Vous êtes sur la page 1sur 25

UNIVERSIDAD NACIONAL DE SAN ANTONIO ABAD DEL

CUSCO

FACULTAD DE CIENCIAS E INGENIERIAS

ESCUELA PROFESIONAL DE: INGENIERÍA MECÁNICA

CURSO: INGENIERIA DE MANTENIMIENTO I

TEMA: Cálculo de la confiabilidad de un CARGADOR FRONTAL CAT


modelo 994F (Método MATLAB)

DOCENTE DE TEORIA : Ing. ROSADO PACHECO Rene H.

DOCENTE DE PRACTICA : Ing. ROSADO PACHECO Rene H.

ALUMNO: CODIGO:

PACO DIAS José Fernando 113514

VILLEGAS CASAVERDE Phatsy Alithu 111824

ZAPILLADO QUISPE José Elvis 093856


MATLAB

Es el nombre abreviado de “MATriz LABoratory”. Es un programa para realizar cálculos


numéricos con vectores y matrices, y por tanto se puede trabajar también con números
escalares (tanto reales como complejos), con cadenas de caracteres y con otras estructuras
de información más complejas.

Matlab es un lenguaje de alto rendimiento para cálculos técnicos, es al mismo tiempo un


entorno y un lenguaje de programación. Uno de sus puntos fuertes es que permite construir
nuestras propias herramientas reutilizables. Podemos crear fácilmente nuestras propias
funciones y programas especiales (conocidos como M-archivos) en código Matlab, los
podemos agrupar en Toolbox (también llamadas librerías): colección especializada de M-
archivos para trabajar en clases particulares de problemas.

Matlab, a parte del cálculo matricial y álgebra lineal, también puede manejar polinomios,
funciones, ecuaciones diferenciales ordinarias, gráficos …
1. MARCO TEORICO

DISTRIBUCION DE WEIBULL

La función de distribución de Weibull es un modelo estadístico que representa la


probabilidad de fallo después de un tiempo t (R (t)) en función del tiempo transcurrido o de
una variable análoga. O dicho de otra manera, R (t) es la probabilidad de que los
componentes de un conjunto sobrevivan hasta el momento t.

Esta función de probabilidad de fallo o función de fiabilidad R (t), viene dada por:

𝑡−Υ 𝛽
−( )
𝑅(𝑡) = 𝑒 𝜂

Donde los parámetros que definen la función son:

t : Tiempo entre fallas.


β : Es el parámetro de forma (Adimensional).
η : Es el parámetro de escala o tiempo característico (En unidades de tiempo).
γ : Es el parámetro de localización (En unidades de tiempo).

La función distribución acumulativa F (t) es el complemento de la función confiabilidad, la


función distribución acumulativa se puede interpretar como la Probabilidad de Falla y se
define de la siguiente manera:

𝑡−Υ 𝛽
−( )
𝐹(𝑡) = 1 − 𝑒 𝜂

Figura 01. La relación entre la función confiabilidad y la función probabilidad de falla.


2. DEDUCCIÓN DE LA ECUACIÓN LINEAL DE REGRESIÓN

Debido a que se desconoce los valores β, η e γ, se debe linealizar las curvas, es decir usar
el método de regresión lineal, este método permitirá obtener un polinomio que linealizará la
distribución de Weibull y permitirá estimar los parámetros β, η e γ, y tenemos los siguientes
pasos:

PASO I. Tenemos la Función acumulativa de Weibull:


𝑡−Υ 𝛽
−( )
𝐹(𝑡) = 1 − 𝑒 𝜂

PASO II. Haciendo unos arreglos algebraicos tenemos:


𝛽
1 1 (
𝑡−Υ)
𝐹(𝑡) = 1 − → =𝑒 𝜂
(
𝑡−Υ)𝛽 1 − 𝐹(𝑡)
𝑒 𝜂
PASO III. Aplicando logaritmos naturales a ambos miembros:
𝛽
1 (
𝑡−Υ
) 1 𝑡−Υ 𝛽
𝑙𝑛 ( ) = 𝑙𝑛 (𝑒 𝜂 ) → 𝑙𝑛 ( )=( )
1 − 𝐹(𝑡) 1 − 𝐹(𝑡) 𝜂
PASO IV. Nuevamente Aplicando logaritmos naturales a ambos miembros:
1 𝑡−Υ 𝛽 𝑡−Υ
𝑙𝑛 [𝑙𝑛 ( )] = 𝑙𝑛 ( ) = 𝛽𝑙𝑛 ( )
1 − 𝐹(𝑡) 𝜂 𝜂
PASO V. Luego queda al final la ecuación linealizada:
1
𝑙𝑛 [𝑙𝑛 ( )] = 𝛽. ln(𝑡 − 𝛾) − 𝛽. ln(𝜂)
1 − 𝐹(𝑡)
Por lo tanto la expresión representa una ecuación lineal de la forma:

𝑦 = 𝑎𝑥 − 𝑏
Donde comparando tenemos:

  1 
ln ln 
     .ln  t      .ln( )
  1 F ( t )  a x b
y

1
𝑦 = 𝑙𝑛 [𝑙𝑛 ( )] 𝑎 = 𝛽 𝑥 = ln(𝑡 − 𝛾) 𝑏 = −𝛽 ∗ ln(𝜂)
1−𝐹(𝑡)

De donde despejamos “ ”:

b 
b
b    .ln( )  ln( )    e 

3. CALCULO DE LOS PARAMETROS DE WEIBULL

Se tiene la siguiente tabla de recopilación de Tiempos entre Fallas obtenida por personal
de la Compañía Minera Antapaccay de el CARGADOR FRONTAL CAT MODELO 994F (5029)

CARGADOR FRONTAL CAT MODELO 994F (5029)


ITEM TIEMPO ENTRE FALLAS TBF (HORAS)
1 9.22 23 51.01
2 19.67 24 63.93
3 19.90 25 68.09
4 21.49 26 71.15
5 22.15 27 72.15
6 22.19 28 73.72
7 22.24 29 76.68
8 22.81 30 77.21
9 23.08 31 92.87
10 23.78 32 110.18
11 23.91 33 166.38
12 24.47 34 168.00
13 25.46 35 173.29
14 25.85 36 173.39
15 26.67 37 316.76
16 26.69 38 401.18
17 30.71 39 416.04
18 35.57 40 572.26
19 46.33 41 581.71
20 48.71 42 664.93
21 50.45 43 672.68
22 50.66
4. METODO DEL RANGO MEDIANO DE BERNARD PARA EL CALCULO DE F (ti)

A continuación se explica un método (no el único, aunque sí uno de los más utilizados) que
permite obtener estimaciones puntuales de la función de distribución empírica, F (ti), a partir
de las observaciones, ti .

Considerando que t1< t2<…tn son los “n” tiempos de fallo observados. Para i = 1,2,…,n se
puede obtener la segunda componente del punto (t,F(ti)) tomando para tiempos de fallo
mayor a 20:

𝑖 − 0.3
𝐹(𝑡) =
𝑛 + 0.4

Para el caso del CARGADOR FRONTAL CAT MODELO 994F (5029) se tiene los
siguientes valores:

n = 43

i = {1, 2,3,…, 38, 39, 40, 41, 42, 43}

De lo expuesto se tiene definido las coordenadas con un valor de (γ = 0):

Abscisas(X) = Ln(t)

Ordenadas (Y)= Ln(Ln(1/(1-F (t))))

Una vez calculado los valores de las constantes “a” y “b” podemos calcular los siguientes
valores:

β=a

η = exp(-b/ β)

“Existen diferentes métodos para calcular los parámetros de WEIBULL, en este


Manual se detallara paso a paso el desarrollo del script en el SOFTWARE MATLAB
además de la comparación con los métodos: GRAFICO, SOFTWARE EXCEL Y
MAXIMA VEROSIMILITUD”
METODO DE MATLAB

Paso numero 1

Colocamos en primer lugar las funciones clc y clear para que cada vez que se
ejecute el edit en primer lugar borre los resultados que podrían haber en el
Command Windows (clc) y también que limpie el Workspace (clear)

clc, clear;

Paso numero 2

Para colocar un comentario en el edit de MATLAB es necesario antecederle el


símbolo “%” por ejemplo:

% Cálculo de los Parámetros de Weibull y la confiabilidad de una SISTEMA


DE REFRIGERACION DE UN MOTOR DE CAMION

% t = tiempo entre fallas (TBF)

Paso numero 3

Creamos una matriz fila “t” para introducir nuestros datos:

t=[9.22,19.67,19.90,21.49,22.15,22.19,22.24,22.81,23.08,23.78,23.91,24.47,25.46,2
5.85,26.67,26.69,30.71,35.57,46.33,48.71,50.45,50.66,51.01,63.93,68.09,71.15,7
2.15,73.72,76.68,77.21,92.87,110.18,166.38,168.00,173.29,173.39,316.76,401.1
8,416.04,572.26,581.71,664.93,672.68];

De las cuales hemos elegido 17 datos

t= [9.22 19.67 26.69 30.71 35.57 48.71 76.68 92.87 110.18 168.00 173.39 316.76
401.18 416.04 572.26 581.71 673.68];

Paso numero 4

Usamos la función sort para ordenar nuestros datos de menor a mayor, es decir
creamos otra matriz con los datos iniciales pero ahora ordenados de forma
ascendente.

t = sort (t);
Paso numero 5

Creamos una matriz para los valores de la fórmula de Bernard, para ello usamos la
función length (t). Length, hace el conteo del número de elementos de una matriz.

Entonces podemos calcularla siguiente matriz [1:length(t)]; esta expresión nos


indica que se tomaran datos desde 1 hasta el valor resultante del length(t);
posteriormente calculamos el ajuste mediante el método de Bernard.

%FORMULA DE AJUSTE MEDIANTE EL MÉTODO DE RANGOS


MEDIANOS DE BENARD

F = ([1: length (t)]-0.3)/(length(t)+0.4);

Paso numero 6

Definimos las coordenadas mediante la función logaritmo natural (log):

% Definimos las coordenadas de "x" e "y"

x=log (t);

y=log (log (1. / (1-F)));

Paso numero 7

En el paso siguiente usaremos la función polyfit para generar una recta.


Polyfit (x, y, n); esta función usa los valores de “x” e “y” para generar un polinomio
de grado “n”. Pero como nosotros buscamos una recta haremos que “n=1”, es así
que se obtendrán dos valores que vendrían a ser los coeficientes de la recta Y=aX+b
es decir obtenemos una matriz fila como sigue [a b] (linealizando la curva)

% Linealización de la curva
Pol=polyfit (x, y, 1); %Se obtiene los valores pol= [pol(1) pol(2)]
coeficientes de la recta(y=pol(1)x + pol(2))

Para determinar los valores de beta y eta se quieren de los valores que nos da la
función polyfit(x, y, 1) anteriormente hallados como se mencionó [a b] para ello “a”
será pol (1) y “b” será pol (2).

%Se hallan los valores de "beta" y "eta"


beta = Pol (1);
eta = exp ((Pol(2)/(-Pol(1))));
Paso numero 8

Luego de generar la recta con ayuda de la función polyfit (x, y, 1) evaluaremos


los valores de x en esta recta, para ello nos ayudamos de la función polyval (Pol,
x) y obtendremos los valores de la ordenada para esta recta.

%Se evalúa los valores de X en "pol" para obtener la ordenada de la recta

yy = polyval(Pol,x);

Paso numero 9

Para poder colocar algún texto o datos en el Command Windows usaremos la


función disp.

disp(' '); coloca un espacio en blanco


disp('TIEMPO ENTRE FALLAS DEL CARGADOR FRONTAL CAT MODELO
994F (5029)); el texto escrito entre apostrofes aparecerá en el Command Windows.
disp([(1:length(t))',t']); si se colocan matrices también aparecerán en el Command
Windows.

disp (' ');


disp('TIEMPO ENTRE FALLAS DEL CARGADOR FRONTAL CAT
MODELO 994F (5029)');
disp(' n t');
disp([(1:length(t))',t'])
disp('1°.-Se obtiene la ecuación de la recta: ');
disp(' ');
Paso numero 10

Para colocar textos pero haciendo que aparezcan resultados ya calculados


podemos usar la función fprintf.

fprintf ('Y =\t'); en este caso el texto que se verá en el Comman Windows es “Y =”
y la parte “\t” hace que lo escrito debajo de esta función lo lleve en la misma línea.
También se puede escribir “\n” en este caso estará separado en la siguiente fila de
texto.
fprintf('%0.4f\t',Pol(1)); es este caso la función fprintf nos permite hacer que
aparezca un valor ya calculado, para ello se debe tener en cuenta lo que está dentro
de los paréntesis “'%0.4f\t',Pol(1)”

%0.4f; el “0” indica la separación, el “4” en número de decimales y “f” nos permite
llamar un dato que queremos que aparezca, para nuestro caso sería Pol(1).

fprintf('Y =\t');
fprintf('%0.4f\t',Pol(1));
fprintf('X\t');
fprintf('%0.4f\t',Pol(2));
disp('(Para Gamma = 0)')
fprintf('Beta (B) =\t');
fprintf('%0.4f\n',beta);
fprintf('Eta (n) =\t');
fprintf('%0.4f\t',eta);

PAUTAS PARA LA OBTENCION DE LOS GRAFICOS EN MATLAB

Plot (): nos permite generar gráficos colocando. Entre comas se colocan los valores
del eje de abscisas y luego el valor de las ordenadas, además presenta otras
herramientas que pueden ayudar a nuestra graficas un presentación más estética.
Por ejemplo tenemos las funciones siguientes:

 'b'; indica el color de la línea r=rojo; b=azul; k=negro; g=verde entre


otros.
 'LineWidth',2; nos permite agregar grosor a la línea variando con 1,
2, 3, etc.
 'bo'; solo nos genera los puntos introducidos.
 '-bo'; los puntos serán unidos por una línea continua.
 'MarkerEdgeColor','k'; permite colocar color al marco.
 'MarkerFaceColor','r'; permite colocar color al fondo.
 'MarkerSize',2; permite aumentar el tamaño de los puntos.

hold on; esa función nos permite capturar un plot para ello se escribe siempre
después de la gráfica que se quiere capturar.
FIGURA (1) GRAFICA DE WEIBULL

%x,yy Representan los puntos de la recta de ajuste


plot(x,yy,'b','LineWidth',2)
hold on
%x,y Representan los puntos que se van a ajustar por la recta
plot(x,y,'bo','LineWidth',1,'MarkerEdgeColor','k','MarkerFaceColor','r','Marker
Size',2)

title; una vez generado la figura podemos ponerle el titulo para ello esta función nos
permite hacer eso y otras cosas más que se detallaran a continuación.

(['Ajuste de Weibull con ','\gamma',' = 0 ']; la primera parte viene a ser el texto
del título “'Ajuste de Weibull con '” la segunda “'\gamma'” nos permite introducir
el símbolo y la última parte “' = 0 '” que también forma parte del texto que estará en
el título.
'Color','w'; nos permite colocarle color al texto.
'FontSize',12; tamaño del fondo.
'HorizontalAlignment','center'; alinear y centrar texto.
'BackgroundColor',[.55 .100 .0]; no permite elegir el color de fondo, para este caso
podemos colocar el color mediante [.55 .100 .0] que viene a ser como una paleta
de combinación de los colores primarios.
'EdgeColor','b'; color del marco.
'LineWidth',1; ancho de la línea.
min(yy); escoge el mínimo valor de la matriz seleccionada.
median(x); escoge el valor medio de la matriz seleccionada.
set(gca,'yGrid','on','yColor','k','LineStyleOrder', '-'); permite colocar líneas
auxiliares para mejorar la visualización de las gráficas.
Xlabel; permite colocar texto en eje x de la gráfica.
Ylabel; permite colocar texto en eje y de la gráfica.
Text; permite colocar texto adicional o leyenda en el gráfico.
num2str(); permite colocar datos en el texto.

title(['Ajuste de Weibull con ','\gamma',' = 0


'],'Color','w','FontSize',12,'HorizontalAlignment','center','BackgroundColor',[.5
5 .100 .0],'Margin',5,'EdgeColor','b','LineWidth',1)%Crear titulo
posy = min(yy);
posx= median(x);
set(gca,'yGrid','on','yColor','k','LineStyleOrder', '-')
set(gca,'xGrid','on','xColor','k','LineStyleOrder', '-')
xlabel('ln t','Color','k') %crea texto en el eje x de la figura 1
ylabel('ln(ln(1/(1-F(i))))','Color', 'k')%crea texto en el eje y de la figura 1
disp(' ');
disp(' ');

disp('2°.-Evaluamos el ajuste de los datos mediante(r^2)El cuadrado')


disp('del coeficiente de correlación de momento del producto Pearson.')
R2=(sum((x-(sum(x)/length(x))).*(y-(sum(y)/length(y))))/((sum((x-
(sum(x)/length(x))).^2)*sum((y-(sum(y)/length(y))).^2))^.5))^2;
text(posx,posy,['y = ',num2str(Pol(1)),'x ',num2str(Pol(2)),' \wedge ','r^{2} =
',num2str(R2)],'FontSize',10,'HorizontalAlignment','center','BackgroundColor'
,[.8 .8 .8],'Margin',6,'EdgeColor','k','LineWidth',2)
disp(' ');
fprintf('R2 =\t')
fprintf('%0.4f\n',R2);

Para esta parte se pretende realizar cálculos para gamma mayores que cero, para
ello usamos la función for.
for; nos permite hacer iteraciones

%Usamos FOR para evaluar el valor de r^2 en j=1:n


n=(t(1,1)-1); %donde n < t(min)
for j=1:n; % "j" representa los posibles valores de gamma
yyy=1:n;
t2=[t-j]; % los nuevos tiempos entre fallas afectado por gamma
x=log(t2);
r2(1,j)=(sum((x-(sum(x)/length(x))).*(y-(sum(y)/length(y))))/((sum((x-
(sum(x)/length(x))).^2)*sum((y-(sum(y)/length(y))).^2))^.5))^2;% R2 para
cada "j"
end
r=r2;
disp(' ');
disp('3°.-Hallando el valor máximo de r^2 que ajuste a la recta')
disp('con la observación de que se han tomado Gammas positivos y
menores que el valor minimo de t')
%La siguiente linea calcula el parametro r^2 maximo y Gamma
disp(' ');
%Escribimos "Gama" porque el´programa MATLAB ya posee una funcion
interna Gamma
[R2,Gama] = max(r);
disp('El valor de r^2 que maximiza el ajuste es: ')
fprintf('R2 =\t')
fprintf('%0.4f\n',R2);
FIGURE(2) GRAFICA DE DISPERCION DE DATOS

plot(r,yyy)
set(gca,'YGrid','on','YColor','k','LineStyleOrder', '-')
title('Sensibilidad y Error
cuadrático','Color','w','FontSize',12,'HorizontalAlignment','center','Backgroun
dColor',[.55 .100 .0],'Margin',5,'EdgeColor','k','LineWidth',1)
set(gca,'YGrid','on','YColor','k','LineStyleOrder', '-')
posx = min(r);
posy= median(yyy);
text(posx,posy,['Max. aproximación en: ',' (r^{2}) max = ',num2str(R2),'
\wedge ',' \gamma =
',num2str(Gama)],'FontSize',10,'HorizontalAlignment','left','BackgroundColor'
,[.8 .8 .8],'Margin',6,'EdgeColor','k','LineWidth',1)

xlim([]);permite definir el dominio de “x”.


ylim([]);permite definir el rango de “y”.

ylim([0 max(Gama)+1]);
xlabel(['Coeficiente de determinacion',' (r^{2})'],'Color','k')
ylabel(['Gamma','(\gamma)',' en [Horas]'],'Color','k')
hold on

plot(R2,Gama,'+','LineWidth',8,'MarkerEdgeColor',[.55 .100
.0],'MarkerSize',2)
disp(' ');

disp('4°.-Ajustamos nuevamente los datos de falla y obtenemos ');


disp('la nueva recta corregida: ');
disp(' ');
x=log(t-Gama);
Pol=polyfit(x,y,1);
yyyy = polyval(Pol,x);
fprintf(' n t t (Gamma=\t');
fprintf('%0.2f\t',Gama);
disp(')');
disp([(1:length(t))',t',(t-Gama)'])
FIGURE(3) GRAFICA DE REPRESENTACION DE AJUSTE DE LA
RECTA

title();se explicó anteriormente pero acotaremos una función más.


int2str(Gama); permite visualizar el resultado de un dato, para nuestro caso
queremos ver el resultado de “Gama”.

title(['Ajuste de Weibull con ','\gamma',' =


',int2str(Gama)],'Color','w','FontSize',12,'HorizontalAlignment','center','Backg
roundColor',[.55 .100 .0],'Margin',5,'EdgeColor','b','LineWidth',1)
posy= min(yyyy);
posx = max(x);
text(posx,posy,['y = ',num2str(Pol(1)),'x ',num2str(Pol(2)),' \wedge ','r^{2} =
',num2str(R2)],'FontSize',10,'HorizontalAlignment','right','BackgroundColor',[.
8 .8 .8],'Margin',6,'EdgeColor','k','LineWidth',2)
set(gca,'YGrid','on','YColor','k','LineStyleOrder', '-')
xlabel('ln (t-\gamma)','Color','k')
ylabel('ln(ln(1/(1-F(i))))','Color','k')
fprintf('y =\t');
fprintf('%0.4f\t',Pol(1));
fprintf('x\t');
fprintf('%0.4f\t',Pol(2));
fprintf('(Ecuación de la recta de Ajuste con Gamma=');
fprintf('%0.2f\t',Gama);
disp(')');
Beta=Pol(1);
disp(' ');

disp('5°.-Obtenemos los parámetros corregidos de Weibull:')


disp(' ');
fprintf('Beta (B) =\t');
fprintf('%0.4f\n',Beta);
Eta=exp(Pol(2)/(-Pol(1)));
fprintf('Eta (n) =\t');
fprintf('%0.4f\n',Eta);
fprintf('Gamma =\t');
fprintf('%0.2f\n',Gama);
disp(' ');

disp('6°.-Evaluamos el parámetro estadístico de (DAlfa>Dmax)')


disp('Buscar en la tabla K-S el DAlfa para una confianza de Alfa =0.05')
Ft=1-exp(-((t-Gama)./Eta).^Beta); % infiabilidad
Dni=abs(Ft-F);%La máxima discrepancia obtenida del proceso de
comparación entre la distribución propuesta y la distribución verdadera.
if; nos evalúa una condición a la cual podemos decir que puede ser verdadera o
falsa.
else; ejecutado si la primera condicional es falsa.

Dmax=max(Dni);
disp(' ');
DAlfa=0.2417;% La máxima discrepancia que se puede aceptar para un
determinado nivel de confianza (saca de la tabla de Kolmogorov Smirnov)
disp(' ');
if (DAlfa>Dmax);
fprintf('El modelo es WEIBULL se ACEPTA (DAlfa>Dmax)\n');
else
fprintf('El modelo no es WEIBULL se RECHAZA (DAlfa<Dmax)\n');
end
disp(' ');
fprintf('DAlfa =\t');
fprintf('%0.4f\n',DAlfa);
fprintf('Dmax =\t');
fprintf('%0.4f\n',Dmax);
Rt=exp(-((t-Gama)./Eta).^(Beta));
FIGURE(4) GRAFICA DE CONFIABILIDAD

plot(t,Rt,'bo','LineWidth',1,'MarkerEdgeColor','k','MarkerFaceColor','r','Marker
Size',2)
title('Confiabilidad','Color','w','FontSize',12,'HorizontalAlignment','center','Bac
kgroundColor',[.55 .100 .0],'Margin',5,'EdgeColor','b','LineWidth',1)
set(gca,'YGrid','on','YColor','k','LineStyleOrder', '-')
posx = 2*median(t);
posy= median(Rt);
text(posx,posy,['R(t) = e ','^{-((\gamma-t)/\eta)}',' ^
','^{\beta}'],'FontSize',10,'HorizontalAlignment','left','BackgroundColor',[.8
.8.8],'Margin',6,'EdgeColor','k','LineWidth',1)
xlabel('Tiempo (t) en [Horas]','Color','k')
ylabel('Confiabilidad R(t)','Color','k')
disp(' ');

disp('Buscar en la tabla para una confianza de Alfa =0.05')


xx=t;%valores ordenados de forma creciente

rot90(rot90(t)); esta función nos permite rotar la matriz en 180, se usó para tener
datos ordenados de forma descendente, es decir de la mayor a menor. Pero antes
se tuvo que ordenar con ayuda de la función sort(t).

xxinv=rot90(rot90(t));% valores ordenados de forma decreciente


xxdif=(xxinv-xx);% diferencia entre los valores anteriores
ai=[0.4254 0.2944 0.2487 0.2148 0.1870 0.1630 0.1415 0.1219 0.1036
0.0862 0.0697 0.0537 0.0381 0.0227 0.0076 ];
%tomados de tabla
B=ai.*xxdif;
m=median(xx);
D=(xx-m).^2;
%valores requeridos para hallar W
b=sum(B);
d=sum(D);
Wc=b.^2/d;
Wt=0.927;% Distribución del estadístico de Shapiro-Wilk (wt) para alfa=0.05
disp(' ');
if (Wt>Wc);
fprintf('El modelo es WEIBULL se ACEPTA (Wt>Wc)\n');
else
fprintf('El modelo no es WEIBULL se RECHAZA (Wt<Wc)\n');
end
disp(' ');
fprintf('Wt =\t');
fprintf('%0.4f\n',Wt);
fprintf('Wc =\t');
fprintf('%0.4f\n',Wc);

disp(' ');
disp('8°.-Evaluamos los parámetro estadístico mediante Test de Anderson
Darling')
disp('comprobar que ADe>ADx para alfa=0.05')
Finv=rot90(rot90(F));
n=length(t);
j=1:n;
coef=(2*j-1)/n;
A=log(F);
B=log(1-Finv);
Res=coef.*(A+B);
S=sum(Res);
ADx =-n-S;
ADe=0.757;% de tabla para un ajuste del 95%
disp(' ');
if (ADe>ADx);
fprintf('El modelo es WEIBULL se ACEPTA (ADe>ADx)\n');
else
fprintf('El modelo no es WEIBULL se RECHAZA (ADe<ADx)\n');
end
disp(' ');
fprintf('ADe =\t');
fprintf('%0.4f\n',ADe);
fprintf('ADx =\t');
fprintf('%0.4f\n',ADx);

disp(' ');

disp(' ');
disp('9°.-Encontramos el Tiempo Promedio Entre Fallas "MTBF" en Horas')
MTBF=Eta*gamma(1+(1/Beta))+Gama
disp(' ');
disp('10°.-Resultados')
TF=(((t-Gama)./Eta).^(Beta-1)).*(Beta/Eta);
disp(' ');
disp(' n t R(t)% F(t)% ');
disp([(1:length(t))',t',Rt'*100,Ft'*100]);
FIGURE(5) GRAFICA DE INFIABILIDAD

plot(t,Ft,'bo','LineWidth',1,'MarkerEdgeColor','k','MarkerFaceColor','r','Marker
Size',2)
title('Infiabilidad Distribución de
Weibull','Color','w','FontSize',12,'HorizontalAlignment','center','BackgroundC
olor',[.55 .100 .0],'Margin',5,'EdgeColor','b','LineWidth',1)
posx = 2*median(t);
posy= median(Ft);
text(posx,posy,['F(t) = 1 - e ','^{-((\gamma-t)/\eta)}',' ^
','^{\beta}'],'FontSize',10,'HorizontalAlignment','left','BackgroundColor',[.8 .8
.8],'Margin',6,'EdgeColor','k','LineWidth',1)
xlim([0 max(t)+30]);
set(gca,'YGrid','on','YColor','k','LineStyleOrder', '-')
xlabel('Tiempo (t) en [Horas]','Color','k')
ylabel('Infiabilidad F(t)','Color','k')
6. OBTENCION DE RESULTADOS

TIEMPO ENTRE FALLAS DEL CARGADOR FRONTAL CAT MODELO 994F (5029)

n t
1.0000 9.2200
2.0000 19.6700
3.0000 26.6900
4.0000 30.7100
5.0000 35.5700
6.0000 48.7100
7.0000 76.6800
8.0000 92.8700
9.0000 110.1800
10.0000 168.0000
11.0000 173.3900
12.0000 316.7600
13.0000 401.1800
14.0000 416.0400
15.0000 572.2600
16.0000 581.7100
17.0000 675.6800

1°.-Se obtiene la ecuación de la recta (para Gamma = 0):

Y = 0.8488X - 4.5462

Beta (B) = 0.8488

Eta (n) = 211.9090

2°.-Evaluamos el ajuste de los datos mediante(r) El coeficiente de correlación de momento


del producto Pearson.

R =0.9776

3°.-Hallando el valor máximo de r^2 que ajuste a la recta con la observación de que se han
tomado Gammas positivos y menores que el valor mínimo de t

El valor de r^2 que maximiza el ajuste es:


R2 =0.9557

4°.-Ajustamos nuevamente los datos de falla y obtenemos la nueva recta corregida:

N t t (Gamma = 7)
1.0000 9.2200 2.2200
2.0000 19.6700 12.6700
3.0000 26.6900 19.6900
4.0000 30.7100 23.7100
5.0000 35.5700 28.5700
6.0000 48.7100 41.7100
7.0000 76.6800 69.6800
8.0000 92.8700 85.8700
9.0000 110.1800 103.1800
10.0000 168.0000 161.0000
11.0000 173.3900 166.3900
12.0000 316.7600 309.7600
13.0000 401.1800 304.1800
14.0000 416.0400 409.0400
15.0000 572.2600 565.2600
16.0000 581.7100 574.7100
17.0000 675.6800 668.6800

5°.-Obtenemos los parámetros corregidos de Weibull:

Beta (B) = 0.7158

Eta (n) = 197.4064

Gamma = 7.0000
6°.-Evaluamos el parámetro estadístico de Kolmogorov Smirnov (DAlfa>Dmax)

Buscar en la tabla K-S el DAlfa para una confianza de 95% el nivel de significancia

Alfa =0.05 y n=17

El modelo es WEIBULL se ACEPTA (DAlfa>Dmax)

DAlfa = 0.31796

Dmax =0.0762

9°.-Encontramos el Tiempo Promedio Entre Fallas "MTBF" en Horas

MTBF = 251.7501
7. OBTENCION DE GRAFICAS

1.5

0.5

-0.5

-1

-1.5

-2

-2.5

-3

-3.5
2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7
Ajuste de Weibull con  = 0
1.5

0.5

0
ln(ln(1/(1-F(i))))

-0.5

-1

-1.5

-2

-2.5
y = 0.84878x -4.5462  r2 = 0.95574
-3

-3.5
2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7
ln t
Sensibilidad y Error cuadrático
7

6
Gamma() en [Horas]

Max. aproximación en: (r2) max = 0.97939   = 7

1
0.955 0.96 0.965 0.97 0.975 0.98 0.985
2
Coeficiente de determinacion (r )

Ajuste de Weibull con  = 7


1.5

0.5

0
ln(ln(1/(1-F(i))))

-0.5

-1

-1.5

-2

-2.5
y = 0.71576x -3.783  r2 = 0.97939
-3

-3.5
0 1 2 3 4 5 6 7
ln (t-)
Confiabilidad
1

0.9

0.8

0.7
Confiabilidad R(t)

0.6
R(t) = e -((-t)/) 
0.5

0.4

0.3

0.2

0.1

0
0 100 200 300 400 500 600 700
Tiempo (t) en [Horas]

x 10
-3
Tasa de Fallas deacuerdo a Distribución de Weibull
14

12
Tasa de Fallas: (t) [Fallas/Hora]

10

2
0 100 200 300 400 500 600 700
Tiempo (t) en [Horas]
8. CONCLUSIONES

- El uso del programa Matlab facilita mucho el cálculo para hallar la


confiabilidad de una determinada máquina, ya que solo basta con tener
el tiempo entre fallas y luego introducirlas en el programa que se
diseñó.
- Con el uso del programa de Matlab reducimos el tiempo de calculo
que en otros método tienden a ser más tediosos.
- Nos brinda mayor exactitud en los valores.
- El escrib tiene que ser realizado con sumo cuidado, ya que un punto
(.), coma (,), apostrofe (‘) o un simple espacio podría variar los cálculos
o simplemente el Matlab no podría proceder a realizar el cálculo.
- se obtuvo un parámetro de forma β<1, lo que indica que hay fatiga u
otro tipo de desgaste en el que la tasa de fallo disminuye con el tiempo
después de un súbito incremento hasta to; valores de β bajos (0.5)
pueden asociarse con ciclos de fatigas bajos y los valores de β más
elevados (0.8) con ciclos mas altos.
- el tiempo medio entre fallos (mtbf)= 251.7501 deducido del
estudio será un dato básico para la elaboración de planes de
mantenimiento.
- el análisis del gráfico de la recta de regresión sirve de criterio para
determinar si es necesario calcular el parámetro de localización.
- El test de shapiro wilk o la prueba de Anderson Darling son alternativas
más potentes para verificar la normalidad de una distribución.