Ingeniera de Confiabilidad; Pilar

Fundamental del Mantenimiento

por Medardo Yaez, Reliability and Risk Management S.A
Comentar
Ver commentarios
Imprimir

Este trabajo se enfoca en el Diagnstico proactivo e integrado de equipos, procesos y/o

sistemas, como la base fundamental del mantenimiento.

Se define Diagnstico proactivo e integrado como un proceso que busca caracterizar el

estado actual y predecir el comportamiento futuro de equipos, sistemas y/o procesos,
mediante el anlisis del historial de fallas, los datos de condicin y datos tcnicos, con la
finalidad de identificar las acciones correctivas y proactivas que puedan efectivamente
optimizar costos a travs de la sistemtica reduccin de la ocurrencia de fallas y eventos no
deseados, y minimizar en consecuencia, su impacto en el negocio medular. Adicionalmente,
se destaca a la Ingeniera de Confiabilidad como el marco terico-conceptual en el que
conviven las metodologas y tcnicas para lograr este fin; y adicionalmente se define
Confiabilidad Operacional como un proceso de mejora continua, que incorpora, en forma
sistemtica, avanzadas herramientas de diagnstico, metodologas basadas en confiabilidad
y el uso de nuevas tecnologas, en la bsqueda de optimizar la planificacin y la toma de
decisiones. Ingeniera de Confiabilidad; porque una de las mejores formas para agregar
valor; es evitar que se destruya [1]

1.- Modelos de Decisin en Mantenimiento

En aos recientes, grandes corporaciones especialmente del sector de hidrocarburos y de la

industria de procesos, han volcado su atencin hacia el modelo de decisin Costo Riesgo,
debido a que el mismo permite comparar el costo asociado a una accin de mantenimiento
contra el nivel de reduccin de riesgo o mejora en el desempeo debido a dicha accin.; en
otras palabras, el modelo permite saber cuanto obtengo por lo que gasto.

El anlisis Costo-Riesgo resulta particularmente til para decidir en escenarios con

intereses en conflicto, como el escenario Operacin Mantenimiento, en el cual el operador
requiere que el equipo o proceso opere en forma continua para garantizar mxima
produccin, y simultneamente, el mantenedor requiere que el proceso se detenga con cierta
frecuencia para poder mantener y ganar confiabilidad en el mismo. El modelo Costo-Riesgo
es el indicado para resolver el conflicto previamente mencionado, dado que permite
determinar el nivel ptimo de riesgo y la cantidad adecuada de mantenimiento, para obtener
el mximo beneficio o mnimo impacto en el negocio.[2]

La figura 1 muestra grficamente el modelo mencionado, y en el mismo pueden destacarse

tres curvas que varan en el tiempo:

- La curva del nivel de riesgo (riesgo = probabilidad de falla x consecuencia), asociado a

diferentes periodos de tiempo o frecuencias de mantenimiento
.- La curva de los costos de mantenimiento, en la cual se simulan los costos de diferentes
frecuencias para la accin de mantenimiento propuesta

Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador.

La curva de impacto total, que resulta de la suma punto a punto de la curva de riesgos y la
curva de los costos de mantenimiento. El mnimo de esta curva, representa la frecuencia
para la cual la suma de los costos de la poltica de mantenimiento con el nivel de riesgo
asociado a esta poltica son mnimos; es decir hay el mnimo impacto posible en el negocio
Este mnimo esta ubicado sobre el valor que puede traducirse como el periodo o frecuencia
ptima para la realizacin de la actividad de mantenimiento. Un desplazamiento hacia la
derecha de este punto implicara asumir mucho riesgo y un desplazamiento hacia la
izquierda del mismo implicara gastar demasiado dinero.

La dificultad para el uso del modelo, se centra en la estimacin o modelaje de la curva del
riesgo, ya que la misma requiere la estimacin de la probabilidad de falla (y su variacin con
el tiempo), y las consecuencias En la prxima seccin, se detallan las herramientas para
lograr el correcto modelaje y estimacin del riesgo.

2.- Riesgo, un indicador para el Diagnstico Integrado

El riesgo R(t), base fundamental del modelo de decisin descrito en la seccin anterior, es un
trmino de naturaleza probabilstica, que se define como egresos o prdidas probables
consecuencia de la probable ocurrencia de un evento no deseado o falla, y comnmente se
expresa en unidades monetarias, (Bs. o $).[1],[3]. Matemticamente, el riesgo se calcula
con la siguiente ecuacin:

Riesgo(t)=Probabilidad de Falla(t) x Consecuencias

El anlisis de la ecuacin del riesgo, permite entender el poder de este indicador para el
diagnstico y la toma de decisiones, debido a que el mismo combina probabilidades o
frecuencias de fallas con consecuencias, permitiendo la comparacin de unidades como los
equipos rotativos, que normalmente presentan alta frecuencia de fallas con bajas
consecuencias, con equipos estticos, que normalmente presentan patrones de baja
frecuencia de fallas y alta consecuencia.

La figura 2, refleja grficamente lo expresado en el prrafo anterior

Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador.

El riesgo, se comporta como una balanza, que permite pesar la influencia de ambas
magnitudes (Probabilidad de Falla y Consecuencia de la Falla) en una decisin particular.

El mantenimiento moderno, sustentado en la Ingeniera de Confiabilidad, requiere de un

cuidadoso proceso de diagnstico de equipos y sistemas. El diagnstico, basado en el
riesgo, puede entenderse entonces como un proceso que busca caracterizar el estado
actual y predecir el comportamiento futuro de equipos y sistemas.

Para el logro de un diagnstico integrado, el riesgo debe calcularse usando toda la

informacin disponible; es decir, debe incluir el anlisis del historial de fallas, los datos de
condicin y datos tcnicos. De esta forma, se podrn identificar las acciones correctivas y
proactivas que puedan efectivamente optimizar costos y minimizar su impacto en el negocio
medular.

La figura 3, muestra el proceso de Diagnstico Integrado

Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador.

Entendiendo entonces que el riesgo es el indicador para un diagnstico integrado, se

analizar a continuacin en detalle, el proceso para estimarlo.

3.- Estimacin de Riesgo

Como se mencion en el punto 2, el clculo del riesgo, involucra la estimacin de la

Probabilidad de Fallas y/o la Confiabilidad, (Confiabilidad = 1 Probabilidad de Fallas), y de
las Consecuencias. La figura 4 muestra la descomposicin del indicador riesgo en sus
componentes fundamentales. En ella se muestra claramente que para calcular riesgo, deben
establecerse dos (2) vas, una para el calculo de la confiabilidad y/o la probabilidad de fallas,
en base a la historia de fallas o en base a la condicin; y otra para el clculo de las
consecuencias.

Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador.

3.1.- Estimacin de la Probabilidad de Fallas y/o la Confiabilidad.

Para la estimacin de la confiabilidad o la probabilidad de fallas, existen dos mtodos que
dependen del tipo de data disponible; estos son:

Estimacin Basada en Datos de Condicin, altamente recomendable para equipos

estticos, que presentan patrones de baja frecuencia de fallas y por ende no se
tiene un historial de fallas que permita algn tipo de anlisis estadstico.
Estimacin Basada en el Historial de Fallas: recomendable para equipos dinmicos,
los cuales por su alta frecuencia de fallas, normalmente permiten el almacenamiento
de un historial de fallas que hace posible el anlisis estadstico.

3.1.1.- Estimacin de Confiabilidad Basada en Condicin

El anlisis tradicional de confiabilidad, basado en el anlisis estadstico del tiempo para la

falla, ha sido exitosamente utilizado para mejorar el mantenimiento preventivo y traer los
equipos y sistemas hasta los actuales niveles de desempeo. Sin embargo, buscando la
mejora continua de sus procesos, en las tres ltimas dcadas, algunas industrias han hecho
grandes esfuerzos en la recoleccin de data diferente a la data de falla, a travs de
programas de monitoreo de la condicin (mantenimiento predictivo) con la finalidad de
optimizar las frecuencias de mantenimiento de sus equipos y tomar acciones proactivas para
evitar la ocurrencia de la falla.

La mencionada data de condicin, ha sido usada principalmente en forma determinstica, es

decir, para hacer diagnsticos puntuales, debido a la falta de una adecuada metodologa de
anlisis probabilstica. En esta seccin se establecen las bases conceptuales para el clculo
de confiabilidad y probabilidad de falla de equipos basado en la data de condicin. La
columna vertebral de este mtodo es el anlisis Carga-Resistencia [1].

a. Anlisis Carga-Resistencia

El anlisis Carga-Resistencia tiene como premisa el hecho de que las fallas son el resultado
de una situacin donde la carga aplicada excede la resistencia. Carga y Resistencia son
usados en el sentido ms amplio de la palabra; es decir, la carga pudiera ser la presin de
operacin, mientras la mxima presin de operacin permisible sera la resistencia. Similar
anlisis se hace para cualquier otro parmetro relevante de la condicin como vibracin para
equipos dinmicos, o reduccin de espesor para el caso de equipos estticos.

En todos los casos existir un valor actual de la condicin que se monitorea, el cual
representar la carga, y un valor lmite de la condicin que representara la resistencia. Esta
ltima normalmente esta regulada por normas y estndares de la ingeniera.

Contrario a la creencia general, en la mayora de los casos ni la carga ni la resistencia son

valores fijos, por el contrario, sus valores son estadsticamente distribuidos. Cada
distribucin tiene su valor medio, denotado por Y para la carga y X para la resistencia y
sus desviaciones estndar Y y X respectivamente. Esto es ilustrado en la figura 5.
Cuando la distribucin de la condicin medida o monitoreada en el equipo tiene algn solape
con la distribucin de la condicin lmite o criterio de rechazo, en ese momento existe
probabilidad de falla. Esta situacin es mostrada en la figura 6.

La confiabilidad de un elemento bajo la aplicacin de una carga es la probabilidad de que su

resistencia exceda la carga. Dicha confiabilidad puede calcularse con la siguiente expresin:
Confiabilidad = Probabilidad (Resistencia>Carga) [1],[5],[8],[9],[10]

Donde Y y X son las medias de las distribuciones de la resistencia o criterio lmite y el

esfuerzo o condicin monitoreada respectivamente, y Y y X las respectivas desviaciones
estndar.

NOTA: El operador , indica que con el resultado obtenido de la ecuacin entre parntesis,
debe buscarse el valor de probabilidad correspondiente en una tabla de la distribucin
normal

b. Estimacin de la confiabilidad basada en la condicin

Un parmetro de condicin (PC) es cualquier variable fsica que revele informacin acerca de
las caractersticas de desempeo de un equipo o componente. Un Parmetro Relevante de
Condicin (PRC) es un parmetro cuyo valor numrico caracteriza y cuantifica la condicin de
un equipo o componente en cualquier instante de su vida operativa.

Para que un PC sea un PRC, debe cumplir con los siguientes requisitos:
 Caracterizar la condicin del equipo.

Ajustar su valor continuamente durante su vida operativa.

Describir numricamente la condicin del equipo o componente.

Un buen ejemplo de un PRC es el espesor de pared E, el cual es comnmente usado en la

industria petrolera para caracterizar el proceso de deterioro debido al fenmeno Erosin-
Corrosin en tuberas en general y en algunos recipientes a presin. Otros PRC famosos en la
industria del gas y del petrleo son:

Nivel de Vibracin (Equipos Dinmicos)

Partculas Metlicas disueltas en el aceite (Equipos Dinmicos)

Velocidad de Declinacin (Pozos y Yacimientos)

Presion Esttica de Fondo (Yacimientos)

3.1.2 Prediccin del Nmero de Fallas Basado en el Historial de Fallas

En este punto, se presenta la metodologa y la plataforma matemtica para predecir la

disponibilidad en sistemas reparables, a travs del tratamiento estadstico de su historial de
fallas y reparaciones. En otras palabras, los equipos son caracterizados usando su
distribucin probabilstica del tiempo para fallar y el tiempo para reparar.

Este tipo de anlisis es particularmente valioso para equipos dinmicos, los cuales tienen una
frecuencia de falla relativamente alta. Normalmente, la data de fallas y reparaciones est
disponible.

Para equipos reparables existen cinco posibles estados en los que ellos pueden quedar, una
vez reparados despus de una falla:

1. Tan bueno como nuevo

2. Tan malo como antes de fallar.
3. Mejor que antes de fallar pero peor que cuando estaba nuevo.
4. Mejor que nuevo.
5. Peor que antes de fallar.

Los modelos probabilsticos tradicionalmente usados en anlisis de confiabilidad, se basan en

los estados 1 y 2 (estados lmites), sin tomar en cuenta los estados 3, 4 y 5 a pesar de que
el estado 3 es ms realista en la prctica. La razn para esto radica en la dificultad de
desarrollar una solucin matemtica para modelar este estado.[3],[6]

Este trabajo muestra el modelo probabilstico desarrollado, el cual se denomina Proceso

Generalizado de Restauracin (PGR) [3],[6]. Este modelo elimina las limitaciones antes
mencionadas porque toma en cuenta todos los posibles estados de un equipo despus de
una reparacin. Esto da como resultado una nueva plataforma conceptual para anlisis de
confiabilidad en equipos reparables, la cual se ajusta en mayor grado a lo que sucede en la
realidad, eliminando las desviaciones derivadas del uso de los anlisis tradicionales,
especialmente en cuanto a la prediccin del nmero esperado de fallas y el tiempo para la
prxima falla.

Formulacin Matemtica del PGR:

Las ecuaciones bsicas del PGR tienen su base en distribuciones probabilsticas de Weibull
condicionales [3], y son las siguientes:

A partir de estas ecuaciones bsicas y de la data de fallas [(ti)=tiempos de operacin entre

fallas sucesivas] se calculan los parmetros , y q, cuyo significado es:

: parmetro de escala

: parmetro de forma

q : parmetro de efectividad de la reparacin . Este parmetro puede interpretarse, segn

su valor, de la siguiente forma:

q = 0 tan bueno como nuevo

0 < q < 1 mejor que como estaba , pero peor que cuando era nuevo

q = 1 tan malo como estaba

q < 0 mejor que nuevo

q > 1 peor que como estaba

Para obtener los parmetros con este mtodo existen dos alternativas[3] dependiendo del
momento de ejecucin del anlisis.

a. Mtodo de estimacin de la Mxima Probabilidad de Ocurrencia (MPO), para aquellos casos

en los cuales hay suficiente data disponible para el ciclo en anlisis.

b. Teorema de Bayes para aquellos casos en los que no hay suficiente data disponible del
ciclo en anlisis.
Una vez estimados los parmetros de PGR es posible predecir el nmero esperado de fallas
(t), usando un proceso iterativo basado en simulacin de Montecarlo [3],[6]. El diagrama
de flujo para este proceso iterativo se muestra en la figura 7.

Los resultados de las estimaciones hechas con el PGR son mucho ms certeros que las
predicciones tradicionales. Como puede observarse en la figura 7.1, se generaron tres lneas
de prediccin basados en el 25% de los datos de fallas (puntos de falla encerrados con un
cuadro) usando las tres teoras de prediccin del numero de fallas:

Proceso de Renovacin Ordinario, basada en la asuncin de un estado tan bueno

como nuevo despus de la reparacin.
Proceso No Homogneo de Poisson, basada en la asuncin de un estado tan malo
como estaba despus de la reparacin.
Proceso Generalizado de Restauracin (PGR) que considera estados intermedios.

De las tres, solo la correspondiente al PGR coincide con gran precisin con las fallas que
ocurrieron subsecuentemente.
4.- Estimacin de Consecuencias.

En esta seccin se presenta una metodologa para estimar las consecuencias totales que
resultan de la falla de un equipo y/o sistema. El modelo bsico que soporta el trabajo aqu
propuesto es el de Impacto Total en el Negocio desarrollado por John Woodhouse [2].

Modelo Propuesto:

El modelo divide las consecuencias asociadas con una falla particular en cuatro grandes
categoras: Prdidas de produccin, costos de reparacin, impacto ambiental e impacto en
seguridad.

a. Prdida de Produccin:

En este paso, las prdidas de produccin debido a tiempo fuera de servicio son estimadas
usando la siguiente ecuacin: PERDIDA DE PRODUCCIN = PP * RF * TTR

Donde PP es el precio del producto ($/Unid), RF es la reduccin de flujo (Unid/Hr) y TTR, el

tiempo para reparar (Hrs). La variabilidad del costo del producto se incluye con la asuncin
de una distribucin normal.

Reduccin de flujo: La reduccin puede ser total o parcial, dependiendo de otros factores
tales como diseo, redundancias, cargas compartidas o stand by y/o severidad de la falla
(critica o degradacin). Para representar todos los posibles valores de esta reduccin se
defini una distribucin normal.

Tiempo de reparacin: En lo que respecta al tiempo de reparacin, es su valor promedio

(MTTR) el considerado para representar la distribucin de esta variable.
b. Costos de reparacin: La distribucin de los costos de reparacin debe incluir el
espectro de todos los posibles costos, los cuales varan dependiendo de la severidad de la
falla. Durante los ciclos de vida (tiempo entre overhauls), estos costos tienden hacia una
distribucin normal.

c. Impacto Ambiental e Impacto en Seguridad: Las distribuciones de estos impactos, en

la mayora de los casos, son difciles de construir, pues no es fcil encontrar datos y
fundamentalmente requieren ser construidas en base a la opinin de expertos.

5.- El Diagnstico Integral en el Proceso de Confiabilidad

Como se ha estado describiendo en este trabajo, el diagnostico integral es un proceso que

implica el uso de avanzadas tcnicas de clculo para predecir fallas y eventos no deseados e
inferir sus consecuencias; es decir permite estimar el riesgo siguiendo el esquema de la
figura 4 y tambin permite el uso de modelos de decisin como el Modelo Costo Riesgo
explicado en el punto 1.

Hasta este punto, se han descrito brevemente las tcnicas de la Ingeniera de Confiabilidad
que permiten hacer estos clculos.

El proceso conocido como Confiabilidad Operacional; es un enfoque metodolgico donde el

diagnstico integrado se combina con otras metodologas tradicionales del rea de
confiabilidad, tales como: Anlisis de Modos y Efectos de Fallas, Anlisis Causa Raz e
Inspeccin Basada en Riesgo, entre otras; con la finalidad de:

Inferir probabilsticamente todos los escenarios de produccin factibles, a travs de

la prediccin de los periodos de operacin normal y de ocurrencia de eventos o
escenarios no deseados, basados la configuracin de los sistemas, la confiabilidad de
sus componentes y la filosofa de mantenimiento
Identificar acciones concretas para minimizar y/o mitigar la ocurrencia de estas fallas
o eventos no deseados y llevar el riesgo a niveles tolerables
 Explorar las implicaciones econmicas de cada escenario de riesgo posible y disear
planes y estrategias ptimas para el manejo del negocio.

La figura 9, muestra el esquema de integracin del Diagnostico Integrado con otras

metodologas en el enfoque de Confiabilidad Operacional.

Conclusiones

1. La metodologa de diagnstico propuesta, basada en la estimacin del riesgo, integra

herramientas reconocidas de la Ingeniera de Confiabilidad, en una sola plataforma que
permite:

Realizar diagnsticos integrales sustentados en toda la informacin disponible de un

equipo (data histrica, data de condicin y data tcnica).
Hacer seguimiento al estatus de confiabilidad y riesgo de los equipos, subsistemas y
sistemas con la finalidad de tomar las decisiones correctas en el momento
adecuado.
Comparar el costo asociado a una accin de mantenimiento contra el nivel de
reduccin de riesgo o mejora en el desempeo alcanzado debido a dicha accin.

2. El Proceso Generalizado de Restauracin (PGR) usando simulacin de Montecarlo para

obtener el nmero esperado de fallas, representa una excelente herramienta para hacer
predicciones de fallas en sistemas reparables. Los resultados obtenidos con esta herramienta
son ms reales que aquellos obtenidos con los mtodos tradicionales basados en la
asunciones tan bueno como nuevo y tan malo como antes de fallar. Este punto tiene gran
potencial de aplicacin en el rea presupuestaria.

3. El mtodo propuesto para el clculo de confiabilidad basado en datos de monitoreo del

deterioro o datos de condicin, ofrece un mtodo alternativo al tradicional mtodo basado
en la historia de fallas; que resulta particularmente til para equipos y sistemas con tasas
de falla muy bajas; tales como los equipos estticos y provee adems, una va para incluir
estas confiabildades en los modelos generales de plantas y sistemas; fortaleciendo los
criterios para el diseo de polticas y estrategias de mantenimiento a las instalaciones.

Lecciones aprendidas

1. Generalmente, no existen problemas complejos con soluciones sencillas. El anlisis de

confiabilidad y riesgo en las instalaciones de procesos no es un problema sencillo, por ende,
requiere de herramientas y metodologas de clculo con complejidad acorde a la complejidad
del problema. El uso de indicadores de confiabilidad sustentados en simplificaciones para dar
mayor practicidad a su uso, con mucha frecuencia conduce a estimaciones y predicciones
alejadas de la realidad, con el respectivo impacto en el negocio.

2. El proceso de diagnstico de equipos, sistemas y/o procesos es una etapa de vital

importancia en la mejora de la confiabilidad operacional, debido a que permite identificar las
acciones proactivas que puedan efectivamente optimizar los costos y minimizar el impacto de
los mismos en el negocio medular.

3. La ingeniera de Confiabilidad es una herramienta poderossima para agregar valor a una

empresa o proceso productivo; ya que una de las formas mas importantes de agregar valor,
es evitar que se destruya.

REFERENCIAS

1. Yaez, Medardo Gmez de la Vega, Hernando, Valbuena Genebelin, Ingeniera de

Confiabilidad y Anlisis Probabilstico de Riesgo ISBN 980-12-0116-9 - Junio 2003
2. Woodhouse, John, Managing Industrial Risk, Chapman and Hall, Oxford, UK, 1993.
3. Yaez, Medardo - Joglar, Fancisco - Modarres Mohammad, Generalized Renewal
Process for analysis of Repairable Systems with limited failure experience
Reliability Engineering and System Safety Analysis Journal ELSVIER USA 2002
4. Yanez, Medardo Gmez de la Vega, Hernando, Valbuena Genebelin, Gerencia de la
Incertidumbre ISBN 980-12-0115-0 - Marzo 2003
5. Roush M.; Webb W., Applied Reliability Engineering, vol I, The Center for Reliability
Engineering, University of Maryland. College Park. 1999.
6. Kritsov, Vasily. A Monte Carlo Approach to Modeling and Estimation of the
Generalized Renewal Process in Repairable System Reliability Analysis. Dissertation
For The Degree of Doctor of Philosophy, University of Maryland, 2000.
7. Meeker, William Q.; Escobar Luis A., Statistical Methods For Reliability Data. Jhon
Wiley & Sons, New York, 1998.Ahsmmed, M. Probabilistic Estimation of Remaining
Life of a Pipeline in the Presence of Active Corrosion Defects International Journal of
Pressure Vessels and Piping. Vol. 75, 1998: 321-329.
8. Ascher, H.;Feingold, H., Repairable Systems Reliability: Modeling and Inference,
Misconception and Their Causes, Marcel Dekker, NY,1984ASM Metals Handbook,
13, 624, ASM Metals Park, Ohio, 1981.
9. Ebeling, Charles E. An Introduction To Reliability And Maintainability Engineering.
McGraw Hill. New York, 1997.
10.Modarres, Mohammad; Kaminsky, Mark; Kritsov, Vasily. Reliability Engineering And
Risk Analysis. Marcel Dekker, New York,1999.