 - 536, 2002.
[86] Martin, H.H., Contracting out maintenance and a plan for future research, Journal of Quality
in Maintenance Engineering, 3(2), 81-90, 1997.
[87] Buczkowski, P.S., Hartmann, M.E. and Kulkarni, V.G., Outsourcing prioritized warranty repairs, International Journal of Quality & Reliability Management, 22(7), 699-714, 2005.
[88] PR Niven, Cascading The Balanced Scorecard: A Case Study On Nova Scotia Power, Inc.,
Journal of Strategic Performance Measurement, 3(2), 5-12, 1999.
[89] KY Kutucuoglu, J Hamali, Z Irani, JM Sharp, A framework for managing maintenance using
performance measurement systems, International Journal of Operations & Production Management, 21(1/2), 173-194, 2001.
[90] A. Goyal, S.S. Lavenberg, K.S . Trivedi, Probabilistic Modeling Of Computer System Availability, Annals of Operations Research, 8, 285-306, 1987.
[91] Per Andersen, Niels Christian Petersen, A Procedure for Ranking Efficient Units in Data
Envelopment Analysis, Management Science, 39(10), 1261-1264, 1993.
[92] Charnes A, Charles CT, Cooper WW, Golany B. A Developmental Study of Data Envelopment
Analysis in Measuring the Efficiency of Maintenance Units in the US Air Forces. In Russell
Thompson, Robert M thrall (Eds ), Annals Of Operation Research 2(1):95-112, 1985.
[93] Clarke RL. Evaluating USAF Vehicle Maintenance Productivity Over Time: an Application of
Data Envelopment Analysis, Decision Sciences, 23( 2), 376-84, 1992.
[94] Cook WD, Roll Y, Kazakov A. A DEA Model for Measuring the Relative Efficiency of Highway
Maintenance Patrols. INFOR 28(2), 113-24, 1990.
[95] Draper DA, Solti I, Ozcan YA., Characteristics of Health Maintenance Organizations and their
influence on efficiency, Health Services Management Research, 13(1), 40-56, 2000.
[96] Peck Jr MW, Scheraga CA, Boisjoly RP Assessing the Relative Efficiency of Aircraft Maintenance Technologies: An Application of Data Envelopment Analysis. Transportation Research
(Part A) 32(4), 261-269, 1998.
[97] Roll YBG, Seroussy D., Measuring the Efficiency of Maintenance Units in the Israeli Air Force,
European Journal of Operational Research 43( 2): 136-42, 1989.
[98] Rosenman R, Siddharthan K, Ahern M., Output efficiency of health maintenance organizations
in Florida. Health Economics 6(3) 295-302, 1997.
[99] Rouse P, Putterill M, Ryan D., Towards a general managerial framework for performance
measurement: A comprehensive highway maintenance application. The Journal of Productivity
Analysis 8(2), 127-149, 1997.
[100] Charnes A, Cooper WW, Rhodes E, Measuring the efficiency of Decision Making Units,
European Journal of Operational Research, 2, 429-444, 1978.
[101] A developmental study of data envelopment analysis in measuring the efficiency of maintenance units in the U.S. air forces Journal Annals of Operations Research, 2(1), 95-112, 1984.
[102] D Finkler, DD Wirtschafter, Cost-effectiveness and data envelopment analysis, Health Care
Management Review, 1993.
[103] WF Bowlin, Measuring Performance: An Introduction to Data Envelopment Analysis (DEA)
Journal of Cost Analysis, 1998.
[104] Bowlin WF., Evaluating the Efficiency of US Air Force Real-Property Maintenance Activities.
Journal of The Operational Research Society, 38, 2, 127-35, 1987.
962
Captulo 48
Mantenimiento centrado en la
confiabilidad
We see the RCM concept as a way to reduce this isolation by building bridges over the
gap between the maintenance practitioners, the reliability engineers, and the statisticians
and operation researchers working with maintenance optimization models.
The main steps of the RCM analysis are easy to comprehend and perform by practitioners. They will easily realize benefits from the analysis process. The only really problematic
step is the selection of maintenance intervals. This step relies on a number of complex
probabilistic concepts that are usually difficult to fully understand and interpret.By making the other steps of the RCM process, the practitioners may, however, realize the importance of using models and data to select optimal intervals. This may create a good
climate for fruitful communication with reliability engineers, statisticians, and operations
researchers.
it may take several years before the benefits from the new system outweighs the initial
costs. This interval is, for example, claimed to be approximately 2 years for RCM.
M. Rausand [18]
...perhaps the worst aspect of RCM in the present context is its refusal to face up to the
need for data. Indeed, several RCM investigations of which the author has knowledge
have assumed that no failures recorded means no need for PM, ignoring the possibility
that the PM in force has been keeping away the failures.
Sherwin, D. 2000 [9]
...many people regard RCM as TQM applied to physical assets...
John Moubray [19]
When you can measure what you are speaking about, and express it
in numbers, you know something about it; but when you cannot
measure it, when you cannot express it in numbers, your knowledge
is of meager and unsatisfactory kind: it may be the beginning of
knowledge, but you have scarcely, in your thoughts, advanced to
the stage of science.
Lord William Thomson Kelvin*.
Less routine maintenance: Wherever RCM has been correctly applied to an existing fullydeveloped preventive maintenance system, it has led to a reduction of 40in the perceived
routine maintenance workload.
John Moubray [19]
963
964
...The operating load and maintenance strategies need to be optimised jointly since the
load degrades the equipment and maintenance actions control this degradation. This optimisation needs to be done from the overall business perspective. Neither RCM nor TPM
deal with this issue...Both RCM and TPM deal with short- to medium-term operational
issues (focussing on the equipment or asset) as opposed to the medium- to long-term
strategic issues (focussing on the business as a whole)..., RCM and TPM do not deal with
issues such as the outsourcing of maintenance and the associated risks, and other related
issues...
Murthy et al.(2002) [?]
...one of the biggest disadvantages of RCM II is its complexity and, as a consequence, its
price. Reliability, rather than maintainability and availability is the main object. Such an
approach is justifiable in aircraft/airline industries and in hightech/ high-risk industries,
but is often too expensive in general industries, where maintenance is rather an economic
than a reliability problem.
Waeyenbergh & Pintelon [30]
48.1.
Introducci
on
965
personal de mantenci
on;
producci
on;
los servicios econ
omicos;
la direcci
on.
El RCM es
progresivo. Tiene varias etapas y se aplica subconjunto a subconjunto.
estructurado, es un camino estructurado que usa metodologias existentes.
din
amico, dado que aprovecha la experiencia acumulada en el tiempo.
Observaci
on 162 El mantenimiento productivo total y el mantenimiento basado en la confiabilidad
no son concurrentes, son complementarias.
La implementaci
on del RCM busca:
elaborar un programa de mantenci
on preventiva optimizado que garantice la seguridad de
funcionamiento, teniendo en cuenta las restricciones economicas.
medio de mejoramiento de la organizacion.
conservaci
on de datos hist
oricos de mantencion y produccion.
Elaboraci
on del programa de mantenimiento preventivo
La optimizacion del programa preventivo se debe basar en un plan t
ecnico, seguido de una evaluaci
on econ
omica que resulta en un plan de mantenimiento optimizado.
Mejoramiento del mantenimiento
Se puede descomponer en 3 aspectos:
Aspecto organizacional: el RCM provoca en general que la mantencion predictiva aumente,
la necesidad de repuestos disminuya, y los reemplazos sean justificados con criterios tecnicoecon
omicos.
Aspecto humano: el trabajo en equipo entre actores de diferentes servicios produce sinergia.
Se han observado aumentos de 10 % de la produccion tras solo 3 meses de RCM. La seguridad
y la protecci
on ambiental son mejoradas.
Aspecto tecnico:
determinaci
on de equipos crticos,
determinaci
on de fallas principales, causas y efectos principales;
definici
on de modificaciones al proceso,
especificaci
on de tareas de mantencion preventiva;
definici
on de la poltica de mantencion;
definici
on del planning de las acciones preventivas,
creaci
on de documentacion mas homogenea,
aumento en la vida de los equipos.
Conservaci
on de datos de mantenci
on y producci
on
La creaci
on de un historial de mantencion para cada equipo critico permite la validacion de un programa de mantenci
on y permite su actualizacion. Se puede realizar un seguimiento de las decisiones
tomadas.
966
48.1.1.
Herramientas utilizadas
Matriz de criticidad, que permite apreciar el impacto de las fallas de los equipos sobre
criterios tales como la seguridad, la disponibilidad y la calidad;
An
alisis de modos de falla, efectos y criticidad; que define la importancia relativa de
las fallas, sus causas y efectos;
Arboles de falla, que sirve, en funcion de la falla, a identificar el tipo de consecuencia sobre
el equipo y definir los niveles de acciones de mantencion a realizar.
La aplicaci
on del RCM necesita un buen conocimiento de los equipos as como de sus fallas y los
impactos de las mismas.
48.2.
48.2.1.
Elaboraci
on del plan t
ecnico
Constituci
on de grupos
48.2.2.
Etapas
La implementaci
on de un programa de mantencion planificada se realiza en 4 etapas:
La primera etapa corresponde al estudio del conjunto de equipos. Se busca determinar
los equipos crticos a ser considerados por el estudio.
La segunda etapa permite un an
alisis de fallas de los diferentes equipos estudiados.
La tercera etapa define las acciones a ejecutar para mejorar la seguridad de funcionamiento
de los equipos. Ello conduce a la planificacion de las tareas.
Estas 3 etapas se realizan secuencialmente en un plazo corto (una semana por equipo es recomendada). Se logra un programa preventivo inicial.
En la cuarta etapa se afina el programa de mantencion propuesto.
967
Empresa
Planta 1
Planta 2
Planta 3
Lnea 2
Equipo 1
Equipo 2
Equipo 3
48.2.3.
Descomposici
on de la empresa
48.2.4.
Si la empresa posee varias plantas, la seleccion de la planta piloto debe ser juiciosa. La seleccion es
un elemento motivador para el personal concernido.
Clasificaci
on con la matriz de criticidad
Para clasificar los equipos se utilizan 3 criterios: seguridad, disponibilidad, calidad.
Consideraciones para cada criterio:
seguridad
influencia de la pana en el entorno
directivas reglamentarias
situaciones ya ocurridas
968
Equipo 2
Subconjunto 1
Subconjunto 2
Subconjunto 3
Elemento 1
Elemento 2
Elemento 3
Calidad
Inaceptable
Disponibilidad
A controlar
Inaceptable
A controlar
Negligible
Cuadro 48.1: Matriz de criticidad
Despreciable
969
Ponderacin de Equipos
P royecto:
Lnea:
Planta:
Fecha:
Cdigo
Planta
Planta
Cdigo
Equipos
Peso
Seguridad
Aporbado por:
Disponibilidad Calidad
Observac ines
Fecha:
calidad
porcentaje de perdidas debido a los equipos
influencia en la calidad final del producto
Para los criterios de calidad y disponibilidad se pueden usar, por ejmplo, 3 niveles de ponderacion:
inaceptable: se deben realizar todos los esfuerzos para evitar falla en este equipo;
a controlar: las fallas seran evitadas realizando inspecciones;
insignificante: la falla del equipo tiene consecuencias insignificantes y no se producen frecuentemente. Estos datos se ponderan en la ficha mostrada en pagina 969.
Observaci
on 163 El objetivo de esta etapa es reducir el universo de equipos a estudiar (eliminar
aquellos de efecto insignificante), no clasificar de manera detallada a los equipos crticos.
48.2.5.
Etapa II: An
alisis de fallas
Esta es la fase m
as delicada del estudio. Usualmente toma alrededor del 30 % del tiempo dedicado
al proyecto RCM. Se pueden distinguir 3 fases en esta etapa:
an
alisis funcional del equipo;
determinaci
on de equipos con fallas funcionales criticas;
an
alisis de modos de fallas.
Se obtiene una lista jerarquizada de las causas de falla de los equipos.
An
alisis funcional del sistema
Antes de realizar un an
alisis de modos de falla, es necesario descomponer al equipo en sub-sistemas,
y establecer las relaciones funcionales que existen entre ellos.
970
Entorno
documentacin
Organizacin
Seguridad de operacin
Del equipo
Personal
Tcnicas
Ejemplo 165
Indice
de gravedad
1
2
3
4
Criterio
detenci
on<12h
detenci
on<24h
detenci
on<1semana
detenci
on>1semana
Indice
de frecuencia
1
2
3
4
Criterio
<1
<1
<1
>1
vez/a
no
vez/mes
vez/semana
vez/semana
48.2.6.
Arbol
de decisi
on
Las etapas anteriores permitieron fijar para cada causa de falla el valor de los criterios de seguridad,
disponibilidad, calidad. Ahora se jerarquiza las acciones a tomar. Un ejemplo se muestra en figura
48.6.
si
La lubricacin previene la falla?
971
Lubricar
no
La verificacin visual peridica previene la falla?
si
Verificacin regular
si
si
Reemplazarlo regularmente
si
Programarla
no
La mantencin preventiva completa previene la falla?
no
El reemplazo regular del elemento previene la falla?
no
Existe alguna tarea preventiva aplicable, eficaz y econmica?
no
Existe alguna tarea predictiva aplicable, eficaz y econmica?
si
Implementarla
no
Es mejor esperar la falla (m. correctiva)?
si
Preparar la tarea
no
Es mejor eliminar la causa con modificaciones al diseo?
Redisear
Ci (um)
5000
2000
200
500
50
100
1000
1500
MTTR (horas)
8
2
1
24
2
5
12
1
Creaci
on del plan de mantenci
on t
ecnico
El grupo equipos debe entregar el plan de mantencion, que debe incluir.
tipo de operaci
on (procedimiento completo)
MTBF
5000
2500
2000
1000
150
300
1000
10000
972
Decisiones/Tareas
P royecto:
Lnea:
Cdigo
Modo de falla
P lanta:
Fecha:
Cdigo
Cdigo
Causa de falla Modo de falla
Trabajos
Componente propuestos
Aprobado por:
Intervalo
preventivo
Personal
requerido
Fecha:
48.2.7.
La experiencia puede ser usada para mejorar el programa de mantencion al examinar la eficacia de
cada acci
on y determinando su costo en relacion al costo de falla que evita.
El feedback se logra a traves del historial de los siguientes datos:
datos ligados a la confiabilidad,
973
Planificacin de tareas
P royecto:
Lnea:
Componente Tareas
P lanta:
Fecha:
Personal
E jecucin
Aprobado por:
Fecha
Comentarios Intervenc in
Fecha:
Figura 48.8: Planificacion inicial
eventos,
hist
oricos de equipos,
documentaci
on especfica
Tambien se puede comparar respecto de datos externos de otras empresas (benchmarking).
Es conveniente la implementaci
on de indicadores que permitan seguir la evolucion a largo plazo de
la poltica seguida.
48.3.
Ejemplo ilustrativo
48.3.1.
Introducci
on
A continuaci
on se describe un estudio para un sistema sencillo: una piscina. Se siguen los siguientes
pasos: (i) descripci
on del sistema, (ii)diagrama funcional de bloques, (iii)analisis de modos de fallas,
efectos y criticidad.
48.3.2.
Descripci
on del sistema
En est fase se re
une toda la informacion posible con respecto a condiciones de operacion y mantenimiento, diagramas del sistema (figura 48.10), manuales de los fabricantes de los componentes e
historiales de mantenimiento. El sistema piscina puede ser desagregado en un conjunto de cuatro
sub-sistemas: la piscina misma, el spa, el sistema tratamiento de aguas, el sistema utilitario (figura
48.11). La seleccion de los sub-sistemas en este caso es bastante sencilla ya que el u
nico sistema
que posee una diversidad de equipos significativamente grande es el de tratamiento de aguas. En
974
Figura 48.9: Forma DD 2404 Departamento de Defensa de Estados Unidos para inspecciones
975
Jacuzzi
Piscina
Jets
Hand
Vacuum
P3
Drenaje
Sweep
Side
drain
&
filter
Filtro
C1
Manmetro
C3
P2
C
5
C4
C2
Cl2
D1
Drain
Swirl
filter
Filtro
Calentador
Flue
gas
P1
Gas
O2
Flush
976
Sistema
Piscina
Sub-sistema
Piscina
Sub-sistema
Spa
Inyeccin
Sub-sistema
Tratamiento de agua
Limpieza
manual
Aspirado
Tratamiento
manual
Control
de Ph
Sub-sistema
Utilitarios
Tratamiento
automtico
Bombeo
Sistema
de proteccin
Calefaccin
Acondicionamiento
de agua
48.3.3.
El diagrama funcional de bloques (figura 48.12) muestra las relaciones del sistema con su entorno,
as como las relaciones entre cada uno de los sub-sistemas funcionales .
48.3.4.
An
alisis de modos de fallas
El historial de mantenimento facilita la elaboracion del analisis de modos de fallas. Para el estudio
de caso, el historial se puede construir a partir de las facturas de reparacion y de la experiencia
propia al reparar o reemplazar componentes que han fallado.
La informaci
on desarrollada en las descripciones de los sistemas, interfases de entrada/salida y el
diagrama funcional de bloques es usada para formular las funciones especficas y los modos de falla
(figura 48.14).
Energa
elctrica
TabletasMedicin
de Cloro Ph
977
Energa
elctrica
Gas
natural
Recirculacin de Cloro
Piscina
Spa
Bombeo
Status
de bombeo
automtico
Flujo
Acondicionamiento
del agua
Flujo
filtrado
Drenaje
Status
de
presin
sobreflujo
Calefaccin
Piscina
Spa
Gases residuosTemperatura
Figura 48.12: Diagrama funcional de bloques para el sub-sistema tratamiento automatico de agua
Component
Failure Cause
1 Alignment
valves
Corrosion on stem
during winter months
2 Pinhole Leaks
in suction
piping
Aging
3 Main pump
Aging
4 Main (swirl)
Filter-top
canister
5 Main (swirl)
1982 Overstressed
filter-C
clamp (top to
bottom canister)
6 Flush valve on
main filter
Lack of Lubrication
7 Main filter
pressure gage
8 Gas heater
Contamination,
corrosion
978
Subsystem
Pumping
Function no
Description
Functional failure no
1.1
1.1.2
1.1.3
1.2
1.2.1
1.2.2
1.2.3
1.3
1.4
1.4.1
Water conditioning
2.1
2.1.1
2.1.2
2.2
Heating
3.1
3.1.1
Fails to ignite.
3.1.2
3.2
3.2.2
3.2.3
perature.
K
L
M
N
O
979
1.1.3 Fails o
terminate flow at
specified time
Name/Failure
N
A
B
C
D
E
F
G
H
I
J
**
**
48.3.5.
Lo primero en hacer en este paso es elaborar la matriz equipo-falla funcional. Eso se hace teniendo
los componentes del sistema y la informacion sobre las fallas funcionales. Esta matriz nos gua en
los an
alisis de efectos relacionando las fallas con los componentes del sistema (figura 48.15).
Con toda la informaci
on de los pasos anteriores se elaboran el conjunto de soluciones posibles para
las fallas, tomando en cuenta en analisis de criticidad y los efectos de cada falla (figura 48.16).
48.4.1.
Sntomas de la brecha
En el nivel de gesti
on existe la percepcion generalizada de que las estrategias y las decisiones tomadas
no son comprendidas por los tecnicos. Por su lado, los tecnicos consideran que los tomadores de
decisiones no logran captar la realidad del nivel operacional. Ambas percepciones no son necesari-
980
Functional
Component/failure
failure
1.1.1 Fails to
initiate flow at
specified time
mode
Evident?
Safety?
Outage?
Comment
Category
02-Motor Short
03-Leak
Alignment valves
01- Stuck open or closed
D/B
Drain valve
01-Stuck closed
D/B
Piping
02-Pinhole leak
Y
Y
Y
N
N
N
N
N
N
C
C
C
Must be corrected in
deterioration occurs.
Ditto above.
1.2.1 -Fails to
initiate flow at
specified time
(pool sweep)
01-Failed Bearing
02-Motor short
03-Leak
48.4.2.
Implementaci
on de estrategias para la gesti
on
El primer paso para hacer una buena gestion de mantenimiento es fijar una poltica departamental.
Ella debe ser apoyada por un conjunto de procedimientos y por un plan de mantenimiento (que
usualmente proviene de un an
alisis RCM -cap. ??-) y por un sistema de informacion de mantenimiento. El plan de mantenimiento define los trabajos a ser realizados y el sistema de informacion
apoya tanto al nivel operacional (donde se ejecutan las intervenciones) como al nivel de gestion (con
indicadores de efectividad y eficiencia). La secuencia logica asociada se presenta en la piramide de
figura 48.17.
Observaci
on 165 Usualmente se ataca un nivel de la pir
amide a la vez, por ejemplo: definir el
plan de mantenimiento o implementar un nuevo sistema de informaci
on.
Poltica
Procedimientos
Plan
Sistema de
informacin
Operaciones
Conocimiento
Cambio
actitudinal
Cambio de
comportamiento
Cambio organizacional
981
982
48.4.3.
La implementaci
on de una nueva poltica de mantenimiento implica cambios a nivel organizacional.
El cambio en la organizaci
on, desde un punto de vista general, puede ser descompuesto como se
muestra en la figura 48.18 (ver Hersey & Blanchard, 1977 [14]).
De acuerdo a Lewin [?], todo proceso de cambio esta gobernado por un n
umero de fuerzas motoras
y opositoras. Tipicamente, se observara que ante un cambio deseado (mejora del mantenimiento
en nuestro contexto) existir
an una serie de fuerzas que se oponen a tal cambio. Ellas deben ser
contrarrestadas y superadas por fuerzas a favor del cambio (que inicialmente ni existen). En caso
de no lograrse el desequilibrio positivo, el esfuerzo esta condenado al fracaso.
La modificaci
on de practicas de la organizacion se inicia en el cambio de los individuos que la
integran. El cambio personal ocurre sobre la base de el individuo ya sabe, comprende y cree es
cierto [13]. En consecuencia, para lograr cambios en la organizacion es necesario modificar la base
de conocimiento de los individuos, de modo que se cada uno comprenda la necesidad del cambio.
Tal proceso debe considerar que no todos los individuos reaccionaran del mismo modo al nuevo
conocimiento impartido, por lo que la evaluacion de la profundidad del proceso de capacitacion,
entrenamiento y motivacion es crtica. El proceso resultara exitoso si logra cambio actitudinal que
elimine la resistencia al cambio.
48.4.4.
Implementaci
on subsistema a subsistema
Siendo el mantenimiento un tema tan complejo, lo ideal sera manejarlo desde un punto de vista
holstico. Tratado asi, el problema completo se vuelve inmanejable y en consecuencia es necesario
descomponerlo en partes. Coetzee propone establecer la piramide de implementacion por completo,
unidad a unidad, con lo cual la aplicacion es controlada y limitada. Ello implica que en cada unidad
de se fije de manera simultanea: poltica, procedimientos, plan, sistema de informacion y la base de
conocimientos de los tecnicos. Razones para el exito de esta estrategia son:
el numero de personas a ser influenciadas (por el cambio) es sustancialmente menor,
el personal de la unidad seleccionada recibe capacitaciones e incentivos especiales, lo que genera
una componente motivacional a favor del cambio,
el concepto de unidad tiende a disminuir la distancia entre el nivel de gestion y el nivel
operacional, en pos del exito del programa a nivel del subsistema.
Observaci
on 166 Coetzee tambien recomienda incluir de alguna manera juiciosa personal que no
pertenezca a la unidad en tratamiento para que act
uen de transmisores de sus exitos e incrementen
el deseo de ser parte del proceso de cambio en el resto de la organzaci
on.
48.4.5.
Comentarios
La implementaci
on de estrategias de gestion de mantenimiento se dificulta de manera importante
por la brecha que existe entre el nivel de gestion y el nivel operativo de mantenimiento, as como
por la complejidad del problema a escala sistema. Coetzee propone dos estrategias para facilitar la
implementaci
on de estrategias: capacitar e incentivar al personal para lograr eliminar su resistencia
natural al cambio, y establecer programas de implementacion a nivel subsistema.
48.5.
Comentarios finales
983
48.6.
A explorar
Deshpande y Modak (2002) [5] presentan un estudio de caso aplicado a una sider
urgica en India.
Sherwin (2000) [9] presenta un review de modelos de gestion estrategica. Su filosofa se centra en un
enfoque terotecnol
ogico. Presenta una vision critica del mantenimiento centrado en la confiabilidad.
Maguire (2005) [10] aboga por la implementacion secuencial del RCM, equipo a equipo. En su
experiencia, la resistencia al cambio es una dificultad que puede ser manejada si el RCM es tratado
de manera segmentada.
Turner (2005) [11] propone una variante RCM que denomina PMO. Una ventaja sobre el RCM
sera que los tiempos de implementacion se reducen sustancialmente pues el analisis de modos de
falla se hace en base al historial conocido del equipo y a la documentacion disponible (Manuales,
Planos, P&ID).
984
RCM
Ventajas
BCM
TPM
LCC
Mejora en la operabilidad
(enfoque al sistema y el
ciclo de vida)
Trazabilidad
Exactitud
Incremento en productividad
Racionalizacin
Se enfoca en incrementar
margen econmico
Incremento en produccin
Envuelve a operadores y
mantenedores
Desventajas
Complejidad
Complejidad
Requerimientos masivos de
data de otras funciones
No propone reglas de decisin
(planes de produccin,
para mtodos bsicos de
Requerimientos masivos de data estrategia corporativa,)
mantenimiento
Se enfoca en confiabilidad,
disponibilidad y mantenibilidad no
son centrales
No reconoce completamente que
el mantenimiento es tambin un
problema econmico
No contempla mecanismos para
mejorar la estrategia (paquete
cerrado)
48.7.
Sumario y objetivos
985
986
Bibliografa
[1] Pratique de la Maintenance Industrielle. Dunod, 1998.
[2] Idhammar, C., Results oriented maintenance: the productivity factor of the future, Pulp & paper,
65-59, July 1992.
[3] Tsang, A.H.S, Jardine, A.K.S., Campbell, J.D., Pickett, J.D., Reliability Centred Maintenance:
A Key to Maintenance Excellence, City University of Hong Kong, Department of Manufacturing
Engineering and Engineering Management, 1998.
[4] Jia, X. and Christer A.H., A prototype cost model of functional check decisions in reliabilitycentred maintenance, Journal of the Operational Research Society 53, 13801384, 2002.
[5] Deshpande, V.S., Modak, J.P., Application of RCM to a medium scale industry, Reliability
Engineering & System Safety, 77(1), 31-43, 2002. [bajar]
[6] Mokashi, A.J., Wang, J., Vermar, A.K., study of reliability-centred maintenance in maritime
operations, Marine Policy 26(5), 325-335, 2002. [bajar]
[7] Srikrishna, S., Yadava, G.S., Rao P.N., Reliability-centred maintenance applied to power plant
auxiliaries, Journal of Quality in Maintenance Engineering, 2(1), 3-14, 1996. [bajar]
[8] Kaffel, H., La maintenance distribuee: concept, evaluation et mise en oeuvre, Ph.D. Thesis,
Universite Laval, Quebec, Canada, 2001. [bajar]
[9] Sherwin, D., A review of overall models for maintenance management,Journal of Quality in
Maintenance Engineering, 6(3), 138-164, 2000. [bajar]
[10] Maguire, B., Put out the fires for good embrace reliability, one asset at a time, Oral presentation
at the 1st International Maintenance Excellence Conference, Toronto, November 2005.
[11] Turner, S., PM Optimisation Case Studies at Two Coal Mines, accesado noviembre 2005,
www.reliabilityweb.com.
[12] Coetzee, J.L., A holistic approach to the maintenance Problem, Journal of Quality in Maintenance Engineering, 5(3), 276280, 1999.
[13] Coetzee, J.L., The maintenance strategy gap. World Trends in Maintenance Conference, 2000.
[14] Hersey, P., Blanchard, K.H., Management of organizational behaviour, Prentice Hall, 1977.
[15] Levin, K., Field theory in social science, Harper & brothers, 1951.
[16] Jambulingam, N., Jardine, A.K.S., Life cycle costing considerations in reliability centered maintenance: an application to maritime equipment, Rel. Engng, 15, 307-317, 1986.
[17] HA Gabbar, H Yamashita, K Suzuki, Y Shimada, Computer-aided RCM-based plant maintenance management system, Robotics and Computer-Integrated Manufacturing, 19, 449458,
2003.
[18] Rausand, M., Reliability centered maintenance, Reliability Engineering and System Safety, 60,
121132, 1998.
[19] Moubray, J., Reliability-Centered Maintenance, 2nd ed., Butterworth-Heinemann, 1997.
[20] MILHDBK266, Application of ReliabilityCentered Maintenance to Naval Aircraft, Weapon
Systems and Support Equipment, U.S. Department of Defense, 1981.
987
988
[21] BSI BS 5760: PART 9, Amd 1 Reliability of Systems, Equipment and Components, part 9Guide
to the Block Diagram Technique (AMD 8152) April 15, 1994 (IEC 1078: 1991), 1992.
[22] Waeyenbergh, G., Pintelon, L., A framework for maintenance concept development, International Journal of Production Economics, 77, 299-313, 2002.
Captulo 49
990
49.1.
Introducci
on
La realidad muestra que las companas participan en un mercado internacional, lo que permite
acceso a una amplia base de consumidores, pero que tambien incrementa sustancialmente la competencia. Para sobrevivir, las empresas deben reaccionar con estrategias de negocios eficientes. Una
condicion esencial para el exito es la satisfaccion del cliente gracias a un producto confiable y de
alta calidad. La competitividad tambien fuerza a reducir los margenes, lo que a su vez empuja a
reducir los costos. As, se debe poner gran atencion a la disponibilidad y a la confiabilidad de las
lneas de producci
on.
El Mantenimiento Productivo Total -T P M - se pude definir como un programa para mejorar la
efectividad global de los equipos, con la participacion activa de los operadores[226].
El concepto total considera la efectividad economica total con la participacion de todo el personal.
El T P M se implement
o originalmente en Japon (1971). Envuelve el concepto de mirar la empresa
como un todo, lo que lleva a desagregar las actividades, por ejemplo, el personal de produccion es
incluido en las tareas de mantenimiento.
El objetivo inmediato del T P M es la eliminacion total de las perdidas de produccion: obtencion
de 0 perdidas de producci
on implica 0 fallas y 0 defectos de calidad[21]. Ello mejora la efectividad
del equipo, se reducen los costos y se incrementa la productividad.
EL T P M promueve la idea de que los sistemas productivos son combinaciones de hombres y
maquinas (sistemas hombre-m
aquina) que deben ser optimizados como conjunto, al mnimo costo.
Observaci
on 167 N
otese que el objetivo aqu es maximizar la disponibilidad de los equipos; el
costo global est
a dominado por el costo de falla.
49.2.
Objetivos
991
cada operador sea responsable por su(s) maquina(s), y realice tareas de mantencion basicas
tales como limpiar, lubricar, inspeccionar visualmente, reportar si observa anomalas;
Formar peque
nos grupos de trabajo para discutir problemas de mantencion, sugerir mejoras y
lograr una visi
on com
un del conjunto mantencion-empresa.
Sus caractersticas b
asicas son:
postula la maximizaci
on de la efectividad del equipo
establece un sistema de mantencion programada que cubre el total de la vida u
til del equipo.
cubre todos los departamentos involucrados.
Estas caractersticas se pueden resumir en un plan de mantenimiento ideado y realizado por todos
los trabajadores organizados en peque
nos grupos.
El T P M tambien puede ser caracterizado por el tipo de actividad que promueve:
Mantenimiento aut
onomo
Mantenimiento preventivo y predictivo
Mejoramiento de equipos
49.3.
Las grandes p
erdidas
La mejora de la efectividad se obtiene eliminando las Seis Grandes Perdidas que interfieren con
la operaci
on, a saber:
a) Fallas del equipo, que producen perdidas de tiempo inesperadas.
b) Puesta a punto y ajustes de las maquinas que producen perdidas de tiempo al iniciar una
nueva operaci
on u otra etapa de ella. Por ejemplo, al inicio en la ma
nana, al cambiar de lugar
de trabajo, al cambiar una matriz o hacer un ajuste.
c) Marchas en vaco, esperas y detenciones menores durante la operacion normal que producen
perdidas de tiempo, ya sea por la operacion de detectores, buzones llenos, obstrucciones en las
vas, etc.
d ) Velocidad de operaci
on reducida, que produce perdidas de tiempo al no obtenerse la velocidad
de dise
no del proceso.
e) Defectos en el proceso, que producen perdidas de tiempo al tener que rehacer partes de el o
reparar piezas defectuosas o completar actividades no terminadas.
f ) Perdidas de tiempo propias de la puesta en marcha de un proceso nuevo, marcha blanca,
perodo de prueba, etc.
El an
alisis cuidadoso de cada una de estas causas de baja productividad lleva a encontrar las
soluciones para eliminarlas y los medios para implementar estas u
ltimas.
Es fundamental que el an
alisis sea hecho en conjunto por el personal de operaciones y mantencion
porque los problemas que causan la baja productividad son de ambos tipos y las soluciones deben
ser adoptadas en forma integral para que tengan exito.
992
49.4.
Conceptos b
asicos
El mantenimiento productivo total busca el mejoramiento de las operaciones de la fabrica mejorando la actitud y la destreza de todo el personal, desde el gerente general hasta el trabajador de
terreno y mejorando el funcionamiento del equipo por medio de la capacitacion del personal que
esta directamente relacionado con el.
La actitud corriente de los operadores y mantenedores es que cada uno tiene su campo de accion
y cada uno se interesa exclusivamente de la labor para la cual fue contratado: Yo soy operador y
t
u eres mantenedor.
La primera etapa de la introducci
on de T P M es el cambio de la actitud del operador de tal manera
que este realice algunas tareas de mantencion en el equipo que maneja. Para esto es necesario
entrenarlo en conocimientos y destrezas de mantencion, cosa que es posible solo si esta dispuesto y
motivado a ello. El mejoramiento del ser humano depende de su participacion e involucramiento.
Se trata de lograr que el operador se preocupe del equipo que el mismo utiliza para su trabajo
diario.
Como consecuencia del cambio de actitud en operadores y mantenedores tambien mejoran otras
condiciones del ambiente de trabajo, por a
nadidura.
Seiri (orden), Seiton (armona en la distribucin), Seiso (integridad), Seiketsu (aseo), Shitsuke
(disciplina).
49.5.
Actividades esenciales
Hay cinco actividades de un total de doce que se pueden identificar, que son fundamentales para
que el programa tenga exito.
El programa debe ser implementado teniendo muy en cuenta las caractersticas de la industria, el
metodo de producci
on, el estado del equipo y los problemas que son mas habituales.
Estas actividades son:
a) Mejorar la efectividad de cada equipo. Seleccionar un equipo o familia de equipos y formar un
Grupo de Tarea para hacer el analisis de su funcionamiento y llevar a cabo la eliminacion de
las Seis Grandes Perdidas logrando con ello el mejoramiento de su efectividad.
b) Implantar el mantenimiento aut
onomo por los operadores. Promover que se realicen trabajos
de mantencion por parte de peque
nos grupos de terreno seg
un el metodo que se describe mas
adelante.
c) Implantar un buen sistema de administracion del mantenimiento que tenga bajo control todas
las funciones como planificaci
on, programacion, abastecimiento de repuestos, herramientas,
manuales de taller, etc. y que establezca trabajos periodicos de mantencion preventiva o sintom
atico.
d ) Definir e implementar programas de capacitacion para mejorar los conocimientos y destrezas
de operadores y personal de mantencion.
e) Establecer un sistema para dise
nar y producir equipos o componentes que permita llevar a la
practica las mejoras que se propongan en confiabilidad, mantenibilidad y ciclo economico de
vida.
En este aspecto hay que hacer mucho enfasis, recordando que son las condiciones de dise
no las que
tienen la mayor importancia en la disponibilidad.
49.6.
993
Mantenimiento aut
onomo
994
Siguiendo este metodo paso a paso mejoran tanto el trabajador como las maquinas. Se obtienen
excelentes resultados en la eliminaci
on de las 6 Grandes Perdidas, en el mejoramiento general de la
efectividad del equipo y en la obtenci
on de un lugar de trabajo mas agradable.
49.7.
Implementaci
on
995
h) Se define el sistema y se forman grupos autonomos de mantencion que inician sus actividades
inmediatamente despues de la partida oficial. En este momento el departamento de mantenci
on ver
a aumentar su trabajo en forma considerable debido a los requerimientos generados
por los grupos desde las
areas de produccion.
i ) Se implementa un sistema de mantencion programada en el departamento de mantencion.
j ) Se inicia el entrenamiento a operadores y mantenedores a fin de mejorar sus destrezas. Este
programa debe empezar a, mas tardar 6 meses despues de la partida oficial.
k ) Se crea el sistema de mejoramiento de los equipos de la planta que permite llevar a la practica
las ideas de cambio y modificaciones en el dise
no para mejorar la confiabilidad y mantenibilidad.
l ) Esta etapa busca consolidar la implantacion total de TPM y obtener un alto nivel de efectividad
del equipo. Con este objeto se deben crear estmulos a los logros internos del programa TPM
en los diversos departamentos de la empresa.
En Jap
on, la JIPM ha establecido un concurso anual para premiar a las empresas que muestran
mayores logros en la implantaci
on de TPM.
La empresa debe definir a
no a a
no metas superiores para la efectividad total de sus instalaciones a
fin de lograr mejor productividad y mayores utilidades.
49.8.
Indicadores
El T P M (tal como cualquier estrategia de gestion) requiere de indicadores para medir la performance de la medidas tomadas. Se han definido una serie de indicadores standard. Como se vera se
miden las perdidas de tiempo en forma normalizada.
49.8.1.
Definiciones
tiempo de trabajo (RT,RunningTime)
tiempo operativo bruto=tiempo total trabajado-tiempo de parada planificada
tiempo productivo neto=tiempo operativo usable-tiempo para reprocesar producto mala calidad
Disponibilidad te
orica (P A, Planned Availability)
PA =
RT tiempo de configuracion
RT
La productividad de los equipos se mide por el T EEP (Total Effective Equiment Productivity). El
TEEP incluye el tiempo de mantenimiento preventivo y es una medida combinada de la utilizacion
del equipo y de su efectividad global. Este indicador incluye1 :
1 Ver
996
Utilizaci
on del equipo (EU ), que considera los tiempos muertos por no trabajar a 3 turnos y
las paradas programadas,
Efectividad global de equipo (OEE)
T EEP = EU OEE
El EU es
EU =
La efectividad global del equipo (OEE) refleja como opera el equipo cuando est
a operando. considera
la disponibilidad (A), la eficiencia de operacion (Performance Efficiency, P E) y la razon de calidad
(Rate of Quality, RQ):
tiempo operativo usable
PE =
tiempo operativo neto
La disponibilidad considera
A = UT PA
Dado que la disponibilidad
RQ =
49.8.2.
Ejemplo
Un planta opera dos turnos de 8 horas por da. Las paradas programadas duran 90 min:
EU =
2 8 60 90
= 60,4 %
24 60
RT = 2 8 60 90 = 870 min/da
El tiempo para configurar el equipo es de 70 minutos, luego la disponibilidad teorica es:
PA =
870 70
= 92,0 %
870
800 50
= 93,8 %
800
La disponibilidad es
A = PA UT
= 92 93,8 = 86,2 %
997
lo que da la impresi
on de que las cosas estan funcionando bien. El tiempo operativo neto
870 70 50 = 750 min/da
el equipo no produce:
por falta de materia prima 240 min/da y
funciona bajo su capacidad nominal durante 75 min/da,
el tiempo operativo usable (n
otese que estos dos valores usualmente no son medidos) es
750 240 75 = 435 min/da
y
PE =
435
= 58 %
750
1,5 290
= 58 %
750
Por falta de calidad se reprocesaron 6 unidades por lo que el tiempo productivo neto es
435 1,5 6 = 426 min/da
y la tasa de calidad RQ es
290 6
= 97,9 %
290
426
=
= 97,9 %
435
RQ =
Finalmente
OEE = 86,2 58,0 97,9 = 49,0 %
T EEP = 60,4 OEE = 29,6 %
426
=
1440
La efectividad con que produce el equipo cuando esta operando es:
N EE = 93,7 58,0 97,9 = 53,2 %
Mejorando la mantenci
on debe ser relativamente facil subir la disponibilidad a 90 %, la performance
a 95 %, la tasa de calidad a 99 % en ese caso:
OEE 0 = 90 95 99 = 84,7 %
49.9.
Comentarios finales
El mantenimiento productivo total aparece como un concepto japones que busca maximizar la
productividad del equipo. Para ello toma una serie de medidas, entre las cuales se encuentra el involucrar al personal de produccion para atacar cualquier variable que afecte la eficiencia operacional
del equipo.
998
49.10.
A explorar
(Guerrero y Sire, 2001)[18] hacen un interesante estudio del efecto de la motivacion sobre el exito
de un proceso de capacitaci
on. El T P M requiere convertir al operador en mantenedor. Su actitud
hacia el cambio es crucial en un programa productivo total.
El portal www.tpmonline.com ofrece varios artculos practicos sobre T P M .
(Ljungberg, 1998)[24] estim
o la efectividad global de los equipos (OEE) en 55 % en una industria
automovilstica sueca. La empresa puede incrementar sus capacidad de produccion sin invertir en
nuevos equipos e invirtiendo en la aplicacion de estrategias de mantenimiento mas eficientes.
La figura 49.1 muestra la forma base para mantenimiento preventivo centrado en el uso (tiempo)
usada en las fuerzas armadas de Estados Unidos.
(Kodali y Chandra, 2001)[25] utilizan la tecnica multi-criterio Analytic Hierarchy Process para
justificar el uso de TPM.
(McKone, Schroeder y Cua, 2001)[26] presentan un estudio realizado sobre 117 plantas en Estados
Unidos, Italia, Alemania y Jap
on en los rubros: electronica, maquinaria y automoviles. Se considera
un estudio estadstico de encuestas. El estudio analiza el efecto del T P M sobre la performance en la
manufactura, la cual es medida a traves de 4 dimensiones: costo, calidad, entrega y flexibilidad. El
trabajo incluye la lista de preguntas incluidas en la encuesta. Los resultados indican que el T P M
tiene una influencia directa importante en la performance de la planta. Tambien muestran una
influencia indirecta del TPM a traves del Just in Time, JIT . Los autores recomiendan no evaluar
T P M , JIT y T QM por separado, por su natural interrelacion.
(Blanchard, 1997)[17] entre un marco general para la implementacion de T P M y discute desafos
a tener en cuenta.
(Brah, 2004)[27] muestra un survey realizado en Singapur para medir el impacto de la implementacion de TPM en ese pas.
(Da Costa, 2000) [29] hacen un estudio sobre las dificultades de usar el OEE como indicador de
eficiencia.
49.11.
Sumario y objetivos
REGISTRATION NUMBER
ADMINISTRATION NO.
999
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
NOMENCLATURE
MODEL
ASSIGNED TO
JAN
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
NOV
DEC
REMARKS
PREVENTIVE MAINTENANCE
DATE RECEIVED
RECEIVED FROM
REGISTRATION NUMBER
ADMINISTRATION NO.
DISPOSITION
NOMENCLATURE
MODEL
ASSIGNED TO
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
This portion is provided for convenience in typing the lower lines on BOTH SIDES.
To be detached prior to placing in a KARDEX or other visible type file.
Figura 49.1: Forma DD 314 del Departamento de defensa de Estados Unidos para mantenimiento centrado
en el uso/tiempo
Reconocer la importancia de la motivacion del personal en el exito de la implementacion de
TPM.
Dise
nar e implementar un programa de mantenimiento T P M .
1000
Bibliografa
[1] P. Lyonnet. maintenance planning, methods and mathematics. chapman & Hall, 1991.
[2] Hartmann P.E. Edward, H. successfully installing TPM in a non-japanese plant, 1992.
[3] Kaber DB, Endsley, MR, Out-of-the-loop performance problems and the use of intermediate
levels of automation for improved control system functioning and safety process, safety progress
16 (3), 126-131, 1997.
[4] Iyer KR, Operator maintenance - key to reducing breakdowns, Hydrocarbon processing, 81(10),
51-55, 2002.
[5] Brah, S.A., Chong WK, Relationship between total productive maintenance and Performance,
International Journal of Production Research 42 (12), 2383-2401, 2004. [bajar].
[6] Dombrowski U, Tiedemann H, Merkel M, Preventive maintenance by production personnel using
Total Productive Maintenance (TPM), ZKG International, 57(4), 60-66, 2004.
[7] Sun HY, Yam R, Wai-Keung N, The implementation and evaluation of Total Productive Maintenance (TPM) - an action case study in a Hong Kong manufacturing company, International
Journal of Advanced Manufacturing Technology, 22(3-4), 224-228, 2003.
[8] Lycke, L., Team development when implementing TPM, Total Quality Management & Business
Excellence, 14(2), 205-213, 2003. [bajar]
[9] Yamashina, H., Kubo, T., Manufacturing cost deployment, International Journal of Production
Research, 40(16), 4077-4091, 2002. [bajar].
[10] Jeong KY, Phillips DT, Operational efficiency and effectiveness measurement, International
Journal of Operations & Production Management, 21(11), 1404-1416, 2001.
[11] Dal B, Tugwell P, Greatbanks R, Overall equipment effectiveness as a measure of operational
improvement - A practical analysis, International Journal of Operations & Production Management, 20(11-12), 1488-1502, 2000.
[12] Hipkin IB, De Cock C, TQM and BPR: lessons for maintenance management, OmegaInternational Journal of Management Science, 28(3), 277-292, 2000.
[13] Perez-Lafont, J.L., Installation of a TPM program in a Caribbean plant,Computers & Industrial
Engineering, 33(1-2), 315-318, 1997. [bajar].
[14] Hills PW, Production benefits from a vibration-based condition monitoring programme, INSIGHT, 38(8), 563-565, 1996.
[15] Geraghty T, Techniques in maintenance Gas Engineering & Management 36(6), 8-9, 1996.
[16] Sun, H., Yam, R., Wai-Keung, N., The implementation and evaluation of Total Productive
Maintenance (TPM)an action case study in a Hong Kong manufacturing company, Int J Adv
Manuf Technol, 22, 224228, 2003. [bajar].
[17] Blanchard, B.S.,An enhanced approach for implementing total productive maintenance in the
manufacturing environment, Journal of Quality in Maintenance Engineering, 3(2), 69-80, 1997.
[bajar].
[18] , S. Guerrero, B. Sire, Motivation to train from the workers perspective: example of French
companiesInternational Journal of Human Resource Management, 12(6), 988 - 1004, 2001. [bajar].
1001
1002
[19] K. Al-Hassan, J. Fat-Lam Chan, A.V. Metcalfe, The role of total productive maintenance in
business excellence, Total quality management, 11(4,5,6), 596601, 2000. [bajar].
[20] Nakajima, S. Introduction to TPM: Total Productive Management, Productivity Press, Portland, 1988.
[21] Nakajima, S. TPM Development Program: Implementing Total Productive Maintenance, Productivity Press, Portland, 1991.
[22] Gramsh, E., Mantenci
on Productiva Total, Revista de Mantenimiento, 2, 1991.
[23] Olafsson, S.V., An analysis for total productive maintenance implementation, MSc thesis, Virginia Polytechnic and State University, 1990.
[24] Ljungberg, O., Measurement of overall equipment effectiveness as a basis for TPM activities,
International Journal of Operations and Production Management, 18 (5), 495507, 1998.
[25] R. Kodali, S. Chandra, Analytical hierarchy process for justification of total productive maintenance, Production Planning & Control, 12(7), 695705, 2001. [bajar].
[26] K.E. McKone, R.G. Schroeder b, Kristy O. Cua, The impact of total productive maintenance
practices on manufacturing performance, Journal of Operations Management, 19, 3958, 2001.
[bajar].
[27] S.A. Brah, W.K. Chong, Relationship between total productive maintenance and performance,
Int. J. Prod. Res., 42(12), 23832401, 2004.
[28] C.J. Bamber, J.M. Sharp, M.T. Hides, Developing management systems towards integrated
manufacturing: a case study perspective, Integrated Manufacturing Systems 11/7, 454461,
2000.
[29] Da Costa, S.E.G., De Lima, E.P., Uses and misuses of the overall equipment effectiveness
for production management, Engineering Management Conference, 2002. IEMC02, 2002 IEEE
International Publication, 2002, 816- 820.
[30] Waeyenbergh, G., Pintelon, L., A framework for maintenance concept development, International Journal of Production Economics, 77, 299-313, 2002.
Captulo 50
Mantenimiento centrado en la
calidad total
This is not the end,
it is not even the beginning of the end.
But it is, perhaps the end of the beginning.
Winston Chucrchill.
50.1.
Introducci
on
Calidad tiene una serie de acepciones, no existe una definicion clara. En un principio fue sinonimo
de inspecci
on; luego tom
o una connotacion estadstica; actualmente se trabaja con el concepto
de calidad total, lo que implica la intervencion de todos las funciones de la empresa. Tambien se
incluyen conceptos de 0 defectos, mejoramiento continuo, enfoque en la demanda o adecuaci
on al
uso.
Entre los conceptos asociados a calidad se incluyen los de disponibilidad, confiabilidad y mantenibilidad.
D=
Ti
Ti + To
M T BF
M T BF + M T T R
La planificaci
on y el control de la calidad requieren de los siguientes pasos:
a) Definir los atributos de la calidad
b) Decidir de que manera medir cada atributo
c) Establecer standards de calidad
d ) Dise
nar un programa de inspeccion
e) Analizar y corregir las causas de la baja calidad
f ) Mejorar el programa en forma continua
1003
1004
50.2.
Poltica de calidad
La gestion de calidad comienza cuando los niveles superiores establecen una poltica de calidad. Los
enunciados de la poltica deben detallarse con objetivos establecidos periodicamente. Si la compa
na
utiliza la administraci
on por objetivos (MBO, su sigla en ingles), los objetivos de calidad deben
incorporarse.
Ejemplo 167 Algunos ejemplos de objetivos:
Aumentar la disponibilidad de la planta al 98 %
Capacitar al personal en aseguramiento de la calidad
50.3.
Deming
W.E. Deming es considerado el principal promotor de la calidad total en Japon. Define la calidad
como mejoramiento continuo. Su filosofa de calidad se resumen en los 14 puntos siguientes:
a) Crear constancia de prop
osito hacia el mejoramiento de productos y servicios con objeto de
ser competitivo y permanecer en el negocio a largo plazo, mas que utilidades a corto plazo.
b) Adoptar la nueva filosofa rehus
andose a permitir niveles com
unmente aceptados de equivocaciones, defectos, retrasos y errores. Aceptar la necesidad de cambio.
c) Abandonar la dependencia de Inspeccion en masa. En su lugar confiar en la elaboracion de la
calidad dentro del producto la primera vez y en medios estadsticos para controlar y mejorar
la calidad.
d ) Dejar la pr
actica de conceder negocios teniendo como base la marca del precio u
nicamente.
En su lugar minimizar el costo total. Reducir el n
umero de proveedores, eliminando aquellos
que no pueden proporcionar evidencia de control estadstico de proceso.
e) Mejorar constantemente , y para siempre, los sistemas de produccion para mejorar la calidad
y la productividad y entonces reducir costos.
f ) Instituir la capacitaci
on en el trabajo para todos los empleados.
g) Dirigir la gerencia y los supervisores al liderazgo de sus empleados para ayudarlos a realizar
un mejor trabajo.
h) Eliminar el temor. No culpar a los empleados por problemas de los sistemas. Impulsar la
comunicaci
on efectiva en dos sentidos. Eliminar la administracion por control.
i ) Romper las barreras entre departamentos. Alentar el trabajo en grupo entre las diferentes
areas tales como investigaci
on, dise
no, manufactura y ventas.
j ) Eliminar programas, exhortaciones y mensajes que solicitan nuevos niveles de productividad
sin proporcionar mejores metodos.
k ) Eliminar cuotas arbitrarias, est
andares de trabajo y objetivos que interfieran con la calidad.
En su lugar utilizar el liderazgo y la mejora continua del proceso de trabajo.
l ) Eliminar las barreras ( sistemas pobres y gerencia pobre) que le eviten a la gente el orgullo en
su trabajo.
m) Impulsar la educaci
on de larga vida y la automejora de todos los empleados.
n) Poner a cada uno a trabajar para poner en marcha estos catorce puntos.
50.4.
1005
Costos de calidad
Los costos asociados a la calidad se pueden dividir en dos tipos: costos de control de la calidad y
costos de falla. El medir estos costos ofrece un medio poderoso de comunicacion con la gerencia y
tambien de control.
Costos de control
Planificaci
on
Capacitaci
on
Recolecci
on de informacion de calidad
An
alisis de informaci
on de calidad
Proyectos de mejoramiento
Costos de falla
Internos
Mano de obra perdida, materia prima perdida
Costos de reprocesamiento
Degradaci
on del producto por no calidad
Tiempo ocioso por fallas de calidad
Externo
Premios por calidad y rapidez en la entrega
Productos devueltos
Descuentos por no calidad
50.5.
Poltica 0 fallas
Considerando la definici
on de disponibilidad en terminos del M T BF y el M T T R es iluso pensar
en que se lograr
a una condici
on de 0 fallas; sin embargo los partidarios de esta poltica argumentan
se debe apuntar hacia ello para evitar que la gente justifique sus errores en la imposibilidad de
conseguir la perfeccci
on.
1006
Bibliografa
[1] Schroeder, R.G., Administraci
on de Operaciones, McGraw-Hill, 3era ed., 1989.
[2] Hipkin, I.B., De Cock,C., TQM and BPR: lessons for maintenance management,Omega, 28,
277-292, 2000. [bajar]
[3] Al-Najjar, B., Total quality maintenance approach for continuous reduction in costs of quality
products, Journal of Quality in Maintenance Engineering , 3, 420, 1996.
1007
1008
Captulo 51
Subcontrataci
on
51.1.
Tipos de subcontratos
51.1.1.
Subcontrataci
on parcial
El que contrata confa trabajos de mantencion dado que no tiene los medios para realizarlos. Ejemplos: reparaci
on de motores electricos, instalacion de tuberas, revision de un grupo generador,
etc.
51.1.2.
Subcontrataci
on total
51.1.3.
Subcontrataci
on puntual
Est
a limitada en el tiempo a una o mas intervenciones. Ejemplos: reparacion de un equipo, diagn
ostico del estado de un equipo, etc.
51.1.4.
Subcontrataci
on continua
En este caso hay un contrato. Ejemplos: mantencion preventiva de equipos precisados en el contrato;
mantenci
on total de una caldera, de la red de aire comprimido, etc.
1 Mandante: concierne a la empresa que conf
a actividades a otra empresa. Prestatario: la empresa que realiza actividades
para un mandante.
1009
1010
51.2.
Objetivos de la subcontrataci
on
La subcontrataci
on obedece a 4 objetivos posibles:
economa, se busca obtener los mismos resultados a un costo menor;
flexibilidad, para que los gastos de mantencion sean determinados por el nivel de uso de los
equipos y sigan la evoluci
on de los ingresos de la empresa;
garanta, para tener una garanta del trabajo de parte del prestatario;
objetivos estrat
egicos y sociales, que buscan la reduccion del personal:
evitar la presencia de expertos que no tendran una evolucion profesional dentro de la
empresa y generaran tensiones en el grupo humano,
la subcontrataci
on de trabajos degradantes o insalubres,
la limitaci
on de reivindicaciones sociales posibles.
51.2.1.
Objetivos econ
omicos
El objetivo del mandante es reducir su costo global de mantencion, atacando cada una de sus
componentes y sin olvidar las interrelaciones existentes entre ellas.
Reducci
on de los costos de intervenci
on de mantenci
on (CIM)
El subcontratar puede reducir el CIM por 3 razones posibles:
Mejor productividad de los profesionales de intervencion del contratista: en general son especialistas bien motivados, bien preparados; en general siguen procedimientos mas rigurosos
para actuar; tienen mejores equipos; buscan siempre la mejor razon calidad/costo.
Disminuci
on de costos de amortizacion elevados de herramientas y equipos especficos. Ejemplo:
colectores de datos, etc.
La autocensura de demandas: por razones psicologicas:
la subcontrataci
on requiere de ciertos formalismos para hacer la demanda de trabajo. El hecho
de no poder hacer la demanda oralmente provoca la disminucion de las demandas;
existe la tendencia a creer que la mano de obra interna es gratuita. Ello no ocurre con un
contratista.
Reducci
on de costos de fallas de mantenci
on (CFM)
La reducci
on del CFM es posible gracias a:
La calidad de las intervenciones realizadas tanto en mantencion preventiva como correctiva es
superior (considerando un nivel del prestatario), o a traves de la puesta en marcha de un plan
de certificaci
on de calidad en la mantencion ISO 9000.
La reducci
on de los tiempos de intervencion. Por ser especialistas y estar motivados a satisfacer
al cliente.
La realizaci
on rigurosa de la mantencion preventiva definida. Es la u
nica tarea que deben
realizar y su trabajo depende de hacerla bien.
Disponibilidad, un prestatario debe adaptarse a cambios bruscos en la demanda para satisfacer
al cliente.
1011
Reducci
on en el costo de repuestos de mantenci
on
La reducci
on de stock es la mas dificil de obtener pero se logra por:
La calidad de las intervenciones realizadas (tanto preventivas como correctivas);
el an
alisis de los informes permite tomar medidas proactivas con menor sesgo (hay al menos
dos fuentes de informaci
on y analisis).
La reducci
on es dificil de obtener pues la piezas en stock, quedaran ah.
51.2.2.
Objetivo de flexibilidad
Las empresas sufren variaciones importantes de produccion ligado a un consumo cada vez mas
aleatorio. Ello hace fluctuar las horas de uso de los equipos lo que conlleva:
variaciones en las cargas de mantencion preventiva, que estan ligadas a las horas de utilizacion
de los equipos;
variaci
on de cargas de mantencion correctiva, la que depende parcialmente del uso de los
equipos.
Para absorber tales variaciones de carga solo hay dos soluciones:
disponer de medios internos flexibles;
disponer de recursos externos flexibles.
Para disponer de medios internos flexibles es necesario:
horarios flexibles,
un servicio de mantenci
on que puede ser prestatario de servicios a otras plantas. Ejemplo:
Maestranza ASMAR.
Teniendo en cuenta la evolucion del contexto economico, las empresas buscan cada vez mas externalizar su mantenci
on por razones de flexibilidad de sus necesidades. Para ello, los prestatarios
deben:
tener un tama
no y numero de contratos suficientes para absorber fuertes variaciones de demanda;
disponer de un sistema de gestion que les permita distribuir sus recursos entre m
ultiples contratos/clientes;
saber manejar/encontrar el personal de refuerzo que utilizan.
51.2.3.
Objetivo de garanta
1012
51.3.
Justificaci
on de la subcontrataci
on
51.4.
Restricciones de un mandante
51.4.1.
Restricciones legislativas
delitos de usura;
de higiene y seguridad;
de legislaci
on social;
de protecci
on al trabajador;
de protecci
on al medio ambiente
51.4.2.
Restricciones humanas
51.4.3.
Restricciones t
ecnicas
Esto se refiere a la posible perdida del know-how adquirido en el tiempo por el personal interno.
El problema se resuelve con la existencia de documentacion tecnica sobre el funcionamiento de
los equipos y obligando contractualmente a los prestatarios a disponer de procedimientos escritos,
actualizados y transmitidos al mandante. Sin embargo el mandante debe estar atento pues los
prestatarios tienen tendencia a pensar en el corto plazo (facturacion) y no en el CGM de la empresa.
51.4.4.
1013
Restricciones de confidencialidad
51.4.5.
Restricciones organizacionales
La externalizaci
on de la funci
on mantencion requiere de un mnimo de procedimientos de la parte
del mandante. Ellos son:
demanda de intervenci
on;
autorizaciones de intervencion;
recepci
on de intervenciones;
uso de recursos del mandante por el prestatario;
autorizacion para usar repuestos de bodega.
Otros procedimientos son:
planificaci
on de intervenciones;
preparaci
on de intervenciones;
informe de intervenci
on;
disponibilidad de historial de equipos.
51.4.6.
El mandante debe:
establecer una lista clara, neta y precisa de la prestacion esperada;
firmar un contrato y respetarlo;
remunerar al prestatario con un precio justo.
51.5.
51.5.1.
Es importante distinguir entre estos dos tipos de prestaciones a fin de evitar ambig
uedades en las
relaciones entre el mandante y sus prestatarios.
En la prestaci
on de recursos, el mandante demanda a un prestatario poner recursos humanos y
equipos para realizar un trabajo que el mandante ha definido. En este tipo de prestacion el mandante
define el procedimiento de intervencion y el prestatario lo ejecuta. La garanta del prestatario
considera solo la calidad en la realizacion del trabajo. No incluye el alcanzar el objetivo final dado
que el procedimiento ha sido definido por el mandante.
En la prestaci
on de resultados, el mandante demanda a un prestatario hacer lo que sea necesario
para alcanzar un resultado. En este tipo de prestacion el mandante define el objetivo a alcanzar, el
prestatario establece el procedimiento de accion. La garanta del prestatario considera el resultado
solicitado.
1014
51.5.2.
Para el mandante
Las ventajas para el mandante son:
paga una prestaci
on cuyo resultado ha sido alcanzado;
la garanta de la obtenci
on del resultado obtenido;
aligeramiento de las actividades de supervision pues solo se debe recibir el trabajo,
el uso de prestatarios de calidad capaces de ofrecer resultados.
Los inconvenientes son:
La perdida de control del procedimiento de intervencion (y del know-how asociado);
la necesidad de definir perfectamente el resultado a alcanzar, sin ambig
uedades;
la dificultad de cambiar el objetivo;
los riesgos corridos si el prestatario no es de la calidad requerida;
la puesta a punto de un plan de calidad entre mandante y prestatario.
Para el prestatario
Las ventajas de la prestaci
on de resultados son:
entregar prestaciones con un valor agregado mas alto;
realizar una prestaci
on bien definida en sus objetivos;
ser reconocido como prestatario experto en su area.
Los inconvenientes son:
Toma de riesgos: la situaci
on real no es siempre bien conocida;
Evaluacion del proyecto m
as larga, con riesgo de ser tomada por otro.
51.5.3.
Subcontrataci
on puntual
51.5.4.
Subcontrataci
on parcial
La subcontrataci
on parcial consiste en confiar a un prestatario intervenciones (no limitadas en el
tiempo) pero restringidas en cuanto a su tipo. Razones para ello son:
el mandante no quiere invertir en equipos/herramientas difcilmente rentables;
no posee personal capacitado;
no quiere responsabilidad (controles tecnicos, legales);
no puede absorber las sobrecargas regulares (intervenciones programadas).
Por las primeras tres razones, el mandante debe subcontratar las siguientes actividades:
gesti
on de medio plazo: preparacion de intervenciones, actualizacion de documentacion tecnica;
gesti
on de stocks de repuestos.
51.5.5.
1015
Subcontrataci
on total
En este caso se confa toda la mantencion de uno o mas equipos a un prestatario. El mandante solo
se reserva las actividades de gestion de largo plazo. este tipo de subcontratacion solo se aplica en:
instalaciones limitadas tales como caldera, aire comprimido, equipos de computacion, ascensores, montacargas, etc.
los equipos concernientes a un taller. Ejemplo: taller de pintura.
Las condiciones de base para el exito de este tipo de subcontratacion son:
un mandante que controla la gestion de largo plazo;
condiciones de uso de los equipos bien definidas;
un prestatario de la calidad requerida por las intervenciones;
voluntad de las partes de reducir el CGM, y compartir los ahorros que se obtienen.
51.6.
Selecci
on de contratistas
Para resolver este punto es necesario definir las actividades que se quieren confiar a un tercero, lo
que conlleva un proceso de 5 etapas.
51.6.1.
En el caso de subcontrataci
on parcial o total, es necesaria la elaboracion de una matriz de reparticion
de actividades entre el mandante y el prestatario. Ello se debe realizar antes del programa de cargas.
La matriz evita discusiones ulteriores entre ambas partes.
La matriz consiste en definir, para cada una de las actividades presentadas, quien es el responsable
de que:
quien gestiona los equipos del mandante (gestion y accion en el mediano y corto plazo);
quien utiliza el equipo;
quien es el prestatario (el mandante o un prestatario).
pendiente pp 2.6.3.2
51.6.2.
La selecci
on del prestatario
Elaboraci
on del programa de cargas;
Definici
on de criterios de seleccion de contratistas;
Consulta a posibles contratistas;
Preselecci
on;
Selecci
on final.
Cada etapa debe ser realizada de manera mas o menos profunda dependiendo de los siguientes
par
ametros:
el volumen de actividades a subcontratar;
la naturaleza de las actividades a subcontratar;
el numero de tecnologas concernidas por el contrato;
el plazo para implementar el contrato de mantencion.
1016
51.6.3.
Elaboraci
on del programa de cargas
Objetivos esperados por el mandante en esta parte se debe justificar porque se desea subcontratar. Se debe describir la situaci
on actual y la situacion a la que se desea llegar. Si el objetivo
es esencialmente econ
omico, se debe especificar que componente(s) deben ser atacadas y en cuanto
se espera reducirlas. Si el objetivo es aumentar la flexibilidad, las variaciones de carga deben ser
indicados. Si el objetivo es obtener garantas, ello debe ser explcito.
Descripci
on t
ecnica b
asica Esto corresponde a las informaciones mnimas necesarias para que
los contratistas respondan al concurso. Se debe incluir:
a) lista de equipos incluidos en el contrato. Para cada equipo se indica: fecha de puesta en
funcionamiento, vida u
til esperada, condiciones de operacion;
b) Actividades b
asicas previstas. Se presentan en la matriz de actividades.
c) Las restricciones que el mandante se compromete a respetar. Ejemplo: entregar datos del
historial, etc.
d ) Las restricciones que el contratista debera respetar. ejemplos: movilizacion urgente de recursos,
procedimientos de seguridad, transmitir la informacion para el historial, etc.
e) Los procedimientos organizacionales. Ejemplos: demandas de intervencion, planificacion, informes de intervenciones, manejo de stocks, etc.
Informaci
on complementaria La idea es minimizar las consultas orales de los contratistas y que
todos reciban el mismo mensaje. La informacion complementaria puede ser: nombre del interlocutor,
descripcion de situaciones especificas, etc.
Cuestionario
Permite evaluar a los contratistas. Las preguntas abarcan siete areas: costo, calidad, reactividad,
flexibilidad, seguridad, protecci
on del medio ambiente.
Costo
1017
una parte contractual para las prestaciones que pueden ser perfectamente definidas y que seran
estables a lo largo del contrato;
una parte variable por demanda variable;
una parte de premios o castigos por alcanzar o no los objetivos.
Las preguntas esenciales tratan de:
el monto anual contractual con la descripcion de prestaciones incluidas y excluidas;
el modo de remuneraci
on y costo de las prestaciones variables, modulado por la reactividad;
los premios y castigos;
el contenido de las diferentes formulas de revision que seran aplicadas y su periodicidad.
Calidad
1018
Protecci
on ambiental Este tema es cada vez mas importante. Preguntas tpicas son:
Capacitaci
on en temas ambientales en los u
ltimos a
nos;
Descripci
on de procedimientos de proteccion ambiental que aplica;
Resultado de auditorias ambientales;
Plan de mejoramiento de la proteccion del medio ambiente.
2
51.7.
Criterios de selecci
on de un contratista
51.7.1.
Definici
on de criterios
La performance de la funci
on mantencion se establece seg
un los siguientes criterios:
costo;
calidad;
plazos;
reactividad;
flexibilidad;
seguridad;
protecci
on ambiental.
Costo
Siendo que el objetivo principal es minimizar el costo global de mantencion es importante tener en
cuenta el valor HH propuesto por los contratistas pero no exclusivamente pues:
puede haber un consumo importante de respuestos ligado a falta de competencias tecnicas
(ligado al valor HH);
puede haber una voluntad de minimizar el tiempo de intervencion cambiando subconjuntos
cuya reparaci
on puede ser rentable (en el caso de HH contractuales);
incrementos en el costo de fallas de mantencion ligado a falta de calidad en la mantencion.
Calidad
El criterio esencial en este caso es saber si el contratista ya ha realizado actividades del mismo tipo.
La capacitaci
on que ha recibido el personal.
2 Una
1019
Plazos
Criterios posibles son:
Existencia de procedimientos de control de plazos de intervenciones:
Capacidad de movilizar personal tanto propio o de subcontratistas;
Historial de demoras en intervenciones del mismo tipo.
Reactividad
La reactividad es la capacidad del prestatario a reaccionar ante eventos imprevisibles. Criterios
posibles son:
Evaluar los recursos que puede movilizar;
Tiempo m
aximo para comenzar la intervencion;
Capacidad de proponer planes de mejoramiento.
Flexibilidad
La flexibilidad es la capacidad de adaptar los recursos a las variaciones de carga. El prestatario
debe tener al menos dos centros, a fin de transferir desde recursos de uno hacia otro en caso de
necesitarse; y una red de subcontratistas potenciales. Los criterios son:
reparticion de efectivos, por nivel y especialidad,
existencia de coordinaci
on o centralizacion para acceder a recursos compartidos;
listado de contratistas potenciales y su potencialidad;
procedimiento de auditoria de los contratistas del prestatario.
Seguridad
En este campo, los criterios de seleccion son:
tasa de frecuencia (nro. accidentes/hh) y de gravedad de accidentes (hh de reposo/hh trabajadas);
existencia de un plan de mejoramiento de la seguridad;
existencias de procedimientos,
existencia de un organigrama de la funcion seguridad.
Protecci
on ambiental
certificaci
on ISO 14000
Existencia y contenido de procedimientos de proteccion ambiental: capacitacion del personal,
manejo de desechos, nivel sonoro, etc.
1020
51.7.2.
Ponderaci
on de los criterios
Criterio
Costo
Flexibilidad
Calidad
Plazos
Reactividad
Seguridad
Proteccion ambiental
wi %
20
20
25
7
20
4
4
100
51.8.
Selecci
on final
La selecci
on se efect
ua a partir de cinco evaluaciones complementarias:
visitar las referencias citadas por los contratistas;
auditoria de las respuestas entregadas;
entrevistar a los responsables del contrato por parte de los contratistas (verificar su experiencia
en mantencion de equipos, gesti
on de personal, relaciones con proveedores);
elaborar el contrato definitivo;
realizar ensayos reales.
evaluaci
on final (ponderar puntos anteriores).
Observaci
on 168 En referencia [231], secci
on 2.6.3.5 se encuentra un contrato tipo.
51.9.
51.9.1.
Modos de remuneraci
on
Remuneraci
on con gastos controlados I
Este tipo de remuneracion se basa en:
costo horariotiempo gastado;
costo de suministros utilizados y pedidos por el prestatario aumentado por un coeficiente
(gastos de administraci
on).
el costo horario incluye:
el salario;
amortizaci
on de equipos y herramientas;
gastos de funcionamientos de la prestacion;
gastos generales del prestatario;
margen del prestatario.
1021
Remuneraci
on con gastos controlados II
En este caso existe un catalogo descriptivo de intervenciones corrientes para las cuales un valor ha
sido definido. El valor est
a en relacion con el tiempo standard para realizar la intervencion.
A los valores de base se agregan o quitan cantidades en funcion de las dificultades o facilidades
encontradas para realizar la intervencion, lo que complica el uso de esta forma de remuneracion.
Remuneraci
on por contrato
La remuneraci
on se fija cuando se solicita al prestatario una prestacion. Ella puede estar definida
por:
Un resultado a alcanzar. En este caso el prestatario diagnostica y escoge el modus operandi.
Debe tener en cuenta las restricciones impuestas por el mandante.
los recursos a utilizar. por una plazo definido y seg
un un procedimiento establecido por el
mandante;
Soluci
on mixta.
Remuneraci
on con gastos controlados y acotados
Similarmente al primer caso, se considera:
costo horariotiempo empleado;
costos de suministros aumentados en un coeficiente;
pero se fija un tiempo m
aximo que implica una cota para los gastos.
Remuneraci
on cost & fee
Este tipo de remuneraci
on considera:
una parte fija: el fee;
una parte variable: el costo.
el fee remunera todo aquello que no es proporcional al tiempo empleado en la intervencion:
conseguir el personal de intervencion;
preparaci
on de intervenciones corrientes;
planificaci
on de las intervenciones;
amortizaci
on de equipos y herramientas;
gastos de funcionamiento de la prestacion;
margen.
el costo cubre:
el salario del personal de intervencion;
los vi
aticos;
las horas-extra.
1022
Remuneraci
on cost & fee restringido
Similar a la anterior pero se considera un tiempo mnimo y maximo para la intervencion. Ello
permite evitar:
un fee proporcionalmente muy elevado en relacion al costo si el numero de horas prestadas
disminuye de forma importante;
un fee subestimado si el numero de horas aumenta demasiado.
En general, los limites se situan entre +/- 30 % del tiempo previsto.
51.9.2.
Remuneraciones complementarias
Ellas se utilizan para implicar al contratista en los resultados. Motivan al contratista a mejorar los
indicadores de performance y sancionan las fallas en las prestaciones.
Captulo 52
Auditora interna
52.1.
Introducci
on
1024
90
120
'97
'99
60
5
0.8
0.6
150
30
0.4
0.2
180
14
330
210
10
13
11
12
240
300
270
1
2
A
B
C
D
E
3
A
B
C
D
4
A
B
C
5
A
B
C
D
6
A
B
C
D
E
7
A
B
C
D
E
F
G
8
A
B
C
D
E
F
9
A
B
C
D
E
F
G
H
I
J
10
A
B
C
D
E
F
G
H
I
J
K
11
A
B
C
D
E
12
A
B
C
D
13
A
B
C
D
E
F
14
A
B
C
D
E
F
G
Dimensin
Productividad
Organizacin
Esquema organizacional
Descripcin de funciones
Razn supervisor/mantenedor
Funcin de apoyo
Poltica de control del trabajo
Capacitacin en gestin
Plan maestro de capacitacin
Capacitacin en producitvidad
Tipo de capacitacin
Capacitador
Capacitacin en planificacin
Existe planificador
Capacitacin del planificador
Tareas que son planificadas
Capacitacin del personal
Plan formal de capacitacin
Ente capacitador
Porcentaje del personal en capacitacin
Requerimientos tcnicos del personal
Motivacin
Clima laboral
% de problemas relacionados con capacidades
Evaluacin peridica del clima laboral
Rotacin anual por despidos y renuncias
% de horas de retrasos y sobrehoras
Indicadores de gestin
Indicadores de presupuesto
Indicadores de control
Demoras en entrega de reportes de control
Frecuencias de reportes
Comunicacin de tiempos e intervenciones
Como se sumariza la informacin?
Como se distribuyen los reportes?
Planificacin y programacin de OT
% de HH registradas en OT
% de OT asociadas a una intervencin
% de trabajos con intervalo suficiente
% de OT planificadas
OT correctivas
Control de calidad en trabajos realizados
Instalaciones
Layout
Taller
Bodega
Equipamiento de seguridad
Herramientas y equipos
Espacio de oficina
Iluminacin
Mantenimiento de equipos utilitarios
% de empleados de custodia
Plan PM para gruas y equipos de alzamiento
Control de inventario y equipos
Historial de pedidos
Sistema de inventario
Two-bin system
Procedimiento de retiro
Procedimiento de control de herramientas
Lista standard de herramientas
% de herramientas fuera de servicio
Tamaos ptimos de pedido
Alarmas de nivel
Sistema de evaluacin de proveedores
% de repuestos sin demora
Mantenimiento preventivo e historial de equipos
% de historial registrado
% de historiales revisados/analizados
% de equipos con m. preventivo
% de equipos con informes
Frecuencia de reportes
Ingeniera de confiabilidad
% de ing. de confiabilidad controlando equipos
Indicador MTBF?
% de proyectos con anlisis de confiabilidad
Procedimientos de diagnstico
Control del trabajo e incentivos
Duracin standard de trabajos
en sistema de informacin
% de horas respecto de standards
Registro de HH en OT
% de incentivos pagados
Tipos de incentivos
Procesamiento de informacin
Sistema de informacin computacional
Categorias de informacin disponibles
Tipo de equipos computacionales
Capacidades del sistema de informacin
Actualizacin de reportes
Calidad y confiabilidad de la informacin registrada
Sistema de seguridad
Encuestado
1
2
1025
10
11
12 Prom.
Desv.
Std.
0,6
0,6
0,7
0,6
0,0
0,6
0,0
0,8
0,6
0,0
0,6
0,7
0,8
0,0
0,0
0,6
0,0
0,8
0,6
0,0
0,6
0,6
0,5
0,6
0,0
0,6
0,0
0,8
0,6
0,0
0,6
0,0
0,8
0,6
0,0
0,6
0,0
0,8
0,6
0,0
0,6
0,6
0,7
0,6
0,0
0,6
0,0
0,8
0,6
0,0
0,6
0,0
0,8
0,6
0,0
0,6
0,0
0,8
0,6
0,0
0,60
0,21
0,76
0,55
0,00
0,00
0,30
0,09
0,17
0,00
0,7
0,7
0,5
0,5
0,5
0,5
0,5
0,7
0,7
0,5
0,5
0,5
0,5
0,5
0,5
0,7
0,7
0,7
0,5
0,5
0,5
0,5
0,5
0,7
0,5
0,5
0,5
0,7
0,5
0,5
0,5
0,7
0,7
0,7
0,5
0,5
0,5
0,5
0,5
0,7
0,7
0,5
0,5
0,7
0,5
0,5
0,5
0,7
0,58
0,55
0,50
0,63
0,10
0,09
0,00
0,09
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,00
0,00
0,00
0,00
0,00
0,00
0,1
0,7
0,7
0,5
0,5
0,7
0,5
0,2
0,1
0,7
0,5
0,5
0,5
0,7
0,5
0,2
0,5
0,7
0,5
0,2
0,5
0,7
0,5
0,2
0,5
0,7
0,5
0,2
0,5
0,7
0,5
0,2
0,1
0,7
0,7
0,5
0,5
0,7
0,5
0,2
0,5
0,7
0,7
0,5
0,5
0,7
0,5
0,2
0,40
0,70
0,55
0,30
0,17
0,00
0,09
0,14
0,0
0,8
0,0
0,1
0,0
0,7
0,8
0,0
0,1
0,0
0,7
0,8
0,0
0,1
0,0
0,7
0,8
0,0
0,1
0,0
0,7
0,8
0,0
0,1
0,0
0,7
0,8
0,0
0,1
0,0
0,7
0,8
0,0
0,1
0,0
0,7
0,8
0,0
0,1
0,0
0,0
0,8
0,0
0,1
0,0
0,7
0,8
0,0
0,1
0,0
0,0
0,8
0,0
0,1
0,0
0,7
0,8
0,0
0,1
0,0
0,53
0,80
0,00
0,10
0,00
0,30
0,00
0,00
0,00
0,00
0,3
0,2
0,0
0,5
0,5
0,5
0,5
0,3
0,2
0,0
0,5
0,0
0,5
0,1
0,3
0,2
0,0
0,5
0,0
0,5
0,0
0,3
0,2
0,0
0,5
0,0
0,5
0,1
0,3
0,2
0,0
0,5
0,5
0,5
0,5
0,3
0,2
0,0
0,5
0,0
0,5
0,1
0,3
0,2
0,0
0,5
0,0
0,5
0,1
0,3
0,2
0,0
0,5
0,0
0,5
0,1
0,3
0,2
0,0
0,5
0,5
0,5
0,5
0,3
0,2
0,0
0,5
0,0
0,5
0,1
0,3
0,2
0,0
0,5
0,5
0,5
0,5
0,3
0,2
0,0
0,5
0,0
0,5
0,1
0,30
0,20
0,00
0,50
0,17
0,50
0,23
0,00
0,00
0,00
0,00
0,24
0,00
0,20
0,5
0,0
0,5
0,4
0,5
0,7
0,5
0,5
0,0
0,0
0,5
0,5
0,5
0,5
0,0
0,2
0,2
0,5
0,5
0,5
0,0
0,0
0,5
0,5
0,5
0,5
0,5
0,2
0,5
0,7
0,5
0,5
0,0
0,0
0,5
0,5
0,5
0,5
0,0
0,0
0,5
0,5
0,5
0,5
0,0
0,0
0,5
0,5
0,5
0,0
0,5
0,4
0,5
0,7
0,5
0,5
0,0
0,0
0,5
0,5
0,5
0,0
0,5
0,0
0,5
0,7
0,5
0,5
0,0
0,0
0,5
0,5
0,50
0,38
0,17
0,10
0,48
0,57
0,00
0,22
0,24
0,15
0,08
0,09
0,6
0,7
0,7
0,7
0,7
0,5
0,7
0,5
0,2
0,2
0,6
0,0
0,0
0,2
0,7
0,5
0,5
0,2
0,4
0,2
0,6
0,7
0,7
0,7
0,7
0,5
0,5
0,5
0,4
0,2
0,6
0,0
0,0
0,2
0,7
0,5
0,5
0,2
0,4
0,2
0,6
0,7
0,7
0,7
0,7
0,5
0,5
0,5
0,4
0,2
0,6
0,0
0,0
0,2
0,7
0,5
0,5
0,2
0,4
0,2
0,6
0,0
0,0
0,2
0,7
0,5
0,5
0,2
0,4
0,2
0,6
0,0
0,0
0,2
0,7
0,5
0,5
0,2
0,4
0,2
0,6
0,7
0,7
0,7
0,7
0,5
0,7
0,5
0,5
0,2
0,6
0,0
0,0
0,2
0,7
0,5
0,5
0,2
0,4
0,2
0,6
0,7
0,0
0,2
0,7
0,5
0,2
0,5
0,4
0,2
0,6
0,0
0,0
0,2
0,7
0,5
0,5
0,2
0,4
0,2
0,60
0,29
0,23
0,37
0,70
0,50
0,51
0,33
0,39
0,20
0,00
0,35
0,33
0,24
0,00
0,00
0,12
0,15
0,06
0,00
0,7
0,1
0,0
0,1
0,5
0,5
0,8
0,0
0,1
0,7
0,6
0,7
0,7
0,0
0,5
0,5
0,5
0,7
0,0
0,7
0,5
0,0
0,5
0,0
0,0
0,2
0,5
0,2
0,0
0,2
0,7
0,4
0,0
0,7
0,7
0,0
0,5
0,5
0,5
0,7
0,0
0,7
0,5
0,0
0,2
0,7
0,7
0,0
0,5
0,5
0,5
0,5
0,7
0,0
0,7
0,7
0,7
0,0
0,5
0,5
0,5
0,7
0,0
0,7
0,5
0,0
0,7
0,7
0,0
0,5
0,5
0,5
0,7
0,0
0,7
0,5
0,0
0,7
0,7
0,0
0,5
0,5
0,5
0,7
0,0
0,7
0,5
0,0
0,7
0,1
0,0
0,1
0,5
0,5
0,8
0,0
0,1
0,7
0,6
0,7
0,7
0,0
0,5
0,5
0,5
0,7
0,0
0,7
0,5
0,0
0,7
0,7
0,0
0,1
0,5
0,5
0,8
0,0
0,1
0,7
0,6
0,7
0,7
0,0
0,5
0,5
0,5
0,8
0,0
0,7
0,5
0,0
0,64
0,54
0,06
0,33
0,50
0,48
0,66
0,06
0,55
0,50
0,21
0,14
0,28
0,19
0,20
0,00
0,08
0,21
0,14
0,26
0,18
0,30
0,1
0,5
0,7
0,5
0,7
0,2
0,2
0,5
0,2
0,7
0,0
0,0
0,0
0,0
0,0
0,2
0,2
0,5
0,2
0,7
0,5
0,0
0,0
0,2
0,5
0,2
0,2
0,5
0,2
0,7
0,2
0,2
0,5
0,2
0,7
0,2
0,2
0,5
0,2
0,7
0,1
0,5
0,7
0,5
0,7
0,2
0,2
0,5
0,2
0,7
0,1
0,2
0,2
0,2
0,7
0,2
0,2
0,5
0,2
0,7
0,18
0,22
0,43
0,23
0,63
0,11
0,15
0,22
0,13
0,20
0,1
0,2
0,2
0,1
0,0
0,0
0,2
0,7
0,0
0,0
0,0
0,0
0,0
0,0
0,2
0,7
0,2
0,0
0,2
0,7
0,0
0,0
0,2
0,7
0,0
0,0
0,2
0,7
0,0
0,0
0,2
0,7
0,1
0,2
0,2
0,1
0,0
0,0
0,2
0,7
0,0
0,2
0,2
0,1
0,0
0,0
0,2
0,7
0,03
0,05
0,18
0,49
0,06
0,09
0,06
0,30
0,4
0,5
0,4
0,5
0,5
0,0
0,4
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,4
0,0
0,0
0,0
0,0
0,0
0,4
0,5
0,0
0,5
0,0
0,0
0,4
0,0
0,0
0,0
0,0
0,0
0,4
0,0
0,0
0,0
0,0
0,0
0,4
0,0
0,0
0,0
0,0
0,0
0,4
0,5
0,4
0,5
0,5
0,5
0,4
0,0
0,0
0,0
0,0
0,0
0,4
0,0
0,0
0,0
0,0
0,0
0,4
0,0
0,0
0,0
0,0
0,0
0,37
0,13
0,07
0,13
0,08
0,04
0,11
0,22
0,15
0,22
0,19
0,14
0,1
0,5
0,5
0,5
0,5
0,5
0,4
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,1
0,5
0,5
0,5
0,5
0,5
0,4
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,02
0,08
0,08
0,08
0,08
0,08
0,07
0,04
0,19
0,19
0,19
0,19
0,19
0,15
1997 1999
Nota
Nota
prom. prom.
0,31
0,31
0,42
0,46
0,57
0,67
0,00
0,00
0,54
0,72
0,46
0,46
0,34
0,43
0,36
0,48
0,41
0,48
0,46
0,58
0,41
0,52
0,28
0,42
0,13
0,21
0,13
0,41
1026
Cdigo Area
1 Cooler 6
Descripcin
Tamao
Duracin
Duracin Diferencia
intervencin
cuadrilla
standard (hr)
real (hr)
Cambio placa de
soldador
3 EP6
Performance
(hr)
10
18
20
34
14
30
52
22
Reemplazo motor
supervisor
para componente
mecnico I
no. K04-03
Elctrico
Total
11
19
mecnico I
7,5
2,5
transportador KG1
soldador
mecnico II
24
16
Total
15
42,5
27,5
Cambio descanso
11
Utilizacin
Productividad
factor
0,89
0,577
0,649
0,374
0,89
0,579
0,628
0,364
0,89
0,353
0,542
0,191
Promedio
0,310
52.1.1.
C
alculo de la productividad
Tw + T q
donde Tw son el total de horas trabajadas, Tq es el total de horas muertas y es un factor de
correccion por pausas necesarias, calculado a continuacion.
durante una semana laboral (48.75 horas de trabajo nominales) se pierden: 20 minutos para tomar
cafe cada da, 10 minutos para lavado cada da, y media hora para almorzar, excepto el jueves:
20 6 + 10 6 + 30 5 = 330 min/semana
entonces
=
48,75 60 330
= 0,89
48,75 60
La performance (P) es definido como una medida de la velocidad a la cual la gente trabaja. Se determina por las condiciones en que trabajan, el nivel de capacidad que tengan (innatas y adquiridas)
y por el esfuerzo puesto en la tarea:
Ts
P =
T
donde Ts es el total de horas standard, y T es el total de horas registradas. Se aprecia que la
estimacion de P puede ser bastante subjetiva si no hay un patron para la duracion normal de las
tareas.
El Nivel de metodologas es la raz
on entre el tiempo utilizada usando un metodo reconocido como
de calidad y el tiempo gastado con las tecnicas y destrezas disponibles. La efectividad es medida
con:
E =P U M
el metodo m
as com
un para estimar U y P es a traves de muestreo estadstico de los trabajos. La
tabla (52.2) muestra un ejemplo de c
alculo de estos indicadores para 3 tipos de intervenciones.
52.2.
Comentarios finales
1027
visualizar r
apidamente los logros realizados. como apoyo a la auditora interna es conveniente realizar un benchmarking en empresas similares y tambien de mejores practicas realizado por un ente
consultor externo (ver ??).
1028
Bibliografa
[1] Al-Muhaisen,M.,Santarisi, N., Auditing of the maintenance system of Fuhais plant/Jordan Cement Factories Co., Journal of Quality in Maintenance Engineering, 8(1), 62-76, 2002. [bajar].
[2] Westerkamp, T., Using the computer to audit your maintenance productivity,Proceeding of Annual International Maintenance Conference, Atlanta, 1985.
1029
1030
Captulo 53
Auditora externa
...plants looking for breakthrough improvement in maintenance, on top of benchmarking,
other means, i.e. intelligent decision support system (IDSS) for maintenance, are required
as well...
...92 per cent of 115 electric utilities surveyed in the USA considered making a benchmarking visit to other utilities...
Yam et al.[99]
53.1.
Introducci
on
53.2.
Estudio de caso
Para fines ilustrativos, tomamos el ejemplo de (Yam et al., 2000)[99]. El estudio considera una
planta de generaci
on de energa a partir de carbon y petroleo, en Hong Kong con una capacidad
total de 4100 MW. El proceso de benchmarking considero otras 72 plantas alrededor del mundo. Se
tomaron los siguientes pasos:
a) Identificar los indicadores de performance a ser analizados;
1031
1032
1033
59
55
Promedio
29
Planta
analizada
23
22
Intervenciones
por
inspecciones
Inspecciones
Intervenciones
preventivas
70
60
50
40
30
20
10
0
Intervenciones
correctivas
% de intervenciones
Figura 53.1: Performance de la planta analizada con respecto a las demas plantas de clase mundial
Estrategia
Correctiva
Preventiva
Inspecciones
Centrado
en la condici
on
P
Promedio 72 plantas ( %)
7
29
5
59
100
Planta analizada ( %)
0
55
22
23
100
53.2.1.
Estrategias de mantenimiento
El an
alisis de las estrategias utilizadas en las 72 plantas consideradas en el estudio se muestra en
figura (53.1). La planta analizada utiliza mantenimiento centrado en la confiabilidad para balancear
tanto las estrategias preventivas como predictivas. El uso extensivo de estas estrategias explicaran
la baja tasa de fallas de la planta. Sin embargo, el 55 % de intervenciones preventivas parece muy
alto y podra tratarse de sobre-mantenimiento. La planta tratara de reducirlo utilizando mas mantenimiento centrado en la condicion.
53.2.2.
Efectividad global
La productividad del mantenimiento es medida en terminos de los costos de intervencion, normalizados por la potencia de la planta. Para disminuir el efecto de otras variables, se considero un
promedio sobre los u
ltimos 5 a
nos. Se excluyeron explcitamente los costos asociados a control de
la poluci
on, apoyo tecnico, y rehabilitaciones tras desastres:
P5
T P M Ci T P CCi T T SCi T CDRi
(53.1)
AEM C = i=1
5
1034
A
no
1
2
3
4
5
Costo total
en mantenimiento (um)
3921
3131
3775
3146
7331
poluci
on (um)
143
154
156
158
129
Desastres (um)
0
0
0
0
0
Corregido (um)
3614
2808
3421
2698
6488
A1-A4
13,0 18,0
PACE1 350 MW
mediana
21,0
mejor
7,8
B1-B4
5,8 9,0
PACE 660 MW
mediana
14,8
mejor
5,8
0,6 6,4
12,7
2,6
1,4 2,6
8,8
1,3
0,5 2,8
3,9
0,8
1,5
2,8
0,6
X=
EF ORi SHi
P5
i=1 SHi
i=1
(53.2)
A
no
1
2
3
4
5
EF OR ( %)
3,9
5,5
3,6
5,1
2,6
SH (horas)
6540
6828
7505
6887
6930
EA ( %)
85,5
92,0
88,6
94,8
72,6
1035
F OM R ( %)
0,0
0,0
0,1
0,1
0,0
Cuadro 53.4: Indicadores del nivel de servicio de mantenimiento para la planta analizada
P5
i=1
AEA =
EAi
5
P5
i=1
AF OM R =
F OM Ri
5
(53.3)
(53.4)
donde
AEF OR es la tasa equivalente promedio de interrupciones forzadas (ut/ut);
AEA es la disponibilidad equivalente promedio;
AF OM R es es la tasa promedio de detenciones forzadas (ut/ut);
N F OMi es el n
umero de detenciones forzadas en el a
no i;
EF ORi es la tasa equivalente de detenciones forzadas en el a
no i;
SHi es la suma de las horas en servicio en el a
no i;
EAi es la disponibilidad equivalente en el a
no i;
F OM Ri es la tasa de mantenimiento ante detenciones forzadas en el a
no i.
La tabla (53.4) muestra las tasas EF OR, SH, EA y F OM R para los 5 a
nos considerados.
Se tiene:
3,9 6540 + 5,5 6828 + 3,6 7505 + 5,1 6887 + 2,6 6930
6540 + 6828 + 7505 + 6887 + 6930
= 4,1 %
AEF OR =
AEA =
AF OM R =
Los indicadores anteriores fueron comparados con los de las demas plantas y se dio una puntuacion
entre 0 (peor) y 1 (mejor). A fin de obtener un solo indicador para el nivel de mantenimiento, (Yam
et al., 2000) proponen:
X
Y =
wj rj
j
donde:
rj es la puntuaci
on obtenida seg
un el criterio j = AEF OR, AEA, AF OM R;
wj es el peso asignado al criterio dentro del indicador general Y (mostrados en tabla 53.5).
1036
Criterio
AEF OR ( %)
AEA ( %)
AF OM R ( %)
N F OR
%
4,1
86,7
0,04
0
rj (0.0-1.0)
0,960
0,865
0,995
1
wj
0,35
0,35
0,20
0,10
Cuadro 53.5: Valores promedio, rankings y pesos asociados a cada criterio para la planta en estudio
AEFOR ( %)
AEA ( %)
AFOMR ( %)
NFOR
A1-A4
0,5 2,5
90 93
0,02
0
PACE 350 MW
mediana
7,0
85,0
1,0
1
mejor
0,5
90
0
0
B1-B4
0,5 4,1
87,0 92,0
0,04
0,5
PACE 660 MW
mediana
5,0
85,0
1,8
1
mejor
0,5
87,0
0
0
53.2.3.
Organizaci
on estructural
Al hacer un estudio sobre las 72 plantas se observo que en promedio cada supervisor de mantenimiento tiene 8 personas a su cargo. El valor maximo alcanzo 28 personas/supervisor.
El n
umero promedio de niveles en la estructura organizacional del mantenimiento es 4 (Gerente,
jefe, lderes de cuadrilla, miembros de la cuadrilla).
La planta en estudio tiene 4 niveles y un supervisor por cada 7 miembros de cuadrilla.
53.2.4.
FTE
MW
1037
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
20
18
16
14
12
10
8
6
Costo de mantenimiento (um/ao/MW)
Figura 53.2: Performance de la planta analizada con respecto a las demas plantas de clase mundial
Planta analizada
3
4
PACE mediana
2
4
PACE mejor
1
1-2
1.5
80
75
30
26315
1500
<1000
53.2.5.
Planificaci
on y control de las
ordenes de trabajo (OT)
El sistema de
ordenes de trabajo es el metodo de uso mas com
un para controlar y monitorear las
actividades de mantenimiento. El sistema incluye la generacion de las ordenes de trabajo, evaluaci
on de las OT, estimaci
on de costos, aprobacion, programacion, ejecucion, y reporte. El sistema
de
ordenes de trabajo es frecuentemente usado como medio de registro del historial del equipo
y para controlar los costos de intervencion. Es una herramienta u
til para optimizar el uso de los
recursos del mantenimiento: recursos humanos, dinero, equipos, materiales, herramientas, instalaciones, e informaci
on. Ademas provee comunicacion rapida y precisa entre los participantes de una
intervenci
on.
El estudio mostr
o que 90 % de las 72 plantas de clase mundial consideradas en el estudio utilizaban
un sistema de informaci
on computarizado para manejar las ordenes de trabajo. La tabla (53.7)
muestra indicadores relativos al manejo de ordenes de trabajo
Aunque la planta analizada se comporta mucho mejor que el promedio, ella requiere un estudio con
respecto a la mejor. Los puntos a revisar son: n
umero de pasos requeridos para la aprobacion de la
1038
Planta analizada
12
PACE mediana
24
PACE mejor
8
45
20
53.2.6.
Planificaci
on y control de detenciones
53.2.7.
Conclusiones
La planta analizada puede ser considerada entre las mejores. Ha puesto demasiado enfasis en el mantenimiento preventivo. La implementacion de mantenimiento centrado en la condicion puede reducir
los costos de intervencion y de falla asociados a intervenciones correctivas y preventivas. Ademas,
puede reducir el costo de almacenamiento justificado por niveles de tasas de falla con mantenimiento
correctivo. El uso de contratistas tambien puede manejar los peaks de trabajos durante los overhauls y en la ocurrencia de fallas. Los costos fijos tambien son reducidos com mayor outsourcing.
La aplicaci
on de estrategias TPM (operador-mantenedor y mantenedor multi-proposito) promueve
la responsabilidad del operador como responsable del equipo y libera al personal de mantenimiento
para realizar tareas con mayor grado de complejidad tecnica.
El benchmarking tambien puede identificar areas de desarrollo necesarias para mejorar la performance del mantenimiento. Por ejemplo, la implementacion de sistema inteligentes de apoyo a la
toma de decisiones as como de polticas de mantenimiento centrado en la condicion.
53.3.
Comentarios finales
Hemos mostrado un estudio de caso de benchmarking, aplicado en las diferentes dimensiones del
mantenimiento. El enfoque cuantitativo da clara idea de la posicion que ocupa la planta en estudio
versus sus pares de clase mundial y sobre las medidas que deben tomarse para mejorar la performance
en la gesti
on del mantenimiento.
(Yam et al, 2000) aconseja evitar la transferencia directa de las practicas de las mejores plantas
sin tomar en cuenta los requerimientos locales. Tal practica puede suprimir la creatividad propia o
confinar demasiado las soluciones posibles a los problemas.
53.4.
A explorar
1039
1040
Bibliografa
[1] R. Yam, P. Tse, L. Ling, F. Fung,Enhancement of maintenance management through benchmarking, Journal of Quality in Maintenance Engineering, 6(4), 224-240, 2000. [bajar]
[2] Le-Sueur M.L., Dale B.G., Benchmarking: a study in the supply and distribution of spare parts
in a utility, Benchmarking: An International Journal, 4(3), 189-201, 1997. [bajar]
[3] Muthu S., Devadasan S.R., Ahmed S., Suresh P., Baladhandayutham R., Benchmarking for
strategic maintenance quality improvement, Benchmarking: An International Journal, 292-303,
2000. [bajar]
[4] B. Al-Najjar, Total quality maintenance: An approach for continuous reduction in costs of quality
products,Journal of Quality in Maintenance Engineering, 2(3), 4-20, 1996. [bajar]
[5] A Raouf, M Ben-Daya, Total maintenance management: a systematic approach, Journal of Quality in Maintenance Engineering, 1(1), 6-14, 1995. [bajar]
[6] D.F.X. Mathaisel, T.P. Cathcart,C.L. Comm, A framework for benchmarking, classifying, and
implementing best sustainment practices, Benchmarking: An International Journal, 11(4), 403417, 2004. [bajar]
[7] Al-Muhaisen, M., Santarisi, N., Auditing of the maintenance system of Fuhais plant/Jordan
Cement Factories Co., Journal of Quality in Maintenance Engineering, 8(1), 62-76, 2002. [bajar]
[8] B. Al-Najjar, M.O. Hansson, P. Sunnegardh,Benchmarking of maintenance performance: a case
study in two manufacturers of furniture, IMA Journal of Management Mathematics, 15(3), 253270, 2004.
[9] Knights, P., Oyanader, P., Benchmarking de Indices de Mantenimiento para Plantas Concentradoras en Chile, Encuentro de mantenedores de plantas mineras, Chile, 2004.
1041
1042
Parte VI
An
alisis de fallas
1043
Captulo 54
An
alisis de modos de falla
Nothing is so instructive to the younger members of the profession as records of accidents
and large works, and the means employed in repairing the damage.
Robert Stephenson
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Clasificar las fallas de acuerdo a su origen y efectos.
Construir un diagrama funcional de bloques
Realizar un an
alisis de modos de falla, efecto y criticidad.
Priorizar modos de falla con respecto a criticidad y otros criterios.
establecer criticidad de repuestos a partir del analisis a partir del analisis de criticidad de los
sistemas en operaci
on
54.1.
Introducci
on
Antes de seleccionar una estrategia de mantenimiento para un equipo es conveniente conocer los
fen
omenos que producen su degradacion y falla. Las fallas pueden ser clasificadas como:
Fallas aleatorias: contemplan las fallas repentinas y completas, tales como la ruptura de
un componente mec
anico o un corto circuito en un sistema electrico. Es difcil observar la
degradacion y por tanto no es posible establecer procedimientos preventivos.
Fallas por degradaci
on: Fenomenos tales como
desgaste mec
anico,
fricci
on,
aumentos en la resistencia de componentes electronicos; la degradacion es gradual y puede
ser observada directa o indirectamente.
De acuerdo a la tasa de fallas (frecuencia esperada de falla), la vida de un sistema se puede dividir
en tres etapas:
etapa temprana, caracterizada por una tasa de falla que decrece en el tiempo;
etapa madura, caracterizada por una tasa constante de fallas;
ancianidad, caracterizada por una tasa creciente de fallas. (ver figura 54.1).
En el contexto de la recolecci
on de datos de falla podemos distinguir:
1045
Tasa de fallas
1046
54.2.
Clases de fallas
54.2.1.
Fallas primarias
Son el resultado de una deficiencia de un componente, cuando esta ocurre en condiciones de operacion dentro del rango nominal.
Ejemplo 168 Ruptura de un
alabe de turbina cuando la velocidad es operacional.
54.2.2.
Fallas secundarias
Son el resultado de condiciones no nominales de operacion. La falla podra no haber ocurrido si las
condiciones hubiesen estado en el rango de dise
no del componente.
Condiciones que causan fallas secundarias:
temperaturas anormales,
sobrepresi
on,
sobrecarga,
velocidad anormal,
vibraciones ambientales excesivas,
corriente excesiva,
contaminaci
on,
corrosi
on,
etc.
La ocurrencia de condiciones ambientales degradadas no siempre conlleva la ocurrencia de una falla
secundaria.
Ejemplo 169 El incremento de la temperatura sobre el rango de dise
no puede causar la falla de
un componente solo 60 % del tiempo, o sea, la probabilidad condicional de la falla del componente
cuando hay un incremento anormal de la temperatura es de 0.6.
Las fallas secundarias pueden ser clasificada en varias categoras:
1047
54.3.
Se dice que un componente es reparable si puede ser reparado cuando se detecta su falla. En el
contexto de la ingeniera de confiabilidad, el reemplazo es equivalente a la reparacion. Usualmente
se considera que un artculo reparado es tan confiable como uno nuevo.
Si no es posible reparar el componente luego de detectar su falla, se habla de componente no
reparable.
Ejemplo 172 Si un componente inaccesible de un avi
on falla en vuelo, no seria posible repararlo
durante el mismo. El componente puede, por supuesto, ser reparado luego del aterrizaje, pero esto
es irrelevante desde el punto de vista de la operaci
on del avi
on durante ese vuelo.
Aun si es posible reparar un componente tras la deteccion de su falla pero si la poltica de operaci
on/mantenimiento demora la intervencion hasta el proximo overhaul, tal componente es considerado como no reparable.
54.4.
An
alisis funcional de un sistema
Antes de realizar un an
alisis de modos de falla, efectos y criticidad es necesario descomponer al
equipo para establecer las relaciones funcionales que existen en el. Hay varios metodos de analisis
funcional. Un ejemplo es el m
etodo de interacci
on (descrito en la norma francesa X50-153-AFN92
por ejemplo) por su facilidad de implementacion.
1048
Anlisis de falla
P royecto:
Lnea:
Cdigo
func in
P lanta:
Fecha:
Funcin
Cdigo
Medio de
Modo de falla Modo de falla detec c in
Aprobado por:
Criticidad
Frecuencia
Gravedad
Criticidad
Fecha:
Figura 54.2: An
alisis funcional externo de un equipo
54.4.1.
Objetivos
54.4.2.
Principio del an
alisis funcional
Se efect
ua sucesivamente:
un an
alisis funcional externo que considera al equipo como una caja negra;
un an
alisis funcional interno que tiene en cuenta los subconjuntos que conforman el equipo.
El analisis externo se realiza en la ficha de figura 54.2. Para cada funcion se estudian las diferentes
fallas (grupo de an
alisis ayudado por el grupo equipos). La capacidad de deteccion de una falla
recibe una ponderaci
on:
1, si no hay medio de detectarla;
0, en caso contrario.
El modo de falla se describe como la manera en que un equipo llega a no cumplir su funcion.
Los modos de falla se especifican seg
un:
impacto de la falla en la seguridad, produccion y calidad;
frecuencia de las fallas,
fallas no detectables o con poca detectabilidad durante el funcionamiento del equipo;
efectos inducidos de la falla:
influencia en la seguridad;
Electrnica
Hidraulica
No funcional
-circuito abierto
-corto circuito
-no hay respuesta a la excitacin
-conexin suelta
Prdida de la funcin
-corte elctrico
-componente defectuoso
-fuga
-circuito bloqueado
-obstruccin
-Perturbaciones
-Parasitos
-activacin sin control
Funcin degradada
Funcin no controlada
-mala aislacin
-desgaste
1049
Mecnica
-Interferencia
Ruptura
Bloqueo
Agripamiento
-Juego
-grieta
<3 aos
2
<1 ao
3
4
<1 semestre >1 semestre
1 Ninguna
Parada de produccin
2 sin costo de falla
Parada de produccin
3 con costo de falla
4 Falla catastrfica
54.4.3.
Relaci
on entre falla funcional y equipo
En este paso se liga las funciones descritas en la ficha (54.2) con los componentes del equipo. Para
ello se utiliza la ficha mostrada en figura 54.5.
La descomposici
on se realiza en general a las funciones mas crticas. Se obtiene una lista de elementos
mantenibles implicados en las fallas funcionales crticas.
Descomposicin de equipos
P royecto:
Lnea:
Cdigo
func in
Aprobado por:
P lanta:
Fecha:
Funcin
Cdigo
Cdigo
Critic idad
subconjunto Subconjunto E lementos
E lementos
Mantenibles Mantenibles
Fecha:
1050
54.5.
An
alisis de modos de falla, efectos y criticidad
El termino modo de falla es usado para referirse a las posibles maneras en que un componente puede
fallar. Un componente puede tener uno o mas modos de falla.
El analisis de modos de falla, efectos y criticidad (FMECA por sus siglas en ingles) es probablemente
el metodo m
as usado y m
as efectivo de analisis de confiabilidad. La referencia original es la norma
militar norteamericana US MIL-STD-1629 1 .
El FMECA considera cada modo de falla de cada componente de un sistema y comprueba sus
causas y efectos.
El analisis responde las siguientes preguntas para cada componente del sistema en estudio:
Como puede fallar el componente?
Cuales son las consecuencias de tal falla?
Cual es la criticidad de las consecuencias?
Como puede detectarse la falla?
Cuales son las salvaguardias contra la falla?
El estudio logra:
Asegurar que todos los modos de falla concebibles y sus efectos sean comprendidos
Identificar debilidades en el dise
no
Proveer alternativas en la etapa de dise
no
Proveer criterios para prioridades en acciones correctivas
Proveer criterios para prioridades en acciones preventivas
Asistir en la identificaci
on de fallas en sistemas con anomalas
El FMECA es una tarea de grupo que requieren participantes e informacion con las siguientes
cualidades:
Experiencia en el campo de aplicacion,
Conocimiento de la estructura del sistema en estudio,
Informaci
on de fallas,
Criterios para fundamentar las recomendaciones.
Un analisis FMECA puede estar basado en los componentes de un sistema (ejemplo: picadura en
rodamiento) o en funcionalidades (ejemplo: no hay feedback). El enfoque funcional se utiliza cuando
no se ha logrado identificar componentes especficos o cuando el dise
no no ha sido plenamente
definido.
La norma militar americana provee dos metodos para realizar el FMECA. El metodo 101 (ver figura
54.6) es cualitativo, y permite resaltar los modos de falla cuyos efectos son importantes en relacion
a severidad, detectabilidad, mantenibilidad, seguridad.
El metodo 102 (an
alisis de criticidad) incluye consideraciones de tasa de falla o probabilidad, nivel
de criticidad). Define el n
umero de criticidad del modo de falla m:
Cm = p t
donde
es la probabilidad de perdida de la funcion
= 1 R(t)
1 Procedures
1051
Sistema
Fecha
Hoja
Plano
Funcin
Hecha por
Aprobada por
Numero
Identificacin Funcin
Identificacin funcional
Modos de
Fase en
falla y causas que ocurre
Efectos
locales
Efectos
Efectos
en nivel superior finales
Mtodo de
deteccin
de
Medidas
Nivel de
compensatorias severidad
Observaciones
Fecha
Hoja
Hecha por
Aprobada por
Plano
Funcin
Numero
Identificacin Funcin
Identificacin funcional
Modos de
Fase en
falla y causas que ocurre
de
tiempo
Numero
Criticidad
de operacin de criticidad
del item
del modo de falla
Cm
Observaciones
Observaci
on 170 La evaluaci
on de (t) puede ser aproximada por una distribuci
on exponencial
en un c
alculo aproximativo inicial, se tiene
R(t) = ep t
donde la tasa de fallas p puede ser asumida constante en una estimaci
on inicial:
p
N (T )
T
1052
N de sistema: LHD-SHLV
Hoja N 1
Equipo:
Revisado por:
LHD
Identificacin Funciones
Modos de Fallar
Item
y causas
Mover Aceite
Deficit de flujo:
Bajo
hidrulico
desgaste de la
rendimiento
del estanque
bomba; aceite y
a los
filtros en mal
Bomba doble
Dao
de 1
Mtodo de
Acciones
Clasificacin
Deteccin
Correctivas
de gravedad
Funcionamiento Detencin
Aceite
Cambiar lo
Marginal y
Se mide con
lento de
equipo
quemado u
que falla:
ocasional
flujometro,
hidrulico,
direccin
(funcionamiento oscuro,
lento
y pesado
mecanismos
so
temperatura
para saber si
calentamiento
Ef. Finales
sellos y bomba
hay
internas y fugas
o del aceite,
de los
bamba est
en los sellos.
problemas de
compartimen
mala
packing y
tos y lentitud
sellos.
Cilindros
Movimiento
Mal
de Vastago
Funcionamiento equipo
produce fatiga
vlvula
(funcionamiento oscuro,
de direccin
to y
Detencin
so)
Aceite
Cambiar
Marginal,
quemado u
packing
razonablemente probable
temperatura,
lento, no
mantiene
presin, se
cae el balde
Vlvulas L y V
Obs.
Distribuir el
Desgaste
Mal
Mal
Detencin
aceite hacia
ralladuras
funcionamien
funcionamiento equipo
Problema
Cambiar,
Marginal y
la
reparar
sistema
picaduras
to levante,
vlvulas
(funcionamiento temperatura
rectificar
ocasional
levante y
volteo y
LyV
tnel
volteo y bajar
direccin,
o subir
aumento
so.
posibilidad
de falla de la
bomba por
aumento de
temperatura
por los
problemas
54.6.
1053
Etapas del an
alisis
El FMECA es realizado por un o mas ingenieros que tiene conocimientos a fondo del dise
no del
sistema y de su aplicaci
on.
Los pasos a seguir son:
Establecer el alcance del analisis
Recopilar la informaci
on necesaria
Preparar la lista de componentes
Llenar las fichas
54.6.1.
54.6.2.
Recopilaci
on de informaci
on
1054
54.6.3.
Antes de rellenar las fichas y detectar los modos de falla para cada componente, se deben listar
todos los componentes del sistema. Se deben especificar:
funciones
condiciones de operaci
on (temperatura, carga, presion, etc.)
condiciones ambientales
Se debe construir un diagrama funcional de bloques lo que permite guiar y comprender el analisis
completo.
Observaci
on 171 Si el sistema opera en m
as de una fase y las relaciones funcionales cambian
o los componentes operan en forma distinta, ello debe considerarse en el an
alisis. Tambien debe
evaluarse el efecto de equipos redundantes.
Observaci
on 172 Un FMECA puede enfocarse en distintos puntos de vista: seguridad, exito de
la misi
on, disponibilidad, costo de intervenci
on, detectabilidad de los efectos, etc. Por ejemplo un
FMECA orientado a la seguridad puede dar un bajo nivel de criticidad a un componente de baja
disponibilidad pero cuyos efectos no son crticos para la seguridad.
54.6.4.
Componente
Se debe identificar los componentes de manera unvoca. Por ejemplo: v
alvula es insuficiente. Mas
correcto es v
alvula B2K (como en el plano).
Funci
on
Muy breve, en muchos an
alisis se omite por ser obvio.
Modos de falla
Las posibles formas en que un componente puede fallar:
por vejez: corrosi
on, fatiga, etc.
por condiciones de operaci
on: en automatico, en manual, etc.
condiciones ambientales: terremoto, tornado, etc.
por clase de operaci
on: prematura, tarda, deformacion excesiva, etc.
Frecuencia de la falla
Puede ser el tiempo medio entre fallas (M T BF ) o alg
un n
umero que pondere entre los equipos.
Criticidad
Usualmente se usa un sistema de ponderacion de acuerdo a:
I: Insignificante, el efecto sobre la confiabilidad y/o disponibilidad es mnimo
II: Menor, no afecta la seguridad pero si la confiabilidad y disponibilidad
III: Mayor, no afecta la seguridad pero si la confiabilidad y disponibilidad de manera importante
IV: Crtica, la seguridad es afectada
Marca
Isuzu
Mercedes
Mitsubichi
Cummin
Isuzu-CJR
MAN
Total
Edad
Dic 91
37
35
30
16
8
0
126
75 %5 a
nos
1055
Dic94
19
0
17
0
8+33
42
119
54.7.
54.8.
Estudio de caso
54.8.1.
Descripci
on de la compa
na
54.8.2.
Diagn
ostico inicial del mantenimiento
De los registros de panas en carretera, se encontraron 833 fallas en 1990, lo que equivale a 2.3
fallas/da. Cuando ocurra una falla, la mayora de las ocasiones se requera un bus y un conductor
de reemplazo, y 2 mec
anicos. La disponibilidad operacional de la flota era manejada va redundancia.
Tambien se not
o que la disponibilidad deseada de 80 % para la flota era apenas alcanzada. Como
resultado, y para alcanzar los requerimientos operacionales, se deban reprogramar buses para
realizar viajes extras. La situacion se complicaba a
un mas cuando no haban buses en stand-by.
30 % de los viajes eran realizados con retraso. La culpa era asociada principalmente al servicio
1056
de mantenimiento pues no alcanzaba a reparar los buses a tiempo. Los costos de intervencion de
mantenimiento representaban 27 % de los costos de operacion.
En 1991 se realizaban 4 tipos de actividades preventivas. Tres de ellas son consideradas como
actividades livianas (A,B y C) y la u
ltima como pesada (D).
La actividad A se realizaba diariamente y consista en una inspeccion visual y auditiva simple al
final de cada viaje diario. Duraba aproximadamente 3 minutos.
La actividad B se realizaba hacia cada 8000 Km. Consista en una actividad A combinada con
cambio de aceite y filtro. Duraci
on aproximada: 15 minutos.
La actividad C se realizaba cada 24000 Km. Corresponda a una intervencion B mas cambio de
aceite en la caja de transmision y en el arbol trasero, y reemplazo del filtro de combustible. Duracion
aproximada: 1 hora.
La actividad D se realizaba cada 6 meses. Consista en una preparacion del bus para la certificacion
tecnica. No exista un registro formal de intervenciones realizadas. Los trabajos tpicos eran: cambio
de anillos, chequeo de sistemas de frenado, electricos y de combustible; inspeccion de la estructura.
Tiempo promedio: 2 das.
Durante el perodo del estudio se disminuyeron las frecuencias para las actividades B y C por
razones tecnol
ogicas asociadas a lubricantes de mejor calidad. La actividad B se extendio de 8000
Km a 14000 Km, y la actividad C, desde 24000 km a 42000 km.
54.8.3.
Datos existentes
1057
350
300
Numero de fallas
250
200
150
100
50
0
all
eng
trs
brk
spn
elc
acn
stg
whl
oth
Subsistema
desgaste
conductor
vibracin excesiva
lubricacin
calidad repuesto
configuracin/instalacin incorrecta
Figura 54.9: N
umero de fallas por subsistema y por causa. all: Todos, eng: motor, trs: transmision,
brk: frenos, spn: suspensi
on, elc: Sist. electrico, acn: aire acondicionado, stg: direccion, whl: ruedas, tyr:
neumaticos,oth: otros
54.8.4.
An
alisis de modos de falla, efectos y criticidad
Este tipo de an
alisis exige el registro de dato: modos de falla, causas y consecuencias; medios de
prevenci
on.
La recolecci
on de datos inicio su marcha blanca en un proceso de 1 mes, primero como un metodo de
ensayo de an
alisis, pero tambien como ejercicio de entrenamiento para familiarizar a los ingenieros
y al staff en los conceptos y el metodo a ser usado. Luego se paso a un segundo estudio, que duro 2
meses. Los objetivos del an
alisis de modos de falla fijados fueron:
reconocer y describir la escala y la naturaleza de las fallas y ganar una vision general de las
necesidades actuales de mantenimiento;
identificar y hacer resaltar las areas de mejoras potenciales y las directivas requeridas para
realizar tales mejoras.
El an
alisis se llev
o a cabo entre enero y febrero de 1992. Durante el estudio se registraron 123
panas, excluyendo las fallas de neumaticos; se detectaron 212 defectos (excluyendo neumaticos) y
674 defectos de neum
aticos. Las figuras 54.9-54.11 identifican:
componentes crticos
causas mayores de falla
medios posibles de prevencion
La figura 54.9 muestra el n
umero total de fallas (tanto de pana como detectadas en inspeccion),
por subsistema funcional tenemos:
A su vez, 75 % de las fallas de motor eran causadas por:
Las fallas de transmisi
on, frenos y refrigeracion son jerarquizadas en tablas 54.4, 54.5 y 54.6, respectivamente.
Adicionalmente, la tabla 54.7 muestra el porcentaje de panas por subsistema.
La figura 54.9 tambien indica la naturaleza de las fallas. El desgaste es considerado la causa dominante de fallas. Tambien se encontro que, excepto las fallas de ruedas, donde la causa dominante es
1058
200
150
100
50
0
all
eng
trs
brk
spn
elc
acn
stg
whl
oth
lubricacin
Subsistema
desgaste
conductor
vibracin excesiva
calidad repuesto
configuracin/instalacin incorrecta
135
120
Numero de fallas
105
90
75
60
45
30
15
0
all
eng
trs
brk
spn
elc
acn
stg
whl
oth
Subsistema
Mantenimiento preventivo
Reemplazo preventivo
Rediseo
Otros
Figura 54.11: N
umero de fallas por subsistema y por medio de prevencion
Sub-sistema
Motor
Transmision
Frenos
Aire
P acondicionado
% fallas
25
23
13
17
88
Sub-sistema
Combustible
Refrigeracion
Lubricaci
on.
P
% fallas
34
27
14
75
subsistema
carcasa
control de embrague
caja reductora
a
rbol de transmision
P
% fallas
29
13
14
18
78
sub-sistema
conjunto alineamiento
sistema
de aireacion
P
%fallas
33
40
73
subsistema
motor
piping
evaporador
P
%fallas
18
39
16
73
Sub-sistema
Motor
Transmision
Frenos
% panas/subsistema
45
37
53
1059
1060
la configuraci
on defectuosa, en todas las otros subsistemas, la causa dominante es el desgaste. Otras
causas de fallas como la calidad de la conduccion, lubricaci
on y mal dise
no eran significativas, pero
no dominantes.
Como resultado de la no detecci
on de fallas y la ocurrencia de panas, la compa
na reduce su nivel de
disponibilidad, incrementa sus costos de falla y acrecienta el nivel de desagrado de los consumidores.
En este estudio, se registraron 2 tipos de datos: costos de intervencion (repuestos, horas hombre) y
tiempos de reparaci
on y de inspecci
on.
El tiempo de reparaci
on incluye:
el tiempo para diagnosticar la falla,
el tiempo para obtener los repuestos, y
el de la reparaci
on misma.
La figura 54.10 muestra la parte del costo de intervencion asociado a repuestos para cada subsistema,
durante el perodo del estudio. Se observa que las fallas de motor representan mas de la mitad de
los costos en repuestos.
Observaci
on 174 El estudio presentado se concentr
o en los costos de repuestos. Un enfoque m
as
completo debera incluir los costos de mano de obra y de falla (en suma, el costo global). Sin
embargo, ello puede ser muy demandante para el an
alisis. Podemos de alguna forma asumir que los
dem
as costos son proporcionales a los de los repuestos para poder priorizar.NdP.
El estudio tambien mostr
o que las fallas de motor asociadas con mala conduccion eran indicadas por
rotura de pistones o del bloque. Tales fallas eran causadas principalmente por fallas en los sistemas
de refrigeraci
on y lubricaci
on. Si de acuerdo a los ingenieros, el conductor hubiese estado alerta a
los indicadores de malfuncionamiento de tales subsistemas, se podran haber evitado las fallas.
La figura 54.11 muestra el n
umero de fallas con pana en el camino y su posible accion preventiva.
Seg
un la opini
on de los ingenieros, 74 % de las fallas podran haber sido prevenidas o evitadas con
un programa de mantenimiento preventivo adecuado. Ello no significa que econ
omicamente se
justifique el implementar tal programa, pero implica la posibilidad de considerar tal estrategia. La
figura 54.11 indica que casi 80 % de las panas de motor (en carretera) pueden ser evitadas con
mantenimiento preventivo. El an
alisis mostro ademas que la mayora de las panas de motor eran
provocadas por:
valvulas rotas o con fugas,
bombas de combustible rotas,
fugas en el piping de combustible y del radiador.
Para los componentes de la transmision que causan panas, se considero que el mantenimiento
preventivo es considerado tan importante como para el motor. La mayora de los problemas de
transmision fueron provocados por:
problemas asociados al desgaste del embrague y
fallas en el
arbol de transmisi
on.
Las fallas de los pernos de rueda tambien pueden ser prevenidas mejorando la supervision y las
practicas de mantenimiento. Es sabido que estos componentes fallan por excesivo o muy poco
apriete de las tuercas.
Al presentar estos resultados se mostr
por primera vez una vista general detallada de la operacion
de los buses. El estudio permiti
o un trabajo de ingeniera concurrente en la empresa. Ello ayudo a
crear un ambiente que estimul
o y motivo a los mandos superiores a verse envueltos en las mejoras
necesarias. Se realizo un estudio el aporte de mas de 30 ingenieros para asegurar que practicas podran/deberan ser realizadas en mantenimiento preventivo y en inspecciones. Se logro un consenso
importante respecto de que las inspecciones y las reparaciones estaban siendo realizadas defectuosamente. Entre los factores discutidos destacan:
1061
54.9.
Comentarios finales
El FMECA se concentra en identificar las fallas posibles de los componentes. As, se identifican
deficiencias en el dise
no, que se pueden mejorar. Tambien se pueden recomendar programas de
inspecci
on efectivos. Se puede priorizar en funcion de frecuencia y criticidad, de modo de concentrar
los esfuerzos en aquellos modos de mayor prioridad.
Una limitaci
on de la tecnica es que se trata de un analisis de falla simple. Eso es, que cada modo
de falla es considerado individualmente. Si un modo de falla es capaz por si solo de afectar el
funcionamiento del sistema, ello es identificado por el FMECA. Sin embargo, particularmente en
sistemas complejos, un solo modo de falla puede no afectar negativamente al sistema, pero si se
combina con otro s . El FMECA no esta adaptado para este segundo caso; y es mejor utilizar la
tecnica del
arbol de fallas.
54.10.
A explorar
Rhee & Ishii [6] presentan una version modificada de FMECA en donde el criterio de priorizacion
es el costo esperado de ciclo de vida en vez del numero de criticidad.
1062
Bibliografa
[1] C.R. Sundararajan. Guide to Reliability Engineering. Van Nostrand Reinhold, 1991.
[2] P. Oconnor, Practical Reliability Engineering, 3rd ed., John Wyley & Sons, 1991.
[3] P. Lyonnet. Maintenance Planning, Methods and Mathematics. Chapman & Hall, 1991.
[4] R.L. Post, HAZROP: an Approach to Combining HAZOP and RCM, Hydrocarbon Processing,
may 2001, 69-76. [bajar]
[5] Desa, M.I. and Christer, A.H., Modelling in the Absence of Data: A Case Study of Fleet Maintenance in a Developing Country, Journal of the Operational Research Society, 52, 247-260, 2001.
[bajar]
[6] Rhee, S.J., Ishii, K. Using cost based FMEA to enhance reliability and serviceability, Advanced
Engineering Informatics, 17, 179188, 2003. [bajar]
[7] BSI BS 5760: PART 5, Reliability of Systems, Equipment and Components, part 5Guide to
Failure Modes, Effects and Criticality Analysis (FMEA and FMECA), 1991.
[8] IEC 60812 (198507), Analysis Techniques for System ReliabilityProcedure for Failure Mode and
Effects Analysis (FMEA), 1985.
1063
1064
Captulo 55
An
alisis de riesgos y operabilidad
...35-40 % of all serious accidents in the process industry... are connected to maintenance.
Studies ... of the fatalities in the chemical industry showed that approximately 30 % were
linked to maintenance activities, taking place either during maintenance or as a result of
faulty maintenance....
Einarsson and Rausand [21]
55.1.
Introducci
on
El An
alisis HAZOP (HAZards and OPerability) consiste en un analisis estructurado que permite
la identificaci
on y clasificaci
on de situaciones de riesgo (hazards) ambientales, de seguridad y de
salud para las personas. La tecnica tambien es utilizada para identificar problemas de operabilidad
de la planta, y problemas de calidad en la produccion. Fue desarrollada en Inglaterra en los a
nos
60, por la compa
na ICI, en industrias de proceso.
HAZOP se basa en el uso de palabras u oraciones gua (por ejemplo: no hay flujo) que, al ser
combinadas con las variables de operacion, permiten encontrar desviaciones potenciales respecto
de la intenci
on establecida en el dise
no. El analisis se focaliza en aquellas desviaciones que puedan
acarrear situaciones de riesgos a la seguridad, a la salud, o al ambiente. Las consecuencias y las
acciones relacionadas con las situaciones de riesgo identificadas pueden ser clasificadas y priorizadas.
Observaci
on 175 Remarcamos la diferencia entre situaci
on de riesgo (hazard) y riesgo; la segunda corresponde a la probabilidad de ocurrencia de una situaci
on de riesgo durante un periodo
especificado y en circunstancias dadas.
Tras la identificaci
on de las situaciones de riesgo, el analisis HAZOP eval
ua/estima sus posibles consecuencias. Si las medidas existentes son consideradas insuficientes o inadecuadas, se recomiendan
acciones correctivas o una investigacion mas a fondo.
Los problemas de operabilidad ocurren por problemas de confiabilidad as como por la manera en
que la planta es operada. Como consecuencias aparecen tiempos muertos de produccion, da
no catastr
ofico de equipos, producci
on fuera de tolerancias. Los costos de falla y de intervencion correctiva
crecen.
Las acciones de mantenimiento tales como montajes y desmontajes tambien pueden ser incluidas
en el an
alisis dado que pueden ser fuentes de situaciones de riesgo y de reduccion en la operabilidad
de la planta. El an
alisis de la ergonoma de las intervenciones tambien es necesario.
Un FMECA puede ser considerado como un HAZOP restringido, en donde las desviaciones corresponden a fallas.
1065
1066
55.2.
Procedimiento
55.2.1.
Descomposici
on del sistema en secciones
Un primer paso es descomponer el sistema en bloques funcionales (ver diagrama de bloques en 48).
En general el an
alisis se hace hacia aguas abajo en el proceso. La figura (55.1) muestra el diagrama
de flujo general aplicado a cada sub-sistema. A continuacion, el analisis es llevado a cabo en cada
seccion.
55.2.2.
Descripci
on del subsistema y de su intenci
on de dise
no
55.2.3.
Formulaci
on de desviaciones
El siguiente paso es generar una desviacion al relacionar una palabra gua 2 , y un par
ametro 3 . La
lista standard de palabras guas se muestra en tabla (55.1). La tabla (55.2) entrega ejemplos de
parametros usado en an
alisis de plantas de proceso. La tabla (55.3) muestra ejemplos de combinaciones logicas entre palabras gua y parametros.
55.2.4.
Identificaci
on de causas
1067
Especificar el
subsistema a
analizar
Se han considerado
todas las causas para
esta desviacin?
si
no
si
si
no
Existen otros
parmetros a
considerar?
no
Anlisis del
subsistema
completado
1068
Palabra gua
No
Parcialmente
Opuesto
Adem
as
Otro
Mas/menos
temprano/tarde
mas rapido/m
as lento
Significado
La intencion de dise
no no se cumple
Solo una fraccion de la intencion de dise
no es lograda
Ocurre lo contrario a la intencion de dise
no
Una actividad adicional ocurre
Una actividad es substituida por otra
Incremento/disminucion cuantitativo(a) de un parametro
La funci
on es realizada fuera de tiempo
La funci
on es realizada a una velocidad anormal
Flujo
Presi
on
Temperatura
Mezclar
Revolver
Transferir
Nivel
Viscosidad
Reacci
on
Composicion
Adici
on
Separaci
on
Tiempo
Fase
Velocidad
Tama
no de partcula
Medida
Control
pH
Secuencia
Se
nal
Partida/parada
Operar
Mantener
Servicios
Comunicacion
Par
ametro
Flujo
Temperatura
Presi
on
Nivel
Mezcla
Reacci
on
Fase
Composici
on
Comunicaci
on
55.2.5.
1069
Evaluaci
on de consecuencias
Las consecuencia asociadas a cada causa deben ser cuidadosamente analizadas para ver si ellas
llevan al sistema a operar fuera del rango de operacion. Es esencial la identificacion de todas las
consecuencias, tanto inmediatas como posteriores, as como dentro y fuera del sistema analizado.
55.2.6.
Salvaguardias
Existen dos enfoques para esta parte del analisis. La primera consiste en descartar toda medida de
salvaguardia existente o prevista en el dise
no, para as evaluar su efectividad. El segundo enfoque
las considera preestablecidas.
55.2.7.
Recomendaciones y acciones
Las recomendaciones pueden ser entregadas durante el analisis HAZOP en caso de que haya unanimidad en el grupo de expertos. Si se requiere mayor informacion, las recomendaciones deben venir
de un estudio posterior.
55.2.8.
Registro
El reporte del an
alisis es uno de los documentos que especifican las intenciones de dise
no de cada
parte del sistema. De ser parte de la informacion entregada a los operadores del proyecto. Es
importante que las descripciones sean suficientemente detalladas para que sean comprendidas por
alguien que no particip
o en el HAZOP .
55.2.9.
Completando el an
alisis
Tras analizar todas las causas posibles para una dupla palabra gua-parametro, se mantiene el
par
ametro y se vara la palabra gua para buscar combinaciones logicas.
55.3.
Implementaci
on de un an
alisis HAZOP
55.3.1.
Definici
on de alcances, objetivos y fronteras
Un objetivo com
un en un an
alisis HAZOP es la identificacion de situaciones de riesgo para la
seguridad y la saludad de las personas, as como del medio ambiente. Se incluye el efecto sobre
personas tanto dentro como fuera de la planta, riesgos a la propiedad (en planta y externa), y todo
tipo de riesgos ambientales. Debe establecerse si se van a estudiar problemas de operabilidad de la
planta. En ese caso se incluyen aspectos de confiabilidad y mantenibilidad, calidad del producto, y
otros factores que afecten la operacion de la planta y su productividad.
Otros objetivos posibles de un estudio HAZOP es el cumplir con regulaciones (del pas o requeridas
por clientes internacionales), standards de la compa
na, o requerimientos contractuales (por ejemplo:
para aseguradoras).
Las fronteras del sistema a analizar tambien deben ser claramente establecidas. Es importante
considerar los susbsistemas que interact
uen con aquellos que son analizados. Tambien es necesario
establecer es el espectro de modos operacionales que seran analizados. Para una planta que opere
continuamente la condici
on principal es la operacion estacionaria, pero tambien es relevante cubrir
otros modos tales como partida, parada, operacion con tasa de produccion alta/baja, pausa de
producci
on, y transiciones entre un estado y otro.
Lo anterior permitir
a estimar la duracion del estudio y su planificacion.
1070
55.3.2.
Selecci
on del grupo de expertos
Facilitador
El rol esencial del facilitador es asegurar que la metodologa HAZOP sea aplicada de manera efectiva.
Lo que implica que tenga experiencia previa en este tipo de analisis.
Cualidades ideales del facilitador:
experiencia vasta en estudios de situaciones de riesgo;
experiencia previa como miembro y como secretario de un equipo HAZOP;
entrenamiento para liderar un estudio HAZOP;
Competencia tecnica y habilidad para comprender el sistema y su operacion;
pensamiento analtico,
talentos motivacionales tales como apoyo a la creatividad y el pensar en voz alta;
Independiente al proyecto mismo; excepto por el HAZOP mismo. El facilitador debe concentrarse en la aplicaci
on del metodo y el trabajo del equipo. Ello facilita una vision no
distorsionada, imparcial sobre el proyecto.
Secretario
es el encargado de registrar ya
El secretario debe estar familiarizado con los estudios HAZOP. El
sea manual o electr
onicamente las ideas planteadas en las reuniones. El uso de un elemento de
proyeccion donde todos los miembros visualicen lo que esta siendo registrado es muy conveniente.
Miembros
El tama
no y la composici
on de un equipo HAZOP depende de la complejidad del estudio. Un
n
umero mnimo es 4; y usualmente se tienen 5 o 6 miembros, incluso hasta 8 o 9. Grupos mas
grandes son difciles de manejar y por tanto son desaconsejados.
Un equipo tpico consta de:
facilitador/lder
secretario
ingeniero de proceso
ingeniero de dise
no
ingeniero de planta
operador
Si se requiere, tambien se consideran:
experto ambiental
qumico;
ingeniero de control/instrumentacion;
ingeniero de mantenimiento
otros.
55.3.3.
1071
Preparaci
on
Es importante que el facilitador recolecte la informacion necesaria para el estudio. En esta labor
puede ser asistido por el secretario. Una visita puede ser muy u
til cuando se realiza un analisis sobre
una planta ya existente. El conocimiento de accidentes previos ocurridos es importante.
Observaci
on 176 Para plantas de proceso, la referencia [19] puede ser muy u
til.
Para poder realizar un an
alisis HAZOP es necesario disponer de un esquema completo y preciso
del proceso. Para procesos contnuos, ello se basa en el diagrama de instrumentacion y proceso
(P&ID), acompa
nado de especificaciones y esquemas usados en el dise
no, tales como diagramas de
flujo y balances de masas y energa. Ademas se consideran las condiciones de operaciones de dise
no
-usualmente expresadas como un rango-, la filosofa y los metodos de operacion y control, y las
especificaciones para los equipos y los instrumentos. Los parametros de los elementos de alivio del
proceso son esenciales para verificar las especificaciones de las tuberas y tachos. Ademas, debera
disponerse de los par
ametros para alarmas y detencion. Adicionalmente, se requieren:
las propiedades de los materiales,
situaciones de riesgo posibles,
problemas de operaci
on conocidos,
resultados de an
alisis de riesgo realizados con anterioridad.
Una vez disponible la informacion anterior, el proximo paso es la division de los P&ID en secciones
e tems (bloques) a los cuales se pueda aplicar las palabras gua. El termino tem es aplicado en
general a tachos, intercambiadores, etc. Usaremos el termino secci
on a cada parte del proceso a
la cual se aplique una palabra gua. La division en bloques debe ser juiciosa, pues la duracion del
estudio (y su costo) crece r
apidamente con este n
umero.
55.4.
Para ilustrar el desarrollo de un estudio HAZOP usaremos una plataforma marina para extraccion
de gas. La planta est
a unida a un planta de procesamiento central (CP F por sus siglas en ngles) por
una tubera submarina de 15 km de longitud. No hay procesos qumicos en la planta de extraccion.
El gas est
a atrapado en una bolsa bajo arenisca a 2000 m debajo del suelo submarino. Esta compuesto casi exclusivamente por metano saturado con vapor de agua a 80o C y 200 bar (20 MPa).
Es trado a la superficie en un tubo de 15 cm de diametro, el cual consta de una serie de secciones
enroscadas. La presi
on baja debido a la perdida de carga por friccion y la reduccion de la altura
est
atica por lo que el gas es recibido a 125 bar en la superficie. El tubo de extraccion esta rodeado
por un n
umero de tubos de mayor diametro los cuales son usados durante el proceso de perforacion.
El n
umero y el di
ametro de los tubos de perforacion depende de las condiciones geologicas locales.
Existe una v
alvula de protecci
on a 250 m debajo del suelo submarino, llamada SSSV por sus siglas
en ngles (Sub-Surface Safety Valve). Ella es mantenida abierta por una se
nal hidraulica. Si se pierde
la se
nal la v
alvula es cerrada. La valvula es difcil de abrir cuando hay una gran presion diferencial.
Los tubos de perforaci
on terminan en una cabeza de pozo (well head ) (ver figura 55.4) el cual
est
a apernado al
arbol de navidad. Dentro del arbol hay una valvula maestra (Master Valve, MV )
y, en
angulo con respecto al flujo, una valvula lateral (Wing valve, WV ). Ambas son mantenidas
abiertas por una se
nal hidr
aulica. Los roles (de emergencia) de cada una varan. La SSSV protege
contra un evento mayor en el proceso o falla del arbol. la WV es la valvula principal del proceso y
la MV es usada durante operaciones de dragado. Dependiendo del nivel de la emergencia, la W V
cierra primero, luego la M V y finalmente la SSSV .
La planta tiene 5 tubos de extraccion. El flujo de gas es controlado por una valvula operada manualmente llamada v
alvula de estrangulacion (choke). Usualmente queda en una posicion fija y
1072
Elemento
Fluido
Rating presion
Materiales
Smbolo
G
V
M
D
C
1
9
15
CS
SS
1073
Significado
gas
respiradero
metanol
drenaje
condensado
ANSI clase 150
ANSI clase 900
ANSI clase 1500
acero al carbon
acero inoxidable
55.4.1.
Metodologa
baja
baja
3 Presin
Palabra
gua
No
2 Presin
1 Flujo
07/04/1999
Numero Parmetro
P&ID
Fecha
Nodo 1
Causa
Efecto
Capacidad de la
bomba es inadecuada
Nro.
Accin
3.2
Se abre RV de 2.1
la bomba de
metanol para
evitar
sobrepresion del
metanol
2.2
Sistema
protectivo
Responsable
Accin
1 Lado del cabezal de la SSSV presurizado y con inyeccin de metanol para que SSSV abra
2 Hacer fluir 2E4 m3/h (s) de gas al
manifold G1-12"15Cs a 100 bar y
15-20C
SSSV cerrada, MV cerrada, WV
cerrada, estrangulacin cerrada,
ESDV1 abierta, ESDV2 abierta,
vlvula de bomba de metanol
abierta
AB,CD,EF,GH,IJ
SSSV no puede ser abierta Cada de presin en SSSV no puede ser abierta
M1 2" 15CS es muy
alta debido a que se
requiere inyeccin de
metanol
SSSV cerrada
Desviacin
Participantes
Intencin
Tramo reservorio-vlvula
de estrangulacinoperaciones de partida
Status
1074
P&ID
27 Electropotencial
Participantes
Status
Intencin
Alto
Ms bajo
Alto
diferencial
Altas demandas
Flujo restringido en la tubera
25 Temperatura ms baja
22 Flujo
23 Flujo
Parmetro
Nodo
Numero
07/04/1999
Fecha
Efecto
Formacin
de hidratos
Causa
Flanges
aislantes
Anodos de
sacrificio
27.1
25.1
23.2
Sistema
Nro. Accin
protectivo
Detectores de 22.1
23.1
Responsable
Accin
MET HANOL/
CORR OSION
INHIBIT OR
ESD
MI 2' 15CS
ESDV
1
FC
ESDV1
T YPICAL TO
OT HER WELLS
THIS DRAWIN G
EZSH
EZIH
EZ IL
EZSI
OPEN
CLOSED
ESDH
API 5000
API 5000
SEQUEN CE VALVE
ESD
SSSV
MV
LC
HYDRES
LEVEL
HYD
PR ESS
P1
LAL
PAL
COMMON WELL
F UNCTIONS
PI
(CASING)
API 5000
WZSH
WZIL
OPEN
UNIT
MALF UNCTION
WV
PT
(ANNULUS)
PC
PANEL 1
WELLHEAD CON TROL PANEL
15 CS
WZSL
HZ IL
CLOSED
GI 12' 15CS
TYPICAL FROM
OT H WELLS
ESD
SC
PI
SSSV
HS
PT
PIA
HS
MV
HS
HS
ESDV
2
G 6' 15CS
AE
CORR
ESD
FC
ESDV 2
PT
PSLI
PALL
MV
HS
HS
EZ SH
EZIH
EZ SL
OPEN
HS
EZIL
TE
TI
TI
CLOSED
AE
SAND
MET HAN OL
OPEN
WV
CLOSE
SP
XCV
XC
HBI
TO SUBSEA
CHOKE
TH IS DRAWING
HYDRAULIC
SUPPLY TO
METHANOL
SEQUENCING
VALVE
1076
FROM
PIPELINE
ESD
SP
FC
ESDV3
G2 12' 15CS
EZSL
EZIL
ESD
ESDV
EZSL
EZIH
ESDV
ESDV
HS
FC
HS
ESDV4
15CS
EZSL
EZIH
ESDV
9CS
G2 12' CS
EZSL
EZIL
LAHH
V2 4' 1CS
WASH NOZZLE
ESD
LC
NC
PSV
SEAT AT
120 barg
ESD
7
LSHH
V4 2' 9CS
EZIL
EZIL
PSV
SEAT AT
120 barg
ESDV
7
ESDV
7
ESDV
7
ICS
ICS
LO
WASH
NOZZLE
FO ESDV7
V3 2' 9CS
HS
ESD
LC
LC
VENT
PT
9CS
ICS
LG
PIA
PSHIFT
PI
PI
TI
SLL
PT
G3 12' 9CS
SC
FE
PT
FIC
FDR
LT
PALL
LIC
LIA
FC
LV
D1 2' 1CS
C1 2' 9CS
ESD
ESD
PT
TI
LT
LT
V1 4' 1CS
PV
WATER DRAIN
VISIBLE POINT
TO EXPORT
HEADER
TO EXPORT HEADER
TO ATMOSPHERIC VENT
1078
P3V
125 BAR
TO ATMOSPHERIC
VENT
V2 2' 9CS
NOTE 1
NOTES
I
1. PI ..TO
BE
VISIBLE FROM OPENING DOOR.
PI
1
NOTE 2
G3 4' 15CS
4. BARRED TEE.
METHANOL INJECTION
MI 2' 15CS
4
PI
ESD
ESD
NOTE 3
HS
HS
ESDV
CONDENSATE FROM
PRODUCTION SEPARATOR
ESDV
ESD
G3 12' 9CS
NOTE 4
H
PIA
PSLL
CONDENSATE FROM
PRODUCTION SEPARATOR
PI
PT
CLOSED
OPEN
CLOSED
OPEN
EZIL
EZIH
EZIL
EZIH
EZSI
EZSH
EZSI
EZSH
PT
C1 2' 9CS
ESDV
5
G4 12' 9CS
FC
ESDV5
ESDV
6
FC
ESDV6
PIPELINE TO
TERMINAL
SP
PLATFORM
PIPELINE
V
alvula
lateral
UM
SSS
ESDV1
ESDV2
Gas detectado
(nivel bajo)
C
Gas detectado
(nivel alto)
C
C
1079
Fuego detectado
C
C
C
C
Vibracion
pacto)
C
C
C
C
C
(im-
ESDV3
ESDV6
SD wells
lateral
ESDV4
ESDV5
ESDV7
V1 alta presion
V1 alta presion
Deteccion de gas
(nivel alto)
Fuego general
C
C
C
C
C
C
C
C
C
C
C
O
C
C
C
O
55.5.
Comentarios finales
El An
alisis HAZOP se presenta como una herramienta muy u
til para un analisis completo de
situaciones de riesgo y operabilidad de la planta. Maneja el concepto de desviacion respecto de la
intenci
on de diseno, lo que incluye a las fallas como un subgrupo. Ello apunta al analisis global de
la planta tanto en productividad como en seguridad de funcionamiento.
1080
Bibliografa
[1] Crawley, F., Preston, M., Tyler, B., HAZOP: Guide to best practice, European Process Safety
Centre, United Kingdom, 2000. [bajar].
[2] Post, R.L., HAZROP: an Approach to Combining HAZOP and RCM, Hydrocarbon Processing,
69-76, may 2001. [bajar].
[3] Lave, L.B.(ed.), Quantitative risk assessment in regulation, Washington, D.C., Brookings Institution, 1982.
[4] Kletz, T., Hazop and Hazan: Identifying and Assessing Process Industry Hazards, Institution
of Chemical Engineers, United Kingdom, 1992.
[5] F. Redmill, M Chudleigh, J Catmur, System Safety: HAZOP and Software HAZOP, John
Wiley & Sons Ltd, 1999.
[6] R Vaidhyanathan, V Venkatasubramanian, Digraph-based models for automated HAZOP analysis, Reliability Engineering and System Safety, 1995.
[7] R. Srinivasan, V. Venkatasubramanian, Automating HAZOP analysis of batch chemical plants:
Part I. The knowledge representation framework, Computers & Chemical Engineering, 1998.
[8] R Srinivasan, V. Venkatasubramanian, Automating HAZOP analysis of batch chemical plants:
Part II Algorithms and Application, Computers and Chemical Engineering, 1998.
[9] R Vaidhyanathan, V Venkatasubramanian, Experience with an expert system for automated
HAZOP analysis, Computers Chemical Engineering, 20, S1589-S1594 Suppl. B, 1996.
[10] Vaidhyanathan R, Venkatasubramanian V., Digraph-Based Models For Automated Hazop Analysis, Reliability Engineering and System Safety, 50(1), 33-49 1995.
[11] Venkatasubramanian V, Vaidhyanathan R, A Knowledge-Based Framework For Automating
Hazop Analysis, AICHE Journal, 40(3), 496-505, 1994.
[12] RW Prugh, Computer-aided HAZOP and fault tree analysis Journal Loss Prevention Process
Industries, 5(1), 3-9, 1992.
[13] FI Khan, SA Abbasi, Mathematical model for HAZOP study time estimation, Journal of Loss
Prevention in the Process Industries, 10(4), 249-257, 1997.
[14] FI Khan, SA Abbasi,OptHazopan effective and optimum approach for Hazop study, Journal
of Loss Prevention in the Process Industries, 1997.
[15] V Bartolozzi, L Castiglione, A Picciotto, Qualitative models of equipment units and their use
in automatic HAZOP analysis, Reliability Engineering and System Safety, 70(1), 49-57, 2000.
[16] Cocchiara M, Bartolozzi V, Picciotto A, et al., Integration of interlock system analysis with
automated HAZOP analysis, Reliability Engineering and System Safety, 74(1), 99-105, 2001.
[17] P Heino, I Karvonen, T Pettersen, R Wennersten, Monitoring and analysis of hazards using
HAZOP-based plant safety model, Reliability Engineering and System Safety, 44(3), 335-343,
1994.
[18] Heino P, Kupila K, Suzuki K, et al., Evaluation of intelligent systems for the utilisation of
HAZOP analysis results, Lecture Notes In Artificial Intelligence, 2718, 229-243, 2003.
1081
1082
Captulo 56
Arboles
de falla y otras t
ecnicas
56.1.
Sumario y objetivos
56.2.
Introducci
on
El an
alisis de
arbol de fallas es uno de los metodos de mas amplio uso en el analisis de confiabilidad.
Se trata de un procedimiento deductivo que determina las diversas combinaciones de fallas a nivel
componente que pueden desencadenar eventos no deseados, especificados al inicio del analisis. Los
arboles de falla tambien son usados para calcular la probabilidad de ocurrencia del evento en estudio
a partir de la probabilidad de ocurrencia de las fallas de los componentes. Para un sistema dado,
se pueden hacer tantos an
alisis como eventos no deseados se deseen estudiar.
56.3.
Arbol
de fallas
Los
arboles de falla pueden ser realizados desde etapas tempranas del dise
no; y luego ser actualizados
en funci
on del mayor conocimiento que se tenga del sistema. Luego de la puesta en marcha del
sistema, los
arboles tambien son utilizados para identificar las causas races de las fallas.
En la construcci
on de un
arbol, la falla a estudiar se denomina el evento principal. Otros eventos de
falla que puedan contribuir a la ocurrencia del evento principal son identificados y relacionados al
mismo a traves de funciones l
ogicas. Los arboles terminan en eventos b
asicos (no abre, no inicia,...).
Una vez que la estructura del arbol ha sido construida, el analisis subsiguiente toma dos formas.
El an
alisis cualitativo reduce el arbol hasta obtener un conjunto mnimo de modos de falla para el
arbol; para realizarlo se utiliza
algebra booleana. El an
alisis cuantitativo del arbol de falla consiste en
calcular la probabilidad de ocurrencia del evento principal a partir de la probabilidad de ocurrencia
de los eventos b
asicos en un cierto intervalo T .
Observaci
on 177 Si la cantidad de eventos b
asicos es mayor a 100 aproximadamente, el an
alisis
cuantitativo debe ser potenciado con software ad-hoc.
1083
1084
Evento principal
Breaker
no opera
Conector OR
Eventos bsicos
Falla del
Breaker
No hay
seal de trip
Incendio
del recinto
Falla del
Breaker
No hay
seal de trip
Contacto A
cerrado
Incendio
del recinto
Contacto B
cerrado
56.3.1.
Construcci
on del
arbol
Lo primero es seleccionar el evento principal, todo evento siguiente sera considerado en terminos
de su efecto sobre el evento principal. Luego, se identifican los eventos que pueden causar el evento
principal.
Si cualquiera de los eventos identificados puede causar el evento principal, se usa el conector OR.
Si se requiere de dos o m
as eventos combinados, se utiliza el conector AN D.
Ejemplo 173 Para un breaker de un circuito, se tiene el
arbol de falla de figura 56.1.
Una vez que se ha determinado una lista de eventos de primer nivel, debe decidirse si es necesario
seguir expandiendo el
arbol. Tal decisi
on puede ser influenciada por:
ignorancia respecto de los modos de falla de los eventos basicos o
deseo de limitar el nivel de detalle del analisis.
Si se decide que una rama del
arbol debe ser detenida, el evento basico es mostrado graficamente
por un crculo. Ello implica que el evento es independiente de otros eventos subsecuentes.
Ejemplo 174 Para el breaker del ejemplo anterior, la se
nal de trip (detenci
on) es trasmitida a
traves de dos contactos A y B (en serie). si uno o ambos operan la se
nal es transportada. Para
que no haya se
nal de trip, ambos deben fallar. El evento No hay se
nal de trip es descrita por el
conector AN D (figura 56.2).
Ejemplo 175 La figura 56.3 muestra el diagrama de una pinza. El
arbol de fallas asociado se
muestra en figura 56.4.
1085
Actuador A
Control
Hidrulico
A
Actuador B
Control
Hidrulico
B
Pinza
Pinza
No suelta
Falla
mecanismo
Actuadores
No regresan
Actuador A
No regresa
Actuador A
Falla en
extensin
Control
hidrulico A
Falla en
extensin
Actuador B
No regresa
Actuador B
Falla en
extensin
Control
hidrulico B
Falla en
extensin
1086
Smbolo
Nombre
Descripci
on
Rect
angulo
Crculo
Diamante
Casa
Evento b
asico, no es un evento de falla.
OR
AND
INHIBIT
Tri
angulo-IN
Tri
angulo-OUT
El
arbol A es una rama de un arbol desarrollado en otro lado.
A
X
A
56.3.2.
Procedimiento de construcci
on
56.3.3.
Evaluaci
on del
arbol
Usando el
algebra booleana se puede reducir el arbol para mostrar el evento principal como una
funcion de los eventos b
asicos.
Procedimiento
a) Dar c
odigos a los conectores y eventos basicos
b) Listar tipos de conectores y entradas
c) Escribir la ecuaci
on Booleana de cada conector
d ) Usar
algebra Booleana para resolver el evento principal en terminos de conjuntos
e) Eliminar redundancias en los conjuntos, para que sean mnimos.
56.3.4.
An
alisis cualitativo
1087
Pinza
No suelta
a
A
b
c
B
d
C
56.3.5.
An
alisis cuantitativo
Aqu se trata de calcular la probabilidad de que ocurra el evento principal, conociendo la probabilidad de ocurrencia de los eventos basicos.
En el caso del conector OR (figura 56.6)1 ,
P (S) = P (A) + P (B) P (A B)
(56.1)
1088
56.3.6.
Comentarios
La tecnica de an
alisis permite ahondar tanto como se desee en las causas races de los problemas y
las interacciones que deben ocurrir para generar el evento principal. La informacion obtenida puede
ser explotada para definir programas de mantencion preventiva, inspecciones, procedimientos para
diagnostico r
apido, etc.
Existen una variedad de paquetes orientados al manejo de arboles de falla. Entre ellos encontramos:
FaultTree+ , http://www.isographdirect.com/
Relex Fault Tree, http://www.relexsoftware.com/
CAFTA, http://fsg.saic.com/r&r/Products/cafta/cafta.htm
CARA, http://www.sydvest.com/Support/cara-sr1.htm
Una descripci
on m
as detallada puede ser consultada en Sundararajan91 [1].
56.4.
An
alisis de Pareto
En el siglo XIX, Villefredo Pareto realizo un estudio sobre la distribucion de la riqueza en Milan.
Encontro que el 20 % de las personas controla el 80 % de la riqueza. Esta logica de que los pocos
1089
Pinza
No suelta
a 0.05
b 0.4
0.01
c 0.2
d 0.2
B
0.1
D
0.1
0.1
0.1
Horas parada
100
32
50
19
4
30
40
80
55
150
160
5
10
20
Nro. de fallas
4
15
4
14
3
8
12
2
3
5
4
3
8
8
1090
i
11
10
1
8
9
3
7
2
6
14
4
13
12
5
P
T F Si
160
150
100
80
55
50
40
32
30
20
19
10
5
4
755
ni
4
5
4
2
3
4
12
15
8
8
14
8
3
3
93
T F Si
160
310
410
490
545
595
635
667
697
717
736
746
751
755
ni
4
9
13
15
18
22
34
49
57
65
79
87
90
93
1
T F ST
T F Si
21 %
41 %
54 %
65 %
72 %
79 %
84 %
88 %
92 %
95 %
97 %
99 %
99 %
100 %
1
nT
ni
4%
10 %
14 %
16 %
19 %
24 %
37 %
53 %
61 %
70 %
85 %
94 %
97 %
100 %
Horas de detencin
20%
40%
60%
80%
100%
Nro. fallas
Accin
correctiva
1091
Prueba
Paso
Verificacin
Pala no
opera
bien
Verificar
mangueras
mal
Detectar
fugas
bien
bien
Verificar
vlvula de
presin
Verificar
pala
mal
Localizar
falla
Cambiar
magueras
mal
Reparar
Verificar
motor hidrulico
mal
Verificar
Reparar o
cambiar
Reparar o
cambiar
Verificar
Verificar
Verificar
56.5.
Arboles
de mantenimiento
Como resultado de un
arbol de fallas se puede construir un arbol de mantenimiento para cada
equipo y modo de falla. Los
arboles de mantenimiento son herramientas de ayuda para la diagnosis
de fallas. De ellos se obtienen la lista ordenada de chequeos a realizar para identificar la falla. Un
ejemplo se aprecia en figura 56.11.
Observaci
on 180 A fin de cumplir bien su rol, es necesario que los rombos del
arbol sean especficos, asociados a variables que puedan ser cuantificadas. Para ello es conveniente el uso de
check-lists, donde se tomen valores (temperaturas, presiones, niveles de vibraci
on,etc) o escalas de
valores (bajo, medio, alto, ..).
Observaci
on 181 El orden de las tareas en el
arbol de mantenimiento sigue una secuencia l
ogica
que se basa en el orden de montaje/desmontaje del equipo (o el costo de intervenci
on asociado). No
coincide en general con el an
alisis de importancia (ya visto).
56.6.
Estudios de correlaci
on
1092
(xi x
) (yi y)
q
P
2
2
(xi x
)
(yi y)
n3
6 X 2
di
n
donde n corresponde al n
umero de pares. s toma valores en el intervalo [1, 1].
f ) Es posible que s tome valores altos aun si las variables no tienen correlacion. Para verificar
esto se realiza un test de Student. Si es un nivel de probabilidad seleccionado, la hipotesis
de que s = 0 se rechaza para2 :
t > t(n 2, 1 )
Si n > 10:
2
t = (n 2) p S 2
1 S
\
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Inf
0,4
0,3249
0,2887
0,2767
0,2707
0,2672
0,2648
0,2632
0,2619
0,261
0,2602
0,2596
0,259
0,2586
0,2582
0,2579
0,2576
0,2573
0,2571
0,2569
0,2567
0,2566
0,2564
0,2563
0,2562
0,2561
0,256
0,2559
0,2558
0,2557
0,2556
0,2533
0,25
1
0,8165
0,7649
0,7407
0,7267
0,7176
0,7111
0,7064
0,7027
0,6998
0,6974
0,6955
0,6938
0,6924
0,6912
0,6901
0,6892
0,6884
0,6876
0,687
0,6864
0,6858
0,6853
0,6848
0,6844
0,684
0,6837
0,6834
0,683
0,6828
0,6745
0,1
3,0777
1,8856
1,6377
1,5332
1,4759
1,4398
1,4149
1,3968
1,383
1,3722
1,3634
1,3562
1,3502
1,345
1,3406
1,3368
1,3334
1,3304
1,3277
1,3253
1,3232
1,3212
1,3195
1,3178
1,3163
1,315
1,3137
1,3125
1,3114
1,3104
1,2816
0,05
0,025
0,01
0,005 0,0005
6,3138 12,7062 31,8205 63,6567 636,619
2,92 4,3026 6,9646 9,9248 31,5991
2,3534 3,1824 4,5407 5,8409 12,924
2,1318 2,7765
3,747 4,6041 8,6103
2,015 2,5706 3,3649 4,0321 6,8688
1,9432 2,4469 3,1427 3,7074 5,9588
1,8946 2,3646 2,9979 3,4995 5,4079
1,8595
2,306 2,8965 3,3554 5,0413
1,8331 2,2622 2,8214 3,2498 4,7809
1,8125 2,2281 2,7638 3,1693 4,5869
1,7959
2,201 2,7181 3,1058
4,437
1,7823 2,1788
2,681 3,0545 4,3178
1,7709 2,1604 2,6503 3,0123 4,2208
1,7613 2,1448 2,6245 2,9768 4,1405
1,7531 2,1315 2,6025 2,9467 4,0728
1,7459 2,1199 2,5835 2,9208
4,015
1,7396 2,1098 2,5669 2,8982 3,9651
1,7341 2,1009 2,5524 2,8784 3,9216
1,7291
2,093 2,5395 2,8609 3,8834
1,7247
2,086
2,528 2,8453 3,8495
1,7207 2,0796 2,5177 2,8314 3,8193
1,7171 2,0739 2,5083 2,8188 3,7921
1,7139 2,0687 2,4999 2,8073 3,7676
1,7109 2,0639 2,4922 2,7969 3,7454
1,7081 2,0595 2,4851 2,7874 3,7251
1,7056 2,0555 2,4786 2,7787 3,7066
1,7033 2,0518 2,4727 2,7707 3,6896
1,7011 2,0484 2,4671 2,7633 3,6739
1,6991 2,0452
2,462 2,7564 3,6594
1,6973 2,0423 2,4573
2,75
3,646
1,6449
1,96 2,3264 2,5758 3,2905
Nro. equipo
1
2
3
4
5
6
7
8
9
10
11
Nro. fallas
12
10
17
15
2
2
18
9
7
1
1
1093
1094
Nro. equipo
10
11
5
6
9
8
2
1
4
3
7
wi
1,5
1,5
3,5
3,5
5
6
7
8
9
10
11
i
1
2
3
4
5
6
7
8
9
10
11
x
12
10
17
15
2
2
18
9
7
1
1
y
12,5
14
20
17
6
4
25
12
8
2
1
wx
8
7
10
9
3,5
3,5
11
6
5
1,5
1,5
wy
7
8
10
9
4
3
11
6
5
2
1
d
1
1
0
0
0,5
0,5
0
0
0
0,5
0,5
1095
Redundancia
Operabilidad
Confiabilidad
Sistema de informacin
Mantenibilidad
Capacitacin
Calidad de intervenciones
Disponibilidad operacional
Patio de almacenamiento insuficiente
Gestin estratgica
Logstica
56.7.
Diagramas Causa-efecto
El diagrama de causa-efecto o de espina de pescado (figura 56.12) fue introducido por Kaoru
Ishikawa en Jap
on[6]. Permite representar cadenas de causas y efectos y organizarlas a traves de
grupos relacionados. La lnea horizontal muestra en su extremo derecho el efecto (problema) que se
desea analizar. Cada rama principal representa una posible fuente de causas. A su vez, las ramas
secundarias (que apuntan a la rama principal) representan la causas mismas.
El diagrama permite identificar las causas potenciales de un problema por lo cual se utiliza para
investigar modos de falla, medios de diagnosis, etc.
La figura 56.12 representa un diagrama de causa-efecto generico para explicar una disponibilidad
operacional pobre.
56.8.
Comentarios finales
Hemos presentado varias tecnicas complementarias al analisis de modos de falla. El analisis de Pareto
se presenta como una estrategia u
til y facil de aplicar para priorizar y programar el desarrollo de
programas de mantenimiento preventivo y predictivo. Los arboles de mantenimiento estandarizan
el proceso de an
alisis para diagnosticar las causas posibles de una falla y as reducir el tiempo de
una intervenci
on correctiva junto con los costos de falla que ella acarrea. Los analisis de correlacion
permiten una justificaci
on matematica para establecer causalidad entre eventos; ello facilita la toma
de decisiones.
1096
Bibliografa
[1] P. Lyonnet. Maintenance Planning, Methods and Mathematics. Chapman & Hall, 1991. [bajar]
[2] Labib, A.W., World-class maintenance using a computerised maintenance management system,
Journal of Quality in Maintenance Engineering, 4(1), 66-75, 1998.
[3] D.J. Edwards, S. Yisa, Modelling the magnitude of plant downtime: a tool for improving plant
operations management, Engineering, Construction and Architectural Management, 8(3), 225232, 2001.
[4] McCormick, N.J., Reliability and Risk Analysis. Academic Press, 1981.
[5] Sundararajan, C.R., Guide to Reliability Engineering, Van Nostrand Reinhold, 1991.
[6] Ishikawa, K., What is total quality control?: the japanese way, Englewood Cliffs, N.J., PrenticeHall, 1985.
[7] BSI BS 5760: PART 7, Reliability of Systems, Equipment and Components, part 7Guide to
Fault Tree Analysis, (IEC 1025: 1990), 1991.
1097
1098
Captulo 57
Diagramas de priorizaci
on
We knocked the bastard off.
Sir Edmund Hillary
(tras regresar de la cumbre del Everest), 1953.
Sumario y objetivos
Al terminar de leer este captulo, usted debera poder:
Construir diagramas de dispersion de tiempos y de dispersion de costos.
Priorizar intervenciones en funcion de su efecto sobre la disponibilidad, confiabilidad y mantenibilidad.
57.1.
Introducci
on
1100
Cdigo
Descripcin
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Cantidad
(fallas/mes)
Inspecciones elctricas
Cable feeder daado
Cambio de subestacin
Inspeccin/reparacin acoplamiento
Cortes de corriente a subestacin
Rope limit protection
Motores auxiliares
Motores principales
Sistema de iluminacin
Relay de sobrecarga
Sobretemperatura motor
Tierra
Otros
Sistema de control
Compresor de aire
Controles operador
Sobrecorriente
30
15
27
15
21
10
13
12
26
23
36
7
9
7
8
5
6
Duracin
(min)
1015
785
690
225
395
277
600
555
240
685
745
575
115
165
355
155
220
% Tiempo acumulado
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
1
2 11 3 10 7 12 8
5 15 6
4 17 14 16 13
Cdigo
(57.1)
Tomemos como ejemplo el historial mostrado en tabla 57.1 [bajar]. La tabla 57.2 y la figura 57.1
muestran el resultado del an
alisis de Pareto para la indisponibilidad D.
La figura 57.2 muestra un medio alternativo para presentar el historial de fallas listado en la
tabla 57.2. Las curvas con Di constante son representadas por hiperbolas, como se muestra. Si
priorizamos con la regla de Pareto (80 %-20 %) entonces los modos de falla: 1,2,11,3,10,7,12,8 y 5
deben ser analizados en primer lugar. Pueden haber modos de falla donde mantenimiento no tenga
ingerencia (o muy poca). Por ejemplo, los responsables de mantenimiento pueden hacer poco por
el modo de falla 3 (cambio de subestacion) y 5 (corte de electricidad).
Cdigo
1
2
11
3
10
7
12
8
5
15
6
9
4
17
14
16
13
1101
Cantidad
Duracin Tiempo
Tiempo acum.
(fallas/mes) (min)
(%)
(%)
30
1015
13,0%
13,0%
15
785
10,1%
23,1%
36
745
9,6%
32,6%
27
690
8,8%
41,5%
23
685
8,8%
50,3%
13
600
7,7%
58,0%
7
575
7,4%
65,3%
12
555
7,1%
72,5%
21
395
5,1%
77,5%
8
355
4,6%
82,1%
10
277
3,6%
88,7%
26
240
3,1%
88,7%
15
225
2,9%
91,6%
6
220
2,8%
94,4%
7
165
2,1%
96,5%
5
155
2,0%
98,5%
9
115
1,5%
100,0%
270
7797
100%
100
Historial
D 13%
D 80%
D 100%
90
12
80
MTTR (ut)
70
60
2
50
87
15
40
17
16
30
10
14
20
13
10
0
11
5
4
9
10
20
30
(fallas/ut)
40
50
60
1102
12
75
65
55
45
15
17
35
MTTR (ut)
1
16
10
28.9
6
3
25
14
11
20
15
Historial
MTTR avg
avg
D 80%
13
10
9
11
13
(fallas/ut)
15.9
19 21 23 25 27
30 33 36
(57.2)
o sea, en un gr
afico bilogartmico, las hiperbolas (Di constante) apareceran como rectas.
Las intervenciones que requieran un tiempo de reparacion mayor que el promedio pueden ser consideradas agudas. Aquellas cuya frecuencia (tasa de fallas) sea mayor que el promedio pueden ser
consideradas como cr
onicas. As, es posible definir 4 cuadrantes en el grafico i vs T F Si . Ello se
muestra en la figura 57.3.
El T F S promedio puede ser estimado con:
T F Savg
P
Di
= Pi
i i
P
i
= Pi
ii
Una vez identificados los cuadrantes, el diagrama permite identificar facilmente problemas de confiabilidad, disponibilidad, y mantenibilidad. En estricto rigor, la confiabilidad es una probabilidad
de supervivencia en funci
on del tiempo. Una practica com
un en la industria es asociar el M T BF
(agregado) como medida de confiabilidad. El M T BF corresponde al inverso de la tasa de fallas:
1
M T BF = P
i
1103
1.E-02
MTFS (mes)
10
100
1.E-03
MTFS vs Lambda
D promedio
lambda promedio
MTFS promedio
1.E-04
Fallas (fallas/mes)
7. Trend Plots
104
103
MTTR (ut)
Alarma
3
Cabina
102
1
Swing
Lubricacin
10
1
3
1
1
104
102
10
Figura 57.5: An
alisis de tendencia para 4 modos de falla durante 3 unidades de tiempo.
A further benefit
of logarithmic scatterplots is that they provide a useful means of
100
Historial
visualising trends in maintenance performance. For example,
D 12% Figure 11 shows the evolution
90
D 80%
of four failure codes from a BE 495-B cable shovel working
at an open pit copper mine in
D 100%
12
80
Chile. Unplanned
failures were analysed for a period of three years, 1997 to 1999 inclusive.
70
12
60
TFS (ut)
1104
50
87
15
40
17
16
30
10
14
20
11
5
13
10
10
20
30
(intervenciones/ut)
40
50
60
Subsistema
Brakes
Bucket
Cab
Electrical
Engine
Final drives
Hydraulics
Loading frame
Moving
Service
Structural
Transmission
Undercarriage
TTR (ut)
(0,2]
1
54
17
66
78
5
121
10
16
15
12
0
23
(2,4]
1
22
2
28
34
1
81
6
7
10
6
0
11
(4,6]
3
13
1
22
23
0
48
3
5
7
3
0
6
(6,8]
1
7
0
8
22
1
23
2
1
3
0
0
5
(8,)
2
30
3
18
53
4
63
16
17
5
6
1
18
12
75
65
55
45
15
17
35
28.9
25
1105
16
10
14
20
11
15
TFS (ut)
13
10
Historial
TFS avg
avg
D 80%
11
13
15.9
(intervenciones/ut)
19 21 23 25 27
30 33 36
i
1
2
3
4
5
6
7
8
9
10
11
12
13
Subsistema
Brakes
Bucket
Cab
Electrical
Engine
Final drives
Hydraulics
Loading frame
Moving
Service
Structural
Transmission
Undercarriage
2
0,13
0,43
0,74
0,46
0,37
0,45
0,36
0,27
0,35
0,38
0,44
0,00
0,37
4
0,25
0,60
0,83
0,66
0,53
0,55
0,60
0,43
0,50
0,63
0,67
0,00
0,54
6
0,63
0,71
0,87
0,82
0,64
0,55
0,74
0,51
0,61
0,80
0,78
0,00
0,63
8
0,75
0,76
0,87
0,87
0,75
0,64
0,81
0,57
0,63
0,88
0,78
0,00
0,71
inf
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1106
i
1
2
3
4
5
6
7
8
9
10
11
12
13
Subsistema
Brakes
Bucket
Cab
Electrical
Engine
Final drives
Hydraulics
Loading frame
Moving
Service
Structural
Transmission
Undercarriage
MTTR
6,18
4,06
1,94
3,43
4,80
5,19
4,15
6,44
5,39
3,87
3,57
19,15
4,87
Subsistema
Hydraulics
Engine
Bucket
Electrical
Undercarriage
Moving
Loading frame
Service
Structural
Final drives
Brakes
Cab
Transmission
336
210
126
142
63
46
37
40
27
11
8
23
1
MTTR
4,2
4,8
4,1
3,4
4,9
5,4
6,4
3,9
3,6
5,2
6,2
1,9
19,2
DT
1394,9
1008,0
511,8
487,8
306,7
247,7
238,3
154,9
96,5
57,1
49,4
44,5
19,2
4616,7
%
30,2%
52,0%
63,1%
73,7%
80,3%
85,7%
90,9%
94,2%
96,3%
97,6%
98,6%
99,6%
100,0%
Cuadro 57.6: An
alisis de Pareto de la disponibilidad
probabilidad acumulada (ver tabla 57.4).A continuaci
on se ajust
o un modelo (con solver) con una
distribuci
on de Poisson con media T F S de modo que se minimizase para cada subsistema el error
2
cuadr
atico kFi Fi k . Se obtuvieron las valores mostrados en tabla 57.5. El Excel puede ser bajado
[aqu].
El an
alisis de Pareto para la disponibilidad se muestra en tabla 57.6. Loa subsistemas 7, 5, 2 4 y
13 concentran el 80 % de los tiempos muertos por mantenimiento correctivo. El subsistema m
as
critico con respecto a los 3 criterios (disponibilidad, mantenibilidad, confiabilidad) (cuadrante 1) es
el motor (5). Los de menor confiabilidad y crticos para la disponibilidad son los subsistemas 2, 4 y
7. El m
as problem
atico para la mantenibilidad es la transmisi
on (12).
57.2.
Diagramas frecuencia-indisponibilidad
(Labib, 1998)[19] promueve los diagramas frecuencia-indisponibilidad para priorizar entre los diversos modos de falla e intervenci
on:
Di = i T F S
Observaci
on 182 No considera las lneas de iso-T F S. Al no hacerlo no mira el costo de intervenci
on asociado a cada modo de falla, cosa que -M T OS si hace. Es f
acil a
nadir las lneas iso-M T OS
y priorizar las intervenciones m
as caras.
Labib divide los diagramas en 9 cuadrantes, sin esquemas tipo Pareto. En el cuadrante de n alto
y D bajo propone que las tareas sean hechas por operadores (estrategia TPM ). En el cuadrante de
1107
12
10
MTTR (ut)
13
11
5
7
10
10
0
10
10
(fallas/ut)
10
71
800
600
400
200
0
Tiempo (mes)
Figure 4.
Total breakdown trends
per month
X
Company background and
methodology
Figura 57.9:
Cada
enautomotive
Di sector
usando
anaroof
lisis
de prioridades[19]
The company
is in the
producing
systems
and is part of
one of the world leaders in the design and manufacture of automotive systems.
In this particular company there are 130 machines, varying from robots, and
machine centres, to manually operated assembly tables. Notice that in this case
study, only two criteria are used (frequency and downtime). However, if more
bajo y alto D propone
usar
monitoreo
enparts
linea.
Aquellos
modos
de falla o equipos con bajo y
criteria
are included
such as spare
cost and
scrap rate, the
model becomes
multi
dimensional,
with
low, medium, and high
ranges for each
identified
D bajo son buenos candidatos
para
mantenimiento
correctivo.
El
peor
de los casos es alto y D
criterion.
alto; se trata de enfermosThecr
onicos y implemented
terminales.
buenos
para realizar mantenimiento
methodology
in thisSon
case was
to followcandidatos
three steps. These
steps are: criteria analysis, decision mapping, and decision support, and are
proactivo con posible redise
o/reemplazo.
presentednin
Figure 5.
57.2.1.
calls, the main concern of maintenance. The objective of this phase is to assess
how bad are the worst performing machines for a certain period of time, say one
month. The worst performers in both criteria are sorted and grouped into high,
medium, and low sub-groups. This is presented in Figure 6.
Ejemplo
Theelaim
of this step
is twofold; it en
scales
high, medium,
and low groups
and
Tomemos como ejemplo
estudio
realizado
(Labib,
1998)[19].
Se dispone
del historial mostrado
hence genuine worst machines in both criteria can be monitored on this grid. It
en tabla (57.7). Los resultados
se
muestran
en
figura
(57.10).
also monitors the performance of different machines and suggest appropriate
actions, as explained earlier. This step is shown in Figure 7.
Ejemplo 182 Considere el historial de intervenciones mostrado en tabla 57.7 registrado en un periodo de tiempo conocido T . Se especifica la naturaleza de la intervenci
on (correctiva o preventiva).
Las preventivas son programadas de modo que su efecto sobre el servicio sea minimizado (oportunismo) lo que se refleja en el factor de la ultima columna (0: no hay efecto, 1: la intervencion detiene la
producci
on 100 % del tiempo que dure). Algunas correctivas no tienen factor completo pues afectan
parcialmente la producci
on o existen medidas paliativas. Se desea a)realizar la priorizaci
on para la
1108
i
1
2
3
4
5
6
7
8
9
10
Di T (ut)
30
20
20
17
16
12
7
6
6
4
i T (fallas)
9
3
16
12
8
4
27
2
8
8
iT (fallas)
4
1
10
10
2
8
10
20
DiT (ut)
i
1
2
3
4
5
6
7
8
9
10
Di T (ut)
30
20
20
17
16
12
7
6
6
4
i T (intervenciones)
9
3
16
12
8
4
27
2
8
8
Tipo
P
C
C
P
C
C
P
C
C
C
1109
Factor servicio
0,1
1
0,5
0
1
1
0,3
1
1
1
T F S (um/T )
3
20
10
0
16
12
2.1
6
6
4
10
6
5
4
0
10
MTTR (ut)
9
10
7
-1
10
-2
10
10
(interv/T)
10
1110
10
6
5
10
TFS (ut/interv)
9
3
10
1
-1
10
-2
10
10
(interv/T)
10
1
1
.95
3
18
2
17
.98
25
0.97
3
5
.92
4
4.2
4
3
.96
7
5
Unidad
u
1/ut/u
up/ut
57.3.
Diagrama de dispersi
on de tiempo de sistema
Una limitaci
on del diagrama de dispersion de tiempo tal como ha sido presentado es que considera
que la indisponibilidad de un equipo (componente) representa indisponibilidad de sistema. Eso no
es cierto en sistemas en donde exista redundancia. Aqu consideramos una extension al diagrama
basico para considerar esta situaci
on y estimar tiempos fuera de servicio de sistema. Esto permite
establecer prioridades no en base a criterios de equipo si no en base a criterios de sistema.
Consideremos como ejemplo el sistema que se muestra en figura 57.13, que tiene i = 1..,4 subprocesos. Dentro de cada subproceso, hay ni equipos gemelos, vale decir, tienen la misma disponibilidad
(p), capacidad (pi ) y frecuencia de intervenciones (fi ). Ambos parametros son conocidos. Si para
satisfacer la demanda se necesitan ki de los ni equipos, la disponibilidad de subproceso esta dada
por:
n
X
n
Ai =
pj (1 p)nj
k
j=k
1111
Di
fi
ahora podemos obtener un diagrama de dispersion de tiempo de sistema (figura 57.14) versus el
anterior diagrama de dispersi
on de tiempo de equipo (componente/subsistema) (figura 57.15).
Obviamente, la redundancia afecta las prioridades. Si se considera la disponibilidad, por equipo el
orden es {3, 1, 4, 2}, en tanto que por sistema es {4, 3, 2, 1} (para produccion maxima).
57.4.
Una alternativa interesante es construir este diagrama en funcion del M T T R efectivo. Digamos
que la falla es reparada en M T T R ut pero que existen equipos redundantes, pilas y medidas de
contingencia que absorben al menos parcialmente la funcion del equipo que fallo y la produccion
baja desde el nivel nominal
p0 M T T R
a
pi M T T R
1112
1.E+00
1
10
100
1.E-01
1.E-02
SS 1
SS 2
SS 3
SS 4
isoD 5%
1.E-03
1.E-04
1.E-05
1.E-06
1.E-07
1.E+00
1
10
100
1.E-01
1.E-02
Equipo 1
Equipo 2
Equipo 3
Equipo 4
isoD 5%
1.E-03
1.E-04
1.E-05
1.E-06
1.E-07
1113
p0
t2
t1 MTTRef
Tiempo (ut)
MTTR
p0 pi
M T T Ri
p0
= i M T T Ri
O sea, la variaci
on relativa en la tasa de produccion media corresponde al factor de escala i .
Podemos definir tambien la no disponibilidad efectiva:
Def = M T T Ref
y construir alguno de los dos diagramas ya mostrados.
Para estimar i para cada falla basta dividir la produccion realizada en [0, T T R] y dividir por
p0 T T R. A continuaci
on se puede caracterizar con alguna distribucion.
57.5.
Diagrama M T T R
Precio
1114
C
ic
ri t
a
id
d
s
Ta
da
an
em
d
e
ad
57.6.
M
etodos especficos para selecci
on de repuestos
Porras y Dekker [9] presentan un metodo de clasificacion de repuestos basado en 3 criterios: criticidad, tasa de demanda, precio unitario (figura 57.17). El caso considerado en su articulo considera
una planta de proceso con m
as de 14000 tipos de repuestos. Definen 3 niveles basicos de criticidad:
Alta (afecta seguridad de las personas o del ambiente), Media (afecta seriamente produccion),
Baja (no afecta seriamente producci
on). Como un repuesto puede pertenecer a equipos de dos o
mas categoras b
asicas se definen 6 clases (A, A/M/B o A/B, M, M/B, B).
Para la tasa de demanda definen 4 clases: Baja (0 o 1 pedido en 5 a
nos), Media (hasta 12 pedidos/a
no), Alta (m
as de 12 pedidos/ano), Otros (pedidos negativos -regresos-). El limite entre las
clases M y A se decidi
o a partir de un analisis de Pareto con criterio tasa de pedidos. En su caso
90 % de los repuestos pertenecan a clase B.
Para el criterio precio se definen 5 clases, que incluyen precio nulo (aquellos repuestos disponibles
que no pertenecen al mandante). Los valores limites entre clases se fijaron en base a Pareto. El
enfoque anterior produce un an
alisis segregado para 64 5 = 120 clases.
La metodologa de Porras y Dekker no considera los costos de falla, los cuales pueden facilmente
dominar el costo global en caso de indisponibilidad de repuestos. En tal sentido, es puede ser
conveniente utilizar la metodologa de particion de repuestos propuesta por Louit [10] (figura 57.18).
criteria have been identified to contribute to spare part criticality, a three-dimensional (3D)
space should be used (see Figure 2.2).
1115
Tasa de demanda
Precio
promedio
Costo de falla
promedio
Tasa de
demanda promedio
Caros
Costo de falla importante
Alta demanda
Precio
Costo de
falla
Caro
Costo de falla importante
Baja demanda
Figura
Metodolog
a de partici
on departs,
repuestos,
(Louit, 2006)
Figure
2.2:57.18:
3D criticality
space
for spare
highlighting
areas[10]
of high criticality
En este caso los 3 criterios seleccionados son: costo de falla por indisponibilidad (um/pedido), precio
unitario (um/u), y tasa de demanda (1/ut).
Letting
LimitC ,
Limit P
and
Limit D
consequences, price and demand rate, respectively, the criticality space can be divided into
57.7.
Metodologa de partici
on de repuestos
eight sections, as presented in Figure 2.2. These limits can be defined by the user according
Siguiendo el modelo del numero de criticidad de los analisis de modos de falla, efectos y criticidad,
to company policy or they can be estimated directly from data as overall average values
Louit [?] propone un metodo grafico que permite priorizar y seleccionar repuestos crticos. La
metodologa considera 3 criterios simultaneamente: tasa de demanda, precio unitario y costo de
each criterion.
the latter case,
have Al considerar un conjunto de repuestos, se genera
oportunidad
por In
indisponibilidad
delwe
repuesto.
entonces un diagrama de dispersion tridimensional que puede ser reducido a uno bidimensional al
dar colores a cada punto en funcion del criterio que se condensa del grafico tridimensional (ver
figura 57.19). A efectos de priorizar, la nube de puntos es dividida en hemisferios por ejes segn cada
criterio. Aquellos repuestos con precio unitario alto, alto costo de oportunidad por indisponibilidad y
alta demanda son considerados los mas crticos. En un segundo grupo se pueden considerar aquellos
con baja demanda.
Una alternativa interesante es considerar un diagrama en donde la consecuencia sea evaluada cualitativamente (por ejemplo, 0:poco grave, 1:grave) y aprovechar que el costo de intervencion por
repuestos y por unidad de tiempo es el producto de la demanda por el precio unitario (ver figura
57.20). Tal como en los diagramas de dispersion de tiempo y de costo, al graficar en un diagrama
bilogartmico las curvas de isocosto por unidad de tiempo quedan como rectas. Al proceder de esta
forma se logra priorizar tambien por costos por unidad de tiempo y se evita estimar el costo de
consecuencia (lo que ademas permite priorizar por riesgos por seguridad o por calidad, por ejemplo).
for
1116
1,2
Baratos
Caros
Isoconsecuencia
Isodemanda
Demanda (u/ut)
0,8
0,6
0,4
0,2
0
0
50
100
150
200
250
300
350
400
450
57.7.1.
Estudio de caso
El estudio de caso corresponde a una lista de 86 repuestos de una siderurgica en Canada. Los
resultados se observan en figuras 57.19 y 57.20 respectivamente.
57.8.
Diagramas de dispersi
on de costos
El diagrama Jack Knife ya visto solo considera tiempos y frecuencias con lo que no analiza el
impacto econ
omico de tener un equipo fuera de servicio. A tal fin, proponemos en esta seccion 2
diagramas nuevos, que llamaremos diagramas de dispersion de costo o por sus siglas, DDC. El mapa
conceptual asociado a ellos se muestra en figura 57.21.
1255
5
m/ut
Precio (um/u)
2097
u
1000000
um/u
t
35
17
100000
Menor gravedad
Mayor gravedad
10000
Iso precio
Iso demanda
Iso costo interv. (um/ut)
1000
100
0.01
0.1
Demanda (u/ut)
Gestin de
Activos fsicos
abarca
1117
enfrenta
Escacez de
recursos
Ciclo de vida
del sistema
Conceptualizacin y
diseo
Implementacin
Debe fijar
y medir
incluye
Operacin y
mantenimiento
se requiere
Retiro
Productividad
KPIs
Toma de
decisiones
Alcanzables a
travs de
Minimizar/alcanzar/balancear
requiere de
Estrategias de
mantenimiento
M. correctivo
-no
planificado-
M.
planificado
M.
preventivo
M.
oportunista
M.
Proactivo
Calidad
Costo
global
muestra
explcitamente
Incluye a
agrega
Efectos
Diagramas
econmicos
Jack Knife
globales
Redundancia
Reduce/elimina
Anlisis
Pareto
implica
Uso
exclusivo
de tiempos
Por ejemplo
Costo de
de falla
Incluye a
implica combina
Costo de
Costo de
intervencin
almacenamiento
incluye
Sobreinversiones
Reduce/elimina
Sistemas ms
criticos
tradicionalmente
Confiabilidad
Mantenibilidad
Modelos
de apoyo a
decisiones
M. centrado
en la
condicin
OEE
Modos de
falla ms
crticos
en
Diagramas
Dispersin
de Costo
DDC
Seguridad
Disponibilidad
sobre
Priorizacion
en toma de
decisiones
proponemos
Malla de toma
de decisiones
(DMG)
3 criterios
de tiempo
Preseleccin
de un criterio
nico
Matriz
de criticidad
57.8.1.
Formulaci
on del modelo
Si descartamos el costo de almacenamiento y el de sobre-inversiones, el costo global de mantenimiento por unidad de tiempo cg que se obtiene es la suma de las correctivas, las preventivas, las
inspecciones, y otras detenciones:
cg =
=
n
X
j=1
n
X
(cij + cf j ) fj T F Sj um/ut
cgej Dj
j=1
cgej es el costo global especifico del codigo j y puede ser considerado como un peso relativo a aplicar
a las indisponibilidades. T F Sj considera el ciclo logstico completo, luego:
cij T F Sj = Cij um/intervencion
donde Cij es el valor promedio costeado en la orden de trabajo o en la factura. El costo de falla por
unidad de tiempo fuera de servicio (f.s.) es:
cf j = cf um/ut-f.s.
donde es un factor entre 0 y 1 de acuerdo al grado de planificacion en la tarea, la existencia de
pilas y equipos redundantes, y a metodos alternativos de produccion. Por ejemplo, una inspeccion
es una tarea planificada de modo que se minimice el efecto a produccion con lo que 0. En otros
casos ser
a necesario hacer an
alisis de sensibilidad como ya veremos.
57.8.2.
Estudio de caso
1118
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
(min/mes) USD/interv.
Capital promedio
Inspecciones elctricas
30
1015
80
55000
15
785
30
3000000
Cambio de subestacin
27
690
50
150000
Inspeccin/reparacin acoplamiento
15
225
50
70000
21
395
40
18000
10
277
50
15000
Motores auxiliares
13
600
30
350000
Motores principales
12
555
400
800000
Sistema de iluminacin
26
240
500
40000
Relay de sobrecarga
23
685
2000
700000
Sobretemperatura motor
36
745
800
10000
Tierra
575
50
50000
Otros
115
100
120000
Sistema de control
165
600
230000
Compresor de aire
355
700
10000
Controles operador
155
200
80000
Sobrecorriente
220
400
30000
10
2
8 7
15
TFS (hora)
-0.2
10
17
16
10
-0.4
10
14
11
5
-0.6
10
4
13
9
-0.8
10
10-2
Frecuencia (1/hora)
Ingeniera
Figura 57.22: Diagrama Jack Knife standard. Los ejes de corte se han fijado seg
un valoresMecnica
promedio en
PAM Lab
FACULTAD DE CIENCIAS
Dr. Rodrigo Pascual
cada criterio
Laboratorio de Gestin de Activos Fsicos
FISICAS Y MATEMATICAS
Physical Asset Management Lab http://opam.ing.uchile.cl
Company Logo
UNIVERSIDAD DE CHILE
1119
PAM Lab
10
12
3
2
15 8 7
17
14 6
16
10
10
11
9
5
13
4
1
3
10
0.1
10
TF
S(
ho
r a)
-0.8
10
1
-2
cia (
n
e
10
u
Frec
a)
/hor
Ingeniera
Mecnica
FACULTAD DE CIENCIAS
FISICAS YLogo
MATEMATICAS
Company
UNIVERSIDAD DE CHILE
El diagrama Jack Knife se muestra en figura 57.22. Las 5 intervenciones mas crticas por disponibilidad tienen c
odigo: 1, 2, 3, 10, 11. El diagrama de dispersion de costo en su version tridimensional
se muestra en figura 57.23 y en su version bidimensional en figura 57.24. De esta ultima se estima
que las intervenciones m
as crticas para el negocio tienen codigos: 2, 7, 8, 10, 11 (resaltadas en
ambas figuras). Esta informaci
on puede ser a
nadida al diagrama Jack Knife standard para estudiar
el efecto del costo global en la seleccion de componentes mas crticos (figura 57.25): vemos como los
codigos 1 y 3 si bien son importantes para la disponibilidad del componente, no lo son tanto para
el negocio, con lo cual su an
alisis puede ser postergado frente a componentes como el 7 y 8 que si
lo son.
Un an
alisis que solo se fije en los costos de intervencion de mantenimiento (figura 57.26) dara como
codigos crticos: 4, 9, 10, 11, 15. Por supuesto, este enfoque miope dejara en un segundo plano
varios modos de falla crticos para el negocio y no para el presupuesto de mantenimiento.
La figura 57.27 muestra como cambia le DDC-2D cuando el mercado ha reducido el valor del
producto a un 25 % de su valor de referencia. Vemos como los puntos se corren hacia la izquierda.
57.8.3.
Inclusi
on del costo de almacenamiento
Cada intervenci
on tiene un cierto capital detenido en repuestos. Este termino podra llegar a dominar
el costo global y es conveniente considerarlo en el analisis.
Consideremos que cada c
odigo j tiene un capital promedio CRj um por cada equipo de la flota. Ello
implica un costo de almacenamiento de CRj um/ut. Si asociamos este valor a cada intervencion,
Caj =
CRj
um/interv
fj
Caj
um/ut-f.s.
T F Sj
1120
10
Is o
-c
Indisponibilidad
USD/hora
1
3
13
44
os
to USD
glo / h
b a or
l( a
US
D/
-2
10
US
D/
h
or
a
2 11
ho
10
ra 12 7
)
8
5
15
9
17
16 14
13
-3
10
10
10
Ingeniera
UNIVERSIDAD DE CHILE
12
0
10
2
8 7
15
TFS (hora)
-0.2
10
17
16
10
-0.4
10
14
11
5
-0.6
10
4
13
9
-0.8
10
-2
10
Frecuencia (1/hora)
Ingeniera
Figura 57.25: Diagrama Jack Knife enriquecido con informacion de costos. Notese que corresponde
Mecnica a un
PAM
Lab
FACULTAD DE CIENCIAS
Dr.
Rodrigo
Pascual
caso especial
del
DDC-3D
cuando
se
mira
desde
arriba.
Laboratorio de Gestin de Activos Fsicos
FISICAS Y MATEMATICAS
Physical Asset Management Lab http://opam.ing.uchile.cl
Company Logo
UNIVERSIDAD DE CHILE
1121
o
-c
Iso
10
sto
nc
ve
er
int
10
11 10
a)
or
/h
SD
(U
2
7 8
12
-2
in
Indisponibilidad
de
En rojo:
+crticos para
el negocio
15
4
14
17
16
13
-3
10
10
PAM Lab
10
Ingeniera
Mecnica
FACULTAD DE CIENCIAS
FISICAS YLogo
MATEMATICAS
Company
UNIVERSIDAD DE CHILE
costo de falla
-1
10
80
USD/hora
Indisponibilidad
19
US
D/
h
or
US
D/
h
or
a
a
2
12 7 8
3
-2
10
11
10
15
6
17
16
13
14
-3
10
10
PAM Lab
10
Ingeniera
Mecnica
FACULTAD DE CIENCIAS
FISICAS YLogo
MATEMATICAS
Company
UNIVERSIDAD DE CHILE
10
Indisponibilidad
1122
11
712 10
8
5 15
3
-2
10
6
17 9
14
16
13
-3
10
10
PAM Lab
10
Ingeniera
Mecnica
FACULTAD DE CIENCIAS
FISICAS YLogo
MATEMATICAS
Company
UNIVERSIDAD DE CHILE
con lo cual podemos escribir el costo global esperado por unidad de tiempo:
cg =
=
n
X
j=1
n
X
j=1
La figura 57.29 muestran los resultado para el caso estudiado anteriormente. Los capitales en repuestos se muestran en tabla 57.10. A fin de discriminar el efecto del costo de almacenamiento se
ha graficado el costo global con y sin el.
Al considerara el costo de almacenamiento, vemos
que en este caso los c
odigos m
as crticos no cambian, aunque el codigo 8 intercambia su posicion
relativa con el c
odigo 7.
el costo promedio por hora sube de 44 a 47 USD/hora.
el costo m
aximo sube de 130 a 143 USD/hora.
como el c
odigo 3 se torna m
as crtico que el codigo 1.
Una vez seleccionados los c
odigos m
as crticos, es posible priorizar que tipo de decision tomar al
analizar la figura 57.30. Por ejemplo,
para los c
odigos 2 y 12 el costo de falla representa sobre el 90 % del costo global. Es necesario
investigar medios para paliar el efecto de estas detenciones en la produccion, ya sea via reducci
on en los tiempos fuera de servicio o en la existencia de medios redundantes, stock piles,
etc.
el costo de intervenci
on del c
odigo 4 representa el 90 % de su costo global esperado. Es necesario
estudiar maneras de bajarlo, por ejemplo, via proveedores alternativos.
para el c
odigo 3 el costo de almacenamiento representa sobre el 50 % del costo global. Es
necesario entonces concentrar esfuerzos en los inventarios de repuestos para este codigo.
1123
-1
10
14
47
Indisponibilidad
um
/u
t
um
/u
t
2
11
10
12 7 8
-2
10
15
6
4
17
14
16
13
int+falla+alm
int+falla
-3
10
10
10
10
0.9
0.8
0.7
0.6
intervencin
falla
almacenamiento
0.5
0.4
0.3
0.2
0.1
10
12
14
16
18
Cdigo
Figura 57.30: Fracciones asociadas a cada termino del costo global por codigo
1124
57.9.
Comentarios finales
Los diagramas T F S resuelven varias de las limitantes de un analisis de Pareto clasico para
la priorizaci
on de an
alisis de modos de falla. Los resultados respetan los resultados obtenidos con
Pareto, pero adem
as entregan informacion muy interesante respecto de la frecuencia de las fallas y
la duracion de su reparaci
on. Los gr
aficos permiten la identificacion de problemas de confiabilidad,
disponibilidad y mantenibilidad. La tecnica ya es usada en la minera chilena[3].
Hemos introducido los DDC en versiones 2D y 3D. Estas herramientas apoyan la seleccion de
equipos y componentes m
as crticos en vista de la escasez natural de recursos que existe en mantenimiento. El enfoque de los diagramas de dispersion de costos es la reduccion del costo global, lo
que apunta directamente a hacer crecer el lucro para la empresa. Ambos diagramas son sensibles a
las condiciones del mercado lo que se refleja en el costo de falla. As, la seleccion de componentes
mas crticos es afectada por el valor del producto.
57.10.
A explorar
Al-Hajj y Horner [6] proporcionan un modelo predictivo de costos a partir de los costos de los subsistemas mas crticos y an
alisis de Pareto. El mismo enfoque puede ser utilizado para reconstruir la
disponibilidad de un sistema complejo a partir de las indisponibilidades asociadas a sus sub-sistemas
mas crticos. Una version modificada del diagrama Jack Knife es propuesta por Karim et al. [7]. En
su caso, las variables en los ejes del diagram son la cantidad de defectos y el costo por defecto en
un contexto de evaluaci
on de contratistas en el sector de la construccion.
Bibliografa
[1] Hu, Hui, Golosinski, T.S., Modelling Failure Pattern of a Mining Truck with a Decision Tree
Algorithm. Mineral Resources Engineering, 11(3), 271, 2002. [bajar]
[2] Knights, P.F., Downtime Priorities, Jack-knife Diagrams, and the Business Cycle, Maintenance
Journal, 17(2), 14-21, Melbourne, Australia, 2004. [bajar]
[3] Knights, P.F.,Tecnicas de priorizaci
on, Apuntes del curso Optimizaci
on de Estrategias de Mantenimiento de Equipos, Universidad Catolica de Chile, 2004. [bajar]
[4] Labib, A.W., World-Class Maintenance Using A Computerised Maintenance Management System, Journal of Quality in Maintenance Engineering, 4(1), 66-75, 1998. [bajar]
[5] D.J. Edwards, S. Yisa, Modelling the magnitude of plant downtime: a tool for improving plant
operations management, Engineering, Construction and Architectural Management, 8(3), 225
232, 2001. [bajar].
[6] A. Al-hajj, M. Horner, Modelling the running costs of buildings, Construction Management &
Economics, 16, 459-470, 1998.
[7] K. Karim, M. Marosszeky, S. Davis, Managing subcontractor supply chain for quality in construction Engineering, Construction and Architectural Management, 13(1), 27-42, 2006.
[8] R. Pascual, Selecci
on de sistemas m
as crticos: un enfoque desde la gesti
on de activos fsicos,
MANTEMIN, Vi
na del Mar, 2007, [Presentacion].
[9] E. Porras, R. Dekker, An inventory control system for spare parts at a refinery: An empirical
comparison of different re-order point methods, European Journal of Operational Research, 184,
101132, 2008.
[10] D. Louit, Optimization Of Critical Spare Parts Inventories: A Reliability Perspective, Ph.D.
Thesis, University of Toronto, 2006.
1125
1126
Captulo 58
An
alisis de causa raz
1127
1128
Clarificar el evento
Entrevistar a todo el personal
involucrado directa o
indirectamente
Qu pas?
Dnde ocurri?
Cuando ocurri?
Qu cambi?
Cual es el impacto?
Cuantificar el impacto al
personal, el ambiente y tambin
econmico
Estimar probabilidad de
recurrencia
Puede prevenirse su
recurrencia?
1129
Notificacin
de la falla
Clarificar el
evento
Recopilar
documentos
Preservar evidencia
fsica
Definir acciones
correctivas posibles
Evaluar
componentes
fallados
Anlisis costo/
beneficio
Entrevistas
Probar dinmica del
sistema
Solucin
econmica?
Diagrama
de secuencia
de eventos
Es evidente
la causa?
no
Archivar
no
Archivar
no
Revisar diseo
no
Es evidente
la causa?
Presentar para
aprobacin
si
Aprobado?
Evaluar instalacin
si
Evaluar prcticas de
operacin
Implementacion de
acciones correctivas
Lista de causas
potenciales
Asesoria tcnica
no
Es evidente
la causa?
1130
Bibliografa
[1] Mobley, R.K., Root Cause Failure Analysis, Newnes Plant Engineering Series, Boston, 1999.
[2] Andersen, B., Fagerhaug, T., Root Cause Analysis: Simplified Tools and Techniques, Quality
Press, Milwaukee, 2000.
[3] Gano, D., Apollo Root Cause Analysis, 2nd ed., Apollonian Publications, Yakima, Washington,
1999.
[4] Failure prevention through education : getting to the root cause : proceedings of the First
ASM International Conference on Failure Prevention, organized by the ASM Failure Analysis
Committee, Cleveland, Ohio, 23-25 May 2000.
1131
1132
Captulo 59
Arboles
de falla y eventos
dependientes
59.1.
Si hay dependencia estadstica entre 2 o mas eventos terminales de un arbol, ello debe ser considerado en el an
alisis; de otra manera, las probabilidades que se calculen pueden tener errores
importantes. Aun en an
alisis cualitativos es importante conocer la relacion estadstica entre los
eventos que pueden inducir el evento principal. La dependencia estadstica mas com
un son las
causas comunes.
59.1.1.
A depende de B
59.1.2.
A y B mutuamente exclusivas
Consideremos otro caso donde las fallas de A y B son mutuamente exclusivas. En ese caso, la probabilidad de que A falle cuando B ha fallado es 0. Y por tanto la rama derecha bajo el conector
OR de figura 59.1 puede ser obviada, como se muestra en figura 59.3.
59.1.3.
Dependencias en sistemas m
as complejos
Consideremos ahora el sistema mostrado en la figura 59.4. Los componentes A y B estan en paralelo y C en serie con ellos. Tomemos en primer lugar el caso en que la fallas de cualquiera son
independientes del resto. El
arbol se muestra en figura 59.5. Se ha usado la siguiente nomenclatura:
A,B,C: falla de A,B,C respectivamente
S: falla del sistema
1133
1134
Falla de
A
Falla de A cuando
B ha fallado
Falla de A
cuando B opera
A fallla
cuando
B falla
Fallla
de B
B
opera
A fallla
cuando
B opera
Falla de
A
Falla de A cuando
B ha fallado
Fallla
de B
A fallla
cuando
B falla
1135
Falla de
A
Falla de A
cuando B opera
B
opera
A fallla
cuando
B opera
A
C
B
Figura 59.4: Sistema con redundancia
D1: evento intermediario, A y B fallan
Consideremos ahora el caso en el cual la falla de A depende de B. Se utiliza la notacion adicional:
componente B opera
B:
A0: falla de componente A cuando B ha fallado
A: falla de componente A cuando B opera
Notese que la pate del
arbol bajo A es identica a la figura 59.1.
59.1.4.
A y B con correlaci
on perfecta
Se dice que dos eventos A y B estan completamente correlacionados, o sea, su correlacion estadstica
es 1, cuando A ocurre si y s
olo si B ocurre y ademas B ocurre si y solo si A ocurre. Si hay dos
eventos de ese tipo en el
arbol, podemos simplemente reemplazar B por A cada vez que B aparezca.
Considerese un
arbol muy sencillo donde el evento principal esta conectado a dos eventos basicos por
un conector OR. Ello representa a un sistema en serie sencillo. Si suponemos que ambos eventos son
independientes la probabilidad calculada del evento principal sera un limite superior. Si asumimos
que ambos eventos est
an 100 % correlacionados, la probabilidad calculada sera un limite inferior.
1136
D1
D1
A/B
A/ B
1137
En casos m
as complejos no se pueden emitir conclusiones generales sobre el error cometido sobre la
probabilidad estimada para el evento principal.
59.2.
Ejemplos
59.2.1.
Simplificaci
on del
arbol
Considere el
arbol de fallas mostrado en figura. El evento principal representa la falla del sistema.
Los eventos E1, ..., E4 son estadsticamente independientes y representan las fallas de componentes
cuyas tasas de falla son i i=1,..,4 respectivamente. Determine la confiabilidad del sistema en t. La
confiabilidad de un componente es ei t .
T
G1
E1
G2
E4
E1
E2
E3
1138
59.2.2.
Sistema de refrigeraci
on
59.3.
An
alisis de importancia
1139
Caudal mnimo
No alcanzado
No hay flujo
desde la vlvula
Ruptura
de
la lnea
Ruptura
de
la vlvula
Bloqueo del
Flujo en la
vlvula
No hay flujo
a la vlvula
Perdida de carga
en la descarga
de la bomba
Valvula cerrada
Ms alla de
Flujo mnimo
Objetos extraos
En el fluido
Ruptura
de la lnea
de entrada
Partes de la bomba
entran a la vlvula
Bomba
Con falla interna
Vlvula cerrada
Completamente cuando
El freno falla
Freno falla
Cuando la
Vlvula
Est en posicin
mnima
Falla de
la bomba
Caudal insuficiente
a la bomba
fusible
interruptor
Motor
fuente
cable
Falla de
Acoplamiento
De la bomba
1140
Motor
no opera
Falla
Interna del
motor
Falla interna
cableado
No llega corriente
Al motor
Falla fusible
Falla interna
de la fuente
Sobrecarga
Falla interna
fusible
Corto circuito
cableado
Falla interna
De la fuente
59.3.1.
La importancia de un evento terminal con respecto al evento principal puede ser definida sobre
intervalos de tiempo dados. Entre las medidas de importancia mas conocidas se tiene:
medida de Birnbaum
medida de criticidad
medida de la funci
on de mejora (upgrading)
medida de Vesely-Fusell
medida de Barlow-Proschan
1141
59.3.2.
Fj (t)
FS (t)
donde
F es la probabilidad acumulada de falla en t.
La ecuaci
on 59.3.2 se basa en que lo conjuntos mnimos sean estadsticamente independientes. Se
asume adem
as que la probabilidad de que mas de un conjunto mnimo este en estado de falla en
el instante t es muy peque
na comparada a la probabilidad de que solo un conjunto mnimo este en
estado de falla en el instante t; lo que es razonable para la mayora de los sistemas.
Una vez calculados los indicadores de importancia, los eventos terminales pueden ser clasificados
de acuerdo a su importancia, en orden descendente.
Ejemplo 184 Considerese un
arbol de falla cuyo evento principal es falla del sistema. Los conjuntos mnimos son
M1 = (E1 , E2 )
M2 = (E1 , E3 )
M3 = (E3 , E4 )
Los eventos terminales son estadsticamente independientes. La probabilidad acumulada de falla Fi
de cada evento terminal para t = 4000 horas se muestran en tabla 59.1.La probabilidad acumulada
de falla del sistema es entonces Fs = 3,7102 . Calcule el indicador de importancia de Vesely-Fusell
con respecto a la confiabilidad del sistema para t = 4000 horas.
Soluci
on 19 La importancia de cada conjunto mnimo es:
F1
= 0,27
Fs
F2
=
= 0,19
Fs
F1
=
= 0,54
Fs
IR,1 =
IR,2
IR,1
1142
Evento i
1
2
3
4
Fi
102
7 103
2 102
3,7 102
iR,1 =
iR,2
iR,3
iR,4
= (E1 )
= (E2 )
= (E2 , E3 )
= (E3 , E4 )
La probabilidad acumulada de falla de los eventos terminales para t = 2400 horas son:
F1
F2
F3
F4
= 0,04
= 0,02
= 0,05
= 0,08
Los eventos terminales son estadsticamente independientes. Calcule los indicadores de importancia
de Vesely-Fussell para t = 2400 horas.
Soluci
on 20 Primero calculamos F de los conjuntos mnimos y del sistema:
Fcm1
Fcm2
Fcm3
Fcm4
= F1 = 0,04
= F2 = 0,02
= F2 F3 = 0,001
= F3 F4 = 0,004
Fs =
Fcmi = 0,065
1143
IR,1 =
IR,2
IR,1
IR,4
que se ordenan
E1, E2 , E3 , E4
Ejemplo 186 Para el sistema descrito en el ejemplo anterior, incremente la confiabilidad (en
t = 2400 horas) de cada evento terminal en 50 % y determine la reducci
on en la probabilidad
acumulada de falla del sistema para ese instante.
Soluci
on 21 Expresemos F de los conjuntos mnimos y del sistema en terminos de F de los eventos
terminales:
Fcm1
Fcm2
Fcm3
Fcm4
= F1
= F2
= F2 F3
= F3 F4
X
Fs =
Fcmi
i=1,4
a)
b)
c)
1144
Componente
H1
H2
H3
Ai
0.46
0.07
0.53
0.74
0.11
59.3.3.
donde el ndice k corre sobre los eventos terminales del arbol. Estas ecuaciones son aplicables solo
si los eventos terminales son estadsticamente independientes.
Ejemplo 187 Un sistema consiste de 3 componentes Hi , i = 1, 3. Los eventos terminales (modo
de falla) Ei est
an asociados a los componentes Hi seg
un se indica en tabla 59.2.
Soluci
on 22 Las medidas de importancia de Vesely-Fussell para los componentes son:
iR,1 (t) = iR,1 (t) = 0,46
iR,2 (t) = iR,2 (t) + iR,3 (t) + iR,5 (t) = 0,71
iR,3 (t) = iR,4 (t) = 0,74
luego, en orden decreciente de importancia:
H3 , H 2 , H 1
H1
H2
1145
H3
E1
E2
E3
Soluci
on 23 Se requiere una confiabilidad de 0.995. Cualquier configuraci
on con redundancia es
aceptable.
Primero, calculamos la confiabilidad del sistema original (figura 59.12). El
arbol de fallas para tal
configuraci
on se muestra en figura 59.13. Los conjuntos mnimos son:
M1 = E 1
M2 = E 2
M3 = E 3
La disponibilidad del sistema es
Rs = 1 (1 0,999) (1 0,96) (1 0,97)
= 0,929
lo que es inferior al nivel aceptable.
Las medidas de importancia de Vesely-Fussell para cada componente con respecto a la disponibilidad,
para t = 8000 horas es:
Fcm1
F1
=
= 0,014
Fs
Fs
Fcm2
F2
=
=
= 0,56
Fs
Fs
Fcm3
F3
=
=
= 0,42
Fs
Fs
iR,1 =
iR,2
iR,3
Luego la clasificaci
on de los componentes es
H 2 , H3 , H1
1146
H1
H2
H3
H2
H3
Observaci
on 185 En el an
alisis de importancia no se toman en cuenta directamente los costos
sino que la confiabilidad de componentes. Luego, los resultados de un an
alisis de importancia sirven
de complemento para un an
alisis de costos.
Bibliografa
[1] C.R. Sundararajan. Guide to Reliability Engineering. Van Nostrand Reinhold, 1991.
[2] N.J McCormick. Reliability and Risk Analysis. Academic Press, 1981.
1147
1148
Parte VII
Anexos
1149
Ap
endice A
Clases de actividades de
mantenimiento
A.1.
Introducci
on
La funci
on mantenimiento necesita de las siguientes actividades:
Gesti
on de a mediano y largo plazo;
An
alisis tecnicos a mediano y largo plazo;
Ejecuci
on de actividades;
Gesti
on de repuestos.
El largo plazo es un horizonte superior a un a
no. El mediano plazo considera entre 1 y 12 meses.
Observaci
on 186 Para controlar una funci
on, el agrupamiento de actividades no debe ser arbitrario, debe ser consecuente con la naturaleza del ser humano:
Una persona (o grupo de personas) no puede llevar al mismo tiempo actividades de corto,
mediano y largo plazo, debido a que el corto plazo (lo cotidiano) ser
a siempre prioritario. Las
actividades de mediano y largo plazo ser
an poco o no realizadas.
El perfil del personal de gesti
on y el de an
alisis es distinto.
Observaci
on 187 En este contexto, an
alisis corresponde a an
alisis tecnicos: an
alisis de modos
de falla, confecci
on de procedimientos y rutas, informes de falla, an
alisis de tiempos de reparaci
on,
etc.
A.2.
Gesti
on de largo plazo
1152
Mejorar procedimientos organizacionales: describir las reglas que aseguren calidad en el servicio; para ello se implementa:
a) gesti
on a priori : polticas de mantenimiento de equipos, preparacion de intervenciones,
gesti
on de bodegas,etc.
b) gesti
on a posteriori : informe de intervencion, bitacora, analisis tecnico-economicos, etc.
Programa de capacitaci
on del recurso humano.
A.3.
Gesti
on de mediano plazo
Las actividades m
as importantes son:
Programaci
on de intervenciones en el mediano plazo
Control del presupuesto
A.3.1.
Programaci
on de intervenciones
A.3.2.
Control presupuestario
A.4.
Ejecuci
on de intervenciones
Implica 3 tareas:
Distribuci
on del trabajo:
coordinar con producci
on el momento de intervenir;
el seguimiento del avance de las intervenciones.
Realizacion de las intervenciones
movilizaci
on de recursos,
consignaci
on de las instalaciones,
medidas de seguridad,
intervenci
on misma,
transferencia del equipo a produccion.
Rendici
on de cuentas: el informe debe incluir: causa que origino la intervencion, descripcion
de dificultades encontradas para cumplir los plazos previstos de intervencion. La idea es
resaltar los puntos que causan la perdida de eficiencia de la funci
on mantenimiento.
1153
Gesti
on de personal
datos para el salario (horas-hombre, bonificaciones,etc.).
Motivaci
on del personal
Observaci
on 188 Para lograr que los informes sean eficaces es necesario: sensibilizar a los
tecnicos sobre el interes de la funci
on mantenimiento (el argumento de falta de tiempo no es valido
pues implica que no se ha notado la importancia real del informe); y que los informes sean
revisados por profesionales preocupados por mejorar el servicio mantenimiento.
A.4.1.
Gesti
on del personal de intervenci
on
A.5.
Gesti
on de repuestos
A.5.1.
Compra de repuestos
1154
A.5.2.
Gesti
on de bodega
A.6.
Ponderaci
on de las actividades de mantenimiento
1155
10
Elaboracin de presupuesto
Seguimiento de gastos
Redaccin reportes de balance
Control y anlisis de imputaciones
2
1
1
1
1
1
1
1
1
16
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Preparacin de intervenciones
Distribucin de trabajos
Recoleccin de solicitudes de trabajo
Verificacin disponibilidad de recursos
Definicin de repuestos necesarios
Verificacin disponibilidad de repuestos
Supervisin de trabajos
Recepcin de trabajos
Puesta al dia de la documentacin tcnica
1
1
1
60
5
5
3
3
9
5
10
8
7
Gestin de repuestos
1
1
0.5
1
1
0.5
1
1
1
Balance general
10
16
6
60
8
100
1156
Ap
endice B
Distribuciones estadsticas
B.0.1.
Ley Chi-cuadrado
Esta ley es usada en particular para investigar que tan bien una hipotesis es corroborada por las
observaciones. Si un numero de variables independientes Xi tienen distribuciones normales con
medias y varianzas (mi , i2 ) la cantidad:
2 =
2
X
xi mi
i
1
2/2 (/2)
(/21)
con E = , 2 = 2 y la funci
on Gamma:
uk1 eu du
(k) =
0
Observaci
on 191 Si = 2 se convierte en distribuci
on exponencial;
Observaci
on 192 Si es grande (30) se aproxima a una distribuci
on normal.
B.0.2.
Ley de Student
Esta distribuci
on es usada para tests de confianza, vale decir, dadas dos muestras independientes,
decidir si ellas pertenecen a la misma poblacion. Si X es una variable aleatoria con distribucion
normal (con media 0 y varianza 1) y 2 es independiente de X y tiene una distribucion 2 con
grados de libertad, entonces la cantidad:
x
t= p
2 /E(2 )
tiene distribuci
on Student con grados de libertad, definida por:
(+1)/2
1 {( + 1) /2}
f (t) =
1 + t2 /
{/2}
con > 2.
1157
1158
B.0.3.
Ley de Fisher
Se usa para tests de confianza y tambien en el analisis de varianza. Si 21 y 22 son dos variables
independientes con distribuciones 2 con 1 y 2 grados de libertad respectivamente, la cantidad:
f (F ) =
1
1 +2
12 22 F 2 1
2
1
2
1 +2
2 2 (2 + 1 F )
2
2
, > 2
2 2
22 (22 + 21 4)
, > 4
1 (2 + 2)2 (2 4)
Ap
endice C
Integraci
on de la confiabilidad con
distribuci
on Weibull
Se desea
Z
eat dt
R(t)dt =
0
con:
a, b constantes
b=
a=
dt =
retomando (K.8),
atb
dt =
1
1
b
a b
=
1159
Z
0
aT b
eu u b 1 du
(C.1)
1160
eu u1 du
en nuestro caso,
1
b
u0 = aT b
=
luego,
Z
0
eat dt =
1
1
ab b
P
aT b ,
1
b
1
En matlab,
1/a^(1/b)/b*gammainc(a*T^b,1/b)*gamma(1/b);
La hoja excel asociada puede ser bajada [aqu]. La celda de calculo contiene:
=DISTR.GAMMA(B6;1/B2;1;VERDADERO)*EXP(GAMMA.LN(1/B2))/B1^(1/B2)/B2
donde la celda B2 es b, la celda B1 es a y la celda B6 es aT b .
Ap
endice D
Sistemas de Informaci
on
The supply of computer power and storage will become a commodity, like thrust from an
engine, sold as power by the hour . I can see computing will go that way.
B. Glick (2003) [39]
...ERP is now considered to be the price of entry for running a business, and at least
at present, for being connected to other enterprises in a network economy. Furthermore,
ERP is becoming a platform for applications such as executive information systems, data
mining, and supply chain management....
...similar to the concept of browsers that provide a platform for third party plugins, a
component-based strategy would rely on a minimal ERP backbone supplied by few key
ERP vendors together with a variety of domain-specific components supplied by thirdparty software houses...
...as we move to a more Web-based multimedia world, enterprise- wide information is also
likely to expand to include multimedia documents...ERP are likely to provide the platform for decision support, data mining, and executive information systems...as we move
closer to a network economy, these two initiatives (Enterprise Resource Planning and
Supply Chain Management) will need to converge. A component-based ERP architecture
is likely to facilitate these developments...
Kumar & Van Hillegersberg [27]
...Componentization will become a key business productivity action for suppliers and
consumers in the application market...
David Sprott [28]
...knowledge has increasingly come to be recognized as a primary source of wealth. The
evidence has become overwhelming that economies that are poor in natural resources but
skilled in the production and exploitation of knowledge generally outperform economies
that have abundant natural resources but are lacking in such skills. ...knowledge minimizes
an organisms consumption of energy, space, and time for a given amount of effort.
M. Boisot [25]
...the information stored on RCM worksheets reduces the effects of staff turnover with its
attendant loss of experience and expertise.
John Moubray [19]
Dont start vast projects with half vast ideas.
R.A. Day [2].
1161
1162
D.1.
Introducci
on
1163
Observaci
on 193 Tambien se han visto sistemas de informaci
on de mantenimiento obsoletos pues
la informaci
on entregada es falsa.
D.2.
Necesidades a satisfacer
D.2.1.
Informaci
on t
ecnica
Posici
on geogr
afica de equipos
Codificaci
on de equipos
Componentes de cada planta, cada lnea, cada equipo
Informaci
on tecnica de equipos
Historial de mantenci
on (correctivas, modificaciones)
Piezas de repuesto por equipo, existencia en bodega
Procedimientos de mantencion correctivas: check-lists, arboles de decision para el diagnostico
Procedimientos de mantencion preventiva: lubricacion, cambio de piezas,..
Informaci
on de tareas
solicitudes de intervenci
on
por su naturaleza (panas, preventivas, mejoras, ..)
por sus origen
solicitante
lugar geogr
afica o funcional
fechas deseadas y limites
explicaciones (porque, como,...)
estados de avance de tareas en desarrollo
status bodega
repuestos en bodega
repuestos reservados
repuestos pedidos, plazos
Informaci
on de an
alisis
El historial de cada equipo representa la radiografa de su estado de salud. Gracias a el se pueden
establecer indicadores ha ser mejorados.
Informaci
on de gesti
on
costos de mantenci
on
costos de falla
costos de mano de obra
costos de repuestos
gesti
on de actividades
gesti
on de personal
ausencias
feriados
capacitaci
on
calificaciones
1164
Misi
on
Informaci
on
Intervenci
on
-Intervenciones
-seguimiento de ejecucion
An
alisis
-Equipos
-Planificaci
on
-an
alisis
-consumos
Gesti
on
-gastos/presupuesto
-personal
Informaci
on
-codificacion
-solicitud de tareas
-piezas de repuesto
-cartera de tareas
-estado de intervenciones
-planificacion
-documentos tecnicos
-repuestos
-planificacion de trabajos
-recursos
-procedimientos
-costos directos
-costos indirectos
-costos por equipo
-valor stock bodega
-planificacion de recursos
D.2.2.
Producci
on
Ingeniera
datos tecnicos
Calidad
datos tecnicos que afecten la calidad
Contabilidad
costos y gesti
on
Personal
calificaciones
capacitaci
on
Direcci
on
costos
inversiones
D.3.
1165
Un SIM debe poder relacionar datos entre si, a fin de que el usuario pueda navegar facilmente por
la informaci
on.
Ejemplo 191 Para ver los datos de un equipo, se puede por el c
odigo del equipo, por su nombre, por
su ubicaci
on, por su naturaleza tecnica. Puede ver la lista de repuestos y saber si est
an disponibles
en bodega. En tal caso, saber donde est
an ubicados.
D.3.1.
codificaci
on de equipos
documentaci
on tecnica
historiales
repuestos
Codificaci
on de equipos
El c
odigo de un equipo permite relacionarlo con los otros tipos de informacion disponibles: repuestos,
planes, planos, documentos, historial.
Documentaci
on t
ecnica
Este tipo de informaci
on debe ser disponible para todos, facil y rapidamente. Datos indispensables:
datos de identificaci
on: constructor, tipo, datos de placa, fecha de instalacion, etc.
lista de planos y esquemas,
lista de piezas de repuestos, con sus codigos (propios y del constructor),
planes de mantenci
on previstos
Historial
Incluye:
solicitudes de intervenci
on
modificaciones
informes tecnicos
Repuestos
c
odigo
costo unitario
cantidad disponible
ubicaci
on
repuestos alternativos
etc.
1166
D.3.2.
Seguimiento de actividades
Preparacion de intervenciones
Planificaci
on de intervenciones
Seguimiento de actividades
registro de solicitudes de intervencion
su seguimiento en el tiempo
planificaci
on
compras directas necesarias
coordinaci
on con paradas de produccion de equipos
procedimientos de seguridad
calificaciones y herramientas necesarias para realizar el trabajo
Preparaci
on de intervenciones
La preparaci
on de intervenciones debe permitir reducir sus costos al lograr una mejor organizacion
de actividades. Los siguientes datos deben ser accesibles:
arborescencia de equipos
repuestos
procedimientos
consignas de seguridad
contratistas
Estimar el tiempo de intervenci
on para planificarla y distribuir las cargas entre el personal.
Planificaci
on de intervenciones
Se debe poder gestionar:
disponibilidad de las instalaciones por produccion
nivel de criticidad
cargas de trabajo posibles
contratistas
D.3.3.
gesti
on de costos
Desglosar por equipo los gastos en mano de obra, repuestos, contratistas
Desglosar por equipo los gastos por la naturaleza de las intervenciones: panas, modificaciones, m. preventiva, etc.
gesti
on de bodegas
misi
on: minimizarlo manteniendo la calidad del servicio
conocer:
tasas de rotaci
on
1167
consumos
precios unitarios
proveedores
etc.
an
alisis de gastos y presupuesto
comparaci
on entre gastos efectivos y los previstos.
seguimiento de contratistas
D.4.
por proveedor
por naturaleza de trabajos
por volumen de negocios con la empresa
revisi
on de contratos
Criterios de selecci
on
D.5.
Implementaci
on
Gestin de
recursos
Registrar
solicitudes de
trabajo
Gestin de
costos
Analizar
solicitudes
Preparar
Ejecucin
Conduccin
Gestin
1168
Planificar
Documentar
Ejecutar
D.5.1.
El analisis de la situaci
on actual permite representar:
lo que pasa,
lo que se hace,
como funciona,
cuales son los resultados y como se eval
uan
Para realizar el an
alisis se utilizan tecnicas de modelamiento de flujos fsicos (circulacion de
equipos, repuestos, herramientas) y de flujos de informaci
on (por papel, oral, email, reportes,
ordenes de trabajo, informes de intervencion, fichas de equipos,...)
D.5.2.
En nuestro caso, una esquema de analisis permite desglosar las actividades de mantencion en 3
grupos:
actividades de gesti
on (de recursos, presupuesto, performances)
actividades de conducci
on (registrar, preparar, planificar, documentar, supervisar)
actividades de ejecuci
on (inspeccionar, reparar, planificar, lubricar)
Hecho esto es muy f
acil modelar los flujos externos, osea las informaciones intercambiadas con otras
funciones de la empresa (planificaci
on de intervenciones, reportes de gestion, ...). Ver esquema en
figura D.2.
Se deben modelar tambien los flujos internos entre las actividades. Un ejemplo se muestra en figura
D.3.
D.5.3.
Organigrama de tareas
1169
Direccin
Solicitud de compras
Contabilidad
Compras
Ingeniera
Gestin de
recursos
Produccin
Solicitudes
Registrar
solicitudes
de trabajo
Gestin de
costos
Analizar
solicitudes
Preparar
Programas de trabajo
Planificar
Documentar
Consultores
Subcontratistas
Consignacin
Ejecutar
Control de
calidad
Seguridad
Gestin de
recursos
Gestin
de costos
Registrar
solicitudes de
trabajo
Documentar
Planificar
Ejecutar
Consultores
Subcontratistas
1170
constructores
Compras
Fabricacin
Bodega
Mantenimiento
Contabilidad
Sistema de Informacin de
Mantenimiento
Direcin
Ingeniera
Calidad
Seguridad
Subcontratacin
D.5.4.
Determinaci
on de necesidades
Entre los metodos que se utilizan para establecer necesidades se cuenta la tecnica de diagrama
funcional de bloques.
Diagrama funcional de bloques
Ella consiste en considerar el sistema de informacion de mantencion como una caja negra y en
analizar cuales son las diferentes funciones de la empresa que requieren interaccion con esta caja
negra. Entre estas funciones (que se dibujan alrededor de la caja) hay una que corresponde a la
mantencion misma, por supuesto.
El pulpo que se genera (figura D.4) es usado al listar las interacciones que son susceptibles de
aparecer entre 2 burbujas y que deben ser ofrecidas por la caja negra.
Por ejemplo las relaciones entre mantencion y produccion son las siguientes:
responder a una solicitud de intervencion,
establecer una planificaci
on para las intervenciones
determinar las nuevas condiciones de utilizacion.
A continuaci
on se puede definir mas en detalle cada una de la interacciones:
para responder a una solicitud de intervencion:
registrar el pedido
generar una orden de trabajo
integrar eventualmente otra tarea de mantencion preventiva pendiente
mantenimiento
Codificacin
equipos
Plan m.
preventivo
Gestin
repuestos
Validacin
de solicitud
Gestin
herramientas
Logstica
Reparaciones
Poltica
Inspecciones
Recoleccin
de datos
Solicitud
trabajo
M. correctiva
1171
M. predictiva
Gestin
servicios
Planificacin
Compras
Emergencias
Gestin
trabajos
Ejecucin
Proveedores
Seguimiento
trabajos
Gestin
RRHH
Documentacin
tcnica
Gestin
overhauls
Reportes
trabajos
Gestin
costos
Historial
Clausura
Indicadores
Modelos generales
Para acelerar la formulaci
on del diagrama de bloques, se han generado modelos como el que aparece
en figura D.5.
D.5.5.
Estudio de oportunidad
Para la inversi
on externa se debe considerar estos valores de referencia:
1172
inversi
on externa
0,4 sof tware + 0,4 equipos + 0,2 capacitaci
on
agregar el costo del estudio y la b
usqueda de soluciones: 10 % de la inversion externa
costo de instalaci
on y desarrollos especficos: 20 % de la inversion externa
Se debe considerar el doble de la inversion externa para un predimensionamiento del proyecto.
Ejemplo 192
inversion externa
-licencia
-equipos
-capacitaci
on
costos adicionales
-estudio, instalaci
on
-especficos
-mantenci
on anual
inversi
on interna
-migraci
on
-colecci
on y llenado de tablas
1E
0.4E
0.4E
0.2E
1A
0.1E
0.2E
16 % licencia
1I
0.25E
1-3E
Justificaci
on econ
omica
Los ahorros generados se aprecian en los siguientes items:
tasa de rotaci
on de repuestos
frecuencia de panas, aumento de la disponibilidad
aumento de la mantenci
on preventiva
horas de gesti
on, reducci
on de personal
Se han reportado los ahorros siguientes:
reducci
on de repuestos:6-10 %
eficacia del personal:3-4 %
disponibilidad:1-2 %
En el plano cualitativo, un SIM tiene por ventaja principal permitir una mejor preparacion. Induce
una reducci
on de costos en la medida en que sensibilice al personal respecto de los costos, solo por
el hecho de que tal informaci
on sea publica y disponible para todos.
D.5.6.
Selecci
on
Un primer criterio es conocer el origen de los SIM: algunos nacieron para industrias de proceso,
otros para la mantenci
on de inmuebles, etc.
Tambien es valido consultar a clientes que ya adoptaron el producto.
El soporte que pueda proveer el vendedor.
Observaci
on 196 M
as vale seleccionar un producto sub-dimensionado con capacidad de ajuste que
un producto sobre-dimensionado sin tal posibilidad.
Observaci
on 197 Productos muy potentes han sido incapaces de simplificarse con el fin de cubrir
funciones elementales (el an
alisis de una orden de trabajo es un buen ejemplo).
D.6.
An
alisis de las funciones
D.6.1.
Trabajos
1173
Solicitud de trabajo
La solicitud de intervenci
on debe imperativamente identificar:
c
odigo del equipo
fecha y hora del incidente
descripci
on sumaria o c
odigo de incidente
El status de una solicitud puede ser:
en espera
rechazada
transformada en orden de trabajo
A su vez, la orden de trabajo puede estar en los siguientes status:
en espera
planificada
en evoluci
on
terminada tecnicamente
terminada administrativamente
La lista de solicitudes es consultable seg
un varios criterios:
por prioridad
por equipo
por sector
por tipo de pana
Al seleccionar un equipo se aprecia la lista de solicitudes ya registradas en el pasado.
Validaci
on de una solicitud de trabajo
La solicitud es analizada con respecto a los trabajos en ejecucion y el plan preventivo. En algunos
casos se requiere de una solicitud de presupuesto o de una licitaci
on.
Debe ser siempre posible el mantener la filiacion solicitud y orden Si la solicitud es rechazada ello
queda registrado y el solicitante es informado.
Preparaci
on del trabajo
El producto principal de la preparacion es la orden de trabajo (OT).
El preparador completa la orden iniciada con la validacion de la solicitud.
Una orden de trabajo debe especificar:
mano de obra por categora
repuestos y herramientas necesarias
1174
Monitoreo
Inspeccin
Codificacin
Equipos
M.
Correctiva
M.
Predictiva
Recoleccin
de
informacin
Historial
Consulta
Emisin Solicitud
de trabajo
Gestin de status
Edicin
Reactivacin
Clausura
Title
Wednesday, 15 de September de 2004
Gestin de
trabajos
Validacin
Solicitud de
trabajo
Anlisis
Page 1
Solicitud de
trabajo
Anlisis
solicitud
Trabajos en
ejecucin
Evaluacin
econmica
Presupuesto
Compras
Plan de M.
preventiva
Validacin
Rechazo
DI
Trabajo
de
emergencia
Diagnstico
Inicio
Orden de trabajo
Preparacin
1175
OT iniciada
Preparacin
OT
Historial
Documentacin
Codificacin
Equipos
Calificacin
Documentacin
Gestin
artculos
Procedimiento
Preparacin
procedimiento
Proveedores
Modificacin
Aprobacin
Subcontratacin
OT
Preparada
Portafolio de
trabajos
Compras
Reservas
Ejecucin
Herramientas
Especiales
Gestin
Trabajos
Planificacin
Planificaci
on de trabajos
Planificar es optimizar los recursos. No basta solo verificar que las cargas no se superpongan. Uno
de las herramientas mas u
tiles sigue siendo la carta Gantt. Ver diagrama D.9.
Ejecuci
on de trabajos
La ejecuci
on de trabajos sigue el esquema D.10.
Seguimiento de trabajos
El seguimiento se puede realizar mediante tarjetas de presencia (codigo de barras).
El seguimiento permite controlar desviaciones respecto al plan y la redistribucion de recursos.
Al terminar la intervenci
on se completa el reporte tecnico de intervencion. Se incluye el tiempo de
detenci
on del equipo. El reporte incluye los sub-reportes de utilizacion de recursos.
La clausura tecnica pone fin a la intervencion tecnica y permite reoperar el equipo. la clausura
administrativa se pronuncia cuando la orden ha sido cerrada y las facturas recibidas. Se considera
entonces que la orden pasa a archivo.
Title
1176
Planificacin
produccin
Portafolio de
trabajos
Plan de m.
preventiva
Plan maestro de
mantencin
Simulacin
Gestin de
stock
Trabajos en
espera
Solicitud de
compras de
repuestos
Planificacin
Compras
Redistribucin
Plan de
cargas
Solicitud de
contratacin de
servicios
Disponibilidad
RRHH
Gestin OT
Edicin OT
Reservas de
repuestos
Disponibilidad
herramientas
Ejecucin
Fabricacin
Reserva de
herramientas
Lista ordenes de
trabajo
Permiso
Control
disponibilidad
Emisin de
orden de bodega
Orden de
bodega
Gestin stock
Ejecucin
Asignacin OT
OT asignada
Gestin de
Recursos
Page 1
Emisin de
tarjetas de
presencia
Seguimiento
OT
completada
Tarjetas de
presencia
1177
Gestin de
trabajos
Distribucin
Control de
presencia
Seguimiento
Proveer
Recursos
No previstos
Estado de
avance
Reasignaciones
Reporte de
trabajo
Cierre
tcnico
Cierre
contable
Anlisis
Historial
Gestin de
costos
intervenciones de urgencia
trabajos de mantenimiento preventivo sin orden
intervenciones de contratistas sin orden
mantenimiento subcontratado
taller de mantenimiento
Observaci
on 198 Para trabajos menores y repetitivos se utilizan las OT abiertas.
Overhauls
D.6.2.
Gesti
on de repuestos y compras
La gesti
on de repuestos es uno de las tareas fundamentales de la mantencion: es su poliza de seguros
para hacer frente a los imprevistos.
Para cada repuestos se debe disponer de la siguiente informacion:
codificaci
on
Los valores m
aximos, mnimos y de seguridad
1178
Preparacin
Validacin
solicitud de
trabajo
Reporte de
intervencin
Planificacin
Planificacin
Portafolio
de trabajos
Gestin
de trabajos
Preparacin
Gestin
de trabajos
Reparaciones
Seguimiento de
Ejecucin de OT
Status
solicitud de
trabajo
Historial
Gestin
de costos
Produccin
Gestin
trabajos
Seguridad
Documentacin
Portafolio
trabajos
Preparacin
Gestin de
equipos
Compras
Licitacin
Planificacin
PERT
Gestin de
costos
Proveedores
Gestin de
contratos
Ejecucin
Subcontratacin
Gestin de
actividades
Actualizacin
documentacin
Gestin de
costos
Historial
Documentacin
1179
Recepcin
Reparacin
Preparacin
Pedido(OT)
Recepcin
bodega
Entradas
Reservas
Salidas
Control de
calidad
Transferencia
entre bodegas
Gestin
Anlisis
Compras
Retornos
Solicitud de
compra
Control
presupuestario
disponible
reservado y aprobado
reservado, no aprobado
en control de calidad
comandado, fecha de llegada estimado
en transferencia
Los equipos rotatorios (por ejemplo los motores electricos) son manejados en bodega. El sistema
indica si est
an en reparaci
on as como la fecha prevista de disponibilidad.
Las salidas de repuestos se hacen por una orden de trabajo o directamente a un centro de costos
(grasas, aceites, wipe). Todo movimiento es registrado.
El an
alisis de gesti
on de repuestos se realiza a traves de indicadores:
costo de almacenamiento
numero de artculos
tasa de rotaci
on (valor anual usado/valor del stock).
El an
alisis provee:
lista de artculos sin movimiento
clasificaci
on ABC (Pareto).
D.6.3.
Gesti
on de costos
Los costos se distribuyen en una jerarqua de centros de costos. El costos proveniente de un equipo
en una cierta jerarqua, se agrega a los costos de jerarquas superiores que contengan al equipo.
1180
Horas de
trabajo
Salida de
repuestos
Gestin de
equipos
Valorizacin
Energa
Imputaciones
Jerarqua
centros de
costos
Compras
Reparaciones
Trabajos
Seguimiento
presupuesto
Anlisis
costos
Historial
Indicadores
Contabilidad
D.6.4.
Elementos de decisi
on
Control de indicadores
Todos los sistemas de informaci
on proponen una lista de indicadores y reportes standard. La practica
muestra que ellos son siempre insuficientes y por tanto es necesario generar reportes personalizados,
por lo que un generador de reportes es bienvenido.
Indicadores tpicos son:
costo directo de mantenci
on, global, desglosado en tipo de gasto
costo directo de mantenci
on/cantidad de produccion buena
horas de no disponibilidad debido a mantenimiento
costos de no calidad generado por mantenimiento
costo de falla/costo global de mantenimiento
horas de servicio de mantenimiento
horas de mantenimiento prestadas por produccion
costos fijos de mantenimiento/ costo intervencion
M T BF
MTTR
numero de solicitudes de trabajo
numero de ordenes de trabajo activas
plazo medio de realizaci
on de trabajos programados
tasa de ausentismo
numero de horas suplementarias
Gestin
costos
M. preventivo
Historial
Polticas de
mantencin
Anlisis de
fallas
Reporte
standard
Parmetros
Presentacin
Gestin
Recursos
humanos
Gestin
bodega
Anlisis
Gestin
trabajos
1181
Presentacin
grfica
Gestin
compras
1182
Documentacin
Tcnica
Reporte de
trabajo
Solicitud de
trabajo
Codificacin
equipos
Registro
Identificacin
Causa/Efecto
Cdigos
de fallas
Historial
Anlisis de
Historial
Anlisis de
deficiencias
Anlisis Modos
de fallas
Informacin
para
diagnstico
Informacin
m. preventivo
Indicadores
Validacin
solicitud de
trabajo
Plan
m. preventivo
Control de
Indicadores
D.6.5.
Recursos humanos
El registro de personal guarda los datos de los empleados y eventualmente el de contratistas. Los
sistemas de informaci
on toman en cuenta la disponibilidad de los recursos humanos en funcion de
los trabajos programados, feriados, etc. Las HH reales y horas extras son registradas.
D.7.
ci
on
Cuestionario de evaluaci
on de un sistema de informa-
D.7.1.
Registro de equipos
a) Que informaci
on se define a nivel de cada equipo?1
b) Se puede establecer un sistema de codificacion jerarquica de areas y sistemas a los cuales
tales equipos o piezas pertenecen?
1 de
1183
Control
Indicadores
Historial
Poltica
General
Gestin
de costos
Simulacin
estratgica por
equipo
Anlisis de
deficiencias
Gestin
Equipos
Estrategia
por equipo
Plan
m. preventivo
Planificacin de
cargas
Seguimiento de
la actividad
Control de horario
Planificacin
Disponibilidad
Base de
Personal
Procedimientos
Gestin de
Calificaciones
1184
D.7.2.
D.7.3.
1185
D.7.4.
Administraci
on de las ordenes de trabajo
a) Los usuarios pueden registrar los pedidos de trabajo en el sistema? Que informacion pueden
registrar?
b) Hay posibilidad de que el usuario preclasifique los pedidos de trabajo seg
un el tipo de pedido
(emergencia, correctivo, preventivo, etc.)?
c) Se puede llevar un registro de todos los pedidos hechos al area de mantenimiento?
d ) El sistema soporta tareas de emergencia? Como realiza este proceso?
e) Se puede realizar un seguimiento de las ordenes de trabajo desde la emision, planificacion,
f ) Se pueden transferir los datos de las ordenes de trabajo cumplidas a un archivo historico?
g) Se pueden obtener los costos insumidos por la orden de trabajo?
h) Al completar una orden de trabajo, se puede registrar el consumo/devolucion de tems de
inventario?, C
omo se resuelve la imputacion contable de los consumos/ devoluciones ?
i ) Se puede modificar la imputacion contable a nivel de orden de trabajo? De donde se extrae
este dato?
j ) C
omo se realiza el registro de novedades (recursos, trabajos) en una orden de trabajo ?
k ) Se pueden calcular ndices de cumplimiento de un programa? ( Ej.: ordenes programadas a
Fin de perodo vs cantidad de ordenes cumplidas.)
l ) Se puede calcular el porcentaje de cumplimiento de las ordenes teniendo en cuenta el tipo
de orden (correctivo, preventiva, etc.)?
m) Se puede registrar la evaluacion del proveedor? De que forma?
D.7.5.
Administraci
on de proyectos y paradas de planta
a) Hay alg
un m
odulo para manejar el planeamiento y el analisis de los proyectos? Como
funciona? Que tecnicas utiliza?
b) Se puede linkear o interfacear el planeamiento con Microsoft Project?
D.7.6.
Informaci
on general
a) El paquete tiene la posibilidad de manejar dos monedas? (Peso y Dolar por ejemplo)
b) Permite el registro de personal propio y/o de terceros?
c) Que informaci
on genera para la contabilidad?
d ) De que bases de datos genera informacion historica y/o acumulada?
e) Indique sobre que eventos o entidades se puede obtener informacion de costos?, Que tipo
de relaciones se pueden establecer?
f ) Permite definir causas por detenciones?
1186
D.7.7.
Informes de gesti
on
D.7.8.
D.7.9.
Consideraciones t
ecnicas
D.7.10.
Performance
a) Cuales son las caractersticas de performance del paquete (tiempos de respuestas, backup,
recovery y mantenimiento de archivos)?
b) Puede realizarse un test Benchmark en una maquina donde correra el paquete?
c) Que factores de procesamiento tienen el mayor impacto en la performance: del paquete?
D.7.11.
1187
Flexibilidad
a) Las longitudes de los registros y las capacidades de los archivos son facilmente expandibles?.
Si es as, C
omo se hace esto?
b) El paquete viene con un generador de reportes o alguna herramienta de desarrollo para
customizaciones? C
omo trabajan estas facilidades y como impactan en el paquete y su
operatoria?
c) El producto esta dividido en modulos?, Que dependencia tienen entre s?
d ) Que restricciones especficas tiene asociadas el paquete?
D.7.12.
Consideraciones de implementaci
on
a) Cu
antos das requiere la implantacion?
b) Cu
antas personas de su staff participan en la implantaci
on? Cual es el rol de cada una de
estas personas?
c) Que cantidad de usuarios y personal de sistemas de nuestra empresa sera afectado al proceso
de implantaci
on?, Que tipo de orientacion o entrenamiento necesitaran?, Cuanto tiempo
lleva el entrenamiento?
d ) Usted recomienda alg
un procedimiento para el proceso de implantacion y conversion?
e) Seg
un su experiencia, Cual es la causa principal para no alcanzar una exitosa implantacion?
D.7.13.
Documentaci
on
a) La documentaci
on incluye los siguientes puntos? manuales de usuarios y manuales operativos,
narraci
on descriptiva del paquete completo, narracion descriptivas de las funciones del paquete,
flowcharts del sistema, dise
no de la estructura de datos, instrucciones de recovery.
b) Con que frecuencia se enva la documentacion de los upgrades?
c) La documentaci
on est
a disponible en soporte magnetico?
D.7.14.
Soporte
a) Cu
antos a
nos hace que usted representa al producto?
b) Cu
antas oficinas tiene su empresa y donde estan ubicadas?
c) Cu
al es el n
umero exacto de personas de su empresa que dan soporte y que caractersticas
tienen?, Solamente est
an capacitados para dar entrenamiento y no para resolver aspectos
tecnicos, o vice versa?, Si necesita asistir el producto tecnicamente, su staff esta capacitado
para brindar soporte? A que nivel?
d ) En que forma realiza el soporte del producto (personal, telefonica, otras)?
e) Cu
al es la ubicaci
on fsica de la oficina o persona de su staff que va a estar afectada al
soporte de nuestra compa
na?, Hay una HOT -LINE con esta oficina o persona? Durante
que horario?
f ) Usted enva los upgrades tan pronto como estan disponibles?, Cual fue la fecha de su u
ltimo
upgrade?
g) Hay grupos de usuarios para este paquete?. En caso afirmativo, Usted atiende sus recomendaciones?
1188
D.7.15.
a) Cu
ando, donde, por quien y para quien fue desarrollado originalmente e] paquete?
b) Su producto apareci
o alguna vez en alguna publicacion importante?
c) Podra dar los nombres de cinco empresas que tienen el software instalado?
d ) Cu
antos clientes, en Chile, tienen en total y cuantos de ellos a
un no tienen el paquete
totalmente instalado? Cu
al es el motivo principal por el cual a
un no tienen el producto
instalado?
e) En base a la funci
on de la empresa que su producto atiende, cual ha sido el cambio o
requerimiento m
as importante y como impacto en el software? Cual considera que sera el
proximo cambio?
f ) Podra dar una lista de los problemas o defectos que tiene el Paquete en este momento?,
Como se informa a los clientes sobre estos Problemas?
g) Cada cuanto se hacen upgrades o releases?
D.7.16.
Aspectos financieros
D.7.17.
Condiciones contractuales
a) Cu
ales son los terminos especficos del contrato ? Que opciones estan incluidas y cuales no?
b) Cu
ales son las condiciones para el uso de licencias?
c) Que tipo de garanta tiene el producto? (compromiso para diagnosticar y resolver errores,
etc.)
d ) Hay alg
un tipo de. descuento para m
ultiples instalaciones dentro de la misma compa
na?
e) Hay un perodo de prueba para el paquete? Especificar costo y condiciones
f ) Si es un producto extranjero, defina claramente cuales el nivel de responsabilidad de su firma
y cual la del fabricante.
D.8.
A explorar
1189
(Kumar, 2001)[21] entrega una vision sobre la necesidad de sistema de informacion integrados, Extended Enterprise Resource Planning Systems -EERP-, entre los miembros de una cadena de suministros. Una cadena de suministros es una red de organizaciones que trabajan juntas, usualmente
en serie, para entregar valor al consumidor. Uno de los miembros de la cadena es aquel/aquellos
que dan servicios de mantenimiento.
(Hall, 2001)[182] discute metodologias eficientes para la creacion y manejo de documentacion tecnica
de mantenimiento.
Ong et al. [26] presenta un marco general para sistemas de apoyo a mantenimiento en el contexto
de la industria aeron
autica civil actual, en donde la cantidad de data de condicion a analizar es
muy importante y requiere el uso de redes de procesamiento distribuidas.
Davenport [37] reporta los efectos del uso de la optimizacion en la competitividad en las empresas.
White (2004) [38] discute diversas tendencias en el uso de tecnologas de la informacion para el
apoyo a la gesti
on de mantenimiento.
1190
Bibliografa
[1] Varios, Pratique de la Maintenance Industrielle. Dunod, 1998.
[2] Hawkins, J. Improving Reliability of Chemical Processing Facilities, Hydrocarbon Processing,
October 2002, 4349. [bajar]
[3] Reilly, M., Design of Computarized Maintenance Management System for Radionuclide Monitoring, Thesis, University of Virginia, April 2001. [bajar]
[4] Hipkin, I., Knowledge and IS implementation: case studies in physical asset management, International Journal of Operations & Production Management, 21(10),1358-1380,2001. [bajar]
[5] Bohn,R.E., Measuring and Managing Technological Knowledge, Sloan Management Review, 6172, fall 1994. [bajar]
[6] Presenting your case to top management: guidelines for cost justifying CMMSs and other systems, Plant Services, Oct, 1993.
[7] Nikolopoulos K, Metaxiotis K, Lekatis N, et al. Integrating industrial maintenance strategy into
ERP, Industrial management & data systems, 103(3-4), 184-191, 2003. [bajar]
[8] Swanson, L., An information-processing model of maintenance management, Int. J. Production
Economics, 83, 45-64, 2003. [bajar]
[9] S. Apolloni, M. Lando, M.M. Savino, Failure-Based Maintenance Organisation trough ERP
Software Evolution, Hawaii International Conference on Business, Honolulu, Hawaii, June 18
-21, 2003. [bajar]
[10] R.D. Banker, S.M. Datar, C.F. Kemerer, A model to evaluate variables impacting the productivity of software maintenance projects, Management Science, (37)1, 118, 1991.
[11] E. Burton Swanson, IS maintainability: should it reduce the maintenance effort?, Proceedings
of the 1999 ACM SIGCPR conference on Computer personnel research, 164-173, April 08-10,
1999, New Orleans, Louisiana.
[12] R.D. Banker , S.M. Datar , C.F. Kemerer , D. Zweig, Software complexity and maintenance
costs, Communications of the ACM, 36(11), 81-94, 1993.
[13] J. Heales, Factors affecting information system volatility, Proceedings of the twenty first international conference on Information systems, 70-83, December 2000, Brisbane, Queensland,
Australia.
[14] T. Chan , S.L. Chung , T.H. Ho, An Economic Model to Estimate Software Rewriting and
Replacement Times, IEEE Transactions on Software Engineering, 22(8), 580-598, 1996.
[15] D.L. Nazareth , M.A. Rothenberger, Assessing the cost-effectiveness of software reuse: a model
for planned reuse, Journal of Systems and Software, 73(2), 245-255, 2004.
[16] K.D. Maxwell , L. Van Wassenhove , S. Dutta, Software Development Productivity of European Space, Military, and Industrial Applications, IEEE Transactions on Software Engineering,
22(10), 706-718, 1996.
[17] K. Strike , K. El-Emam , N. Madhavji, Software Cost Estimation with Incomplete Data, IEEE
Transactions on Software Engineering, 27(10), 890-908, 2001.
1191
1192
[18] Pui Ng, Guy G. Gable, Taizan Chan, An ERP-client benefit-oriented maintenance taxonomy
Celeste See, Journal of Systems and Software, 64(2), 2002.
[19] Labib, A.W., World-class maintenance using a computerised maintenance management system,
Journal of Quality in Maintenance Engineering, 4(1), 66-75, 1998. [bajar]
[20] Earl, M., Knowledge Management Strategies: Toward a Taxonomy, Journal of Management
Information Systems, 18(1), 215-233, 2001. [bajar]
[21] Kumar, K., Technology for Supporting Supply, Communications Of The ACM, 44(6), 58-61,
2001. [bajar]
[22] Hall, W.P., Maintenance procedures for a class of warships: Structured authoring and content
management, Technical Communication, 48(2), 235-248, 2001. [bajar]
[23] Day, R.A., How to write and publish a scientific paper, 5th ed., Cambridge University press.
[24] Brown, A. S., Lies your ERP system tells you, Mechanical Engineering, 128(3), 2006.
[25] Boisot, M., Knowledge assets, Oxford University Press, 1999.
[26] M. Ong, X. Ren, G. Allan, V. Kadirkamanathan, H.A. Thompson, P.J. Fleming, Decision support system on the grid, International Journal of Knowledge-Based and Intelligent Engineering
Systems, 9(4), 315 - 326, 2005.
[27] Kumar, K., Van Hillegersberg, J., ERP: Experiences and Evolution, Communications of the
ACM, 43(4), 2000.
[28] Sprott, D., Enterprise resource planning: componentizing the enterprise application packages,
Communications of the ACM, 43(4), 2000.
[29] Borenstein, D., Towards a practical method to validate decision support systems, Decision Support Systems, 23(3), 227-239, 1998.
[30] J.Q. Chen , S.M. Lee, An exploratory cognitive DSS for strategic decision making, Decision
Support Systems, 36(2), 147-160, 2003.
[31] P.N. Finlay, M. Forghani, A classification of success factors for Decision Support Systems,
Journal of Strategic Information Systems, 7, 53-70, 1998.
[32] P.N. Finlay, J.M. Wilson, A survey of contingency factors affecting the validation of end-user
spreadsheet-based Decision Support Systems, Journal of the Operational Research Society, 51,
949-958, 2000.
[33] G. A. Forgionne, An AHP model of DSS effectiveness, European Journal of Information Systems, 8(2),95-106, 1999.
[34] L. Geneste, B. Grabot, A. Letouzey, Scheduling uncertain orders in the customer-subcontractor
context, European Journal of Operational Research, 147, 297-311, 2003.
[35] R.L. Keeney, Decision-analysisan overview, Operations Research, 30, 803-838, 1982.
[36] J.V. Richardson, Question master: an evaluation of a web-based decision-support system for
use in reference environments, College & Research Libraries, 59, 29-37, 1998.
[37] T.H. Davenport, Competing on Analytics, Harvard Business Review, 99-107, January, 2006.
[38] T. White, An Exploratory Study Of The Role of Internet Technologies in The Field of Industrial
Maintenance: Is Knowledge Management The Way Forward?, Journal of Information Systems
and Technology Management, 1(1),94-110, 2004.
[39] B. Glick, Rolls-Royce Is Confident Grid Technology Will Earn its Wings, Computing, 30 April,
2003.
Ap
endice E
Overhaul
optimo con
programaci
on din
amica y
horizonte de tiempo infinito
E.1.
Introducci
on
El problema aqu es muy similar al de la 30.2, excepto que se desea determinar una estrategia de
mantenimiento sobre un periodo largo de tiempo que minimice el costo total esperado por unidad
de tiempo, en vez de sobre n periodos a venir.
E.2.
Descripci
on del modelo
a
a) Los par
ametros i, j, a, paij , Cij
y n se definen de la misma manera que en la seccion anterior
N
N
X
X
a
fn (i) = mn
Cij
paij +
fn1 (j) paij
a
j=1
j=1
= nq + v(i)
Ahora,
fn1 (j) = (n 1)q + v(j)
y por tanto
N
N
N
X
X
X
a
nq + v(i) = mn
Cij
paij +
(n 1)g paij +
v(j) paij
a
j=1
j=1
1193
j=1
1194
Condici
on al
inicio del periodo
g
Decisi
on
Overhaul
Reemplazo
Reparar
Reemplazo
Costo
Esperado
PN
a
a
j=1 Cij pij
450
550
500
550
paij = 1
j=1
y simplificando:
N
N
X
X
a
q + v(i) = mn
Cij
paij +
v(j) paij
a
j=1
(E.1)
j=1
La expresi
on (E.1) es un sistema de ecuaciones con N ecuaciones y N + 1 incognitas (Los N v(i) y
q).
El algoritmo de soluci
on propuesto es:
a) Seleccionar alguna estrategia arbitraria inicial,
b) Si hay N posibles estados para el equipo, tomar v(N ) = 0
c) Resolver el sistema (E.1) para obtener q y los valores v(i)
d ) Para cada condici
on i, y usando los valores v(i) de la iteracion actual, encontrar la alternativa
a que minimiza
N
N
X
X
a
Cij
paij +
v(j) paij
j=1
j=1
e) Usando la estrategia obtenida en (4) repetir el paso (3) hasta que converger a la estrategia
optima. Esto se logra cuando q es minimizado y cuando las estrategias entre 2 iteraciones son
iguales.
E.3.
Ejemplo
Considerando los datos del ejemplo anterior, la tabla (E.1) entrega los valores relevantes. Se desea
determinar la estrategia
optima de mantenimiento y el costo promedio por periodo en el largo plazo.
Siguiendo el procedimiento,
a) Seleccionar alguna estrategia, por ejemplo
Si el equipo est
a en el estado g al comienzo del periodo entonces reemplazar
Si el equipo est
a en el estado f al comienzo del periodo entonces reemplazar
b) Si hay N posibles estados para el equipo, tomar v(N ) = 0
En nuestro caso hay dos estados: g o f . Sea
v(f ) = 0
c) Resolver el sistema (E.1) para obtener q y los valores v(i)
1195
1
1
v(g)
q
=
550
550
En Matlab:
>>A=[.05 1;-0.95 1];
>>b=[550;550];
>>x=inv(A)*b
x=
0
550
O sea
v(g)
q
=
0
550
j=1
Si el estado es g, (E.2) es
overhaul
reemplazo
reparar
reemplazo
iguales.
1196
1
1
v(g)
q
=
450
500
Resolviendo
v(g) = 58,8
q = 464,8
f ) Para cada condici
on encontrar la mejor alternativa usando los valores v(g) y q obtenidos en el
paso previo, usando (E.2).
Si el estado es g, (E.2) es
450 + 0,75 (58,8) + 0,25 0
overhaul
mn
550 + 0,95(58,8) + 0,05 0
reemplazo
405,9
overhaul
mn
494,1
reemplazo
Si el estado es f , (E.2) es
500 + 0,5 (58,8) + 0,4 0
reparar
mn
550 + 0,95(58,8) + 0,05 0
reemplazo
464,7
reparar
mn
494,1
reemplazo
Por lo tanto, al final de la segunda iteracion la nueva estrategia es:
Si el equipo est
a en el estado g al comienzo del periodo entonces overhaul
Si el equipo est
a en el estado f al comienzo del periodo entonces reparar
Entonces la decisi
on
optima ha sido obtenida dada la convergencia. El costo promedio es
de 464.7.
Iteraci
on
0
1
2
Decision
g
reparar
overhaul
overhaul
f
reparar
reparar
reparar
Observaci
on 201 Si el horizonte de an
alisis es finito es mejor utilizar el metodo presentado en
30.2 sobre el numero de periodos sobre los cuales se requiere que el equipo opere.
Bibliografa
[1] A.K.S. Jardine.Maintenance, Replacement and Reliability. Ch.6, Pitman Publishing, 1973.
[2] H. Taha, Investigaci
on de Operaciones, una introducci
on, 6ta ed., Prentice Hall, 1998.
1197
1198
Ap
endice F
Implementaci
on en solver AIMMS
Para solucionar numericamente el problema inicial del captulo 31 se recurrio al paquete comercial
de optimizaci
on AIMMS[224]. Dada la forma de la funcion objetivo se utiliza programacion no
lineal. N
otese que el paquete permite que las variables sean discretas como es el caso de n. Las
figuras F.1 a F.6 muestran detalles del modelo.
Observaci
on 202 Los valores iniciales para las iteraciones son muy importantes para la convergencia del proceso de optimizaci
on. Case caso1 del proyecto jardine98a converge r
apidamente.
1200
1201
1202
Bibliografa
[1] Bisschop, J., Entriken, R., AIMMS, The Modeling System. Paragon Decision Technology, The
Netherlands, 1993.
1203
1204
Ap
endice G
Gua para b
usquedas bibliogr
aficas
G.1.
Introducci
on
Desde antes de la memoria, y luego del grado (en calidad de ingeniero de investigacion o de
dise
no/desarrollo) es usual la necesidad de realizar estudios bibliograficos para conocer el estado del
arte sobre un tema, para resolver eficientemente un problema planteado. Debido al dinamismo de
la sociedad actual, es m
as com
un encontrar la informacion mas actualizada no en libros, sino en revistas y journals. Ello implica buscar en diferentes fuentes, y con diferentes tecnicas. Clasificaremos
las etapas de una b
usqueda en:
B
usqueda inicial;
B
usqueda sistem
atica;
Expansion hacia el pasado;
Expansi
on al futuro.
G.2.
B
usqueda inicial
Antes de realizar un b
usqueda sistematica, es conveniente tantear el terreno y establecer la estrategia
de b
usqueda m
as conveniente. Para ello, se utilizan diversas fuentes:
Preguntar a academicos o especialistas acerca de literatura reciente sobre el tema en estudio,
con la esperanza de encontrar un libro o un articulo que ayude a identificar la comunidad
cientfica o las conferencias que tratan el problema.
Buscar en cat
alogos (digitales o de biblioteca) o via internet,
http://www.library.okstate.edu/liblink.htm
http://www.wkap.nl
http://www.crcpress.com
cat
alogos de proveedores de libros y libreras virtuales tales como
http://scholar.google.com
http://www.amazon.com
http://bookshop.blackwell.co.uk
Revisar listas de journals y listas bibliograficas, con ello se identifican los keywords, autores,
journals m
as id
oneos o recurrentes para el problema:
http://www.isinet.com/isi/journals/index.html
1205
1206
Revisar la bibliografa en textos, artculos del tipo review, o journals tales como Applied Mechanics Review.
Revisar los tables of contents de journals recientes en el area de estudio general mas apropiada.
Al terminar la b
usqueda inicial, debe:
haber encontrado algunos artculos interesantes;
estar familiarizado con keywords y autores recurrentes que faciliten la b
usqueda.
G.3.
B
usqueda sistem
atica
La b
usqueda inicial requiere procesar bastante informacion, pues la clasificacion del material en
temas especficos es bastante larga. El proximo paso es concentrarse en terminos especficos, keywords, autores y/o journals.
Desde los a
nos 70 es posible hacer b
usquedas en bases de datos bibliograficas (por ejemplo, Compendex, http://ei.telebase.com/m/cpx.htm ). Compendex esta disponible en internet a los subscriptores
de Engineering Information Village (http://www.ei.org). Actualmente (Mayo 2003) la Universidad
de Chile tiene un convenio con la base EBSCO (http://www.uchile.cl/bibliotecas/basesdatos/ebsco/index.html).
Ah es posible encontrar muchos papers recientes en formato pdf. Encontrar los terminos adecuados para la b
usqueda es un proceso de ensayo y error. El motor de la base de datos mantiene un
diccionario de todos los posibles keywords. Se debe averiguar is es posible utilizar wildcards tales
como asteriscos o signos de interrogacion lo que permite terminaciones alternativas para las palabra
de b
usqueda. En esta forma se evita la no seleccion de un articulo simplemente por que la palabra
esta en plural, por ejemplo.
Si se utiliza una sola palabra como keyword, en general se obtendramn demasiados aciertos en la
b
usqueda. En tal caso, se debe refinar la b
usqueda usando el comando Booleano AND.
La b
usqueda inicial debe haberlo alertado respecto de que un mismo tema es tratado con diferentes
keywords por cada grupo de investigacion. En tal caso es conveniente utilizar el operador OR.
Ejemplo 193 (vibrations OR whirling) AND (tubes OR arrays)
Una vez desarrollada una frase de b
usqueda adecuada, obtendra una lista manejable de papers
pertinentes. Al leer los ttulos, la lista disminuira; al bajar y leer los abstracts se reducira aun mas.
Si la b
usqueda es realizada desde la Universidad, muchos journals estaran presentes en la misma
biblioteca. Otros artculos pueden ser obtenidos a traves de convenios inter-bibliotecarios. Si se
usa la Internet, los proveedores de bibliografa pueden enviar por email o fax con el pago de un
honorario.
La b
usqueda sistem
atica dar
a como resultado un lista importante de referencias; pero no incluira papers cl
asicos pues pocas bases electr
onicas incluyen referencias de antes de los 70; tampoco incluira aquellos artculos que no han sido ingresados a la base aun.
G.4.
Expansi
on hacia
atras
Una vez obtenida una lista de artculos adecuados, se puede examinar su lista de referencias en
busca de ttulos prometedores, para continuar la b
usqueda en artculos mas antiguos. Esta es la
oportunidad para buscar los artculos clasicos en el tema, aquellos que establecieron los caminos de
investigaci
on actuales. Ellos tambien pueden encontrarse en la bibliografa de libros especializados
y de monografas.
G.5.
1207
Expansi
on hacia adelante
Una vez identificados los artculos adecuados de los pasos anteriores, es posible buscar los mejores
y m
as modernos artculos en el tema a traves de:
Las listas de referencias reversas del Science Citations Index-Citations Index (http://www.isinet.com).
Se debe buscar en artculos que incluyan la lista de referencias adecuadas. Dado que los artculos nuevos son listados solo por autor y journal, es necesario investigar en el Science Citations
Index-Author Index.
Tambien es conveniente hacer una b
usqueda en el Science Citations Index-Author Index de
aquellos autores que han publicado artculos muy citados en el tema y que estan la lista
obtenida en pasos anteriores.
Solo al seguir los pasos anteriores se puede estar razonablemente seguro de haber localizado los
artculos m
as importantes en un tema.
G.6.
Documentaci
on de la b
usqueda
G.7.
Actualizaci
on
artculos
1208
G.8.
Confecci
on de informes, memorias y artculos
Una gua u
til para la confecci
on de informes y tesis puede ser Meyer82[1]. Day98[2] se especializa
en el proceso para producir artculos para revistas indexadas.
G.9.
Lecturas recomendadas
Bibliografa
[1] Meyer, M., The little, brown guide to writing research papers, Boston, Mass. : Little, Brown
and Company, 1982.
[2] Day, R.A.,How to write and publish a Scientific paper, 5th ed., Cambridge University Press,
1998.
1209
1210
Ap
endice H
H.1.
Introducci
on
Hay muchas ocasiones en las cuales un profesional puede ser llamado a hablar. He aqu algunos
ejemplos de situaciones comunes:
Motivar a un equipo de trabajo respecto de un Plan de Calidad.
Rendir un informes de avance a un jefe o, en una instancia mas formal, a un cliente.
Vender una idea o una proposicion al comite de manejo de presupuesto o a un auspiciador.
Presentar a un cliente un informe de avance o final de alg
un proyecto, peritaje o asesora
tecnica.
Y exponer en una sociedad tecnica o en un congreso de la especialidad, frente a un gran
conjunto de profesionales y de autoridades gubernamentales.
H.2.
1212
Un charlista avezado sabe que es necesario mantener un estrecho contacto con la audiencia, y sabe
como lograrlo.
El ha aprendido que, de esta manera, puede llegar a comunicar de manera mucho mas efectiva que
en el caso de la palabra escrita, m
as fra y distante.
Por otra parte, en el caso de las presentaciones orales, la organizacion y la logica de las exposiciones
debe ser mayor que en el caso de las comunicaciones escritas.
En efecto, un auditor no tiene la oportunidad de volver a leer, como un lector, una pagina para
clarificar un punto.
En caso de ser necesario, el expositor es quien normalmente debe percibir el interes de volver atras
sobre un punto, durante su charla.
Cabe destacar que en las comunicaciones orales existen muchas oportunidades distractorias.
H.3.
La experiencia indica que, preparando debidamente una es posible llegar a ser un expositor digno.
A continuaci
on veremos algunas recomendaciones para la preparacion de una buena charla. Aplicando tales recomendaciones, es posible preparar una charla efectiva. Si conocemos nuestro tema
y las tecnicas de c
omo ofrecer una charla, y hemos practicado y contamos con apropiadas ayudas
audiovisuales, tendremos todo bajo control.
H.3.1.
Cualquiera sea el tipo de charla, Usted debe conocer el proposito de la misma y tener una buena
idea de quien asistir
a a su presentaci
on. Esta informacion es vital si Usted quiere preparar una
charla efectiva.
H.3.2.
Preparaci
on
La preparaci
on y la exposicion del charlista, la sala donde se dicta la charla y la calidad de las
ayudas visuales, pueden contribuir significativamente al proceso de comunicacion oral.
La forma m
as apropiada de preparar una charla, es pensar y planificar cada detalle de ella. Todos
podemos hacerlo.
Incluso se puede llegar a tener un plan esquematico por escrito de la charla. Sin embargo, es
preferible efectuar la charla teniendo en la mente el plan o bien un punteo preparado a partir del
texto. As se permite establecer un contacto mas estrecho y natural con la audiencia y es mucho
mas verosmil que aquel en el cual un charlista simplemente lee un texto.
Desarrolle el material de su charla en terminos del interes de la audiencia. Organcela sobre la base
de pensamientos, de idea en idea, m
as bien que de palabra en palabra. Usted podra usar tarjeta
con los ttulos de sus ideas, en secuencia.
En la preparaci
on de su charla, escriba primero sus conclusiones. Esto facilitara, durante la preparacion
de ella, ir a traves del material que tiene y seleccionar solo los elementos de informacion que apoyan
las conclusiones. Tales conclusiones deben satisfacer los objetivos planteados.
H.3.3.
Abusos en la jerga t
ecnica
Evite cuidadosamente los abusos en modismos especializados y de uso local: Esto no incluye los
terminos propiamente cientficos y tecnicos de conocimiento general. Cuide de definir los nuevos
terminos que debe utilizar.
H.3.4.
1213
Inicio y t
ermino
Al ofrecer la charla, si Usted no es presentado formalmente por otra persona, Usted debe dar su
nombre y los nombres de lo miembros del equipo.
Luego de se
nalar el ttulo y mencionar a los eventuales coautores de su trabajo, inicie su charla
explicando los motivo y objetivos del tema a exponer. En ciertos casos tambien debera referirse a
los patrocinadores del trabajo.
Usted podr
a querer memorizar la introduccion y las conclusiones. Es bien aceptado que el ttulo,
autores, plan general de la charla y objetivos, sean ledos desde una pantalla. Esto le ayudara a
partir, entrar en calor y ganar-confianza. (Tambien se pueden leer las conclusiones).
Antes de concluir su presentaci
on, haga un sumario de lo principales puntos y exponga sus conclusiones y recomendaciones.
De esta manera, la audiencia no tendra dudas acerca del mensaje que usted deseaba proporcionar.
H.3.5.
Restricciones de tiempo
Respete absolutamente el tiempo fijado para su charla, de modo de dar ocasion a las preguntas y
evitar la animosidad de los organizadores y el p
ublico. Si hay interes y tiempo para prolongar su
charla, se lo dir
an.
Al comenzar la charla, anote el tiempo de inicio y de termino en un lugar donde sea facil consultar
estos datos.
Exceder su tiempo fijado de exposicion puede ser una efectiva falta de respeto hacia la audiencia o
los organizadores Adem
as, es un indicio de un abuso por mala preparacion de la charla.
H.3.6.
Usted debe hablar suficientemente alto como para ser odo Para un gran grupo, usted requerira un
micr
ofono.
Evite hablar dando la espalda a la audiencia; por ejemplo, no hable mientras escribe en un pizarron.
Preoc
upese de proyectar su mensaje de manera calmada con confianza en s mismo, pero no llegue
a un estilo agresivo que provocara tendencias adversas en la audiencia
Cada vez que sea posible, evite hablar en la oscuridad; la audiencia podra dormirse o ponerse a
roncar.
Mantenga un contacto visual con la audiencia, lo cual es u importante factor de retroalimentacion
en el ciclo de la comunicaci
on.
H.3.7.
Elementos distractores
Evite provocar distracciones molestas, tales como jugar con las monedas de sus bolsillo o caminar
impacientemente en la plataforma del expositor. Las muletillas que son otra forma de distraccion
que acusan a un charlista poco competente. Algunas muy comunes en nuestro pais: digamos, a,
este....
2
H.3.8.
Chistes y an
ecdotas
1214
H.3.9.
Pr
actica previa
La principal raz
on por la cual una charla tecnica puede ser mala, es por la falta de preparacion,
muchas veces de la exposici
on misma.
Es raro el individuo que es capaz de dar una excelente charla sin practicar, a menos que tenga
mucha experiencia.
Una vez que Usted sabe y ha preparado lo que quiere decir, como y en que orden, la etapa siguiente
es la practica individual en voz alta, en una habitacion vaca.
Ello le permitir
a fijar los pensamientos en su mente y verificar la duracion.
Si ello fuera posible, grave su Pr
actica, en cintas de video o audio, y analice su presentacion.
Luego de haber hecho las modificaciones necesarias, ofrezca su charla frente a una peque
na audiencia
informal, ojal
a en misma sala donde sera la charla definitiva.
Use las mismas ayudas visuales que usara en la charla definitiva.
El proposito de esta preparaci
on es ayudarle a resolver cualquier problema de expresion, organizacion
o de tiempo.
Despues de la charla informal, debera haber una crtica por parte de la audiencia y de Usted mismo.
Lecciones aprendidas
Aplicando el procedimiento anterior Usted estara consciente de:
muletillas y otros h
abitos distractores
palabras mal empleadas
modulaci
on incorrecta (comerse slabas, letras mal pronunciadas, etc.)
algunas ideas mal expuestas que le llevan a repeticiones tambien confusas. Y que le hacen
perder su temple y tiempo disponible
lo importante no ha sido suficientemente destacado porque Usted se ha enredado en una
mara
na de detalles
la duraci
on efectiva de su charla
etc.
Entonces la charla debe ser vuelta a poner a punto y re tantas veces como sea necesario hasta que
Usted lo haga bien.
H.3.10.
Preguntas
Las preguntas, especialmente aquellas que siguen a una charla son una parte fundamental del proceso
de comunicaci
on oral; ellas muestran que la audiencia esta interesada en lo que ha escuchado. Para
un charlista novato, las interrupciones en forma de preguntas durante la charla pueden ser una
complicaci
on. La participaci
on del auditorio hace mas calida y activa la presentacion, pero podran
desordenarla y restar tiempo al periodo disponible. Las preguntas que se hacen durante las charlas,
a veces corresponden a temas que se trataran algo despues de dar curso a ella. En tal caso se
puede dar inmediatamente una respuesta muy breve e indicar que el punto sera tratado en algunos
minutos.
Si la respuesta a una pregunta es muy larga, puede ofrecer una respuesta para el perodo de preguntas
o para la pausa del cafe.
Inmediatamente anote en el pizarr
on o en un papel un par de palabras claves que le recuerden la
pregunta.
Escuche cuidadosamente cada pregunta hasta el final de ella.
1215
Evite ser innecesariamente controversias y que quien consulta tenga la impresion de que Usted
piensa que la pregunta es est
upida.
Nunca se disculpe por lo inadecuado de sus resultados.
No prolongue las preguntas, al final de la charla, por un tiempo innecesario. Cuando el tiempo
prefijado se termina o cuando el dialogo decae de nivel, levante la reunion.
H.4.
A continuaci
on se expone el caso de una charla que se ofrece a un Conferencia de especialistas.
Muchos aspectos de ella son aplicables a otros tipos de charlas, con adaptaciones juiciosas.
H.4.1.
Puede ser un honor y/o un compromiso delicado el que a un se le solicite presentar los resultados
de su trabajo en u congreso de la especialidad o en una sociedad de experto,, Pero a Usted le
sorprender
a saber que s
olo puede disponer d 15 a 20 minutos para presentar su trabajo. Esto
significa que es necesario una excelente planificacion.
H.4.2.
La Introducci
on
A menudo habr
a un resumen de su charla en el anuncio de la reunion, o un texto impreso de
los res
umenes disponibles en la sala inscripcion de la reunion. Sin embargo, es de su absoluta
responsabilidad empezar su charla con una buena introduccion, donde se explicara el alcance y
objetivos de su exposici
on. Ella tambien podra referirse a la historia de los eventos que llevaron a
realizar el trabajo que Usted presenta. Cualquier coautor del trabajo debe ser mencionado y debe
agradecerse a los auspiciadores de su trabajo o a quienes dieron una ayuda especial.
H.4.3.
Cl
asicamente, las partes de una charla tecnica son las siguientes, aunque ellas pueden tomar diversas
denominaciones:
Introducci
on
Procedimiento
Resultados (Desarrollo y resultados del del dise
no)
Discusi
on y conclusiones
Investigaciones relacionadas en curso y futuras
Conclusiones finales. (Breves e importantes; contrastar con los objetivos).
El contenido de las partes de una charla es similar al de sus lionimas de un Informe Tecnico. La
charla debe concluir con un sumario que repita la informacion principal dada en el cuerpo de la
charla.
H.5.
Ayudas visuales
H.5.1.
Importancia y selecci
on
1216
H.5.2.
Recomendaciones generales
El proposito principal de las ayudas visuales es apoyar mejorar a comunicacion. Por ello, no tiene
ning
un sentid presentar un gr
afico sin el apoyo de la comunicacion oral.
Antes de considerar las tecnicas de diapositivas, transparencias y papelografo, se veran en seguida
reglas de sentido com
un para el uso de las ayudas visuales en la presentaciones tecnicas.
Estas recomendaciones para el uso de ayudas audiovisuale:
son:
a) Limite el uso de transparencias, diapositivas o similares a no mas de una por minuto.
b) Cada figura debe contener una idea solamente.
c) Tenga en cuenta que los gr
afidos que presentan mas de tres curvas -o mas de veinte- palabras
o cifras, ya son demasiado complicados
d ) La primera imagen de la presentacion debe indicar el titulo de su charla y los. nombres y,
afiliaci
on de los autores
e) La segunda imagen corresponder a un breve esquema de su charla
f ) Una de las siguientes imagenes debe corresponder a los objetivos de la exposicion.
g) La u
ltima magen debe ser un sumario del mensaje que usted quiere comunicar
h) Si usted necesita presentar una diapositiva mas de una vez, a menudo es preferible utilizar una
segunda copia de modo que el proyeccionista no tenga que volver atras.
i ) Evite dejar en la pantalla una imagen que Usted haya terminado de discutir, cuando ya se ha
involucrado en otro tema.
H.5.3.
Diapositivas
Las diapositivas preparadas a partir de un negativo de 35 mm, son una ayuda visual frecuentemente
empleada para 1 presentaciones tecnicas. Las diapositivas requieren dibujos preparados profesionalmente. Una diapositiva aceptaba para una charla tecnica, normalmente no puede ser hecha por
la simple reproducci
on de 1 figuras o tablas de un informe o libro. Las escalas de las dimensiones
y la densidad de la informaci
on encontrada en una pagina impresa, son inadecuadas para producir
buenas diapositivas destinadas a una charla. Las dimensiones u
tiles de una diapositiva estandar en
posicion horizontal, son 24 or 36 mm. La figura a ser fotografiada para una diapositiva horizontal
normalmente se la hace contenida en un rectangulo de unos 14 cm de alto por 21 cm de ancho.
Para determinar si la figura de 14cm x 2l cm correspondera una diapositiva adecuadamente legible,
vea a la primera desde una distancia de 2 m. Desde tal distancia el material se vera como el aparecera
a alguien que observa la proyecci
on sobre un telon de 1,5 m de ancho, desde una distancia de 10m.
Para verificar si una diapositiva de 35 mm es legible, mrela a ojo desnudo desde una distancia de
unos 30 cm.
Muchas de las recomendaciones ya proporcionadas para preparacion de diapositivas, tambien se
aplican a otras formas de proyeccion de figuras para ilustrar una charla.
H.5.4.
1217
Transparencias
Las transparencias son un sistema de ayuda visual muy flexible y apto para grupos peque
nos
y grandes. Dado que ellas se pueden ver en una sala solo parcialmente oscurecida, permiten al
expositor mantener contacto visual con la audiencia. Ellas se pueden preparar rapidamente, ya sea
a mano o por medio de un texto o ilustracion fotocopiado. En el caso de peque
nos grupos, puede ser
u
til entregar a los asistentes, al inicio de la charla, fotocopias de lo proyectado. Las transparencias
no son tan buenas como las diapositivas para la presentacion de fotografas.
H.6.
Recomendaciones finales
H.7.
A explorar
Dietsh [1], Day [2] y Michaelson [3] dan importantes consejos para escribir documentos tecnicos y
hacer presentaciones orales.
1218
Bibliografa
[1] B.M. Dietsch, Reasoning and Writing Well: A Rhetoric, Research Guide, Reader, and Handbook,
4th ed., McGraw-Hill, 2006.
[2] Day, R.A., How to write and publish a scientific paper, 5th ed., Cambridge University press.
[3] H.B. Michaelson, How to Write and Publish Engineering Papers and Reports, Third Edition,
Oryx Press, 1990.
[4] Ratnoff, O.D., How to read a paper, in Warredn K.S. (ed.), Coping with biomedical literature,
95-101, Praeger, New York, 1981.
[5] http://www.engineering.utoronto.ca/about/programs/communication/, accesado agosto 2007.
[6] V. Li, Hints on Writing Technical Papers and Making Presentations, IEEE Transactions on
Education, 42(2), 134-137, 1999.
1219
1220
Ap
endice I
Dise
no pedag
ogico del curso
Although the overall application of Knowles theory of andragogy to the Web Technology
course was a success, students that recently graduated from college were least likely
to have a positive experience in this course. These students appear to desire a more
structured learning process and are not as comfortable in exploring topics independent of
direct leadership from the instructor. This fact may be due to their frequent lack of on-thejob experience as experience provides both the practical foundation upon which learning
can be built as well as supplying maturity and independence of thought. One other
negative factor that was observed is that students frequently find independent learning
more frustrating as they must expend more effort to obtain the desired information (i.e.,
there is no expert that can immediately answer all questions).
Ellis, 2002 [11]
Learning is not something that requires time out from being engaged in productive activity; learning is the heart of productive activity. To put it simply, learning is the new
form of labor.
S. Zuboff [10]
Human beings can be proactive and engaged or, alternatively, passive and alienated,
largely as a function of the social conditions in which they develop and function.
Ryan y Deci [8]
...there are many factors that lead people to emphasize certain life goals that may not
be need fulfilling. For example, exposure to the commercial media can prompt a locus on
materialism (Richins, 1987), which provides only fleeting satisfactions and could actually
detract from basic need fulfillment and, thus, well-being....
Ryan y Deci [8]
(about a study on socio-psychological factors that influence the choice of engineering as
a profession) Family is the most powerful factor for both males and females. The family
influence is stronger on women than on men. The factors of motivation are different for
the two genders. For female students they are mostly external (other people), for males
mostly internal (personal interests).
R. Anguelova [7]
En este anexo seguimos el esquema logico propuesto por el modelo entregado en ref.[1]. Gracias
a el daremos un enfoque sistemico y sistematico de la metodologa de ense
nanza-aprendizaje que
utilizaremos en el curso.
1221
1222
I.1.
I.1.1.
An
alisis de necesidades
An
alisis de destinatarios
I.1.2.
An
alisis de contexto
Contexto general
El curso ME57A es un curso obligatorio de la parte superior de la malla curricular de Ingeniera
Mecanica. Se trata de un curso aislado, no forma parte de una lnea de especialidad; sin embargo
requiere de conocimiento previos de varios cursos anteriores: dado lo general del tema, el curso
necesita de la integraci
on de varios conocimientos transversales.
Se estima que aproximadamente un tercio de los ingenieros mecanicos trabajan en el area de la
gestion del mantenimiento.
Cabe observar que el nivel general del mantenimiento es basico pues la estrategia correctiva domina.
El mantenimiento preventivo ya sea centrado en el tiempo o en la condicion es marginalmente
explotado. Excepciones a lo anterior son las industrias del sector minero o aeronautico que al estar
inmersas en un mercado internacional y ser de gran tama
no ya han incorporado estrategias tales
como mantenimiento centrado en la confiabilidad y mantenimiento productivo total; aunque de
forma incipiente.
El nivel de modelamiento de los procesos de toma de decision es basico. Las decisiones se basan
en criterios subjetivos. Ello se explica por falta de capacitacion, inexistencia de modelos generales
para tomas de decisiones, inexistencia o mala alimentacion de sistemas de informacion, entre otras
causas[10, 18].
1223
Infraestructura disponible
El curso dispone de las siguientes materiales:
sala de seminarios con data show ;
sala de computaci
on con 12 estaciones de trabajo;
plataforma U-cursos muy similar a WebCT (foro, material, etc.)
red de alta velocidad, promedio 50 Kb/s
Otros
Dada la cantidad de alumnos es relativamente facil para el profesor contestar dudas por email.
Existe la posibilidad de financiar una o dos visitas a industrias por semestre. En la practica, ello
lleva a ciertos problemas logsticos (coordinar fecha, arriendo de vehculo con chofer, limitaciones
de tiempo del profesor, etc.).
Existe buena disposici
on de parte de la industria para realizar charlas en la facultad. Nuevamente
los problemas logsticos dificultan medianamente la implementacion.
I.1.3.
An
alisis de necesidades de formaci
on
El curso est
a inserto dentro del programa obligatorio de la carrera. Afortunadamente, la facultad
d
a amplia libertad para el academico en cuanto a lo que entrega en sus cursos. El proceso es evaluado
a traves de una encuesta academica realizada en forma anonima por los alumnos via internet.
Siguiendo el modelo de competencias, se considera centrar el curso en el modelamiento de los procesos
de decisi
on aplicados al mantenimiento como contenido. Sin embargo, tambien se aprovecharara
para incrementar habilidades tales como la presentacion oral, el dominio del ngles. Se motivaran
desarrollo de actitudes tales como el aprendizaje autonomo, el liderazgo en el trabajo en equipo, el
emprendimiento en la investigacion bibligrafica, la proactividad en el proyecto, etc.
Siguiendo el modelo de la psicologa cognitiva, se busca el desarrollo de conocimiento condicionales
o estrategicos, a fin de poder adaptar los modelos presentados en el curso (y otros frutos de la
investigaci
on propia) a la realidad que pronto enfrentaran.
I.1.4.
Tecnologa disponible
Como el curso ya ha sido dictado varias veces (por mi), he ido generando una serie de materiales
que me parecieron adecuados:
apuntes de clase en formato digital. Son de acceso publico en la web
Las clases presenciales son impartidas con presentaciones powerpoint. Las presentaciones tambien son de acceso publico en la web.
Varios modelos han sido implementados y estan disponibles en la red. Los apuntes tienen
hiper-vnculos hacia ellos.Ej: modelos en Excel, Matlab, Arena, Gams.
I.2.
Determinaci
on de objetivos de aprendizaje
Los objetivos del curso, como se ha planteado, son de dos tipos: cognoscitivos y afectivos. Son
cognoscitivos pues se adquieren conocimientos importantes respecto de su futuro quehacer; y son
afectivos pues se busca un desarrollo actitudinal, a traves del uso de una estrategia constructivista.
1224
I.2.1.
Objetivos generales
I.2.2.
Los contenidos del curso se apoyan en el mapa conceptual 1.1. Ellos son:
El mantenimiento dentro de la empresa
Explicar la relaci
on que existe entre la funcion mantenimiento y las demas funciones de la
empresa
Estructura de costos
Explicar las posibles clasificaciones para los diversos costos en que se incurre por la buena
o mala gesti
on del mantenimiento
Explicar la importancia relativa entre las diferentes fuentes de costo
Analisis de falla
Definir el concepto de falla
Diagnosticar las posibles causas, efectos y criticidad de una falla
Clasificar las fallas a fin de priorizar esfuerzos de gestion
Modelos de confiabilidad
Explicar los conceptos asociados a la confiabilidad: tasa de fallas, Confiabilidad, Disponibilidad.
Aplicar los modelos en situaciones reales
Calcular los indicadores relevantes
Estrategias de mantenimiento
Seleccionar la estrategia que minimice el costo global esperado
Aplicar los modelos en situaciones reales
Calcular los indicadores relevantes
Frecuencia de inspecciones
Calcular la frecuencia optima entre inspecciones
Estimar los par
ametros usados en el modelo a partir de datos reales
Modificar los modelos ofrecidos para que se acerquen realsticamente a la situacion encontrada
Agrupamiento de intervenciones preventivas
Comprender y aprovechar las economas de escala que ofrece el mantenimiento oportunista
Establecer plazos
optimos entre mantenimientos preventivos para varios componentes relacionados entre si
Estimar los par
ametros usados en el modelo a partir de datos reales
1225
I.2.3.
b
usquedas bibliogr
aficas
Gua para presentaciones orales
I.3.
Dise
no de enfoques metodol
ogicos
I.4.
Selecci
on de medios
Un trabajo de duraci
on semestral en equipo
Trabajos de investigaci
on bibliografica (en anexo G se entrega una gua para una b
usqueda
bibliogr
afica eficiente)
Varias exposiciones de parte de los alumnos (en anexo H se entrega una gua para presentaciones orales)
I.4.1.
Generaci
on de informes
La era de la informaci
on en que vivimos esta desplazando al papel como principal medio de transmisi
on de informaci
on. El standard actual son los documentos PDF. Una forma de producirlos es
a traves de procesadores de palabras WYSIWIG (What You See Is What You Get) o traves de
compiladores tales como LATEX. Las ventajas principales de usar esta ultima opcion son:
1226
el autor se concentra u
nicamente en el contenido y no en el formateo,
estan especialmente preparados para el tipo de datos manejados constantemente en ingeniera:
ecuaciones, tablas, figuras.
Lo anterior logra acortar el tiempo destinado a realizar el trabajo y ayuda a mejorar la calidad de
los contenidos. Las entregas de tareas e informes se haran en formato PDF via email. El auxiliar
impartira una clase tutorial de LATEX. Con ello se espera que los alumnos queden preparados para
publicar sus memorias ME-69 en la biblioteca virtual del departamento.
I.4.2.
El Proyecto
El proyecto (en grupos de 3 alumnos) corresponde a un 30 % de la nota del curso. Tiene por objetivo
desarrollar los t
opicos que se dar
an durante el curso para un sistema mecanico en particular. Al
final el alumno tendr
a un conocimiento acabado (tanto tecnico como economico sobre el equipo) y
el mejor informe quedar
a en el Web para ser usado a conveniencia por los interesados. Los equipos
deben corresponder a maquinas que jueguen un rol importante en la linea de produccion; con un
grado de complejidad suficiente para realizar analisis interesantes, y que sea de uso en una empresa
seleccionada por ustedes.
El proyecto debe incluir:
principio de funcionamiento, montaje, tecnicas de inspeccion disponibles, condiciones de operaci
on en la empresa donde opera.
Desarrollo de un programa de mantencion basada en la confiabilidad
Plan tecnico de mantenimiento
Plan de mantenimiento preventivo
Evaluaci
on de costos asociados a mantencion correctiva, preventiva y predictiva
Analisis de modos de falla, sus efectos y criticidad
Desarrollo del
arbol de fallas
Necesidades de repuestos en bodega, estudio de plazo optimo de reemplazo, tama
no optimo
de pedido, costo de almacenamiento asociado
Estudio de ahorros provocados como consecuencia del estudio, conclusiones
Otros puntos relevantes
Observaci
on 203 El proyecto ser
a evaluado por los informes escritos (70 %) y por las presentaciones realizadas en clase (30 %). En las presentaciones se evaluar
a: calidad del contenido (30 %),
calidad del material audiovisual (30 %), claridad al explicar (30 %), calidad de las respuestas (10 %).
Observaci
on 204 El proyecto considera tres presentaciones parciales y una presentaci
on final en
semanas 3, 7, 13, 15
El Desafo
El desafo consiste b
asicamente, en tomar un artculo de journal a ser propuesto por el profesor, el
cual debe ser resumido e implementado. Ademas se debe repetir el ejemplo numerico presentado en
el mismo.
El desafo pretende:
acercar al alumno a la actualidad en investigacion de operaciones orientado a mantencion;
que realice una investigaci
on bibliografica necesaria para alcanzar la meta;
1227
I.5.
Dise
no de la evaluaci
on
El curso ser
a evaluado con 3 controles y un examen (50 %), el proyecto/desafio (30 %) y las notas
de tareas y tests (20 %).
Las fechas fijadas para los controles son los viernes de semanas 5, 10, 14.
I.6.
A explorar
(Higgs, 2004) [6]reporta el uso de la web para realizar encuestas. Un ejemplo es hrefwww.createsurvey.comwww.creat
1228
Bibliografa
[1] Labbe, C., Torrejon, C., El Dise
no Pedagogico; Una Herramienta de Apoyo a la Docencia,
Universidad Virtual, Santiago Chile, Abril 2003.
[2] Zabalza, M.A., Competencias docentes del profesorado universitario: calidad y desarrollo profesional, Narcea ed., Madrid, 2003.
[3] , Novak, J.D., Gowin, D.B., Aprendiendo a aprender, Ed. Martinez Roca, Barcelona, 1988.
[4] Klingler, C. y Vadillo, G., Psicologa cognitiva: estrategias en la pr
actica docente, Mexico,
McGraw-Hill, 1997.
[5] Chen, Z., Application of Contemporary Education Strategies to the Teaching of Operations
Research. In M. Peat (ed.) The China Papers: Tertiary Science and Mathematics Teaching for
the 21st Century, 1, 28-35, 2002.
[6] Higgs, P.A. et al., A Survey on Condition Monitoring Systems in Industry, Proceedings of: ESDA
2004: 7th Biennial ASME Conference Engineering Systems Design and Analysis, Manchester,
UK, July 19-22, 2004.
[7] Anguelova, R., Reasons and factors of motivation in the choice of engineering as a profession,
in: Arno Bamme et al., eds., Yearbook 2001 of the Institute for Advanced Studies on Science,
Technology and Society, Mnchen/Wien, 9-40, 2001.
[8] R.M. Ryan, E.L. Deci, Self-Determination Theory and the Facilitation of Intrinsic Motivation,
Social Development, and Well-Being, American Psychologist, 55(1), 68-78, 2000.
[9] Richins, M., Media, materialism and human happiness. Advances in Consumer Research, I4,
352-356, 1987.
[10] Zuboff, S. The Age of the Smart Machine: The Future of Work and Power. New York: Basic
Books, 1988.
[11] H.J.C. Ellis, Andragogy in a Web Technologies Course, SIGCSE02, February 27- March 3,
2002, Covington, Kentucky, USA, 206-210.
1229
1230
Ap
endice J
Modelamiento y an
alisis de
contratos para servicios de
mantenimiento
...A survey (2000, USA) [14] shows that 81 % of plants are presently subcontracting some
maintenance work to a third party with an average of 25 % of the total maintenance budget
spent on contractors...75 % of plants using contractors (63 % of all plants) agree there is
a clear and well-defined contracting strategy, and 39 % of these plants (33 % of all plants)
have an established set of indices to measure contracting performance. Safety indices,
quality of work, and schedule compliance are the most common contractor performance
measures....
Tim White (2004) [38]
Anexo aportado por alumno Canek Jackson, desafiante del semestre primavera 2005.
Resumen
Desde finales del siglo XX, ha habido una gran tendencia en subcontratar las operaciones de mantenimiento como un servicio que se realiza por un agente externo a la empresa propietaria del
equipo (m
aquina) en cuesti
on y no por la empresa misma. Generalmente, el proveedor del servicio
(agente) ofrece m
as de una opcion, y el propietario del equipo (cliente) se enfrenta al problema de
seleccionar la opci
on
optima. La decision optima del cliente depende de su aversion al riesgo y de
los par
ametros asociados a las distintas opciones: precios y costos.
Por otro lado, el agente debe tomar en cuenta esta perspectiva del cliente al momento de seleccionar
los valores
optimos de los par
ametros asociados a las distintas opciones. Para ello se requiere una
formulaci
on basada en la teora del juego. El trabajo que se presenta a continuacion desarrolla y
analiza un modelo para determinar la decision optima del agente: estructura de precios, n
umero de
clientes, y n
umero de canales de servicio.
Ambos, proveedor y cliente, adoptan la perspectiva de maximizar su propia funcion objetivo al
momento de tomar la decisi
on
optima. En ese sentido, definimos los siguientes terminos de relevancia
al momento de formular el modelo:
a) Nivel de riqueza: Corresponde a la ganancia monetaria que le reporta al cliente la producci
on asociada a la m
aquina, durante el tiempo en que esta se encuentra operativa, es decir,
produciendo.
1231
1232
b) Funci
on de bienestar : Se refiere a la funcion objetivo del cliente. Definida en el sentido microecon
omico, el bienestar da cuenta de la felicidad del cliente como funcion de la aversion al
riesgo y el nivel de riqueza.
c) Funci
on de utilidad : Se refiere a la funcion objetivo del agente. Corresponde a la ganancia
monetaria que le reporta al contratista el negocio de proveer las operaciones de mantenimiento,
seg
un los terminos de un contrato.
J.1.
Introducci
on
Los equipos industriales son poco confiables en el sentido de que se deterioran con el tiempo y/o
uso, y finalmente fallan. Estas fallas pueden tener un impacto significativo en el desempe
no del
negocio.
Los equipos complejos (rubro de la electronica) requieren herramientas y personal especializado
para llevar a cabo las operaciones de mantenimiento. Generalmente resulta poco economico, para
el due
no del equipo, tener estas herramientas y personal como una funcion dentro de la empresa.
Mas a
un, si el equipo es demasiado complejo entonces puede ser que subcontratar el servicio sea
la u
nica posibilidad de llevar a cabo el mantenimiento. En este sentido, el agente coincide con el
fabricante original del equipo (u OEM, original equipment manufacturer), que por lo demas resulta
ser un vendedor monop
olico.
El presente trabajo trata el caso de un u
nico agente con m
ultiples clientes. Se centrara la atencion
a un equipo industrial que genera riqueza, durante su vida u
til, siempre y cuando este en estado
operacional. Por lo tanto el lapso de tiempo en el que la maquina esta en estado de falla, es crtico
para el cliente. El producto es poco confiable en el sentido de que las fallas ocurren de manera
estocastica.
J.1.1.
Subcontrataci
on de las operaciones de mantenimiento
La subcontrataci
on del mantenimiento implica que algunas o todas las operaciones de mantenimiento son llevadas a cabo por un agente externo, sujeto a los terminos y condiciones de un contrato.
Las ventajas de subcontratar el mantenimiento son las siguientes:
a) Mejor calidad del mantenimiento, debido a la experiencia del proveedor del servicio.
b) Acceso a especialistas de alto nivel.
c) Los costos del servicio remueven el riesgo de altos costos.
d ) Acceso a la u
ltima tecnologa en cuanto a herramientas de mantenimiento.
e) Menor capital de inversi
on.
f ) Se puede dedicar m
as tiempo y esfuerzo a otras areas del negocio, mejorando as la performance
del mismo.
Las desventajas de hacer la subcontratacion son:
a) Dependencia del proveedor del servicio.
b) Costo de subcontrataci
on.
c) Perdida del conocimiento en cuanto a operaciones de mantenimiento se refiere.
J.1.2.
1233
J.1.3.
Antecedentes
J.2.
Formulaci
on del modelo
En esta secci
on se presenta en detalle la formulacion del modelo.
J.2.1.
1234
que es la tasa de falla. Despues de la primera falla, se siguen dos estrategias para volver la maquina
a estado operativo: (1)reparaci
on mnima o (2)reemplazo de la componente. Como resultado de lo
anterior, la tasa de falla es la misma antes y despues de cada falla. Como se menciono anteriormente,
esta caracterizaci
on es apropiada para equipos complejos como los que estan involucrados en el rubro
de la electr
onica.
J.2.2.
Como la tasa de falla se asume constante, entonces resulta inapropiado considerar mantenimiento
preventivo [8]. En ese sentido, 6= (t) ya que: por un lado, la tasa de falla no decrece en el tiempo
puesto que el desempe
o de las componentes no aumenta de manera espontanea; y por otro, la tasa
no crece en el tiempo puesto que se siguen polticas de reparacion mnima, o bien de reemplazo de
componentes. El tiempo de reparaci
on esta distribuido probabilsticamente seg
un una exponencial
de media 1/. El costo del proveedor (mano de obra y materiales) para llevar a cabo las operaciones
de reparaci
on es Cm .
Con la compra del equipo, cada cliente debe decidir entre las opciones A1 y A2 para la realizacion
de las operaciones de mantenimiento correctivo. Por otro lado, si operar la maquina resulta no
lucrativo, entonces el cliente podra preferir la opcion A0 .
J.2.3.
Decisi
on del cliente
Sean M y S el n
umero de clientes y el n
umero de canales, respectivamente.
Supondremos que todos los clientes son identicos en cuanto su aversion al riesgo. La eleccion optima esta basada en la maximizaci
on del bienestar esperado. Asumiremos que la funcion bienestar
esta dada por
U (w) =
1 ew
(J.1)
Donde w es el nivel de riqueza. La ventaja de dicha funcion es que captura la actitud frente al riesgo
[7]. Donde = 0 corresponde al caso neutro (U (w) = w) y la aversion al riesgo aumenta con . Un
rango de , que representa el espectro completo de actitudes, es (0.01,0.65) [3].
Para el cliente j (1 j M ), el n
umero de fallas durante [0,L) es Nj . Sea Xij (1 i Nj ) el
tiempo entre fallas despues de la (i-1)-esima reparacion. Sea Xj el tiempo en el que la maquina
esta operativa al final de su vida u
til, despues de la u
ltima reparacion. Sea Yij el tiempo de demora
para volver un equipo a su estado operativo despues de la i-esima falla. Este tiempo incluye el
tiempo de espera y el tiempo de reparacion. Sea w(Ak ) la riqueza del cliente j, bajo la opcion Ak
(k = {0, 1, 2}). Entonces
Nj
Nj
X
X
w(A1 ) = R
Xij + Xj +
max{0, (Yij )} Cb P
i=1
(J.2)
i=1
Nj
X
w(A2 ) = R
Xij + Xj Cb Cs Nj
(J.3)
i=1
(J.4)
1235
Notar que Xij , Yij , y Xj son variables aleatorias que estan afectadas por M y S, ya que estos u
ltimos tienen un impacto en los tiempos de espera. Como todos los clientes son similares en cuanto su
actitud al riesgo y todas las m
aquinas son estadsticamente identicas, el bienestar esperado bajo la
opci
on Ak es la misma para los M clientes. El bienestar del cliente es una funcion de las variables
de decisi
on del proveedor. Denotemos, entonces, U (Ak ; P, Cs , M, S) como el bienestar del cliente j
bajo la opci
on Ak .
Cada cliente escoje la opci
on
optima A? del universo de posibilidades {A0 , A1 , A2 }, con el fin de
maximizar la esperanza del bienestar E[U (Ak ; P, Cs , M, S)].
J.2.4.
Decisi
on del agente
la utilidad del proveedor depende de la decision tomada por los clientes. Al crear canales de servicio,
el proveedor incurre en un un costo mas. Este costo esta dado por
C0 S + C1 S 2
Donde C0 y C1 , son valores positivos. En general, se puede usar cualquier funcion apropiada, que
sea no lineal y creciente con S [1]. Notar que S M . Sea (P, CS , M, S; Ak ) la utilidad del agente,
bajo la opci
on Ak . Entonces
(P, Cs , M, S; A1 ) =
M
X
P Cm Nj
j=1
Nj
X
max{0, (Yij )} C0 S C1 S 2
(J.5)
i=1
(P, Cs , M, S; A2 ) =
M
X
[Cs Cm Nj ] C0 S C1 S 2
(J.6)
j=1
Finalmente, cuando el cliente escoge la opcion A0 , el beneficio del agente esta dado por
(P, Cs , M, S; A0 ) = 0
(J.7)
J.2.5.
Juego de Stackelberg
La manera m
as apropiada de abordar el problema es mediante una formulacion por teora de juegos.
Ello resulta natural a partir del hecho de que la accion de los clientes afecta la estrategia optima
del proveedor, y viceversa.
En este juego, el agente es el lder y los clientes son los seguidores. Los clientes escogen la opci
on
optima A? , tal que maximizan su bienestar esperado. Luego, la decision optima del proveedor (P ? , Cs? , M ? , S ? ) se obtiene maximizando la utilidad esperada E[(A? )]. Notar que A? =
A? (P, Cs , M, S).
La formulaci
on anterior modela el caso en el que el agente es un monopolista. Como resultado, el
agente es quien decide acerca de la estructura de precios (P en la opcion A1 , y Cs en la opcion A2 ),
y por lo tanto es v
alido que el proveedor sea visto como un lder y los clientes como seguidores. En
otras palabras, la estrategia
optima del agente se obtiene formulando el modelo como un juego de
Stackelberg.
1236
J.3.
An
alisis del modelo
(M k)
0
0kM
k>M
(J.8)
0kS
k>S
k
S
(J.9)
Luego, la funci
on de distribuci
on para la cola anterior representa la funcion de distribucion para
la variable Yij . Dada el supuesto 2, entonces la distribucion estacionaria f (y) para la cola descrita
anteriormente es [9]:
f (y) = ey
S1
X
k=0
Pk +
M
S
X
k=1
k
y
kj sy
X
e
y
e
Pk+S1 (S)k
(S )k j=1 (k j)!(S )j
donde
(M k)Pk
Pk = PM
k=0 (M k)Pk
(J.10)
y
k
M!
(M k)!k! P0
k S
Pk =
S
M!
P0
S
S!
(M
k)!
k = 0, 1, ..., S 1
k = S, S + 1, ..., M
k>M
(J.11)
1237
con
P0 =
"S1
X k
k=0
M!
(M k)!k!
+
M
1
X
k=S
k
SS
S!
M!
(M k)!
#1
(J.12)
PM 1
k=S
Pk (k S + 1)
S
(J.13)
Xij + Xj RL
i=1
El n
umero de fallas est
a caracterizado por un proceso de Poisson, de media L; y por lo tanto
(L)n e(L)
P r(Nj = n) =
n!
Una vez que hemos caracterizado cada una de las variables aleatorias del modelo, podemos obtener
los valores esperados de las funciones objetivos: E[U (Ak )] y E[(Ak )].
J.3.1.
Estrategia
optima del cliente
Luego de un desarrollo algebraico, se llega a la esperanza de la funcion de bienestar del cliente, para
los tres escenarios (A1 , A2 , A0 )
h
i
R (y )
f (y)dy+F ( )1)
E[U (A1 )] = (1/) 1 e(RLCb P )+L( e
(J.14)
h
i
Cs
E[U (A2 )] = (1/) 1 e(RLCb )L(1e )
(J.15)
E[U (A0 )] = 0
(J.16)
De esta manera, dados M y S, la estrategia optima del cliente depende de P y Cs . Tal como muestra
la figura 1, la estrategia
optima A? esta caracterizada por tres regiones (i , 0 i 2) en el plano
P Cs . La curva que separa las regiones 1 y 2 esta dada por
P = (L/)(eCs (M, S))
(J.17)
Donde
(M, S) =
S1
X
k=0
k
X
M
S h
i
X
Pk [( + ) e ]
+
Pk+S1 (S)k
( + )
k=1
k1
X krj S
e
( + ) e
1
1
1
+
( + S)j+1
(S)j+1
(S)kr+1
1238
(J.18)
(J.19)
Las implicancias de lo anterior, son las siguientes. Dados M y S, si el agente escoge la estructura
de precios tal que P > P y Cs > Cs entonces la estrategia optima del cliente sera la opcion A0 .
Por lo tanto, para asegurar de que exista negocio, la decision del agente debe ser tal que P P o
Cs Cs .
J.3.2.
Estrategia
optima del agente
La estrategia optima del agente se obtiene en dos etapas. En la primera, fijamos M y S para obtener
los valores
optimos P ? = P ? (M, S) y Cs? = Cs? (M, S). En la segunda etapa, obtenemos los valores
optimos para M y S, maximizando E[(P ? (M, S), Cs? (M, S), M, S)]. Este corresponde a un problema de optimizaci
on entera. Finalmente, tenemos que P ? = P ? (M ? , S ? ) y Cs? = Cs? (M ? , S ? ).
La primera etapa se resuelve de manera grafica. De la figura 1 se puede observar que, dados M y
S, el agente debe escoger P = P y Cs > Cs , o, P > P y Cs = Cs , dependiendo de la opcion que
escoja el cliente. As, garantiza la maximizacion de su utilidad. De esta manera la esperanza de la
funcion utilidad queda
M [P L(Cs )] (C0 S + C1 S 2 )
?
M L[Cs Cm ] (C0 S + C1 S 2 )
E[(M, S; A )] =
Cs > Cs , P = P
Cs = Cs , P > P
Cs > Cs , P > P
(J.20)
1239
J.3.3.
Efecto de variaciones en
La figura 2 representa un an
alisis de sensibilidad de P , Cs , y , respecto a variaciones en el parametro
de riesgo
En efecto, cuando la aversi
on al riesgo aumenta entonces el trade-off de confiar las operaciones de
mantenimiento a un agente externo, se traducen en una baja de los umbrales P y Cs de tal manera
que las opciones A1 y A2 sean atractivas para el cliente.
J.3.4.
Efecto de variaciones en
Otro par
ametro importante del modelo, es la tasa de fallas. Cuando crece, entonces P y tambien
crecen. Sin embargo, Cs decrece. Ello se traduce en un crecimiento de la region 1 , estrechandose
la regi
on 2 ; lo que es razonable, ya que a mayor tasa de fallas, mayor es el n
umero de fallas y
por lo tanto hay que pagar un costo total de reparacion mayor si el cliente escoge la opcion A2 . Es
decir, la opci
on A2 se vuelve menos atractiva cuando crece.
J.4.
Ejemplo num
erico
J.4.1.
Caso A: Cliente u
nico
Consideremos el caso m
as sencillo de un u
nico cliente (y por lo tanto, de un u
nico canal de servicio).
De esta manera se tiene que M = S = 1. Notar que bajo estas condiciones iniciales, se pueden aclarar
los siguientes puntos:
a) Los resultados obtenidos del juego deben ser los mismos que los que se obtienen en un juego
cooperativo de Nash, ya que el modelo economico deja de ser un monopolio y por lo tanto los
agentes son competidores.
1240
(J.21)
(J.22)
La expresi
on para la curva que separa las regiones 1 y 2 , se reduce a:
P = (L/)(eCs e [/( + ) 1] 1)
(J.23)
As mismo, el bienestar esperado para el cliente (ecs 14-16) en los tres escenarios, queda:
h
i
U (A1 ) = (1/) 1 e(RLCb P )+Le [/(+)1]
(J.24)
h
i
Cs
U (A2 ) = (1/) 1 e(RLCb )L(1e )
(J.25)
U (A0 ) = 0
(J.26)
P L[Cm + e (/)]
?
L[Cs Cm ]
(A ) =
Cs > Cs , P = P
Cs = Cs , P > P
Cs > Cs , P > P
(J.27)
A1
= 286
U=0
287
U -1.052
A2
= 276
U = -1.98 1028
=52
U=0
Donde se puede obtener el equilibrio de Nash, dado por las decisiones optimas:
P = P , Cs > Cs ; en el caso del proveedor del servicio.
A? = A1 ; en el caso del propietario del equipo.
Observaci
on 1: La matriz est
a evaluada en un valor particular Cs = Cs + 7, para el caso en que
Cs > Cs .
Observaci
on 2: Dicho valor corresponde a un valor crtico, en el sentido de que si es superado
entonces el equilibrio de Nash para este juego no existe. Por lo tanto el optimo anterior se trata de
un equilibrio din
amicamente inestable, ya que solo existira cuando 7 Cs 13 (asumiendo valores
1241
enteros para Cs ).
Para visualizar mejor lo anterior, consideremos la siguiente tabla de valores que representa la matriz
de pagos cuando Cs = 14:
estrategias
P = P , Cs > Cs
P > P , Cs = Cs
A1
=286
U=0
287
U -1.052
A2
=288
U=-3.23 1030
=52
U=0
Donde se puede apreciar que el equilibrio cooperativo desaparece, dado que el agente maximiza su
funci
on objetivo en la opci
on A2 mientras el cliente lo hace en la opcion A1 .
Ahora bien, imponiendo la condicion sobre Cs de tal manera que el equilibrio de Nash exista, lo que
se presenta a continuaci
on es la visualizacion numerica del efecto discutido en los subcaptulos 3.3 y
3.4, en lo que refiere a los an
alisis de sensibilidad del optimo encontrado respecto a los parametros
y .
Efecto de variaciones en
P
Cs
(P ? , Cs? )
A?
0.05
321
7.7
(P , > Cs )
A1
0.1
318
6.6
(P , > Cs )
A1
0.15
316
5.9
(P , > Cs )
A1
0.2
314
5.3
(P , > Cs )
A1
P
Cs
?
(P , Cs? )
A?
0.0002
305
15.6
(P , > Cs )
A1
0.0004
309
10.6
(P , > Cs )
A1
0.0008
318
6.6
(P , > Cs )
A1
0.001
323
5.6
(P , > Cs )
A1
1242
costo de mano de obra y materiales por reparacion (Cm), el umbral de penalizacion ( ), la riqueza
unitaria que reporta el equipo (R), y todos aquellos parametros cuya naturaleza no sea incierta.
Las figuras 3 y 4, permiten entregar una visualizacion grafica del analisis de sensibilidad discutido
a lo largo de todo el presente captulo.
1243
J.4.2.
Caso B: M
ultiples clientes
P = RL Cb
M
1
X
k=0
k
k+1 X
kj
1
1
Pk
j+1
j+1
e
(k
j)!
(
+
)
j=0
Cs =
1
(RL Cb )
ln 1 +
(L)
(J.28)
(J.29)
La expresi
on para la curva que separa las regiones 1 y 2 , queda:
P =
M
1
k
k+1 X
kj
X
1
1
(J.30)
eCs
Pk
+
1
e
(k j)!
( + )j+1
j+1
j=0
k=0
La utilidad esperada para el proveedor (ec 20), bajo los tres escenarios, queda:
R
M (P L[Cm + (y )f (y)dy])
M L[Cs Cm ]
(A? ) =
Cs > Cs , P = P
Cs = Cs , P > P
Cs > Cs , P > P
(J.31)
1244
f (y) =
M
1
X
k=0
()
Pk ey
k!
donde Pk (0 k M 1) est
a dado por
(M k)Pk
Pk = PM 1
k=0 (M k)Pk
con
(/)k {M !/(M k)!}
Pk = PM 1
k
k=0 (/) {M !/(M k)!}
Observaci
on 5: Acotaremos el espacio de soluciones factibles para M observando que se tendra una cola de espera creciente en el tiempo, si la tasa de reparacion (partida desde la cola) es
mucho menor que la tasa de fallas (llegada a la cola). Para que ello no ocurra, imponemos M < .
Se puede notar que Cs no depende de M y vale 6,614 um, para los mismos valores numericos usados
en el Caso A. Por otro lado, P depende de M . La figura 5 muestra un grafico de P versus M , para
M variando desde 1 hasta 24 (0 < M < / = 25).
Observaci
on 6: Respecto al comportamiento de la curva anterior, si M crece entonces el tiempo
medio de reparaci
on tambien lo hace, y por lo tanto se espera un mayor costo de penalizacion.
Como resultado, el precio P debe crecer para desincentivar a que el cliente tome la opcion A1 .
La figura 6 muestra un gr
afico de E[] como funcion de M . Para 1 M 21 la opcion optima
para el cliente es A? = A1 . De la figura se observa que el n
umero optimo de clientes es M ? = 17.
?
La estructura de precios
optima est
a dada por Cs = 6,614 um y P ? = 369,948 um. La utilidad
esperada
optima para el agente es, entonces, E[(A? ; P ? , Cs? , M ? )] = 1650,205426[um].
1245
Figura J.6: Utilidad esperada bajo los escenarios A1 (en rojo) y A2 (en azul). Fuente: Maple.
Efecto de variaciones en
A?
M?
E[] [um]
P ? [um]
Cs? [um]
0.05
A1
19
1976.808689
405.0479889
7.688233978
0.1
A1
17
1650.205426
369.9480568
6.613984822
0.15
A1
16
1484.578317
354.0315457
5.853796794
0.2
A1
15
1383.599516
343.2045268
5.280263370
A?
M?
E[] [um]
P ? [um]
Cs? [um]
0.0002
A1
85
18385.25077
335.0894103
15.58144618
0.0004
A1
40
6834.654744
354.2686447
10.56052674
0.0008
A1
17
1650.205426
369.9480568
6.613984822
0.001
A1
12
761.3495676
369.6368895
5.596157879
1246
Observaci
on 8: Para el caso del contratista, las variaciones del optimo (P ? , M ? , Cs? ) son mucho
mas marcadas con que con . Sobre todo para los casos de (M ? , Cs? ) y la utilidad esperada. De
hecho, para variaciones en la tasa de falla, se observan variaciones de 85 a 12 clientes (variacion porcentual del 86 %); mientras que para variaciones en la aversion al riesgo, solo se observan variaciones
de 24 a 15 clientes (variaci
on porcentual del 38 %). Esto se traduce en variaciones porcentuales del
96 % en la utilidad del proveedor, para el caso de ; y de solo el 30 %, para el caso de .
La fuente Maple puede ser bajada [aqu].
J.5.
Comentarios y extensiones
El presente es un trabajo bastante completo que, sin embargo, corresponde a un analisis preliminar
en lo que respecta a la subcontrataci
on para servicios de mantenimiento bajo el enfoque de la
investigaci
on operativa. El outsourcing de operaciones constituye, hoy en da, un tema muy en
boga dentro de la empresa. Por ello, se presenta a continuacion un set de potenciales extensiones
al modelo estudiado, con el fin de hacerlo mas realista y as darle mayor alcance a los resultados
obtenidos. Las mejoras propuestas son:
a) Implementar el modelo, numericamente, para el caso en que se agrega el n
umero de canales
de servicio como variable de decision. Es decir, el proveedor o contratista emplea mas de un
repairmen staff para poder atender a mas de un cliente en un instante dado. De esta manera,
el agente determina el tama
no de su negocio.
b) Existen distintos tipos de contratos. Estos difieren en cuanto a la estructura de precios y la
clausula de penalizaci
on.
c) Los clientes pueden no ser homogeneos en cuanto a su nivel de aversion al riesgo. De hecho,
en la realidad, no lo son. En el caso mas simple, los clientes pueden ser divididos en K grupos
distintos, en el que cada grupo hay clientela con niveles de aversion similares.
d ) Existe informaci
on incompleta. Es decir, el agente no conoce la aversion al riesgo de su clientela
y el cliente no conoce la tasa de falla de sus maquinas. Una manera de modelar este caso, es
tratar y como variables estoc
asticas de tal manera que su valor real es incierto.
e) Una extensi
on interesante es el caso en que existen dos o mas contratistas. De esta manera, deja de existir monopolio y la competencia y/o colusion entre proveedores se vuelve una
consideraci
on importante.
J.6.
1247
A explorar
En el mundo de la aeron
autica civil existe una tendencia a usar contratos power-by-the hour [26]
entre los provedores de turbinas y las aerolneas. En este tipo de contratos el cliente paga una tarifa
de acuerdo al numero de horas voladas y el fabricante se encarga del mantenimiento.
Barkham [11] estudia contratos entre empresas generadoras de energa, las empresas fabricantes
de equipos (OEM, Original Equipment Manufacturer) y otros proveedores de servicios. El articulo
tambin entrega argumentos a favor de la extensin en la vida de las plantas de generacion a traves
de reacondicionamientos y modificaciones. Complementariamente, se discute el rol de las nuevas
regulaciones en la necesidad de reacondicionar y modernizar las plantas existentes.
1248
Bibliografa
[1] Asgharizadeh E., Modelling and Analysis of Maintenance Service Contracts, Thesis for the degree: Doctor of Philosophy, The University of Queensland, 1997.
[2] Asgharizadeh E., Murthy D.N.P., Service Contracts: A Stochastic Model, Mathematical and
Computer Modelling, 31, 11-20, 2000.
[3] Blischke W.R., Murthy D.N.P., Warranty Cost Analysis, Marcel Dekker, New York, 1994.
[4] Gross D., Harris C.M., Fundamentals of Queueing Theory, John Wiley and Sons, New York,
1985.
[5] Murthy D.N.P., Asgharizadeh E., Modelling Service Contracts, Presented at the INFORMS
Meeting in New Orleans, 1995.
[6] Murthy D.N.P., Asgharizadeh E., Optimal Decision Making in a Maintenance Service Operation,
European Journal of Operational Research, 116, 259-273, 1999.
[7] Murthy D.N.P., Padmanabhan V., A Dynamic Model of Warranty, Technical Report, Graduate
School of Business Administration, Stanford University, 1993.
[8] Pascual, R., El Arte de Mantener, Apuntes del curso ME57A-Mantencion de Maquinaria, Version
2.85, Nov., 2005.
[9] White J.A., Schmidt J.W., Bennett G.K., Analysis of Queueing Systems, Academic Press, New
York, 1975.
[10] Y. Yao,W. Zhao, O. Ergun, E. Johnson, Aircraft Scheduling with Maintenance and Crew Consideration, AIAA 5th Aviation, Technology, Integration, and Operations Conference (ATIO),
26 - 28 September 2005, Arlington, Virginia.
[11] Barkham,J.N., Plant lifetime management-an integrated approach, IEE International Conference on Life Management of Power Plants, 12-14 December, 11-13, 1994.
[12] AFNOR, Guides de lutilisateur : Contrats de maintenance, 2e edition, AFNOR, 1988.
[13] M. Aoki, Managerialism revisited in the light of bargaining-game theory International Journal
of Industrial Organization, 1(1), 1-21, 1983.
[14] society for maintenance and reliability professionals, SMRP, There is Gold in Those Reliability
and Maintenance Practices, 2000, USA.
1249
1250
Ap
endice K
Resumen
Un problema que est
a recibiendo la atencion creciente dentro de la industria es el costo de mantener
flotas de sistemas reparables. A medida que una flota envejece la atencion se dirige a menudo hacia
identificar conductores importantes del costo y la institucion de varios cambios para reducir el costo
de la propiedad. Estos cambios pueden incluir modificaciones de dise
no de la tecnologa al aumento de
la confiabilidad, o un cambio en estrategias de la ayuda. En ambos casos las polticas de la reparacion
y de overhauls deben ser consideradas y establecidas. Estas polticas afectan perceptiblemente los
gastos de explotaci
on, la confiabilidad, el mantenimiento, y la eficacia de la flota entera. Porque el
sistema, subsistemas, y en la mayora de los casos las unidades reemplazables de la lnea (LRUs) son
reparados despues de una falla, estas polticas deben tambien tratar la aplicacion de overhauls vs
la reparaci
on en estas unidades. La vida economica de un artculo reparable se define generalmente
como el tiempo del overhaul que reduce al mnimo el costo del ciclo de vida a largo plazo del artculo.
Sin embargo, si el artculo est
a sufre desgaste, la confiabilidad se puede deteriorar mas alla de un
lmite deseado en la vida econ
omica. La vida u
til se define como el mnimo tiempo de overhaul de
la vida econ
omica donde la confiabilidad es menor que un lmite requerido. Este trabajo discute los
metodos para estimar la vida u
til de una flota de sistemas reparables, y presenta un modelo y los
procedimientos para tratar el crecimiento de la confiabilidad en servicio.
K.1.
Notaci
on
Par
ametro de la escala para el modelo Power Law.
Par
ametro de la forma para el modelo Power Law.
S Intensidad de la falla del sistema.
A Intensidad de la falla del modo de A.
B Intensidad de la falla del modo de B.
GP Intensidad de la falla del potencial de crecimiento.
P Intensidad proyectada de la falla.
u () Funci
on de la intensidad.
1251
1252
K.2.
La metodologa del costo mnimo del ciclo de vida y la metodologa del crecimiento de la confiabilidad en servicio asumen que los sistemas bajo consideracion son complejos, con muchos modos de
fallas, y son reparados sobre cada falla. Si una reparacion restaura el sistema a la operacion se llama
mnima reparaci
on. Bajo reparaci
on mnima la confiabilidad del sistema despues de la reparacion
es igual que la confiabilidad del sistema antes de la falla. De acuerdo con estas suposiciones, las
fallas del sistema siguen un proceso no homogeneo de Poisson con intensidad u(t). Tambien, el
analisis de la confiabilidad de sistemas reparables bajo uso del cliente implicara los datos generados
por los sistemas m
ultiples. Crow, desarrollo el proceso no homogeneo de Poisson de la Power Law
(NHPP) como modelo para los sistemas reparables complejos y presento los procedimientos para
analizar datos de sistemas m
ultiples. Esto es un modelo extensamente usado y es el modelo estandar
internacional del IEC para los sistemas reparables.
Bajo la Power Law NHPP la intensidad u(t) es:
u(t) = t1
(K.1)
donde t > 0 es la edad del sistema y y > 0 son parametros. Tambien, para el modelo de Law
Power NHPP la funci
on del valor medio es:
E [N (t)] = tB
(K.2)
con t > 0, es el n
umero previsto de las fallas para un sistema durante su tiempo de funcionamiento
(0, t).
Para realizar los an
alisis discutidos en este paper necesitamos los datos de falla para K sistemas
elegidos al azar de la poblaci
on de la flota. Cada uno de los K grupos de datos comienzan en
la edad 0 del sistema y representan una secuencia de fallas y de reparaciones. Los sistemas son
reacondicionados al comienzo de cada ciclo en el tiempo 0, inicializados despues de un overhaul, y
cada tiempo de falla es el tiempo de funcionamiento acumulativo total en la falla durante el ciclo
del overhaul. La edad t del sistema es el tiempo de funcionamiento acumulado desde overhaul. Si
los sistemas entonces no son reacondicionados, la edad 0 comienza cuando el sistema se despliega
en la flota y la edad es el tiempo de funcionamiento acumulado desde el despliegue. En ambas casos
los datos para el sistema j-esimo consisten en los tiempos de la falla
Xi,j , i = 1..., N (Tj )
1253
donde N (Tj ), es el n
umero total de las fallas para el sistema j-esimo, y Tj es el tiempo acumulado
total, j=1...K. El tiempo de falla Xi,j , es el tiempo acumulado en la falla,
X1,j < X2,j < ... < XN (Tj ),j
N
otese tambien que el tiempo acumulado total Tj puede o puede no corresponder al tiempo de
falla. Si XN (Tj ),j = Tj los datos son de la falla truncada, y si XN (Tj ),j < Tj los datos son del tiempo
truncado.
Observese que para = 1, se tiene el proceso homogeneo de Poisson, y una intensidad constante
de falla. Para > 1, u(t) estan aumentando y el intervalo sucesivo entre las fallas Xi,j -Xi1,j ,
est
a tendiendo a disminuir, algo que es caracterstico del desgaste. Para los < 1, u(t) esta disminuyendo y el intervalo sucesivo entre las fallas Xi,j -Xi1,j , esta tendiendo a aumentar, algo que es
caracterstico de la fabricaci
on de calidad.
Tambien, para un sistema de edad t estamos a menudo interesados en la probabilidad de que el
t ]
(K.3)
K.3.
Una consideraci
on en la reduccion del costo para mantener una flota de sistemas ( > 1) es establecer
una poltica del overhaul que reduzca al mnimo el costo total de la vida del sistema. Esto dice que
hay un punto en el cual es m
as barato reacondicionar un sistema (overhaul) y volverlo a la flota
que continuar con las reparaciones. Cual es el tiempo del overhaul que reducira al mnimo el costo
de ciclo de vida total, considerando el costo de la reparacion y el costo del overhaul?. Aplicando la
soluci
on conocida a la Power Law NHPP con parametros , , costo medio de reparacion C1 , costo
de overhaul C2 , el tiempo
optimo T0 del overhaul que reducira al mnimo el costo del ciclo de vida
del sistema est
a dado por:
1
C2
T0 =
(K.4)
( 1)C1
El valor T0 es la vida econ
omica de la unidad y es el tiempo de funcionamiento en que el costo
medio de operaci
on por unidad de tiempo de la unidad es mnimo. La confiabilidad de la mision y la
vida econ
omica T0 son de interes particular cuando los > 0 y son el foco principal en este paper.
En detalle, para los > 0, R(t) esta disminuyendo mientras que t aumenta. Si la confiabilidad R(t)
de la misi
on requiere permanecer sobre cierto nivel R0 , se dice entonces el tiempo TM es la vida de
la misi
on de la unidad cuando R(TM ) = R0 . La vida u
til es el mnimo entre T0 y TM .
Para aplicar este modelo de la vida u
til los parametros y deben ser estimados o asumidos como
conocidos. La estimaci
on de estos parametros se trata despues.
1254
K.4. Estimaci
on del Modelo de Costo Mnimo del Ciclo de
Vida
Se estiman los par
ametros del modelo y basados en los datos de falla de los K sistemas. Las
y ,
dados por:
mejores estimaciones (ML) de y , son
PK
j=1 N (Tj )
= P
K
j=1 (Tj )
(K.5)
PK
j=1 N (Tj )
P
i=1
j=1 j
j=1
(K.6)
y ,
se deben solucionar
En general, estas ecuaciones no se pueden solucionar explcitamente para
por procedimientos iterativos. Una vez que se tienen las estimaciones y , la estimacion (ML) de
la funcion de intensidad es:
t
1
u
(t) =
(K.7)
la estimaci
on (ML) de la funci
on del valor medio es:
[N (t)] = t
E
(K.8)
y la estimaci
on (ML) de la funci
on de confiabilidad de la mision es:
h
i
(t+b)
t
= e
R(t)
(K.9)
La estimaci
on para la epoca
optima del overhaul para reducir al mnimo el costo del ciclo de vida
es:
"
#
C
2
T0 =
(K.10)
1)C1
(
Esta es la vida econ
omica estimada del sistema, y es el punto donde se reduce al mnimo el costo
medio de la reparaci
on. La vida u
til deseada estimada TU L es el mnimo entre T0 y TM , (donde la
longitud de las misiones es b).
R TM = R0
(K.11)
Ejemplo 1
Para ilustrar el uso del modelo del costo de ciclo de vida suponga que consideramos 11 sistemas
seleccionados al azar de una flota. (El n
umero peque
no de sistemas se utiliza para ilustrar los
metodos. En usos pr
acticos una cantidad de datos mucho mas grande sera analizado. Estos datos
son hipoteticos y no representan ning
un sistema real.)
El ciclo nominal del overhaul es 1500, pero el tiempo real del overhaul variara a menudo. El historial
de estos sistemas para el ciclo completo pasado el overhaul se da en la tabla K.1.
Sis
1
2
3
4
5
6
7
8
9
10
11
Fallas
68,1137,1167
682,744,831
263,399
598
730
1255
OH Tiempo
1268
1300
1593
1421
1574
1415
1290
1556
1426
1124
1568
y
= 1, 064
Porque este es un tama
no de muestra peque
no utilizamos un intervalo de confianza (CL) para del
95 %, con esto se tiene que es = 1,774, y usando esto en las ecuciones tenemos una estimacion
para dado por = 0,000002558. Para un costo medio de reparacion
C1 = $29860
y un costo de overhaul
C2 = $100,000
el tiempo de overhaul
optimo para reducir al mnimo el costo del ciclo de vida es estimado por la
ecuaci
on K.10
T0 = 3237horas
Este
es el tiempo del overhaul de la vida economica que reducira al mnimo los costos de ciclo de
vida del total del sistema debido a las reparaciones.
El tiempo de la misi
on es b = 3 horas, y el requisito mnimo de la confiabilidad de la mision es
1256
anuales de $940.100. El tiempo del overhaul de 3237 horas da un costo medio por la hora de $70,65.
Los ahorros de costo anual por este tiempo del overhaul son aproximadamente $1,4 millones. Este
son los ahorros m
aximos para cualquier opcion de los tiempos del overhaul y da el costo mnimo
del ciclo de vida del sistema total.
El tiempo estimado del overhaul de 2060 da los ahorros de costo maximos que consideran el requisito
de mantener una confiabilidad mnima de la mision de 0,995. Por supuesto, este analisis requerira
la aplicaci
on de estos metodos a un tama
no de muestra mas grande.
K.6.
Reproducci
on del ejemplo en Excel
= 1,059
Para ajustar estos valores en el lmite superior del intervalo de confianza al (1-)100 % se ocupan
las expresiones que se muestran a continuacion dadas por el modelo Crow-AMSAA:
DL =
DU =
2 ,2N
2
2(N 1)
21 ,2N
2
2(N 1)
(K.12)
(K.13)
L = DL
(K.14)
U = DU
(K.15)
En nuestro caso
2 = 34,169607
(de tabla), con esto se obtiene:
= 0,00000212
= 1,8
T0 = 3223horas
R(t) = 0,992
para una misi
on de largo b=3 horas, el nivel mnimo de confiabilidad es 0.0995, lo que es
inferior al nivel actual, en nuestro caso el nivel mnimo se alcanza para 1990 horas.
E[N(t)]= 1.07, para T=1500 horas
Costo: $31858 (1500 horas)
Costo Total Promedio: $131858 (1500 horas)
Costo Promedio por Hora: $87.9 (1500 horas)
E[N(t)]= 1.77, para T=1990 horas
Costo: $52919 (1990 horas)
1257
K.7.
K.7.1.
Introducci
on
En este captulo se adapta un modelo de la proyeccion del crecimiento de la confiabilidad desarrollado por Crow para el crecimiento de la confiabilidad en servicio para una flota de sistemas.
Durante el test de crecimiento de la confiabilidad se ocupa una fase de prueba, de longitud T , por
ejemplo, de un historial de fallas cronologicas y de la identificacion de los modos de los problemas
del candidato para la acci
on correctiva. Se asume que las acciones correctivas estan retrasadas hasta
el tiempo T .
El modelo de la proyecci
on asume que la intensidad de falla del sistema es constante, por ejemplo S ,
durante un cierto plazo de prueba T , y entonces salta a un valor mas bajo debido a la incorporacion
de acciones correctivas. El modelo de la proyeccion estima este valor mas bajo de la intensidad de
la falla basado en la informaci
on de la prueba. Una proyeccion permite una evaluacion de las varias
opciones de las acciones correctivas. El alcance de este paper esta en ilustrar la adaptacion y el uso
del modelo de la proyecci
on al crecimiento de la confiabilidad in-service de la flota.
Seg
un lo descrito en las referencias, el modelo de la proyeccion del crecimiento de la confiabilidad
utiliza los conceptos de los modos del tipo A, de los modos del tipo B y de los factores de la
eficacia. Asuma que cualquier accion correctiva es el resultado de repasar las horas de T de datos
y de observar modos de falla. La gerencia puede elegir una de dos decisiones posibles con respecto
a cada modo de falla observado, fijar o no fijar el modo de falla. Por lo tanto, la estrategia de la
gerencia es clasificar los modos de falla dos categoras llamadas modos de tipo A y del tipo B. Los
modos de tipo A son todos los modos de falla tales que estando en los datos no se tomara ninguna
acci
on correctiva. Esto considera todos los modos para los cuales la gerencia determine que no se
justifican econ
omicamente o de otra manera para tomar la acci
on correctiva. Los modos del tipo B
son todos los modos de fallo tales que cuando esta considerada en los datos una accion correctiva
esta ser
a tomada. La estrategia de la gerencia, por lo tanto, reparte el sistema en una parte A y en
una parte B.
Durante el test de crecimiento de la confiabilidad el modelo asume que el sistema total y las piezas
de A y de B tienen intensidad de falla S , A y B respectivamente. Con
S = A + B
La intensidad media para los modos del tipo A A no cambiara. Con la estrategia de la gerencia,
el crecimiento de la confiabilidad puede ser alcanzado solamente disminuyendo la intensidad de la
falla del tipo B, B . Est
a tambien claro que podemos disminuir solamente esa parte del promedio
de la intensidad de la falla del modo del tipo B B que hemos visto. Ademas, una vez que un modo
del tipo B este en el sistema es raramente eliminado en forma total por una accion correctiva. En
detalle, despues de que se encuentre y este fijado un modo del tipo B, cierta fraccion de la intensidad
media de la falla del modo de falla sera quitada, pero cierta fraccion permanecera generalmente.
Un factor de la eficacia del arreglo (EF) es la disminucion de la fraccion de la intensidad media
de la falla del modo del problema despues de una accion correctiva. Los estudios indican que un
EF medio alrededor del 0.70 es tpico para un programa de crecimiento de la confiabilidad durante
el desarrollo. Sin embargo, el EF individual para los modos de falla puede ser mas grande o mas
peque
no que el promedio.
1258
(K.16)
donde P es la intensidad m
as baja debido a las acciones correctivas, T : tiempo total de la prueba,
y h(T ) es la tasa con la cual se est
an destapando los modos del nuevo tipo B.
Bajo el modelo de la proyecci
on del crecimiento de la confiabilidad h(T ) = T 1 es la intensidad
del modelo de Crow aplicado solamente a las primeras ocurrencias de los modos del tipo B. (Esta
aplicacion a las primeras ocurrencias es un punto muy importante y sera tratado mas adelante en
este paper.)
El termino:
GP = A + (1 d)B
(K.17)
es la intensidad de la falla del potencial de crecimiento. El tiempo medio del potencial de crecimiento
entre fallas, 1/GP , es el m
aximo tiempo medio entre fallas que se puede lograr con la estrategia
actual de la gerencia. Se logra este m
aximo cuando todos los modos de falla del tipo B en la flota
se han considerado en el historial y se han corregido. La funcion h(T ) es tambien la intensidad de
la falla para todos los modos de falla del tipo B en la flota que no aparecieron en el historial actual.
Se logra el potencial de crecimiento cuando h(T ) es cero.
K.8.
Estudio de caso
En el interes de la aplicaci
on del modelo en servicio de la proyeccion del crecimiento de la confiabilidad se ilustr
a por un ejemplo. Se dan los pasos que se pueden seguir como plantilla para el
uso general. Este ejemplo ilustra la aplicacion a un sistema que se desgasta y es overhauleado. Una
calidad estadstica de la prueba del ajuste indica fuertemente que estos sistemas siguen el proceso
de la Power Law seg
un lo discutido en los captulos anteriores.
K.8.1.
Ejemplo 2
El sistema en este ejemplo (el sistema 2) se reacondiciona pero no tiene un intervalo fijo de overhaul.
La estrategia primera de los ahorros de costo bajo consideracion es aumentar confiabilidad y reducir
fallas. (Este datos son hipoteticos y no representa ning
un sistema real.)
PASO 1: Primero obtenemos una muestra del tama
no K de la flota. Un ciclo es una historia
completa de overhaul a overhaul. Para nuestros datos, K = 27 sistemas se eligen al azar. Para
estos sistemas el historial de fallas para el ciclo terminado pasado se registra. Esta
es la muestra
escogida al azar de datos de la flota. Ver Tabla K.2. Estos sistemas estan en el orden que fueron
seleccionados.
El parametro S de la intensidad de la falla de interes es el n
umero medio de fallas por hora de
funcionamiento del ciclo. El tiempo de funcionamiento acumulativo total es 52110 horas, con 37
S = 37/52110 o 0.00071. Esto estima que para
fallas. El par
ametro de base S es estimado por
cada hora del tiempo de funcionamiento de la flota, hay 0.00071 fallas, o una falla cada 1408 horas,
en promedio.
Suponga que nuestro objetivo es bajar S por acciones correctivas selectivas a los sistemas basados
en la informaci
on de la muestra. El modelo de la proyeccion estima este valor mas bajo, P .
PASO 2: Para aplicar el modelo de la proyeccion se fijo N = 37 veces falla en un excedente
acumulativo de escala de tiempo (0,T), donde T = 52110. En el ejemplo cada Ti corresponde a
Sis
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
Total
Duraci
on Ciclo Tj
1396
4497
525
1232
227
135
19
812
2024
943
60
4234
2527
2105
5079
577
4085
1023
161
4767
6228
68
18301
1241
2573
3556
186
52110
Nj
1
1
1
1
1
1
1
1
1
2
1
2
2
2
1
2
2
1
1
2
3
1
1
2
1
1
37
1259
Yq = Xi,r +
r1
X
j=1
Tj , q = 1, 2.....N, N =
K
X
Nj
(K.18)
j=1
y q pone en un ndice el orden sucesivo de las fallas. En el ejemplo, N = 37, Y1 =1396, Y2 =5893,
Y3 =6418, Y37 =52110. Ver Tabla K.3.
Cada tiempo de falla del sistema en la tabla K.2 corresponde a un problema y a una causa, es
decir, un modo de falla. La estrategia de la gerencia conserva el no arreglo del modo-Tipo A de
la falla, o arregla el modo-Tipo B. Para aplicar la metodologa de la proyeccion a cada tiempo de
funcionamiento acumulado en la tabla K.3 se se
nala si es causado por un modo del tipo A o un modo
distinto del tipo B. En este ejemplo, hay 13 acciones correctivas distintas que corresponden a 13
modos de falla distintos del tipo B. Hay NA = 4 fallas debido a los modos de fallo que no recibiran
una acci
on correctiva. Hay NB = 33 fallas totales debido a M = 13 modos de fallo distintos del tipo
B que ser
an corregidos. Algunos de los modos distintos del tipo B tenan repeticiones del mismo
problema. Por ejemplo, el modo B1 tena 12 ocurrencias del mismo problema. El modo B13 tena
solamente una ocurrencia de ese problema particular.
El objetivo del modelo de la proyeccion es estimar el impacto de las acciones correctivas distintas
para M = 13.
1260
q
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Yq
1396
5893
6418
7650
7877
8012
8031
8843
10867
11183
11810
11870
16139
16104
18178
18677
20751
20772
25815
Mode
B1
B2
A
B3
B4
B2
B2
B1
B1
B5
A
B1
B2
B6
B7
B2
B4
B2
B1
q
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
Yq
26361
26392
26845
30477
31500
31661
31697
36428
40223
40803
42656
42724
44554
45795
46666
48368
51924
52110
Mode
B1
A
B8
B1
A
B3
B2
B1
B1
B9
B1
B10
B1
B11
B12
B1
B13
B2
Cuadro K.3: Clasificaciones Pedida de los Datos del Sistema y del Modo de Falla
PASO 3: Elija un factor medio de la eficacia basado en las acciones corregidas propuestas y la
experiencia hist
orica. Los datos hist
oricos de la industria y del gobierno apoyan un factor medio
tpico de la eficacia d = 0,70 para muchos sistemas.
En el uso del sistema 2 un EF medio de d = 0,4 fue asumido para ser muy conservador con respecto
al impacto de las acciones corregidas propuestas.
El primer termino del modelo de la proyeccion K.16 se estima por:
A = NA /T
o
A = 0,000077
Tambien,
B = NB /T
o
B = 0,000077
Intervalo
1
2
q
D
1261
Largo
L1
L2
Lq
LD
Tiempo Acumulado
S1
S2
Sq
SD
Cuadro K.4: Datos Agrupados para los Distintos Modos del Tipo B
Intervalo
1
2
3
4
5
TOTAL
Largo Lq
10000
10000
10000
10000
12110
Tiempo Acumulado Sq
10000
20000
30000
40000
521100
Cuadro K.5: Ejemplo de los Datos Agrupados para los Distintos Modos del Tipo B
pero debe haber varios, por lo menos 5, ciclos por intervalo en promedio. Tambien, se fija S1 =
L1 , S2 = L1 + L2 ,....etc, sea el tiempo acumulado en el intervalo del q-esimo. Para el intervalo del
q-esimo observamos el n
umero del modo distinto del tipo B, M Iq , apareciendo por la primera vez,
q = 1,..,D. Ver Tabla K.4.
), donde:
El tercer termino es estimado por dh(T
)=
T
1
h(T
y satisfacen:
Y los valores
o
n
D
[Sq ] Ln [Sq ] [Sq1 ] Ln [Sq1 ]
X
M Iq
Ln(SD ) = 0
[Sq ] [Sq1 ]
q=1
= M
(K.19)
(K.20)
(K.21)
Esta es la versi
on del modelo de Crow (AMSAA) para datos agrupados, aplicado solamente a la
primera ocurrencia de los modos distintos del tipo B.
Para los datos en la tabla K.3 elegimos los primeros 4 intervalos de longitud 10000, y el u
ltimo
intervalo de longitud 12110. Es decir, D = 5. Esta opcion da un promedio de cerca de 5 ciclos de
overhaul por intervalo. Ver Tabla K.5.
= 0,0033
y
= 0,762
Esto da:
)=
T
1
h(T
= 0,00019
1262
o
P = 0,000077 + 0,6(0,00063) + 0,4(0,00019)
a
P = 0,000533
El tiempo medio entre fallas se estima que aumentara de las actuales 1408 horas a 1877 horas. La
intensidad de la falla del potencial de crecimiento es:
P = 0,00038
(1 d)
y el tiempo medio m
aximo entre fallas estimado que se puede lograr con esta estrategia de la
gerencia es 2631 horas, es decir cuando
h(T ) = 0
PASO 6: La reducci
on de costos asociada a incorporar estas 13 acciones correctivas de los modos
del tipo B puede ser calculada considerando la reduccion en fallas de la flota. Hay un promedio de
440.000 horas flota en la poblaci
on del sistema 2 por a
no. De acuerdo con datos se estima que 74 %
de las fallas dan lugar a un overhaul. Actualmente, hay un promedio estimado de 231 overhauls
por a
no. En este ejemplo, asumimos que los overhauls cuestan $60.000 cada uno. Esto da un costo
medio anual del overhaul de $13.885.157. Aumentando el tiempo medio a la falla de 1408 a 1878,
bajo mismas suposiciones, habra solamente 173 overhauls por a
no con un costo de $10.412.969.
Esto da ahorros anuales estimados en $3.480.00 si se ponen en ejecucion las 13 acciones.
K.9.
Ejemplo
Datos:
N
umero de sistemas:
k = 27
N
umero de fallas:
N = 37
Tiempo de funcionamiento acumulativo total:
T = 52110 horas
N
umero de fallas del moda A:
NA = 4
N
umero de fallas del moda B:
NB = 33
Sist
1
2
3
4
5
6
7
8
9
10
Duracion Ciclo Tj
1396
4497
525
1232
227
135
19
812
2024
943
Nj
1
1
1
1
1
1
1
1
1
2
11
12
60
4234
1
2
13
2527
14
2105
15
16
5079
577
1
2
17
4085
18
19
20
1023
161
4767
1
1
2
21
6228
22
23
24
25
68
1830
1241
2573
1
1
1
2
26
27
Total
3556
186
52110
1
1
37
Tiempo de Falla
1396
4497
525
1232
227
135
19
812
2024
316
943
60
4233
4234
1877
2527
2074
2105
5079
546
577
453
4085
1023
161
36
4767
3795
4375
6228
68
1830
1241
871
2573
3556
186
1263
q
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
Yq
1396
5893
6418
7650
7877
8012
8031
8843
10867
11183
11810
11870
16103
16104
17981
18631
20705
20736
25815
26361
26392
26845
30477
31500
31661
31697
36428
40223
40803
42656
42724
44554
45795
46666
48368
51924
52110
Mode
B1
B2
A
B3
B4
B2
B2
B1
B1
B5
A
B1
B2
B6
B7
B2
B4
B2
B1
B1
A
B8
B1
A
B3
B2
B1
B1
B9
B1
B10
B1
B11
B12
B1
B13
B2
52110
(K.22)
r1
X
Tj , q = 1, 2.....N, N =
j=1
K
X
Nj
j=1
Este c
alculo se realiz
o en excel, a continuacion se muestra la planilla:
PASO 3: d = 0,4, se calculan las intensidades de falla para los modos A y B:
A = NA /T
(K.23)
1264
A = 0,000077
B = NB /T
B = 0,000077
B
(1 d)
B = 0,000380
(1 d)
), donde:
PASO 4: El tercer termino es estimado por dh(T
)=
T
1
h(T
y satisfacen:
Y los valores
o
n
D
[Sq ] ln [Sq ] [Sq1 ] ln [Sq1 ]
X
M Iq
ln(SD ) = 0
[Sq ] [Sq1 ]
q=1
= M
(K.24)
(K.25)
(K.26)
Para encontrar se us
o MAPLE. Con esto nos da un valor para = 0.7621940967, el valor del
autor es = 0.762, con nuestro valor de calculamos el resto de la variables, dando los siguientes
valores:
= 0,0033
) = 0,00019
h(T
) = 0,000076
dh(T
Valores que coinciden con los del articulo.
PASO 5: La intensidad proyectada de la falla es:
P = 0,00053
Esto
estima que los 13 acciones correctivas propuestas reduciran el n
umero de fallas por hora de la
operacion de ciclo de:
de
S = 0,00071
a
P = 0,000533
1265
K.10.
Comentarios Finales
Se presentaron dos ejemplos, uno para cada modelo, los cuales fueron reproducidos de forma satisfactoria, las peque
nas diferencias en los resultados del primer ejemplo con respecto a los resultados
del autor del paper son atribuibles a la capacidad de calculo de excel. La formula para el c
alculo de
en el ejemplo 2 est
a escrita en forma incorrecta en el paper, lo cual derivo en una extensa investigaci
on, sin duda esta fue la gran dificultad de este desafo. Queda muy en claro que un adecuado
plan de mantenimiento puede reducir en forma sustancial los costos de operacion. La hoja excel
puede ser bajada [aqu]. El programa Maple puede ser bajado [aqu].
1266
Bibliografa
[1] L. H. Crow, Evaluating the Reliability of Repairable Systems, Proceedings of the Annual Reliability and Maintainability Symposium, 275-279, 1990.
[2] R. E. Barlow, F. Proschan, Mathematical Theory of Reliability, John Wiley & Sons, Inc., 1967.
[3] L. H. Crow, Confidence Intervals on the Reliability of Repairable Systems, Proceedings of the
Annual Reliability and Maintainability Symposium, 126-134, 1993.
[4] http://www.weibull.com/RelGrowthWeb
[5] http://www.informatica.us.es
[6] L.H. Crow, Methods for Reducing the Cost to Maintain a Fleet of Repairable Systems, Proceedings Annual Reliability And Maintainability Symposium, 392399, 2003.
1267
1268
Ap
endice L
Programaci
on estoc
astica aplicada
a la planificaci
on de tareas de
mantenimiento
Anexo aportado por alumno Marco Etcheberry (semestre primavera 2005, tarea 2).
L.1.
Presentaci
on
L.2.
Definici
on del Problema
1270
Emergencia
Programado
Planificar trabajos
Establecer procedimientos
Establecer prioridades
Revisar recursos
Actualizar programacin
1271
L.3.
M
etodos de Programaci
on
L.3.1.
Tipos de Programaci
on
1272
L.3.2.
Programaci
on Discreta y Estoc
astica Aplicada al Mantenimento
La programaci
on del modelo discreto puede ser presentado como
min
n1
X
cj xj
j=1
s.a. Ax b
xj = 0 o 1
donde
A son los coeficientes de las restricciones (m1 n1 )
b representa los recursos disponibles (m1 1)
C = (cj ) representa los costos o penalidades de los trabajos no realizados (1 n1 )
xj es la variable de decisi
on, y representa los horarios de programacion de cada tarea.
Este modelo es apropiado solamente cuando todos los detalles del sistema son conocidos, sin embargo en el mantenimiento existen variables que son estocasticas, por lo que los parametros y las
restricciones tambien deber
an serlo en el modelo.
Para enfrentar el problema de la incertidumbre en la programaci
on de tareas, existen dos estrategias:
tratar de anticipar lo que ocurrir
a y planificar por adelantado para ello, o bien esperara a que algo
ocurra y adaptarse a la situaci
on.
La programaci
on estoc
astica con modelos de recursos (SR) agrupa los metodos que combinan las
estrategias anticipativas y adaptivas para balancear la ventaja a largo plazo del primero con la
ventaja a corto plazo del segundo. El modelo se escribe como:
max
cx + E[inf q + y + + q y | y + y = R T x, y + , y 0]
s.a. Ax b
x 0
1273
Hora
1
Tarea 1
2M
2E
Tarea 2
Tarea 3
Tarea 4
2E
cx + E[inf q + y + + q y ]
s.a. Ax
T x + y+ y
x
+
y , y
b
R
0
0
Las restricciones Ax b componen la parte determinstica del problema, mientras que las demas
componen la parte estoc
astica.
L.4.
Ejemplo
L.4.1.
Problema
1274
Hora
1
Tarea 5
2M
Tarea 6
2M
E
E
2E
Tarea 9
Prob.
0.25
2M
0.50
Tarea 7
Tarea 8
0.25
0.30
2E
0.70
L.4.2.
Formulaci
on del Problema de Programaci
on Lineal
Variables
Sea el ndice j = 1 . . . 9 referente a las tareas, i = 1 . . . 3 (P, E, M) la mano de obra y k = 1 . . . 8 el
ndice de hora. Las variables que se utilizan para plantear el problema de programacion lineal son:
Zjk
Rijk
+
Dijk
Dijk
Restricciones
Realizaci
on de Tareas
La restricci
on de que se inicie cada tarea planificada una y solo una vez es
8
X
Zjk = 1
j = 1...4
(L.1)
k=1
1275
de obra i para la tarea esperada j en su hora h de trabajo, y sea tj la duracion de la tarea j. Por
lo tanto, la ecuaci
on que establece esta restriccion es
tj
9 X
8 X
X
j=1
(niab Zjab ) + Rijk Ni
(L.2)
a=1 b=1
+
Dijk
Dijk
+ Rijk = n0ijk
j = 5 . . . 9, i, k
(L.3)
Esta restriccion establece el balance entre asignacion y falta/exceso de mano de obra para las tareas
esperadas. La formulaci
on general de la funcion objetivo era
cx + E[inf q + y + + q y ]
max
En este caso los terminos D corresponden a los y del modelo general. El algoritmo maximizar
a E[inf q + y + +
+
q y ], que es negativo y lo cual implica que asegura que Dijk 0 o Dijk 0, pero no ambos. De
esta manera, se cumple que:
Dijk
+ Rijk = n0ijk
o
+
Dijk
+ Rijk = n0ijk
Tipo de Variable
Finalmente, se tienen las restricciones de tipo de variable y no-negativos:
+
Rijk , Dijk
, Dijk
Zijk
L.4.3.
0
= 01
i, j, k
i, j
(L.4)
(L.5)
Funci
on Objetivo
La funci
on objetivo maximiza las utilidades, entendidos como la diferencia entre ganancias y
perdidas dados por los costos establecidos anteriormente. Sean cj las ganancias por realizar la tarea
j y c+ , c las penalizaciones por exceso y falta de mano de obra disponible, respectivamente.
Adem
as, sea pj la probabilidad asociada a la tarea j.
La funci
on objetiva resultante es
f (Z) =
8 X
6
X
k=1 j=1
cj Zjk pj
3
X
i=1
+
(c Dijk
+ c+ Dijk
)
(L.6)
1276
max f(Z) =
Z_jk
j/k
1
2
3
4
5
6
7
8
9
1
1
0
1
0
-90
2
0
0
0
1
Comienzo de Tarea j
3
4
0
0
0
1
0
0
0
0
5
0
0
0
0
6
0
0
0
0
Tarea
1
2
3
4
5
6
7
8
9
1
2M
P
2
M
3
2E
E
E
2M
M
P
E
2M
Periodo
4
5
P
M
P
2E
E
2M
2E
P
2E
Mecnicos
3
4
>=
1
0
>=
0
1
>=
L.4.4.
Para implementar el problema en Excel para ser resuelto con Whats Best!, se eliminaron ciertas
variables inexistentes para simplificar la solucion. Por ejemplo, j maximo es 6, pues el tiempo
mnimo de una tarea es 2 horas por lo que no se puede realizar si no tiene tiempo. En esta misma
logica, se consideran los Z s
olo si cumple con que la tarea se alcance a realizar a tiempo.
La funcion objetivo, junto con la matriz de tiempos de inicio se muestran a continuacion:
En esta matriz los 0 y 1 son variables de decision (azules en WB! ) binarias. Se muestra una
asignacion a mano inicial, la cual muestra una utilidad final de 90.
Para ejemplificar las asignaciones, se presenta la matriz de asignacion de mecanicos.
Las restricciones de no-negativo se establecen al lado de todas las variables R, las cuales tambien
son variables de decisi
on (azules). Las matrices D se construyen de manera analoga.
L.4.5.
Resultados
Los resultados que resultan de la resolucion por parte de Whats Best! son:
El resumen de resultados es:
La tarea 1 comienza en la hora 4.
La tarea 2 comienza en la hora 1.
La tarea 3 comienza en la hora 1.
La tarea 4 comienza en la hora 5.
max f(Z) =
Z_jk
j/k
1
2
3
4
5
6
7
8
9
1
0
1
1
0
10
2
0
0
0
0
Comienzo de Tarea j
3
4
0
1
0
0
0
0
0
0
5
0
0
0
1
6
0
0
0
0
Tarea
1
2
3
4
5
6
7
8
9
M
P
P
E
P
M
2M
E
2M
Periodo
4
5
2M
M
E
M
6
2E
7
P
2E
2M
2E
P
2E
1277
La tarea 5 tiene reservada la totalidad de la mano de obra requerida en las horas esperadas.
La tarea 6 tiene reservada el electrico, pero solo 1 mecanico de los 2 requeridos.
La tarea 7 no tiene mano de obra reservada.
La tarea 8 tiene solo un electrico reservado de los 2 requeridos, y ning
un plomero.
La tarea 9 tiene solo un electrico reservado de los 2 requeridos, pero s el plomero.
Se puede observar que las utilidades son ahora +10, por lo que se ha mejorado de manera significativa
el resultado mediante este procedimiento. En un problema sencillo como este puede ser razonable
realizar la optimizaci
on mediante prueba y error, sin embargo para problemas mas complejos, se
torna mucho m
as complicado y solo es factible resolver el problema por el metodo de programacion
correspondiente.
La fuente Excel puede bajarse http://www.ing.uchile.cl/rpascual/me57a/excel/metchebe-tarea2v2.xls.
L.5.
Conclusiones
L.6.
Anexo
L.6.1.
Funci
on Objetivo
100 Z11 + Z12 + Z13 + Z14 + Z15 + Z21 + Z22 + Z23 + Z24
+ 20 Z31 + Z32 + Z33 + Z34 + Z35 + Z36 + Z41 + Z42 + Z43 + Z44 + Z45
+
+
10 D352
+ D253
50 D352
+ D253
+
+
+
+
5 D363
+ D264
+ D375
+ D276
25 D363
+ D264
+ D375
+ D276
+
+
6 D182
+ D283
30 D182
+ D283
+
+
14 D194
+ D295
70 D194
+ D295
1278
L.6.2.
Restricciones
+
D352
D352
+ R352
+
D253 D253 + R253
+
D363
D363
+ R363
+
D264 D264 + R264
+
D375
D375
+ R375
+
D276 D276 + R276
+
D182
D182
+ R182
+
D283 D283 + R283
+
D194
D194
+ R194
+
D295 D295 + R295
Z11 + Z12 + Z13 + Z14 + Z15
Z21 + Z22 + Z23 + Z24
Z31 + Z32 + Z33 + Z34 + Z35 + Z36
Z41 + Z42 + Z43 + Z44 + Z45
2Z11 + Z21
Z11 + 2Z12 + Z22 + R352
Z12 + 2Z13 + Z23 + Z31 + R363
Z13 + 2Z14 + Z24 + Z32 + Z41
Z14 + 2Z15 + Z21 + Z42 + Z33 + Z25 + R375
Z15 + Z22 + Z34 + Z43
Z23 + Z35 + Z44
Z24 + Z45
2Z11 + Z32 + 2Z41 + Z43 + R253 + R283
2Z12 + Z21 + 2Z42 + Z44 + Z33 + R264
2Z13 + Z22 + Z34 + 2Z43 + Z45 + R295
2Z14 + Z23 + Z35 + 2Z44 + R276
2Z15 + Z24 + Z36 + 2Z45
Z21 + Z32 + Z41 + R182
Z21 + Z22 + Z42 + Z33
Z11 + Z22 + Z23 + Z34 + Z43 + R194
Z12 + Z23 + Z24 + Z35 + Z44
Z13 + Z24 + Z36 + Z45
+
Rijk , Dijk
, Dijk
Zijk
=
=
=
=
=
=
=
=
=
=
=
=
=
=
2
1
2
1
2
1
1
2
1
2
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
1
1
1
1
1
0
01
i, j, k
i, j
(L.7)
(L.8)
(L.9)
(L.10)
(L.11)
(L.12)
(L.13)
(L.14)
(L.15)
(L.16)
(L.17)
(L.18)
(L.19)
(L.20)
(L.21)
(L.22)
(L.23)
(L.24)
(L.25)
(L.26)
(L.27)
(L.28)
(L.29)
(L.30)
(L.31)
(L.32)
(L.33)
(L.34)
(L.35)
(L.36)
(L.37)
(L.38)
(L.39)
(L.40)
Bibliografa
[1] S.O. Duffuaa, K.S. Al-Sultan, Mathematical programming approaches for the management of
maintenance planning and scheduling,Journal of Quality in Maintenance Engineering, 3(3),
163-176, 1997.
1279
1280
Ap
endice M
Mantenimiento de camiones
mineros
La figura M.1 muestra la cantidad de horas de operacion registradas para una flota de camiones de
240 Ton/agno.
1281
1282
8000
7000
Camin 01
Camin 02
Camin 03
Camin 04
Camin 05
Camin 06
Camin 07
Camin 08
Camin 09
Camin 10
Camin 11
Promedio
Horas op./ao
6000
5000
4000
3000
2000
1000
0
1
Ao
Bibliografa
[1] D.C. Mauer E.L. Cox, S.H. Ott, Investment Under Uncertainty: The Case of Replacement
Investment Decisions, Journal of Financial and Quantitative Analysis, 30(4), 1995. [bajar]
[2] Lamb, M., Lymer, A., Taxation research in an accounting context: future prospects and interdisciplinary perspectives, European Accounting Review, 8(4), 749776, 1999. [bajar]
[3] S.K. Nair, Identifying technology horizons for strategic investment decisions, IEEE Transactions
on Engineering Management, 44(3), 1997. [bajar]
[4] C. Sureth, Partially Irreversible Investment Decisions and Taxation under Uncertainty: A Real
Option Approach, German Economic Review, 3(2),185, 2002 [bajar]
[5] K.J. Klassen, J.A. Pittman, M.P. Reed, A Cross-National Comparison of R&D Expenditure
Decisions: Tax Incentives and Financial Constraints [bajar]
[6] J. Song, Asset Sale when Resale Price is Uncertain, Research Paper No. 2002-4, 2002. [bajar]
[7] What Drives Replacement Of Durable Goods At The Micro Level?, What Drives Replacement
of Durable Goods at the Micro Level?, Revista de Analisis Economico, 16(2), 109-135, 2001.
[bajar]
[8] Pawlina, G., Kort, P., Investment under Uncertainty and Policy Change, (March 2002). EFA
2002 Berlin Meetings Discussion Paper. http://ssrn.com/abstract=271077 [bajar]
[9] G. Bethuyne, The Timing of Technology Adoption by a Cost-minimizing Firm, Journal of
Economics 76(2), 123154, 2002. [bajar]
[10] Mohammadi J, Guralnick S.A., Yan L., Incorporating Life-Cycle Costs in Highway-Bridge
Planning and Design, Journal Of Transportation Engineering-ASCE 121(5), 417-424, 1995.
[11] Stewart, M.G., Estes A.C., Frangopol, D.M., Bridge Deck Replacement For Minimum Expected
Cost Under Multiple Reliability Constraints, Journal Of Structural Engineering-ASCE, 130(9),
1414-1419, 2004. [bajar].
[12] Van Noortwijk JM, Klatter, H.E., The Use Of Lifetime Distributions In Bridge Maintenance
And Replacement Modelling, Computers & Structures, 82 (13-14): 1091-1099, 2004. [bajar].
[13] Ouyang, Y., Madanat, S., Optimal Scheduling Of Rehabilitation Activities For Multiple Pavement Facilities: Exact And Approximate Solutions, Transportation Research Part A-Policy
And Practice 38(5), 347-365, 2004.
[14] Kerali, H., Economic Appraisal Of Road Projects In Countries With Developing And Transition
Economies, Transport Reviews 23(3), 249-262, 2003.
[15] Frangopol D.M., Maute K., Life-Cycle Reliability-Based Optimization Of Civil And Aerospace
Structures, Computers & Structures, 81(7), 397-410, 2003. [bajar].
[16] Frangopol DM, Gharaibeh ES,K Kong JS, Et Al., Optimal Network-Level Bridge Maintenance
Planning Based On Minimum Expected Cost, Transportation Research Record (1696), A26A33, 2000.
[17] Gustafsson S.I., Optimal Fenestration Retrofits By Use Of MILP Programming Technique,
Energy And Buildings 33(8), 843-851, 2001.
1283
1284
[18] Wen Y.K., Kang Y.J., Minimum Building Life-Cycle Cost Design Criteria. I: Methodology,
Journal Of Structural Engineering-ASCE, 127(3), 330-337, 2001.
[19] Wen Y.K., Kang Y.J., Minimum Building Life-Cycle Cost Design Criteria. II: Applications,
Journal Of Structural Engineering-ASCE, 127(3), 338-346, 2001.
[20] Gustafsson S.I., Mixed Integer Linear Programming and Building Retrofits, Energy And Buildings, 28(2), 191-196, 1998.
[21] Abraham D.M., Dickinson R.J., Disposal Costs for Environmentally Regulated Facilities: LCC
Approach, Journal Of Construction Engineering And Management-ASCE 124(2), 146-154,
1998. [bajar].
[22] Ellingwood B.R., Mori, Y., Reliability-Based Service Life Assessment Of Concrete Structures
In Nuclear Power Plants: Optimum Inspection And Repair, Nuclear Engineering And Design,
175(3), 247-258, 1997.
[23] Davis, C.F. , Van Dine, C.P., Linear programming model for pavement management, Transp.
Res. Record, 1200, 71-75, 1988.
[24] Gao, B., A Gis-Enabled Multi-Year Pavement Rehabilitation Needs Analysis System, PhD thesis, Georgia Institute of Technology, 2004.
[25] Ferreira, L., Murray, M., Modelling rail track deterioration and maintenance: current practices
and future needs, Transport Reviews, 17 (3), 207-221, 1997.
[26] Asset Management: Specification for the optimised management of physical infrastructure assets, PAS 55, Institute of Asset Management, UK, 2004.
[27] Archibald T.W., Ansell J.I., Thomas L.C., Proceedings of the I MECH E Part E Journal of
Process Mechanical Engineering, Volume 218, Number 2, 2004, 77-82(6).
[28] Ansell, J., Archibald, T., Dagpunar, J. Thomas, L., Abell, P., Duncalf, D., Analysing maintenance data to gain insight into systems performance, Journal of the Operational Research
Society, 54(4), 343-349, 2003.
[29] Ansell, J.I. Archibald, T.W., Thomas, L.C., Life and decay, IMA Journal of Mathematics
Applied in Business and Industry, 9(4), 393-401, 1998.
[30] Ansell, J.I., Archibald, T.W., Thomas, L.C., Constrained-cost maintenance and measurability
of degradation IMA Journal of Mathematics Applied in Business and Industry, 9(2), 211-221,
1998.
[31] JI Ansell, TW Archibald, LC Thomas, Constrained-cost maintenance and measurability of
degradation, IMA Journal of Management Mathematics, 1998.
[32] O. Salem, A. El-Assaly, and S. AbouRizk, Performance Prediction Models of Pavement Highway Network in Alberta, TRB 2003 Annual Meeting, 2003.
[33] PL Durango, SM Madanat, Optimal maintenance and repair policies in infrastructure management under uncertain facility, Transportation Research, Part A, 36, 763778, 2002.
[34] Q. Zheng, D.P. Racca, Support of Pavement Management Systems At The Delaware Department of Transportation, Center for Applied Demography and Survey Research College of Human Resources, Education and Public Policy University of Delaware, 1999.
[35] Kirkpatrick D.L.I., Life Cycle Costs For Decision Support - A Study Of The Various Life
Cycle Costs Used at Different Levels Of Defence Policy and Management, Defence And Peace
Economics, 11(4), 333-368, 2000.
[36] Goodhart, C.A., Depot-Level Maintenance Planning for Marine Corps Ground Equipment,
Military Operations Research,4(3), 77, 1999. [bajar]
[37] Hackman, D.V., Dietz, D.C., Analytical Modelling of Aircraft Sortie Generation With Concurrent Maintenance and General Service Times, Military Operations Research, 3(3),61, 1997.
[bajar]
[38] Bargeron, J.M., Optimal Depot Level Maintenance Planning, Naval Postgraduate School, Monterey, California, Masters thesis, 1995. [bajar]
1285
[39] Wilson, R.S., Cost-Benefit Analysis of Single Siting Depot Level Maintenance for the Light Armored Vehicle, Naval Postgraduate School, Monterey, California, Masters thesis, 2000. [bajar]
[40] Cyr, Phillip G., Cost Analysis of Maintenance Programs for Pre-Positioned War Reserve Material Stock, Naval Postgraduate School, Monterey, California, Masters thesis, 2002. [bajar]
[41] Kelly, Annette, Comparative Analysis of Intermediate Level Maintenance Repair Process, Naval
Postgraduate School, Monterey, California,Masters thesis, 2002. [bajar]
[42] Rodrigues, M.B., Karpowicz, M., An Analysis of Operational Availability of Brazilian Navy
and Argentine Air Force A-4 Fleets Using Simulation Modeling, Naval Postgraduate School,
Monterey, California, 1999. [bajar]
[43] Schulz, K.J., Impact of the Integrated Maintenance Concept on EA-6B Readiness and Maintenance Support at NAS Whidbey Island, WA and NADEP Jacksonville, FL, Naval Postgraduate
School Monterey, Masters thesis, 2002. [bajar]
[44] Meeks, B.P., Optimally Scheduling EA-6B Depot Maintenance, Naval Postgraduate School
Monterey, Masters thesis, 1999. [bajar]
[45] A.G. Loerch, R.R. Koury, D.T. Maxwell, Value added analysis for army equipment modernization, Naval Research Logistics, 46(3), 233253, 1999. [bajar]
[46] Department of Defense, Handbook of Acquisition Logistics, MIL-HDBK-502, 1997.
[47] Ruflin, S.J., Optimum Preventive Maintenance Policies for the Amraam Missile, Air Force
Institute of Technology, Wright-Patterson AFB, Oh, School of Engineering, Masters thesis,
1998. [bajar]
[48] Tactical Missile Maintenance Consolidation - Tube-Launched, Optically Tracked, Wire Command Missile Launcher for the Bradley Fighting Vehicle System, Inspector General Dept Of
Defense Arlington VA,Report A336863, 1999. [bajar]
[49] Jurges G.F., Performance Based Simulation Modeling Quantifies Aircraft Carrier Life Cycle
Cost And Readiness, Naval Engineers Journal, 111(1), 27-38, 1999.
[50] Chewning I.M., Moretto S.J., Advances In Aircraft Carrier Life Cycle Cost Analysis For Acquisition And Ownership Decision-Making, Naval Engineers Journal, 112(3), 97-110, 2000.
[51] Brown A, Salcedo, J., Multiple-Objective Optimization In Naval Ship Design, Naval Engineers
Journal, 115(4), 49-61, 2003.
[52] R. G. Bea, E. H. Cramer, R. Schulte-Strauthaus, Ship Maintenance Project. Volume 1. Fatigue
Damage Evaluation, Report A782503, University of California at Berkeley,, Department of
Naval Architecture, 1997. [bajar].
[53] D. Saunders, M. Tyndall, T. Whitehouse, The Role of System Modelling and Simulation in
Royal Australian Navy Capability Management, Report No.DSTO-GD-0244, Aeronautical and
Maritime Research Laboratory, http://www.dsto.defence.gov.au/corporate/reports/DSTOGD-0244.pdf, Australia, 2000. [bajar].
[54] A.A Ghobbar, C.H. Friend, L.A. Swift, Comparison of lot-sizing methods in aircraft repairable
component inventory systems, Journal of Aircraft, 4(2),378, 2003.
[55] Isikveren, A.T.,Identifying economically optimal flight techniques of transport aircraft, Journal
of Aircraft, 39(4), 528, 2002.
[56] Lincoln, J.W., Melliere, R.A., Economic life determination for a military aircraft, Journal of
Aircraft, 36(5), 737-743, 1999.
[57] Yang, J.N., Manning, S D., Aircraft fleet maintenance based on structural reliability analysis,
Journal of Aircraft, 31(2), 419, 1994.
[58] Anderson, R.J., Scheduled maintenance optimization system, Journal of Aircraft, 31(2), 459,
1994.
[59] Fries, J.C., Black Hawk Helicopter Vibration Analysis Due to Main Rotor Damage, Directional
Constituents of the Resultant Vibrations, Army Research Lab Aberdeen Proving Ground MD,
Report, 2001. [bajar]
1286
[60] Fries, J., Helicopter Forced Response Vibration Analysis Method RTVIB20, Army Research
Lab Aberdeen Proving Ground Md, Report A908162, 1992.
[61] D. Ozturk, Development of a Myklestads Rotor Blade Dynamic Analysis Code for Application
to JANRAD, Naval Postgraduate School Monterey,Report A451704, 2002. [bajar]
[62] J. Fries, The Effect of Helicopter Main Rotor Blade Damage on the Rotor Disk (Whole Rotor)
Motion, Army Research Lab Aberdeen Proving Ground Md, Report A112873, 2000. [bajar]
[63] D.S. Hiatt, A Study of Helicopter Rotor Dynamics and Modeling Methods,; Naval Postgraduate
School Monterey, Report A891403, 1995. [bajar]
[64] Albright, M.H., An Optimization-Based Decision Support Model for the Navy H-60 Helicopter
Preventive Maintenance Program, Naval Postgraduate School Monterey, 1998. [bajar]
[65] Webb, W.T., Value of Increased Use of Scheduled Maintenance on Aircraft Availability and
Maintenance Cost of the C-5, Air Force Inst of Tech, Wright-Patterson AFB, OH, Masters
thesis, 1998. [bajar]
[66] Akdeniz, A., Aeroplane structural maintenance and corrosion prevention, Aircraft Engineering
and Aerospace Technology, 68(3), 3-, 1996.
[67] Akdeniz, A., The impact of mandated aging airplane programs on jet transport airplane scheduled structural inspection programs, Aircraft Engineering and Aerospace Technology, 73(1),
4-15, 2001. [bajar]
[68] Czepiel, Edward, Practices and Perspectives in Outsourcing Aircraft Maintenance, Northwestern Univ Evanston IL Transportation Center, Final report, 2003. [bajar]
[69] Vigus, Steven E., A Simulation-Based Analysis of the Impact of In-Sourcing a Major Process
Element on the Coast Guard HH-60J Depot Maintenance Process, Air Force Inst of Tech,
Wright-Patterson AFB, OH, Masters thesis, 2003. [bajar]
[70] Meeks,B.P., Optimally Scheduling EA-6B Depot Maintenance, Naval Postgraduate School,
Monterey, California, Masters thesis, 1999. [bajar]
[71] Johnson V.S., Minimizing Life-Cycle Cost for Subsonic Commercial Aircraft, Journal Of Aircraft, 27(2), 139-145, 1990.
[72] Naeem, M., Singh, R., Probert, D., Consequences Of Aero-Engine Deteriorations For Military
Aircraft, Applied Energy, 70(2), 103-133, 2001. [bajar]
[73] Naeem, M., Singh, R., Probert, D., Implications Of Engine Deterioration For Operational
Effectiveness Of A Military Aircraft, Applied Energy, 60(3), 115-152, 1998. [bajar]
[74] Hitt, E.F., Avionics Cost Of Ownership, IEEE Aerospace And Electronic Systems Magazine,
12(11), 3-7, 1997. [bajar]
[75] Coyle, R.G., Gardiner, P.A., A System Dynamics Model of Submarine Operations and Maintenance Schedules, Journal of the Operational Research Society, 1991. [bajar]
[76] Kenne, J.P., Experimental design in production and maintenance control problem of a single
machine, single product manufacturing system, International Journal of Production Research,
37(3), 621-637, 1999.
[77] Jambekar A.B., A systems thinking perspective of maintenance, operations, and process quality,
Journal of Quality in Maintenance Engineering, 2000, 6(2), 123-132. [bajar]
[78] A.C. Marquez, Jatinder, N. D. Gupta, A.S. Heguedas, Maintenance policies for a production
system with constrained production rate and buffer capacity, International Journal of Production Research, 41(9), 19091926, 2003. [bajar]
[79] Iyer, P., The Effect of Maintenance Policy on System Maintenance and System Life-Cycle Cost,
Masters Thesis Virginia Polytechnic Institute and State University,1999. [bajar]
[80] Coyle, R.G., Who rules the waves?, J. Op. Res. Soc., 34, 885-899, 1983.
[81] Coyle, R.G., Management System Dynamics, Wiley, 1977.
[82] Wolstenholme, E.F., System Enquiry, Wiley, Chichester, 1990.
1287
[83] Coyle, R.G., Representing discrete events in system dynamics models, J. Op. Res. Soc., 36,
307-318, 1985.
[84] E. F. Wols, Defence operational analysis using system dynamics, Eur. J. Op. Res., 34, 10-19,
1988.
[85] Coyle, R.G., The use of optimisation methods for policy design in a system dynamics model,
Syst. Dynam. Rev. 1, 81-91, 1985.
[86] Coyle, R.G., The optimization of defence expenditure. Eur. J. Opi Res., to be published.
[87] R. Keloharju, E.F. Wolstenholme, A case study in system dynamics optimization. J. Op. Res.
Soc., 40, 221-230, 1989.
[88] A. S. Andreou , K. E. Parsopoulos, M. N. Vrahatis, G. A. Zombanakis, Optimal Versus Required Defence Expenditure: The Case Of The Greek-Turkish Arms Race, Defence and Peace
Economics, 13(4), 329 - 347, 2002.
[89] Thun, J.H., Modelling Modern Maintenance A System Dynamics Model Analyzing the Dynamic Implications of Implementing Total Productive Maintenance, 22th International Conference
of the System Dynamics Society ,Oxford, England,2004. [bajar]
[90] David Malloy, Modelling the Life Cycle Cost Impact of Product Development Decisions in an
Aerospace Supply Chain: A Case Study, 21th International Conference of the System Dynamics
Society, New York, 2003. [bajar]
[91] http://www.systemdynamics.org
[92] http://www.vensim.com
[93] Nepal M.P., Park M.,Downtime model development for construction equipment management,
Engineering, Construction and Architectural Management, 11(3), 199210, 2004. [bajar]
[94] Coyle, G., The practice of system dynamics: milestones, lessons and ideas from 30 years experience, System Dynamics Review, 14(4), 343365, 1998. [bajar]
[95] Muthu S., Devadasan S.R., Ahmed S., Suresh P., Baladhandayutham R., Benchmarking for
strategic maintenance quality improvement, Benchmarking: An International Journal, 292-303,
2000.
[96] M Al-Muhaisen, N Santarisi , Auditing of the maintenance system of Fuhais plant/Jordan
Cement Factories Co., Journal of Quality in Maintenance Engineering, 8(1), 62-76, 2002.
[97] A Raouf, M Ben-Daya, Total maintenance management: a systematic approach, Journal of
Quality in Maintenance Engineering, 1995.
[98] Chen F., Benchmarking: Preventive Maintenance Practices at Japanese Transplants, International Journal of Quality & Reliability Management, 11(8), 19-26, 1994.
[99] R. Yam, P. Tse, L. Ling, F. Fung,Enhancement of maintenance management through benchmarking, Journal of Quality in Maintenance Engineering, 6(4), 224-240, 2000. [bajar]
[100] PW Tse, Maintenance practices in Hong Kong and the use of the intelligent scheduler,Journal
of Quality in Maintenance Engineering, 8(4), 369-380, 2002.
[101] Sueur M.L.; Dale B.G., Benchmarking: a study in the supply and distribution of spare parts
in a utility, Benchmarking: An International Journal, 4(3), 189-201, 1997.
[102] M Simpson, D Kondouli, A practical approach to benchmarking in three service industries,
Total Quality Management, 2000.
[103] D Then, Benchmarking the asset maintenance management process for improvement Strategic
Asset Management and Maintenance, 1998.
[104] Mitchell E.; Robson A.; Prabhu V.B., The impact of maintenance practices on operational
and business performance, Managerial Auditing Journal, 17(5), 234-240, 2002.
[105] B. Al-Najjar, M.O. Hansson, P. Sunnegardh,Benchmarking of maintenance performance: a
case study in two manufacturers of furniture, IMA Journal of Management Mathematics, 15(3),
253-270, 2004.
1288
[106] D.F.X. Mathaisel, T.P. Cathcart,C.L. Comm, A framework for benchmarking, classifying,
and implementing best sustainment practices, Benchmarking: An International Journal, 11(4),
403-417, 2004.
[107] R.C.M. Yam, P.W. Tse, L. Li, P. Tu, Intelligent Predictive Decision Support System for
Condition-Based Maintenance, The International Journal of Advanced Manufacturing Technology, 17(5), 383391, 2001.
[108] K. Al-Hassan, J. Fat-Lam Chan, A. Viggo Metcalfe, The role of total productive maintenance
in business excellence,, Total Quality Management, 11(4-6), 596601, 2000.
[109] D.W. Galletti, J. Lee, Benchmarking Procedure for Fleet Management, Proceedings of the 2002
ASEE Gulf-Southwest Annual Conference, Lafayette, Louisiana, March 20-22, 2002. [bajar]
[110] Torkild P. Brunso, P.E., Khalid M. Siddiqi, Using Benchmarks and Metrics to Evaluate Project
Delivery of Environmental Restoration Programs, J. Constr. Engrg. and Mgmt., 129(2), 119130, 2003.
[111] D. Gallay, Impact of A-76 Competitions on Facilities-Related Maintenance and Repair Costs:
An Assessment, Public Works Management & Policy, 7(1), 3-18, 2002.
[112] Mooney, Kevin, Improved Aviation Readiness and Inventory Reductions Through Repair Cycle Time Reductions Using Modeling and Simulation, MS thesis, Naval Postgraduate School,
Monterey, 1997.
[113] Schuppe, Thomas F., David V McElveen, Peter H. Miyares, and R. Garrison Harvey, C- 141
Depot Maintenance: Using Simulation to Define Resource Requirements, Air Force Journal of
Logistics: 11-15, Winter-Spring, 1993.
[114] Shyong, Shenn-Rong, Advanced Planning and Scheduling in the United States Air Force DepotLevel Maintenance. MS thesis. AFIT/GLM/ENS/02-16. Air Force Institute of Technology,
Wright-Patterson AFB OH, March 2002.
[115] Vashi, Vidyut H. and Carol C Bienstock, The use of response surface methodology to optimize
logistics simulation models, Journal of Business Logistics, 16(2), 1995.
[116] Onn, L.K., Maintenance management of federal roads in the state of Selangor, Malaysia,
Proceedings - Conference of the Australian Road Research Board 21 , 2925-2936, 2003.
[117] Abad, J.L., De Rus, G., Nombela, G., Variable term concessions for freeways: The case of
Aragon, Carreteras 4 (125) , 53-69, 2003.
[118] Heggie, I.G., Commercially managed road funds: Managing roads like a business, not like a
bureaucracy, Transportation 26 (1) , 87-111, 1999.
[119] L Ngee, RLK Tiong, J Alum , Automated Approach to Negotiation of BOT Contracts, J.
Comp. in Civ. Engrg., 11(2), 121-128, 1997.
[120] Alcazar, L., Abdala, M.A., Shirley, M.M., The Buenos Aires Water Concession, World Bank
Policy Research Working Paper No. 2311. http://ssrn.com/abstract=630683, 2000.
[121] Bousquet, F., Fayard, A., Road Infrastructure Concession Practice in Europe, World Bank
Policy Research Working Paper No. 2675. http://ssrn.com/abstract=632743, 2001.
[122] MM Hosseini, RM Kerr, RB Randall, Inspection model with minimal and major maintenance
for a system with deterioration and Poisson, IEEE Transactions on Reliability, 2000.
[123] MM Hosseini, RM Kerr, RB Randall, Hybrid maintenance model with imperfect inspection for
a system with deterioration and Poisson, Journal of the Operational Research Society, 1999.
[124] L. Haynes, N. Roden, Commercialising the management and maintenance of trunk roads in
the United Kingdom, Transportation, 26(1), 1999, 31-54,
[125] Duffield C., Commercial viability of privately financed heating systems in Europe - a case
study, Engineering Construction & Architectural Management, 1998, 5(1), 3-8.
[126] J.C. Prado Prado, A.J. Fernndez-Gonzlez, A. Garca-Lorenzo, Quality management and personnel participation: Improvement teams, a solution for ISO 9000 system maintenance problems in small to medium-sized enterprises, Human Factors and Ergonomics in Manufacturing,
14(3), 221 - 237, 2004.
1289
[127] G.R. Ottoman, W.B.P. Nixon, Y.P. Chan , Budgeting for Facility Maintenance and Repair.
II: Multi-Criteria Process for Model Selection, Journal of Management in Engineering, 1999.
[128] Da Silva, E.L., Schilling, M.T., Rafael, M.C., Generation maintenance scheduling considering
transmission constraints, IEEE Transactions on Power Systems, 15(2), 838-843, 2000.
[129] J. Knezevic, Chief mechanic: the new approach to aircraft maintenance by Boeing, Journal of
Quality in Maintenance Engineering, 1999.
[130] V. Narayan, The raison detre of maintenance, Journal of Quality in Maintenance Engineering,
1998.
[131] D. Arditi, M. Nawakorawit, Issues in Building Maintenance: Property Managers Perspective,
Journal of Architectural Engineering, 1999.
[132] D.J. Vanier, Why Industry Needs Asset Management Tools, Journal of Computing in Civil
Engineering, 2001.
[133] Sirirangsi P., Amekudzi A., Herabat P., Capturing effects of maintenance practices in highway
asset valuation - Replacement-cost approach versus book-value method, Transportation Research
Record, 1824, 57-65, 2003.
[134] Chasey A.D., De la Garza J.M., Drew D.R., Using simulation to understand the impact of
deferred maintenance, Computer-Aided Civil And Infrastructure Engineering, 17(4), 269-279,
2002.
[135] Twigg D.W., Sandadi U.R., Sharma T.C., et al., Reliability analysis of systems which operate
in duty cycles Proceedings : Annual Reliability And Maintainability Symposium, 129-134, 1999.
[136] Seger J.K., Break Rate - A Reliability Parameter For Surge Operations, Proceedings Annual
Reliability And Maintainability Symposium, 400-403, 1990.
[137] Bowman, R.A., Schmee, J., Pricing and managing a maintenance contract for a fleet of aircraft
engines, Simulation, 76(2), 69-77, 2001.
[138] L Ngee, RLK Tiong, J Alum , Automated Approach to Negotiation of BOT Contracts, J.
Comp. in Civ. Engrg., 11(2), 121-128, 1997.
[139] A. Almeida, Multicriteria decision making on maintenance: spares and contracts planning,
European Journal of Operational Research 129 (2001) 235 241.
[140] R. Beatty, J. Shim, M. Jones, Factors influencing corporate web site adoption: a time-based
assessment, Information and Management 38 (6) (2001) 337 354.
[141] M. Cohen, P. Kleindorfer, H. Lee, D. Pyke, Multi-item con- strained (s,S) policies for spare
parts logistics systems, Naval Research Logistics 39 (1992) 561 577.
[142] R. Dekker, M. Kleijn, P. de Rooji, A spare parts stocking policy based on equipment criticality,
International Journal of Production Economics 56/57 (1998) 69 77.
[143] J. Dyer, Remarks on the analytic hierarchy process, Management Science 36 (3) (1990) 249
258.
[144] E. Forman, S. Gass, The analytic hierarchy processan exposition, Operations Research 49 (4)
(2001) 469 486.
[145] P. Gajpal, L. Ganesh, C. Rajendran, Criticality analysis of spare parts using the analytical
hierarchy process, International Journal of Production Economics 35 (1994) 293 298.
[146] J.F. George, The conceptualization and development of organizational decision support systems, Journal of Management Information Systems 8 (4) (1992) 5 22.
[147] G.P. Huber, The nature of organizational decision making and the design of decision support
systems, MIS Quarterly 5 (2) (1981) 1 10.
[148] C.T. Ennew, M.R. Binks, Impact of participative service relationships on quality, satisfaction,
and retention: an exploratory study, Journal of Business Research 46 (1999) 121 132.
[149] J. Huiskonen, Maintenance spare parts logistics: special characteristics and strategic choices,
International Journal of Production Economics 71 (2001) 125 133.
1290
1291
[172] H Saranga, J Knezevic, Reliability analysis using multiple relevant condition parameters, Journal of Quality in Maintenance Engineering, 6(3),165-176, 2000 [bajar].
[173] Reliability prediction for condition-based maintained systems H Saranga, J Knezevic - Reliability Engineering and System Safety, 71, 219-224, 2001. [bajar].
[174] Saranga, H., Opportunistic maintenance using genetic algorithms, Journal of Quality in Maintenance Engineering, 10(1), 66-74, 2004. [bajar].
[175] H Saranga, J Knezevic, Reliability Prediction Using the Concept of Relevant-Condition Parameters, Reliability and Maintainability Symposium, 32-37, 1999. [bajar].
[176] R Kothamasu, J Shi, SH Huang, HR Leep, Comparison of Selected Model Evaluation Criteria
for Maintenance Applications Structural Health Monitoring, 2004.
[177] MC Carnero, Selection of diagnostic techniques and instrumentation in a predictive maintenance program. A case study, Decision Support Systems, Decision Support Systems, 38, 539
555, 2005. [bajar].
[178] KD Creehan, Establishing Optimal Maintenance Practices in a Traditional Manufacturing
Environment Journal of the Chinese Institute of Industrial Engineers, 2005.
[179] M El-Haram, RMW Horner, Application of the principles of ILS to the development of cost
effective maintenance strategies for, Construction Management and Economics, 2003.
[180] L Pintelon, N Nagarur, F Van Puyvelde, Case study: RCMyes, no or maybe?, Journal of
Quality in Maintenance Engineering, 1999.
[181] Hall, W.P.,Managing Maintenance Knowledge in the Context of Large Engineering Projects:
Theory and Case Study, Journal of Information and Knowledge Management, 2003.
[182] Hall WP, Maintenance procedures for a class of warships: Structured authoring and content
management, Technical Communication, 48(2), 235-248, 2001.
[183] Blanchard, B.S., System Engineering Management, 2nd ed., John Wiley & Sons, New York,
NY, 1998.
[184] Blanchard, B.S., Logistics Engineering and Management, 5th ed., Prentice Hall, New Jersey,
1998.
[185] Department of Defense, Handbook of Acquisition Logistics, MIL-HDBK-502, 1997. [bajar]
[186] F. Reinhardt, Market Failure and the Environmental Policies of Firms, Journal of Industrial
Ecology, 3(1), 9, 1999. [bajar].
[187] Wildman, W.R., Castelli, T.H., Minimizing liability for construction accidents through good
contracting, Journal Of Professional Issues In Engineering Education and Practice 130 (4):
306-310, 2004.
[188] Russell, E.R., Training of highway maintenance personnel for hazmat incident response, Journal of Professional Issues in Engineering Education and Practice, 122(2), 83-85, 1996
[189] R.E. Bucknam, W.D. Lawson, An Interesting Confliction: Whats Love Got to Do with It?,
Journal Of Professional Issues In Engineering Education and Practice, 2006.
[190] International Infrastructure Management Manual, 2006 Edition, IPWEA, Australia,
http://www.ipwea.org.au/.
[191] Hudson, W.R., Infrastructure management: integrating design, construction, maintenance,
rehabilitation, and renovation, McGraw-Hill, 1997.
[192] http://www.reliasoft.com/
[193] http://www.isograph.com/
[194] http://www.reliability-safety-software.com/
[195] RCP GmbH, SYSREL - Structural systems reliability analysis software, 1997.
[196] E. Bozorgebrahimi, R. A. Hall and G. H. Blackwell, Sizing equipment for open pit mining: a
review of critical parameters
1292
[197] J. T. Werner., K. Barrowman., Remote real-time tire monitoring in open pit mines, CIM
Bulletin, 2002.
[198] Knights, P. F., Boerner, A. L., Statistical correlation of off-highway tire failures with open
pit haulage routes, Mining Engineering (Colorado), 53(8), 51-56, 2001.
[199] A. Bozorgebrahimi, RA Hall, MA Morin, Equipment size effects on open pit mining performance, International Journal of Mining, Reclamation and Environment, 19(1), 41-56, 2005.
[200] Blackwell, G. H., Estimation of large open pit haulage truck requirements CIM bulletin,
92(1028), 143-149, 1999.
[201] S. Alarie, M. Gamache, Overview of Solution Strategies Used in Truck Dispatching Systems
for Open Pit Mines, International Journal of Mining, Reclamation and Environment, 16(1),
59-76, 2002.
[202] Mobley, R.K., Root Cause Failure Analysis, Newnes Plant Engineering Series, Boston, 1999.
[203] Andersen, B., Fagerhaug, T., Root Cause Analysis: Simplified Tools and Techniques, Quality
Press, Milwaukee, 2000.
[204] Gano, D., Apollo Root Cause Analysis, 2nd ed., Apollonian Publications, Yakima, Washington, 1999.
[205] Failure prevention through education : getting to the root cause : proceedings of the First
ASM International Conference on Failure Prevention, organized by the ASM Failure Analysis
Committee, Cleveland, Ohio, 23-25 May 2000.
[206] Homeniuk, James, Hodkiewicz, Melinda, Reunion de trabajo, Universidad de Toronto, Toronto, Julio 2006.
[207] M.S. Patankar, J.C. Taylor., Applied Human factors in Aviation Maintenance, Ashgate, 2004.
[208] M.S. Patankar, J.C. Taylor., Risk Management and error Reduction in Aviation Maintenance,
Ashgate, 2003.
[209] M.S. Patankar, J.C. Taylor, Posterior probabilities of causal factors leading to unairworthy
dispatch after maintenance, Journal of Quality in Maintenance Engineering, 9(1), 38 - 47, 2003.
[210] Taylor, J.C., Patankar, M.S., Four Generations of Maintenance Resource Management Programs in the United States: An Analysis of the Past, Present, and Future RECON no.
20010103213, Journal of Air Transportation World Wide. 6(2), 3-32, 2001.
[211] Manoj, S.P., Taylor, J.C., Effects of MRM programs on the evolution of a safer culture in
aviation maintenance, Focusing Attention on Aviation Safety, 2001.
[212] Manoj, S.P., Taylor, J.C., Human resources integration master plan - A response to revolving
door management, Advances in Aviation Safety Conference, Daytona Beach, 11-13 Apr. 2000.
pp. 247-251.
[213] Manoj, S.P., Taylor, J.C., Targeted MRM Programs - Setting ROI goals and measuring the
results, Advances in Aviation Safety Conference, Daytona Beach, 11-13 Apr. 2000. pp. 241-246.
[214] Taylor, James C; Patankar, Manoj S, Cultural factors contributing to the success of macro
human factors in aviation maintenance International Symposium on Aviation Psychology, 10th,
Proceedings. Vol. 2, 3-6 May 1999, 766-771.
[215] Manoj, S.P., Taylor, J.C., The multi-party world of aircraft maintenance - A case for systemic
management and human factors education, SAE Airframe/Engine Maintenance and Repair
Conference & Exposition, Long Beach, 10-12 Nov. 1998, pp. 15-19.
[216] ISO IEC 61025, Fault Tree Analysis (FTA)
[217] ISO IEC 61078, Analysis Techniques for dependability, Reliability Block Diagram Methods.
[218] ISO IEC 60300 Dependability Management, Part 1 Management Systems , Part 2 Guidance
for Dependability Management.
[219] Tempelmeier H, Practical considerations in the optimization of flow production systems, International Journal of Production Research, 41(1), 149-170, 2003.
1293
[220] FA Van der Duyn Schouten, SG Vanneste, Maintenance optimization of a production system
with buffer capacity, European Journal of Operational Research, 1995.
[221] RD Meller, DS Kim, The impact of preventive maintenance on system cost and buffer size,
European Journal of Operational Research, 1996
[222] A Crespo Marquez, JND Gupta, A Snchez Heguedas, Maintenance policies for a production
system with constrained production rate and buffer capacity, International Journal of Production Research, 2003.
[223] W Abdul-Kader, Capacity improvement of an unreliable production linean analytical approach, Computers and Operations Research, 2006.
[224] Bisschop, J., Entriken, R., AIMMS, The Modeling System. Paragon Decision Technology,
The Netherlands, 1993.
[225] Dhillon, B.S., A hazard rate model. IEEE Transactions on Reliability, R-28:150154, 1979.
[226] Hartmann P.E. Edward, H. Successfully Installing TPM in a Non-Japanese Plant. 1992.
[227] Goyal, S.K., and Gunasekaran, A., Determining Economic Maintenance Frequency of a Transport Fleet International Journal of Sistems Science, 4, 655-659, 1992.
[228] Jardine, A.K.S., Maintenance, Replacement and Reliability. Pitman Publishing, 1973. [bajar]
[229] Lamport, L. Latex Users Guide & Reference Manual, Addison-Wesley, 1986.
[230] Lyonnet, P., Maintenance Planning, Methods and Mathematics. Chapman & Hall, 1991.
[bajar]
[231] Pratique de la Maintenance Industrielle. Dunod ed., 1998.
[232] McCormick, N.J., Reliability and Risk Analysis. Academic Press, 1981.
[233] Pirsig, R., Zen and the Art of Motorcycle Maintenance. William Morrow and Company, Inc.,
1974.
[234] Rau, J.G., Optimization and Probability in Systems Engineering. Van Nostrand Reinhold,
1970.
[235] Sandler, G.H., System Reliability Engineering. Prentice-Hall, 1963.
[236] Schroeder, R.G., Administraci
on de Operaciones, McGraw-Hill, 3era edicion, 1989.
[237] Sundararajan, C.R., Guide to Reliability Engineering, Van Nostrand Reinhold, 1991.
[238] Ostermann, C.H., Desarrollo y aplicaci
on de un metodo de an
alisis cuantitativo y cualitativo
de fallas de la maquinaria minera, Memoria de grado, Departamento de Ingeniera Mecanica,
Universidad de Chile, 1998.
[239] Wireman, T., World Class Maintenance Management, Industrial Press, New York, NY, 1990.
[240] Ben-Daya, M., Duffuaa, S.O., Raouf, A., Maintenance, Modeling and Optimization, Wiley,
2000.
[241] Duffuaa, S.O., Raouf, A., Campbell, J.D., Planning and Control of Maintenance Systems :
Modeling and Analysis,Wiley, 1998.
[242] Duffuaa, S.O., Sistemas de Mantenimiento, Spanish Language Book Services Inc., 2002.
[243] http://www-neos.mcs.anl.gov/
[244] Sherbrooke, C., Optimal Inventory Modeling of Systems, 2nd ed., Kluwer, 2004.
[245] , http://en.wikipedia.org, accesado marzo 2008.
[246] J.F. Lawless, Statistical Models and Methods for Lifetime Data, John Wiley, New York, 1982.
[247] LW Friedman, I Pressman, The Metamodel in Simulation Analysis: Can It be Trusted?, The
Journal of the Operational Research Society, 39(10), 939-948, 1988.
[248] Nolan F.S., Heap, H., Reliabilitycentred Maintenance, National Technical Information Service,
US Department of Commerce, Springfield, Virginia, 1978.