El verdadero significado de las 6 curvas RCM

Posted on May 11, 2011 by Luis Hoyos Vásquez

Usted posiblemente está preguntándose por las famosas “curvas RCM” mostradas en la figura 1. Estas son las
curvas de comportamiento de Edad­Confiabilidad que grafican la Probabilidad Condicional de falla contra la
edad. Una pregunta común es la siguiente.

“¿Representan realmente estas curvas el comportamiento real de falla del ítem para, por ejemplo,
los 139 ítems cubiertos por el estudio Nowlan & Heap,? o ¿Representan estas curvas la relación
efectiva neta entre edad – confiabilidad, considerando que la mayoría de estos ítems estuvieron
sujetos a un mantenimiento periódico?”

Figure 1 Las seis curvas RCM de comportamiento de falla

Estas son excelentes preguntas. Muchos Ingenieros de Mantenimiento y Confiabilidad no están completamente
seguros de la respuesta ni de sus explicaciones correspondientes.

Contents [show]

 Introducción
El  objetivo  de  realizar  un  “análisis  de  confiabilidad”    para  trazar  estas  curvas  es  el  de    descubrir  el  verdadero
comportamiento  de  la  falla  de  un  ítem  con  respecto  a  cada  uno  de  sus  modos  de  falla  significativos  [1 ],  sin
importar el plan de mantenimiento implementado. ¿Cómo es esto posible? ¿Acaso, no estamos basando nuestro
análisis  en datos de los equipos que se han mantenido según las actuales estrategias del mantenimiento?

La  respuesta  es  que  al  momento  del  mantenimiento  (digamos,  renovación  preventiva  de  un  componente)
seguramente  hacemos    algunas  observaciones  sobre  el  estado  de  los  ítems  mantenidos.  En  ese  momento  es
improbable  que  hayamos  observado  que  todos  los  ítems  renovados  estuvieran  al  borde  de  la  falla.  De  igual
manera, es posible (a menos que el plan de mantenimiento preventivo (PM) sea muy conservador) que  algunos
ítems hayan fallado antes del momento PM. Es decir, que la falla se haya presentado durante el servicio.  Por otra
parte, puede que algunos de los ítems renovados no hayan estado en estado de falla al momento PM sino por el
contrario,  hubieran  estado  en  condiciones  excelentes.  Finalmente,  es  posible  también  encontrar  algunos  de  los
ítems a punto de fallar funcionalmente. En este caso podemos considerar el PM como “oportuno”.

Un mantenedor astuto, consciente de las observaciones anteriores, sin duda preguntaría: ¿Cuál es el punto óptimo
para conducir el mantenimiento? ¿Qué programa PM (estrategia) tendrá el mayor beneficio?, es decir, ¿cuál nos
dará  la  mejor  disponibilidad  total  sobre  la  flota  a  largo  plazo?    El  gerente    reconoce  que  el  ser  demasiado
conservador sería una estrategia poco rentable debido al cambio de componentes en perfecto estado. De la misma
manera, tampoco quisiera una estrategia muy liberal al seleccionar intervalos de mantenimiento muy largos. Esto
daría lugar a un número excesivo de fallas  en servicio, aumentando los costos y reduciendo tanto la confiabilidad
como la disponibilidad.

Asumamos  que  el  verdadero  comportamiento  de  la  falla  es  el    mostrado  en  el  gráfico  de  la  figura  2,  la  cual
representa el Patrón B de las seis curvas de comportamiento de falla de la figura 1.

Figure 2 Conditional probability of failure
curve for an item that ages – Failure Pattern
B

La figura 2 gráfica la rata de riesgo o la Probabilidad Condicional de  falla [2 ] contra la edad de trabajo de un ítem.
Quisiéramos  estar  en  posición  de  declarar  (a  nuestro  gerente)  que  nuestro  mantenimiento  ha  sido  optimizado,
queriendo  decir  que  fuimos  capaces  de  realizar  el  mantenimiento  a  la  edad  de  trabajo  representada  por  la  vida
útil. La vida útil es el mejor criterio para determinar la realización de un PM. Tal estrategia  prevendría  la mayoría
de  las  fallas  y  disminuiría  la  renovación  de  componentes  que  se  encuentren  en  buen  estado.  Está  estrategia
conducirá las acciones PM en el momento de máximo beneficio para la organización.

 Obviamente, el gráfico de la Figura 2 debe representar la relación inherente entre la edad y la confiabilidad del
ítem si intentamos utilizarlo para determinar la vida útil y la estrategia óptima del mantenimiento preventivo. La
pregunta es, “¿Cómo graficar esta curva del equipo mantenido con datos reales?”

Los  “datos  reales”  implican  que  nuestros  cálculos  deben  tener  en  cuenta  los  datos  de  “suspensiones”  los  cuales
reflejan el programa de mantenimiento preventivo en curso.[3 ] El método estadístico efectivo más popular para
describir la relación de confiabilidad y edad está  basado en el modelo Weibull para los datos de vida. Este, es un
modelo empírico descubierto en los años 1950 por Walodi Weibull, quien presentó la siguiente ecuación ante una
distinguida sociedad (que reaccionó en un principio con escepticismo) que luego se convertiría en la sociedad de
ingeniería de confiabilidad.

Distribución Weibull – tres de sus formas
Distribución Acumulada  (Eqn. 1)
Riesgo   (Eqn. 2)

Densidad de Probabilidad   (Eqn. 3)

Dónde:
β (beta) es el parámetro de “forma”,
η (eta) es el parámetro de “escala”, y
t es la edad de trabajo del ítem o modo de falla que está siendo modelado.

Para  poder  graficar  la  relación  confiabilidad  –  edad  (por  ejemplo,  la  Figura  1)  solo  necesitaremos  determinar
(calculo a partir de datos históricos) los valores de los parámetros β y η. Estos gráficos nos ayudan a comprender
el comportamiento histórico de falla de los componentes y de los modos de falla de interés. Weibull desarrolló un
método  gráfico  para  calcular  los  parámetros    β  y  η  de  un  conjunto  histórico  de  datos  de  falla.  Hoy  en  día,    no
necesitamos usar este  método gráfico de Weibull ya que existen algoritmos numéricos que calculan los valores  β
y η y trazan los gráficos requeridos de forma automática.

Ejemplo
Por ejemplo, asuma que tenemos los siguientes ítems idénticos [4 ] A, B, C, D y E y las edades en las que fallaron.

Tabla 1:

Item Edad de falla Orden[5 ]

A 67 semanas 1

B 120 semanas 2

C 130 semanas 3

D 220 semanas 4

E 290 semanas 5

El ejemplo necesita calcular los valores correspondientes de la Función de distribución Acumulada (CDF) (F(t) en
la Ecuación 1) en cada una de las edades de falla 67,120,130,220 y 290 semanas. Es decir, se debe determinar un
valor  razonable  para  la  fracción  de  la  población  que  falla  antes  de  la  fecha  de  observación.  Esa  fracción  se
aproxima a la probabilidad de falla acumulada (i.e. F(t)) en cada una de las cinco edades de falla “t”. 

Necesidad  para  estimar  una  mejor  Función  de  Distribución  Acumulada

(CDF)
No podemos simplemente decir que el porcentaje de falla en 120 semanas es de 2/5 porque eso implicaría que la
probabilidad acumulada de falla para 290 semanas es de 100%. Esta muestra pequeña no es suficiente evidencia
para afirmar este enunciado.

Para explicar esto de manera más clara consideremos un tamaño de muestra de 1.  No se debe esperar  que la edad
de  esta  única  falla  represente  la  edad  de  falla    del  100%  de  los  ítems  de  la  población  de  la  muestra.  Sería  ,
indiscutiblemente, más realista considerar que esta edad única de  falla representará la edad a la que el 50% de la
población podría fallar.

Según lo anterior, es claro que  necesitamos una mejor manera de calcular la CDF, especialmente para muestras
pequeñas de vida, con el fin de poder utilizarla en la solución numérica de Weibull para graficar la relación edad –
confiabilidad. La propuesta más conocida para calcular la CDF a partir de los datos de falla se conoce como rango
medio. [6 ] La fórmula, conocida como “estimador de probabilidad de Bernard”, proporciona  un cálculo de rango
medio para muestras pequeñas y está descrita por la Ecuación 4.

Estimador de Probabilidad de Bernard

 (Eqn. 4)

Dónde:
i= el orden secuencial de la falla; y
N= el tamaño de la muestra (número de ciclos de vida)
Estimado CDF = El estimado de la Función Acumulada de Distribución o rango medio.

La fórmula de Bernard, empleada en nuestro caso hipotético de única falla, da (1­0.3)/ (1+0.4) =50%, lo cual es
intuitivamente razonable.

Obtenemos,    ya  sea  de  las  tablas  de  rangos  medios  o  de  la  aproximación  de  Bernard,    las  probabilidades
acumuladas  de  falla  respectivas  (i.e  las  CDFs).  Estas  son  0.13,  0.31,  0.5,  0.69,  y  0.87.  Por  supuesto  que  cuando
usamos software de análisis de confiabilidad no es necesario  buscar manualmente las tablas de rangos medio o la
fórmula  de  Bernand.    Un  programa  de  computadora  calcula  automáticamente  [7 ]  los  rangos  medios  de  cada
observación.  El  algoritmo  emplea  una  técnica  numérica  (regresión)    conocida  como  “Método  de  Mínimos
Cuadrados” para calcular  los valores de β  and η  en las siguientes ecuaciones:

© 2011, Luis Hoyos Vásquez. All rights reserved.

 Un modo de falla es el evento que causa la falla. Puede ser definido como la parte, componente o
[1]

ensamble que falla. Opcionalmente, el modo de falla puede incluir una acción que implique un
cambio físico de estado (por ejemplo: caído, atascado, etc.) La expresión del modo de falla también
puede terminar con una clausula “debido a” (por ejemplo: fatiga, contaminación, etc.). El  nivel de
causalidad para describir un modo de falla dependerá de las consecuencias de falla. Las
consecuencias más grave necesitan de un análisis más profundo de causalidad y de la exploración de
un mayor número de fallas. 

 La probabilidad condicional de falla es la probabilidad de falla en un próximo intervalo de edad
[2]
relativamente corto al momento de hacer la pregunta. Es el valor de confiabilidad más importante
para la toma diaria de decisiones 

[3]  Ver sección de “Suspensiones” 

 Una objeción legítima plantea la posibilidad de que los ítems de A – E pueden ser idénticos pero
[4]

operan bajo condiciones o ciclos de trabajo distintos (más o menos duros). El analista debe tener esto
en cuenta al seleccionar una medida de edad que no sea el tiempo calendario que normaliza el uso.
Por ejemplo: “número de aterrizajes”, “número de rondas”, “litros de combustible consumidos”, etc.
Si existen variables, diferentes de la edad, significativas, por ejemplo, datos de monitoreo de
condición o de operación, luego el modelo de edad – confiabilidad de Weibull se debe ampliar hasta
incluir las medidas de CBM. Dicho método es EXAKT. 
 [5] El “orden” es la secuencia según la edad de falla del ítem. 

 Para mayor información en las tablas y conceptos de Rangos Medios ver
[6]

http://www.omdec.com/wiki/tiki­index.php?page=maintenanceStatistics4 

 o utiliza otra estrategia de ajuste de datos, tal como la Estimación de Máxima Verosimilitud
[7]

(MLE). 

Articulos similares
EXAKT vs. Weibull (39.5%)
Garantía para los camiones de carga (26.3%)
Estándares de declaración de falla (26.3%)
Optimización de CBM (26.3%)
Análisis de fallas para análisis de confiabilidad (26.3%)

This entry was posted in RCM, Teoría y definiciones and tagged Optimización, RCM, Suspensión, Weibull. Bookmark the permalink.

Proudly powered by WordPress.