Lectura 4 - Pronosticos en Activos Reparables

Lectura 6
PRONÓSTICOS EN ACTIVOS REPARABLES
“INGENIERÍA DE CONFIABILIDAD…..
……PORQUE UNA DE LAS FORMAS MÁS IMPORTANTES DE
AGREGAR VALOR, ES EVITAR QUE SE DESTRUYA”
Medardo Yañez
Yañez Medina, Medardo - Gómez de la Vega, Hernando – Valbuena Chourio, Genebelin
Ingeniería de Confiabilidad y Análisis Probabilístico de Riesgo
Capítulo IV: Ingeniería de Confiabilidad
4.3.2 PRONÓSTICOS EN ACTIVOS REPARABLES
INTRODUCCIÓN
Un sistema reparable es aquel que acepta reparaciones y le pueden ser

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

dicho sistemas pueden quedar después de una reparación. Estos estados son:
• Tan bueno como nuevo

• Tan malo como antes de reparar
• Mejor que antes de reparar pero peor que cuando estaba nuevo
• Mejor que cuando estaba nuevo
• Peor que antes de reparar
Los modelos probabilísticos utilizados tradicionalmente para estimar o predecir el

número esperado de fallas asumen alguno de los dos primeros estados pero no
cubren los últimos tres, los cuales parecieran acercarse más a la realidad. En
esta sección se presenta una revisión de los modelos tradicionales de predicción
del número de fallas en un tiempo misión para sistemas reparables, así como
algunos ejemplos de aplicaciones. Adicionalmente se presenta la formulación de
un modelo probabilístico que toma en cuenta los cinco estados en los que puede
quedar un sistema una vez reparado, el cual se denomina Proceso Generalizado
de Restauración (PGR) y se demuestra que el PGR es la teoría más general
para predecir el número de fallas en activos reparables.
4.3.2.1 VARIABLES PROBABILÍSTICAS DE INTERÉS EN ANÁLISIS DE

CONFIABILIDAD DE ACTIVOS REPARABLES
Como se mencionó previamente un equipo reparable es aquel cuya condición

operativa puede restaurarse después de fallar, con una reparación. Esta
consideración implica que en su vida puede ocurrir mas de una falla y es esta la
diferencia fundamental con los equipos “no reparables” en cuya vida solo puede
ocurrir una única falla.
En la sección 4.3.1 se estudió extensamente como tratar la variable

probabilística de interés para activos no reparables, es decir, el tiempo para la
falla; y los indicadores o figuras de mérito utilizados para describirla; tales como
la tasa de fallas h(tm) , la confiabilidad C(tm) y la probabilidad de falla F(tm) para
un tiempo misión tm; no obstante como se demostrara mas adelante, estos
conceptos, indicadores y ecuaciones, tal como fueron definidos en la
mencionada sección, no aplican cuando hablamos de equipos reparables. En
esta sección, se tratará extensamente el tema de la variable probabilística que
187
se estudia para equipos reparables y los indicadores o figuras de mérito para

caracterizarla.
Cuando se trata de equipos reparables y se habla de tiempo para la falla, surge

inmediatamente la pregunta “tiempo para cual falla?“; (tiempo para la primera
falla?; o tiempo para la segunda falla?; o tiempo para la niésima falla?), ya que
para un tiempo misión tm puede ocurrir mas de una falla. Si se habla por
ejemplo la probabilidad de falla en el tiempo misión tm, surgen las pregunta,
probabilidad de cuantas fallas?; probabilidad de una falla en un periodo tm?; o
probabilidad de 2 fallas en un tiempo tm?; o probabilidad de n fallas en un tiempo
tm?.
En la figura 4.12-A se esquematiza una proyección o estimado de un proceso de

operación de un equipo reparable, en el que se sabe que pueden ocurrir fallas
que serán restauradas con reparaciones. Al mencionado esquema se asocia la
nomenclatura que se utilizara en lo sucesivo. Nótese que se manejaran dos
escalas de tiempo:
1.- Una escala relacionada al tiempo de operación entre fallas; para la cual se
usaran subíndices; por ejemplo t2 = tiempo de operación entre la primera y la
segunda falla.
2.- Otra escala relacionada con el tiempo acumulado de operación hasta las
fallas o hasta un evento específico; para la cual se usaran superíndices; por
ejemplo t[2]= tiempo acumulado de operación hasta la segunda falla. Nótese que
t[2]=t1+t2
1ra falla 2da falla 3ra falla 4ta falla (n-1)th falla (n)nth falla
1 2 3 4 n-1
t1 t2 t3 t4 tn tK
[1]
t = t1
[2 ]
t = t1 + t 2
[]
t 3 = t1 + t 2 + t 3
t [4 ] = t1 + t 2 + t 3 + t 4
[ −1]
tn = t1 + t 2 + t 3 + t 4 + .......t n−1
[n ]
t = t1 + t 2 + t 3 + t 4 + .......t n −1 + t n
Tiempo misión = T = t [K ] = t1 + t 2 + t 3 + t 4 + .......tn −1 + t n + tK
Figura 4.12-A: Proceso de fallas sucesivas. Nomenclatura
Analizando la figura 4.12-A y recordando que el tiempo para la falla se considera

como una variable aleatoria por excelencia, se concluye que los variables t1
(tiempo de operación hasta la primera falla), t2 (tiempo de operación entre la
primera y la segunda falla), t3 (tiempo de operación entre la segunda y la tercera
falla); hasta tn (tiempo de operación entre la (n-1)th y la falla n), son todas
variables aleatorias; es decir variables que pueden tomar múltiples valores y que
188
por ende cada una puede ser representada con una distribución de
probabilidades.
De la misma manera, y recordando los conceptos de operaciones con variables

aleatorias discutidos en el Capítulo III, se concluye que las variables t[2] (tiempo
acumulado de operación hasta la segunda falla), t[3] (tiempo acumulado de
operación hasta la tercera falla), t[4] (tiempo acumulado de operación hasta la
cuarta falla), hasta t[n] (tiempo acumulado de operación hasta la n falla), son
también variables aleatorias ya que las mismas resultan de la suma de otras
variables aleatorias; tal como puede verse en la figura 4.12 A.
En la figura 4.12-B se representa la probabilidad de fallas F(ti), que como puede

notarse aumenta desde 0 a 1 entre la falla i-1 y la falla i; para i=1,2,3,…..,n y en
la figura 4.12-C se representa la confiabilidad del sistema C(ti), que disminuye
desde 1 hasta 0 entre la falla i-1 y la falla i; para i=1,2,3,…..,n.
F(ti) = Probabilidad de Fallas entre la (i-1)th falla y la ith falla
t[a] = tiempo acumulado

0 en operación
1ra falla 2da falla 3ra falla 4ta falla (n-1)th falla (n)nth falla
1 2 3 4 n-1 n
t1 t2 t3 t4 tn tK
t[k]
0
Figura 4.12-B: Probabilidad de Fallas en Activos Reparables
C(ti) = Confiabilidad entre la (i-1)th falla y la ith falla
t[a] = tiempo acumulado

0 en operación
1ra falla 2da falla 3ra falla 4ta falla (n-1)th falla (n)n
th falla
1 2 3 4 n-1 n
t1 t2 t3 t4 tn tK
t[k]
0
Figura 4.12-C: Confiabilidad en Activos Reparables
189
Las figuras 4.12-B y 4.12-C muestran claramente que no tiene mucho sentido
hablar de probabilidad de falla o confiabilidad en un tiempo acumulado de
operación t[k] o tiempo misión, ya que en este periodo estos valores fluctúan
entre 0 y 1 varias veces, y para diferentes valores del tiempo en operación
puede darse el mismo valor de probabilidad de falla. Por esta razón estos
indicadores son poco usados en el análisis de activos reparables.
El análisis de la figura 4.12-D permite identificar la variable aleatoria que

caracteriza a los equipos reparables conocida como Número Acumulado de
Fallas N(t[m]), para un tiempo acumulado de operación o tiempo misión t[m] .
N(t[a]) = No acumulado de fallas en el tiempo
acumulado de operación t[a]
N(t[k])95%
f(N(t[k]))
µN(t[k])=Λ(t[k])
N(t[k])5% .
.
.
4
3
2
1 t[a] = tiempo acumulado
en operación
1ra falla 2da falla 3ra falla 4ta falla
1 2 3 4
t1 t2 t3 t4
[1] tm
t = t1
[2 ]
t = t1 + t 2
[]
t3 =t +t +t
1 2 3
t[4 ] = t 1 + t 2 + t 3 + t 4
Historia Predicción
(pasado) Hoy (futuro)
Tiempo misión = t [m] = t1 + t 2 + t 3 + t 4 + tm
Figura 4.12-D: Número Acumulado de Fallas en el Tiempo Acumulado de

Operación
Para la mejor comprensión de éste tema es importante explicar dos zonas

claramente diferenciadas en la figura 4.12-D:
1.- Una zona correspondiente a la “Historia” o al pasado; que comprende 4

fallas acumuladas, que han ocurrido en forma sucesiva y con intervalos t1, t2, t3 y
t4 . Los valores t1, t2, t3 y t4 no son variables aleatorias; porque son conocidos;
así como tampoco es una variable aleatoria el número acumulado de fallas en el
tiempo de operación t[4]. Estos valores son “datos” que se usaran para hacer
predicciones del numero de fallas para tiempos mayores a t[4]=t1+t2+t3+t4.
2.- La otra es la llamada zona de “Predicción” y corresponde al futuro. En esta

zona todo es aleatorio, y el objetivo es saber cuantas fallas mas pueden ocurrir
190
desde t[4] hasta t[m]=t[4]+tm. Como el lector puede inferir, la variable Número
Acumulado de Fallas N(t[m]), puede tomar múltiples valores para un tiempo
acumulado de operación o tiempo misión t[m]=t1+t2+t3+t4+tm; es decir, es una
variable aleatoria que puede y debe ser modelada matemáticamente con una
distribución de probabilidades, a la cual se le pueden calcular una media y unos
percentiles; tal como se muestra en la figura. Resumiendo, la predicción del
número acumulado de fallas para cada valor del tiempo de operación dara como
resultado una distribución de probabilidades. La media o valor esperado de esta
distribución se conoce como Número Esperado de Fallas y se denota como
Λ(t[m]), como se muestra claramente en la figura.
La variable aleatoria Número Acumulado de Fallas N(t[m]), para un tiempo

acumulado de operación t[m] es la variable probabilística objeto de estudio en
análisis de activos reparables, y la figura de mérito Número Esperado de Fallas
Λ(t[m]) es el indicador por excelencia utilizado para caracterizarla.
Además de Λ(t[m]), existen otras figuras de merito o indicadores de gran utilidad

para análisis de equipos reparables; estos son:
λ(t[m]) = tasa de ocurrencia de fallas al tiempo acumulado de operación t[m]
TEPPF = tiempo esperado para la próxima falla, después del tiempo acumulado
de operación hasta la última falla
En las secciones sucesivas, se definirán los modelos matemáticos para

estimación de los indicadores probabilísticos de interés en sistemas reparables;
con especial énfasis en la estimación del Número Esperado de Fallas Λ(t[m]).
4.3.2.2 MODELOS PROBABILÍSTICOS PARA LA ESTIMACIÓN O

PREDICCIÓN DEL NÚMERO DE FALLAS (N(T[M])) EN UN PERIODO DE
OPERACIÓN T[M], PARA SISTEMAS REPARABLES
La figura 4.12-E muestra un resumen de las teorías o procesos estocásticos

para el modelaje de confiabilidad de sistemas reparables.
El Proceso Ordinario de Restauración, el cual asume que el sistema vuelve a la

condición de tan bueno como nuevo y el Proceso No Homogéneo de Poisson, el
cual asume que queda tan malo como estaba, son los métodos más
comúnmente utilizados para la evaluación de sistemas reparables. El Proceso
Generalizado de Restauración (PGR), el cual no asume ningún estado en
particular y considera que los 5 estados son posibles, ha sido recientemente de
gran interés debido a la necesidad de tener análisis y predicciones que estén
sustentados sobre bases más realistas.
191
Análisis de Confiabilidad
para Equipos Reparables
Restaurar a la Restaurar
Reparación parcialmente
condición original mínima
posible
Proceso Proceso no Proceso

Ordinario de Homogeneo Generalizado
Restauración de Poisson de
(POR) (PNHP) Restauración
(PGR)
“Mejor que como estaba

“Tan bueno como nuevo” “Tan malo como viejo” pero peor que nuevo”
Figura 4.12-E: Teorías para Modelaje de activos reparables
4.3.2.2.1 PROCESO ORDINARIO DE RESTAURACIÓN (POR)
Se define como Proceso Ordinario de Restauración a un modelo matemático que

considera que los diferentes tiempos entre fallas sucesivas ti de un activo
reparable son variables aleatorias independientes e idénticamente distribuidas
(es decir que pueden representarse con la mismo modelo de distribución
paramétrica probabilística).
Estas consideraciones pueden ser validas si se asume que el sistema es

restaurado a su condición original cada vez que se repara; es decir el equipo
queda “tan bueno como nuevo”.
Si esto se asume como cierto, los tiempos ti (i=1,2,3...n) entre fallas sucesivas
son independientes, ya que al haber una “reparación perfecta” el tiempo de
operación ti no tiene ningún efecto en el tiempo ti+1.
De igual forma, si cuando ocurre la falla “i” en el tiempo ti (i=1,2,3….n), el equipo

es restaurado a su condición original, es razonable pensar que la variable
aleatoria ti+1, se comportara de manera similar a la variable aleatoria ti ya que al
inicio de ambos periodos, el equipo esta teóricamente en la misma condición;
por lo que puede asumirse que ambas variables pueden caracterizarse con la
misma distribución de probabilidades; es decir, pueden considerarse
idénticamente distribuidas.
192
Por supuesto, considerar que cuando ocurre una falla el equipo es restaurado a
su condición original representa un escenario ideal, por lo que el POR es un
modelo que tiene limitaciones en su aplicación en el análisis de sistemas
reparables. Este modelo esta restringido para equipos constituidos por algunos
pocos componentes principales no reparables los cuales son reemplazables
individualmente al fallar. Esto es, cuando una parte principal del equipo falla,
esta será reemplazada por una nueva. Los componentes son “no reparables”;
pero el equipo “es reparable”. También es valida esta asunción, cuando la
política de reparación sea “revisar todo el equipo y reemplazar todo lo que este
deteriorado cada vez que el equipo falle”.
Con base en el POR, y asumiendo que los tiempos entre fallas sucesivas siguen
una distribución Weibull, las ecuaciones para los indicadores probabilísticos de
interés, para un valor del tiempo de operación t[m], son las siguientes:
β
⎛t ⎞
−⎜ m ⎟
Probabilidad de Fallas: ( )
F t [ m] =1 − e
⎜α
⎝
⎟
⎠
Ecuación 4.16
β
⎛t ⎞
−⎜ m ⎟
Confiabilidad: ( )
C t [ m] = e
⎜α
⎝
⎟
⎠
Ecuación 4.17
β −1
β ⎛ tm ⎞
Tasa de Ocurrencia de Fallas: λ(t ) = ⎜⎜ ⎟
[ m]
α⎝ α ⎟ Ecuación 4.18
⎠
⎛1 + β ⎞
Tiempo Esperado para la próxima Falla: TEPPF = α .Γ ⎜⎜ ⎟⎟ Ecuación 4.19
⎝ β ⎠
Número Esperado de Fallas:
El cálculo de la variable Número Esperado de Fallas (Λ(t[m])), reviste especial

interés y complejidad; por esta razón, se propone una solución por simulación de
Montecarlo para esta variable.
Para el POR a partir de la ecuación 4.16, se sabe que:
ti = α β (− ln(1 − F(ti )))

1/ β
Ecuación 4.20
Donde ti representa tiempos entre fallas sucesivas generados desde la ecuación

de Probabilidad de Falla del POR. Con la ecuación 4.20, podemos calcular el
193
número Esperado de Fallas Λ(T) al tiempo acumulado de operación t[m]=T;

siguiendo el diagrama de flujo que se muestra en la figura 4.13.
El flujo-grama de la figura 4.13 es fácilmente programable, y en cuestión de

segundos es posible realizar miles de iteraciones para obtener un cálculo
numérico de Λ(T).
S E LE C C IO N E IN G R E S E E L
E L P E R IO D O D E V A LO R D E LO S S E LE C C IO N E E L N U M E R O
IN IC IO D E IT E R A C IO N E S = m i= 1
A N A LIS IS “T ” PARAM ETROS
α yβ
j= 1
T j= 0
G E N E R A R A LE A T O R IA M E N T E , U N V A LO R X j E N T R E 0 y 1
T iem p o p ara la F alla (t)
1
1
0 ,9
0 ,8
0 ,7
0 ,6 β
⎛ t ⎞
−⎜ ⎟
F (t ) = 1 − e
F(t)
0 ,5
0 ,4
⎝α ⎠
0 ,3
0 ,2
0 ,1
0
0
0 ,0 5 0,0 1 0 0,0 1 5 0 ,0 2 0 0 ,0 2 5 0 ,0
tie m po (hrs )
tj = α β
(− ln (1 − X )) j
1/ β
i=i+1
T j= T j + t j
SI
N ° F allas NO SI
i <m ? Tj <T ? j= j+1
n i=j
NUM ERO ESPERADO DE

F A LLA S A L T IE M P O “T ”
NO
1 ⎛ m ⎞
STO P
Λ(T ) = ⎜ ∑ ni ⎟
m ⎝ i =1 ⎠
Figura 4.13: Flujograma de la Simulación de Montecarlo para el cálculo del

N° Esperado de Fallas Λ(T) en activos reparables basado en el POR
Nótese que para el cálculo de cualquiera de los indicadores probabilísticas de

interés, es necesario tener calculados los valores de los parámetros de escala
(α) y de forma (β).
Ecuaciones para los Parámetros del POR Caso 1: Equipo Fallado
La estimación se hace en un momento en el que acaba de ocurrir la falla, y el

equipo no esta operando. En estas ecuaciones ti representa los tiempos entre
fallas sucesivas observados y n es el número total de fallas observadas.
194
1
⎛ (t ) β
⎞β
αˆ = ⎜⎜ i ⎟
⎟ Ecuación 4.21.1
⎝ n ⎠
∑ [t ]
n
ln (t i )
β
i
1 1 n
i =1
n
−
β
= ∑ ln(t i )
n i =1
Ecuación 4.21.2
∑ ti
β
i =1
Ecuaciones para los Parámetros del POR Caso 2: Equipo Operando
La estimación o predicción se realiza cuando el equipo esta operando ha

transcurrido un tiempo tc (ver figura 4.13-A) desde la ocurrencia de la última
falla. Para el cálculo de parámetros es necesario resolver el siguiente sistema de
ecuaciones:
1
⎛⎛ n β ⎞
⎜ ⎜∑ ti ⎟ + tc ( ) ( ) β ⎞β
⎟
⎜ ⎟
αˆ = ⎜ ⎝ i =1 ⎠
⎟ Ecuación 4.22.1
n
⎜ ⎟
⎜ ⎟
⎝ ⎠
∑ [t ]
n
ln(t i ) + (t c ) ln(t c )
β β
i
1 1 n
i =1
⎛ n β⎞
−
β
= ∑ ln(t i )
n i =1
Ecuación 4.22.2
⎜ ∑ t i ⎟ + (t c )
β
⎝ i =1 ⎠
En este punto es importante destacar que el valor tc puede clasificarse como un

dato censado; tal como se definió en la sección 4.3.1.3.1. Como se indica en la
figura 4.13-A, los parámetros se calculan con los valores de tiempos entre fallas
y tiempos censados que ya han ocurrido; es decir con la “Historia”; y los mismos
son usados para predecir las fallas que ocurrirán a futuro.
195
N(t[a]) = No acumulado de fallas en el tiempo

acumulado de operación t[a]
N(t[k])95%
f(N(t[k]))
µN(t[k])=Λ(t[k])
N(t[k])5% .
.
.
4
3
2
1 t[a] = tiempo acumulado
en operación
1ra falla 2da falla 3ra falla 4ta falla
1 2 3 4
t1 t2 t3 t4 tc
[1] tm
t = t1
[2 ]
t = t1 + t 2
t[3 ] = t + t + t
1 2 3
t[4 ] = t 1 + t 2 + t 3 + t 4
Datos para
estimar Historia Predicción
parámetros α y β (pasado) (futuro)
Hoy
Tiempo misión = t [m] = t1 + t 2 + t 3 + t 4 + tc + tm
Figura 4.13-A: Estimación de Parámetros, equipo operando
4.3.2.2.2 PROCESO NO HOMOGÉNEO DE POISSON (PNHP)
Un proceso de restauración que pueda modelarse con el llamado Proceso No

Homogéneo de Poisson es aquel en el que los diferentes tiempos para la falla
(ti) de un componente o sistema son considerados variables aleatorias
dependientes e idénticamente distribuidas. Esta consideración es válida si se
asume que al fallar, el sistema es sometido a una reparación mínima, y que por
lo tanto el equipo queda “tan malo como estaba” justo antes de la falla.
Este modelo es válido para equipos muy complejos, con múltiples componentes,
cuando la política de reparación es “hacer la mínima reparación requerida para
poner al equipo a operar nuevamente”.
Asumiendo que se cumplen las asunciones previamente descritas, y que los

tiempos sucesivos para fallar siguen una distribución de Weibull, las ecuaciones
de cálculo para las variables probabilísticas de interés, para el PNHP son las
siguientes:
196
Probabilidad de Fallas:
⎡⎛ β β
t i −1 ⎞⎟ ⎛ t ⎞ ⎤
⎢⎜ −⎜ i ⎟ ⎥
F (t i ) = 1 − e ⎢⎣⎢⎜⎝ α ⎟ ⎜α ⎟ ⎥
⎠ ⎝ ⎠ ⎦⎥
Ecuación 4.23
⎡⎛ β β ⎤
β −1 ⎞ ⎛ ⎞
β ⎛ ti ⎞ t
⎢ ⎜ i −1 ⎟ t
−⎜ i ⎟ ⎥
f (t i ) = ⎜ ⎟ e ⎢⎜ α ⎟
⎣⎢ ⎝ ⎠
⎜α ⎟
⎝ ⎠
⎥
⎦⎥
Ecuación 4.24
α ⎝α ⎠
Confiabilidad:
⎡⎛ β β ⎤
t ⎞ ⎛ ⎞ t
⎢ ⎜ i −1 ⎟ −⎜ i ⎟ ⎥
C (t i ) = e ⎢⎜ α ⎟
⎣⎢ ⎝ ⎠
⎜α ⎟
⎝ ⎠
⎥
⎦⎥
Ecuación 4.25
Número Esperado de Fallas:
Λ(t [ m ] ) =
α
1
β
[(t [ n]
+ t [ m] ) − (t )
β [n] β
] Ecuación 4.26
Tasa de Ocurrencia de Fallas:
β −1
λ (t [m]
) = αβ ⎛ t[m]
⎜⎜
⎞
⎟⎟ Ecuación 4.27
⎝ α ⎠
:
( )
1
TEPPF = α + t β
( )
[ m] β β
− t [ m] Ecuación 4.28
Al igual que para el caso del POR, para el caso del PNHP deben obtenerse dos
expresiones diferentes para los parámetros α y β de las ecuaciones anteriores.
Ecuaciones para los Parámetros del PNHP Caso 1: Equipo Fallado
Este caso se refiere a estimaciones que se hacen en un momento en el que

acaba de ocurrir la falla, y el equipo no esta operando. Las ecuaciones de los
parámetros para este caso son las siguientes:
αˆ = ⎜
( )
⎛ t [n] β ⎞β
⎟ Ecuación 4.29
⎜ n ⎟
⎝ ⎠
197
⎛ ⎞
⎜ ⎟
⎜ n ⎟ Ecuación 4.30
β̂ = ⎜ n
⎛
⎜ ∑ ln⎜ t ( )
[n]
⎞⎟
⎟⎟
⎟
⎝ ⎝ ( )
⎜ i =1 ⎜ t [ i ]
⎠⎠
⎟
Donde t[n] es el tiempo de operación acumulado hasta que ocurrió la ultima falla,
t[i] es el tiempo acumulado de operación hasta que ocurre la falla “i” y n es el
número total de fallas.
Ecuaciones para los Parámetros del PNHP Caso 2: Equipo Operando
La estimación se realiza cuando el equipo esta operando y ha transcurrido un

tiempo tc desde la ocurrencia de la última falla.
1
⎛ t [m]
αˆ = ⎜
( ) β
⎞β
⎟
⎜ n ⎟ Ecuación 4.31-A
⎝ ⎠
⎛ ⎞
⎜ ⎟
⎜ n ⎟
β̂ = ⎜ n ⎟
⎜ ⎛ t [K] ( ) ⎞⎟
Ecuación 4.31-B
⎜∑
⎜⎜ [ i ] ⎟⎟
( )
ln ⎟
⎝ i =1 ⎝ t ⎠⎠
Donde t[i] es el tiempo acumulado de operación hasta la falla “i”, t[m] es el tiempo
de análisis o periodo de interés, tc es el tiempo transcurrido desde que ocurrió la
última falla hasta el momento en que desea realizarse el cálculo y n es el
número total de fallas observadas.
4.3.2.2.2.1 SIMULACIÓN DE MONTECARLO PARA EL PROCESO NO

HOMOGÉNEO DE POISSON (PNHP)
A pesar de que para el PNHP la estimación del número esperado de fallas

puede hacerse analíticamente sin mayor dificultad con la ecuación 4.26, esta
estimación también puede hacerse siguiendo el mismo procedimiento utilizado
en el POR. La principal diferencia es se utiliza una distribución Weibull
condicional. Esto es:
⎡⎛ β β ⎤
t ⎞ ⎛ t ⎞
⎢ ⎜ i −1 ⎟ − ⎜ i ⎟ ⎥
F (t i ) = 1 − e ⎢⎜ α ⎟ ⎜ α
⎣⎢ ⎝ ⎠ ⎝
⎟
⎠
⎥
⎦⎥
, obteniéndose:
(
t i = (t i −1 ) − α β ln[1 − F (t i )]
β
)
1/ β
, para i=2,3…n Ecuación 4.32
198
Con la ecuación 4.32, podemos calcular el Número Esperado de Fallas al tiempo

“T” (Λ(T)), siguiendo el diagrama de flujo que se muestra a en la figura 4.14.
SELECCIONE INGRESE EL
EL PERIODO DE VALOR DE LOS SELECCIONE EL NUMERO
INICIO DE ITERACIONES = m i=1
ANALISIS “T” PARAMETROS
αyβ
j=1
T0=0
t0=0
GENERAR ALEATORIAMENTE, UN VALOR Xj ENTRE 0 y 1
Tiempo para la Falla (t)
1
1
0,9
0,8
0,7 β β
⎡⎛ ⎛ ⎞ ⎤
0,6 ⎢⎜ t i −1 ⎞⎟ t
− ⎜ i ⎟ ⎥⎥
F (t i ) = 1 − e ⎢⎢⎣⎜⎝ α ⎟ ⎜α ⎟
F(t)
0,5
⎠ ⎝ ⎠ ⎥⎦
0,4
0,3
0,2
0,1
0
0
0,0 50,0 100,0 150,0 200,0 250,0

tiempo (hrs)
(
t j = (t j −1 ) − α β ln (1 − X j )
β
)1/ β
i=i+1
Tj=Tj-1 + tj
SI
i <m ? N° Fallas NO SI
Tj <T ? j=j+1
ni=j
NUMERO ESPERADO DE
FALLAS AL TIEMPO “T”
NO
1⎛m ⎞
STOP
Λ(T ) = ⎜ ∑ ni ⎟
m ⎝ i =1 ⎠
Figura 4.14: Simulación de Montecarlo – N° Esperado de Fallas Λ(T) PNHP
El flujo-grama de la figura 4.14, al igual que el de la figura 4.13, es fácilmente

programable, y en cuestión de segundos es posible realizar miles de iteraciones
para obtener un cálculo numérico de Λ(T).
4.3.2.2.3 PROCESO GENERALIZADO DE RESTAURACIÓN (PGR)
El proceso generalizado de restauración provee la plataforma para calcular las

variables probabilísticas de interés para equipos reparables sin la necesidad de
hacer asunciones acerca del estado del equipo después de la reparación. Es un
proceso general que contiene a los casos de POR y NHPP como casos
extremos; pero que permite modelar casos intermedios, es decir, reparaciones
en las que el equipo queda “mejor que como estaba pero peor que cuando
199
nuevo”; es decir niveles “parciales de restauración”. Como el lector intuirá, este

proceso permite modelar casos mas reales que el POR y el PNHP.
El PGR es un desarrollo muy reciente, de considerable complejidad matemática

que aun puede considerarse un área de investigación. Por esta razón, en aras
de la fluidez de la lectura de este texto, se prefirió dejarlo para lectores
particularmente interesados en el tema.
200

Lectura 4 - Pronosticos en Activos Reparables

Cargado por

Copyright:

Formatos disponibles

Lectura 4 - Pronosticos en Activos Reparables

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Lectura 4 - Pronosticos en Activos Reparables

Cargado por

Copyright:

Formatos disponibles

Lectura 6

PRONÓSTICOS EN ACTIVOS REPARABLES

4.3.2 PRONÓSTICOS EN ACTIVOS REPARABLES

Un sistema reparable es aquel que acepta reparaciones y le pueden ser

En el análisis de sistemas reparables hay cinco posible estados en los cuales

• Tan bueno como nuevo

Los modelos probabilísticos utilizados tradicionalmente para estimar o predecir el

4.3.2.1 VARIABLES PROBABILÍSTICAS DE INTERÉS EN ANÁLISIS DE

Como se mencionó previamente un equipo reparable es aquel cuya condición

En la sección 4.3.1 se estudió extensamente como tratar la variable

se estudia para equipos reparables y los indicadores o figuras de mérito para

Cuando se trata de equipos reparables y se habla de tiempo para la falla, surge

En la figura 4.12-A se esquematiza una proyección o estimado de un proceso de

Figura 4.12-A: Proceso de fallas sucesivas. Nomenclatura

Analizando la figura 4.12-A y recordando que el tiempo para la falla se considera

De la misma manera, y recordando los conceptos de operaciones con variables

En la figura 4.12-B se representa la probabilidad de fallas F(ti), que como puede

t[a] = tiempo acumulado

C(ti) = Confiabilidad entre la (i-1)th falla y la ith falla

t[a] = tiempo acumulado

El análisis de la figura 4.12-D permite identificar la variable aleatoria que

Tiempo misión = t [m] = t1 + t 2 + t 3 + t 4 + tm

Figura 4.12-D: Número Acumulado de Fallas en el Tiempo Acumulado de

Para la mejor comprensión de éste tema es importante explicar dos zonas

1.- Una zona correspondiente a la “Historia” o al pasado; que comprende 4

2.- La otra es la llamada zona de “Predicción” y corresponde al futuro. En esta

La variable aleatoria Número Acumulado de Fallas N(t[m]), para un tiempo

Además de Λ(t[m]), existen otras figuras de merito o indicadores de gran utilidad

En las secciones sucesivas, se definirán los modelos matemáticos para

4.3.2.2 MODELOS PROBABILÍSTICOS PARA LA ESTIMACIÓN O

La figura 4.12-E muestra un resumen de las teorías o procesos estocásticos

El Proceso Ordinario de Restauración, el cual asume que el sistema vuelve a la

Proceso Proceso no Proceso

“Mejor que como estaba

Figura 4.12-E: Teorías para Modelaje de activos reparables

4.3.2.2.1 PROCESO ORDINARIO DE RESTAURACIÓN (POR)

Se define como Proceso Ordinario de Restauración a un modelo matemático que

Estas consideraciones pueden ser validas si se asume que el sistema es

De igual forma, si cuando ocurre la falla “i” en el tiempo ti (i=1,2,3….n), el equipo

Número Esperado de Fallas:

El cálculo de la variable Número Esperado de Fallas (Λ(t[m])), reviste especial

Para el POR a partir de la ecuación 4.16, se sabe que:

ti = α β (− ln(1 − F(ti )))

Donde ti representa tiempos entre fallas sucesivas generados desde la ecuación

número Esperado de Fallas Λ(T) al tiempo acumulado de operación t[m]=T;

El flujo-grama de la figura 4.13 es fácilmente programable, y en cuestión de

T iem p o p ara la F alla (t)

NUM ERO ESPERADO DE

Figura 4.13: Flujograma de la Simulación de Montecarlo para el cálculo del

Nótese que para el cálculo de cualquiera de los indicadores probabilísticas de

Ecuaciones para los Parámetros del POR Caso 1: Equipo Fallado

La estimación se hace en un momento en el que acaba de ocurrir la falla, y el

Ecuaciones para los Parámetros del POR Caso 2: Equipo Operando

La estimación o predicción se realiza cuando el equipo esta operando ha

En este punto es importante destacar que el valor tc puede clasificarse como un

N(t[a]) = No acumulado de fallas en el tiempo

Figura 4.13-A: Estimación de Parámetros, equipo operando

4.3.2.2.2 PROCESO NO HOMOGÉNEO DE POISSON (PNHP)

Un proceso de restauración que pueda modelarse con el llamado Proceso No