Trabajo Yo Aldo y Rai

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
FACULTAD DE INGENIERÍA GEOLÓGICA, MINERA, METALÚRGICA Y

GEOGRÁFICA
EAP INGENIERÍA DE MINAS
Modelo de Gestión de Mantenimiento

de Equipos en Minería
RCM (Mantenimiento Centrado en la
confiabilidad)
GESTIÓN Y MANTENIMIENTO DE EQUIPOS MINEROS
André Renato Borda Merino | 15160056 | 3/7/2018

Facultad de Ingeniería Geológica, Minera, Metalúrgica y Geográfica
EAP Ingeniería de Minas
Introducción
En la industria minera actual, los requerimientos de equipos y sistemas crecen en
complejidad debido al avance de la tecnología y automatización dentro del rubro,
ayudado por el desarrollo de la tecnología, el aumento de los volúmenes de producción
y las variaciones en el mercado de valores, lo cual empuja a operaciones de mayor
envergadura para que la explotación sea económicamente viable y beneficiosa para las
partes interesadas.
En este marco, los equipos juegan un papel sumamente importante ya que estos
dependen todo el trabajo. De nada serviría u programa de producción perfectamente
planificado si es que los equipos en la práctica no realizaran un trabajo a plena potencia
y de manera eficiente. La razón por la que estos inconvenientes podrían presentarse, y
de hecho lo hace, es debido al desgaste inherente a las actividades que se dan en minería
y, por lo tanto, a la posible falla de los componentes que forman la maquinaria.
Al igual que cualquier proceso o adversidad, se debe entender las razones y las causa,
cuantificarlas y después de eso, se pueden gestionar y/o planificar para evitar futuros
inconvenientes.
Es por esto que existe el mantenimiento, como alternativa frente a la probabilidad de

falla de los equipos por alguna variable, y así, lograr una producción eficiente y un
beneficio en general para la empresa.
Ante esta realidad se formulan distintos tipos de preguntas:
− ¿Necesita mi flota de equipos un modelo de gestión de mantenimiento distinto

al actual?
− ¿Me genera algún beneficio que amerite el trabajo extra que implementar
requiere?
− ¿Cómo sustento mi propuesta ante mis superiores?
− ¿Qué modelo se ajusta más a mi realidad o cuál es el que mejor la representa?
Este tipo de preguntas son las que trataremos de desarrollar a lo largo de este muy breve
trabajo.
1
PARADIGMAS
- En la industria los equipos y sistemas son cada vez más complejos y sofisticados
(Automatización)
- Existen mayores exigencias en la eficiencia de los costos de vida útil de los
equipos en cualquier área de trabajo.
- Cada fabricante intenta llegar al objetivo mínimo de calidad exigido por el
mercado (Teoría vs Práctica)
OBJETIVOS
Desde la elección del equipo según las necesidades o requerimientos, se necesita tomar
en cuenta los siguientes aspectos puntuales:
− Equipos confiables
− “Fácil” mantenimiento
− Funcionamiento seguro y económico (Vida útil)
CONFIABILIDAD
Podría definirse que la certeza de un hecho (falla del equipo) es un acontecimiento
determinista con un resultado finito.
En cambio, la incertidumbre de un hecho sería un acontecimiento indeterminista con

un resultado probabilístico.
Desde el punto de vista de la ingeniería, la confiabilidad es la probabilidad de que un

aparato, equipo o persona desarrolle una determinada función bajo condiciones fijadas
durante un periodo de tiempo determinado.
La confiabilidad de un elemento puede ser caracterizada a través de distintos modelos

de probabilidades. Podemos describir varias distribuciones de fallas comunes y ver que
podemos aprender de ellas para gestionar los recursos de mantenimiento, convirtiendo
el conocimiento y las fallas anteriores en acciones proactivas de mantenimiento.
2
MARCO TEÓRICO
FUNCIÓN DE DENSIDAD DE PROBABILIDAD
∞
𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫ 𝒇(𝒕)𝒅𝒕

−∞
Para estos estudios, se necesita la data de las fallas anteriores respecto a cada
componente y al tipo de falla que logro, así como datos de vital importancia para el
desarrollo de los análisis: tiempos muertos, el costo delos partes y repuestos, sueldos,
jornales, eficiencia, etc.
Para esto necesitamos pasar la información a histogramas a funciones continuas debido

a que la variable de tiempo a la falla es continua. Estas funciones nos dan una idea clara
de la distribución de la falla. La función PDF (Probability Density Function) indica la
densidad probable de fallas para cada intervalo “t” cuyo total sería el área encerrada bajo
la curva.
La función de densidad de probabilidad ayuda a identificar regiones de mayores y

menores probabilidades para valores de una variable aleatoria.
La función de densidad de probabilidad (PDF) es una ecuación que representa la

distribución de probabilidad de una variable aleatoria continua.
La forma de la PDF es diferente para distribuciones diferentes. La curva familiar con

forma de campana representa la PDF para una distribución normal.
3
CDF (CUMULATIVE DENSITY FUNCTION/ FUNCIÓN DE DENSIDAD

ACUMULATIVA)
𝒙
𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫ 𝒇(𝒕)𝒅𝒕

−∞
Sería la probabilidad de que falla en el tiempo “t”. representando el área bajo la curva –
∞ a “t”, la acumulación de fallas transcurrido “t” (El fracaso)
La función de distribución acumulada (CDF) calcula la probabilidad acumulada de un

valor dado de “x”. Se utiliza la CDF para determinar la probabilidad de que una
observación aleatoria que se toma de la población sea menor que o igual a cierto valor.
También puede usar esta información para determinar la probabilidad de que una
observación sea mayor que cierto valor o se encuentre entre dos valores.
CONFIABILIDAD R(T) (RELIABILITY)

Esta es la probabilidad de éxito o sea que sobrevivan sin falla transcurrido el mismo
tiempo “t”. representa el área bajo la curva “t” a infinito.
𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫ 𝒇(𝒕)𝒅𝒕

𝒕
4
FUNCIÓN RIESGO H(T)

El último tipo de función que tenemos derivada de las anteriores funciones Riesgo,
también llamada tasa de falla λ en determinados contextos como el de mantenimiento.
El modelamiento de las probabilidades de falla está condicionado a la etapa de vida en

que se encuentre el elemento. Con la curva de la “bañera” es posible modelar el
comportamiento en cada una de las tres etapas de la tasa de falla a través de leyes
conocidas de probabilidades.
5
La distribución de fallas de diferentes tipos de maquinaria no son las mismas. Aun

variando en una misma maquinaria su operación. Sus definiciones en términos de
funciones pdf, cdf y tasa de falla de los datos reales de mantenimiento dan forma a
determinadas expresiones matemáticas conocidas como distribuciones.
Entre estas se encuentran:
 Distribución exponencial
 Distribución normal
 Distribución lognormal
 Distribución Weibull
Que representan familias de ecuaciones (o curvas gráficas) cuyos miembros varían en

forma porque difieren sus parámetros
6
Con estos conceptos probabilísticos, podemos iniciar la batalla contra la incertidumbre

de las fallas en los equipos. Así, podremos describir varias distribuciones de fallas
comunes y ver que podemos aprender de ellas para gestionar los recursos de
mantenimiento. El conocimiento obtenido de ellas es puede ser convertido en acciones
proactivas.
Prediciendo cuando las fallas probablemente ocurran, podremos determinar el mejor

momento para el mantenimiento preventivo o reemplazo preventivo y las políticas de
mantenimiento relacionadas con el periodo óptimo para operar hasta la falla o
inspección.
De acuerdo a lo mostrado por las funciones descritas, son transformadas en distribución

de probabilidades ploteando los datos históricos o utilizando bases de datos.
Para encontrar la distribución apropiada para un componente o sistema real, se tienen

dos posibilidades:
 Por testeo extensivo de datos históricos.

 Estimar parámetros por muestreo estadístico.
Esto se podría resumir de la siguiente manera:
1. Utilizar datos históricos de fallas

2. Utilizar la función apropiada que representa nuestra situación
3. Construir un modelo matemático que represente el problema en estudio
4. Con los datos históricos analizamos los resultados gráficos del modelo
matemático empleado
5. Con este análisis tomamos las decisiones de mantenimiento optimas
Todo en función de poder entender el problema subyacente, pronosticas fallas y analizar

los riesgos para tomar mejores decisiones de mantenimiento.
Estas decisiones impactaran el momento elegido para reemplazo, reparación o Overhaul

de maquinaria, como así también optimizar cualquier otra tarea de gestión del
mantenimiento, principalmente las inspecciones y gestión de repuestos.
7
Distribución WEIBULL
La distribución de Weibull es una de las más utilizadas para modelar datos no normales.
La distribución de Weibull se describe según los parámetros de forma, escala y valor
umbral. Dependiendo de los valores de los parámetros, la distribución de Weibull puede
adoptar diversas formas.
Se trata de un modelo continúo asociado a variables del tipo tiempo de vida, tiempo
hasta que un mecanismo falla, etc. La función de densidad de este modelo viene dada
por:
Donde (β) es el parámetro “forma”, (η) es el parámetro escala y (ϒ) es le parámetro de

localización.
El parámetro “forma” determina la ratio de falla; si es que incrementa, decrece o es

constante
 β>1 representa el incremento de la relación de fallas

 β<1 representa el decrecimiento de la relación de fallas
 β=1 representa una relación constante de fallas
El parámetro de localización es el tiempo en el que el equipo pude trabajar sin ninguna

falla y que esto influya en el cambio de la distribución a lo largo de este eje. Cambiando
el parámetro de escala tiene el mismo efecto que cambiar la escala en la abscisa.
Si η es incrementado mientras β y ϒ se mantienen iguales, la distribución tiende a la

derecha y su altura decrece mientras mantiene la forma y la localización.
Una de las ventajas principales de la distribución de Weibull es que puede ser similar a
las características de otros tipos de distribuciones, lo que la hace muy flexible para
ajustarse a diferentes tipos de datos.
8
DECISIONES EN MANTENIMIENTO
La noción del mantenimiento “planeado” pareciera contradecir el hecho de que las fallas
ocurren de manera aleatoria. ¿Es el término mantenimiento planeado contradictorio?
En la gestión de mantenimiento, los análisis de confiabilidad de dos dimensiones

(tiempo operacional vs probabilidad de falla), por lo general, arrojan resultados
generales y poco confiables. Entre estas dos dimensiones, la “edad operacional” del
componente es un factor que mezcla las diferentes variables desconocidas pero
significativas en un análisis.
La única manera de influenciar el análisis de confiabilidad es a través de la dimensión

“tiempo”.
Conocer exactamente la distribución de probabilidad de falla es posible, siempre que

dispongamos de una muestra de los ciclos de vida de un ítem (o flota de ítems) y
podamos representar estos ciclos de vida gráficamente, en forma de rectángulo, en
donde el ancho relaciona los intervalos de edad convenientes (ej. un mes) y la altura el
porcentaje de las unidades que fallaron en ese intervalo de edad. Estos rectángulos
trazaran la forma de la distribución de probabilidad de falla.
Según lo anterior, la falla de un componente probablemente ocurrirá alrededor de la

cima de la curva. El tiempo promedio de la falla es lo que se obtiene multiplicando el
área de cada rectángulo por su edad en el eje horizontal.
Cada operación proporciona un producto, con la sumatoria de estos productos se

obtiene el MTTF (Mean Time to Failure). Podemos concluir, que se puede conocer la
forma precisa de cualquier curva de densidad de probabilidad de falla y el MTTF del
componente.
9
Si la curva fuese angosta podríamos realizar un mantenimiento preventivo justo antes

de la edad en la cual la probabilidad de falla se eleva drásticamente. La forma de la curva
varía en cada equipo dependiendo de diversos factores que pueden variar entre el tipo
de trabajo, las condiciones en lo que se da y la frecuencia con la que lo realiza, existen
muchos otros factores además del tiempo que influyen
La grafica FDP es una representación bidimensional que resume la relación entre la

confiabilidad y la edad operacional. Todos los demás factores que intervienen están de
alguna forma entretejidos invisiblemente en esta gráfica. La relación “total” resultante
representada por la PDF camufla los demás factores/variables. Sin embargo, todos estos
pueden influenciar significativamente la probabilidad de falla.
Nuestro objetivo y el de todas las personas involucradas en mantenimiento es encontrar

el cómo modificar la forma de esta distribución para que se parezca a la curva de banda
angosta y de este modo dejar de considerar la edad como único criterio de decisión.
Para una gestión de mantenimiento efectiva, se debe incluir todas las variables
disponibles y significativas en nuestro modelo de decisión. La toma de decisiones en
mantenimiento es multidimensional.
Por lo cual, puede ser necesario agregar una tercera dimensión a la gráfica FDP de
distribución de probabilidad de falla. La tercera dimensión representará alguna variable
significativa que influya en la probabilidad de falla de nuestro componente.
Una vez más podemos establecer la distribución de probabilidad de falla, pero esta vez
incorporando, por ejemplo, el hecho que el contenido de hierro en el aceite lubricante
es cuando menos 100 ppm.
Una nueva distribución, en el plano de los 100ppm, puede obtenerse de este análisis. La
distribución verde de la gráfica 3 suministra un rango de tiempo más angosto
(asumiendo que el contenido de hierro es una variable predictiva significativa)
para pronósticos de falla.
Agregando esta tercera dimensión ganamos un grado mayor de confianza para la toma
de decisiones porque nuestra relación con la confiabilidad no está representada
únicamente por una curva bidimensional, sino por una superficie tridimensional que
contiene información adicional relevante.
Aunque la visión de nuestra mente no se extiende más allá de la tercera dimensión, no

hay límite al número de dimensiones (variables significativas) que podamos incluir
dentro de nuestro análisis. Podemos agregar una dimensión adicional para el proceso de
análisis por cada variable que consideremos sea un factor significativo de influencia de
la probabilidad de falla.
El agregar variables significativas a los análisis de confiabilidad para el proceso de toma

de decisiones de mantenimiento es lo que realmente da sentido al Mantenimiento
Basado en Condición.
10
INFORMACIÓN CORRECTA
Estas variables de monitoreo son consideradas unos de los tipos de datos necesarios para
llevar a cabo un análisis de confiabilidad.
Los datos de tiempos y de monitoreo de condición son en realidad las dos caras de la
misma moneda, pero generalmente están contenidos en diferentes sistemas de
información.
Un análisis simultáneo genera la posibilidad de descubrir patrones en los datos de

condición que puedan ser correlacionados con los datos de tiempo de vida (eventos de
falla) con el fin de aumentar la capacidad predictiva de nuestros programas.
Entre estos datos se puede dar un especial énfasis a lo siguiente:
Datos de Edad (Datos de ciclo de vida, datos de eventos)
 Datos que describen el inicio de ciclo de vida

 Datos que describen el fin de ciclo de vida
 Fin de ciclo de vida por falla:
 Falla Funcional (FF)
 Falla Potencial (PF)
 Fin de ciclo de vida por suspensión
 Eventos no rejuvenecedores
Datos de Monitoreo de Condición
 Datos de los instrumentos y los programas establecidos para predecir y mitigar las
consecuencias de fallas.
 Datos del proceso de las bases de datos de los sistemas de control en tiempo real
 Variables internas que reflejan la degradación del equipo o la condición del proceso
(presión diferencial, cambios de temperatura)
 Variables externas que reflejan esfuerzos externos impuestos en los activos.
Los datos respectos a la edad o tiempos son los que mayor influencia tienen en los
modelos.
11
Basándonos en la compilación de “Códigos de falla” ambiguos en la orden de trabajo

para representar Modos de Falla, omitimos en la orden de trabajo la distinción del Tipo
de Evento de la instancia del modo de falla (falla o suspensión) requerido para el análisis
de confiabilidad.
COMPONENTES DEL MEJORAMIENTO CONTINUO
El diagrama especifica la interacción entre los componentes estándar de la gestión de

mantenimiento. Estos incluyen:
1. Desarrollo de la base de conocimiento (RCM, tablas de códigos de falla, conocimientos

relacionados a la seguridad)
2. Gestión de las ordenes de trabajo
3. Monitoreo de condición y operación
4. Procedimientos analíticos.
Estas cuatro clases de sistemas deben trabajar en conjunto. El conocimiento estratégico

de mantenimiento se incrementa a través del análisis da las bases de datos del CMMS y
del monitoreo de condición/operación. Este conocimiento se deriva del análisis de las
instancias de los modos de falla RCM en las órdenes de trabajo.
Los bloques de la izquierda representan las herramientas de análisis disponibles en un

departamento de mantenimiento.
Estas no pueden ser utilizadas sin el conocimiento de los modos de falla registrados en
el ejercicio RCM. El CMMS registra la ocurrencia de cada unidad de conocimiento
(modo de falla) en términos precisos de RCM. Dicha precisión en RCM resulta de haber
descrito el modo de falla en el contexto de la función que debe ser conservada, la forma
en que la función se ha visto comprometida (la Falla) y la información relevante entorno
al evento que provocó la falla (los Efectos).
Las herramientas de análisis y las bases de conocimiento están representadas por el

diagrama de bloque izquierdo y derecho respectivamente. Los sistemas de monitoreo
están agrupados arriba de los bloques. El CMMS, representado como el bloque base,
soporta los otros tres grupos.
12
En el centro y uniendo los cuatro componentes está el sistema RCM Viviente (LRCM)
que asegura que las ordenes de trabajo representen verdaderas instancias de registros
de conocimiento (modos de falla). De este modo estas instancias pueden ser analizadas
(“contadas”) usando una variedad de herramientas de Análisis de Confiabilidad. El
análisis mejorará el mantenimiento basado en la evidencia al modificar las tareas
basadas en la condición y en la edad.
MODELOS
Una de las principales herramientas en este avance científico hacia la optimización de
las decisiones de Gestión son los modelos matemáticos como simple representación del
problema en estudio.
En la aplicación de técnicas cuantitativas de gestión, el tipo de modelo usado es

frecuentemente un modelo simbólico donde los componentes del sistema están
representados por símbolos y la relación de estos componentes está representada por
ecuaciones matemáticas.
Reemplazo Preventivo Optimo de un ítem sujeto rotura
Construcción del Modelo

Decimos que el costo total de reemplazo es:
Modelo matemático
𝐶𝑝 𝑥 𝑅(𝑡𝑝) + 𝐶𝑓 𝑥 [1 − 𝑅(𝑡𝑝)]
𝐶(𝑇𝑝) = tp
𝑡𝑝 𝑥 𝑅(𝑡𝑝) + ∫−∞ 𝑡𝑓(𝑡)𝑑𝑡
 Cp: Costo del reemplazo preventivo

 R(tp): es la confiabilidad. Aquí el éxito es llegar al reemplazo preventivo.
 Cf: costo total del Reemplazo por falla (Fracaso)
 tp: Tiempo medio del reemplazo preventivo
tp
 ∫−∞ 𝑡𝑓(𝑡)𝑑𝑡Es el tiempo medio MTTF (Mean Time to Failure)
 t f(t): tiempo medio del reemplazo por falla
 f(t): es el pdf para la distribución de Weibull
13
GRUPO ELECTRÓGENO CATERPILLAR C175-20 SERVICIO DE

EMERGENCIA4000 kVA @ 1500 RPM 11 kV - 50 Hz
Costo falla imprevista Cf = $1725 (lucro cesante + rebobinado).
– Costo rebobinado Preventivo Planificado Cp= $100
– Costo rebobinado imprevisto $ 125
14
Ploteo de datos en papel de Weibull
El procedimiento es convertir los datos de falla representativos de cdf, esto es realizado
ploteando en Weibull tiempo a la falla contra función cdf.
MODELOS MATEMÁTICOS PARA EL INTERVALO OPTIMO DE INSPECCIÓN

Y SUS BENEFICIOS
El propósito básico es determinar el estado del equipo, obteniendo el máximo beneficio
y las mínimas perdidas. Para esto se cuenta con los siguientes parámetros:
1. Frecuencia de inspección: Para equipamiento que es continua operación y sujeto a

falla.
Para los profesionales de mantenimiento hoy en día, resulta relativamente fácil

encontrar las estrategias a seguir en cuanto a la escogencia del tipo de mantenimiento
adecuado para cada modo de falla, sin embargo, a la hora de calcular la frecuencia de
inspección, la literatura actual nos ofrece una manera que se basa en la curva P-F, donde
el tiempo entre inspecciones para algunos, debe ser la mitad del tiempo entre la falla
potencial y la falla funcional (intervalo P-F) y para otros, el tiempo entre inspecciones
debe ser menor que el intervalo P-F asegurando que la diferencia entre ambos sea mayor
al tiempo de reparación.
Lamentablemente esta forma de calcular la frecuencia de inspección tiene los siguientes

inconvenientes:
- No se posee suficiente data para construir una curva para cada modo de falla
- La curva varia si es afectada por factores externos tales como variaciones en el
contexto operativo, fallas operacionales y deficiencias relacionadas con
ingeniería y mantenimiento
1
En la mayoría de los casos, la frecuencia es calculada con la ayuda de una curva P-F
general solo para algunos componentes principales del equipo a ser inspeccionado, o
utilizando criterios gerenciales no formales, basados en el costo de las inspecciones
versus el costo de no poder predecir la falla.
Debido a lo anteriormente expuesto y como una forma para calcular de manera formal
la frecuencia de las inspecciones, tomando en cuenta la relación riesgo - costo –
beneficio, y justificando así, las decisiones del gerente del área de mantenimiento, en lo
concerniente al impacto de las estrategias a ser tomadas en el presupuesto de gastos de
fábrica, se desarrolla a continuación un modelo matemático que pretende dar una idea
cercana del valor del tiempo entre inspecciones predictivas.
El valor del intervalo entre inspecciones predictivas será directamente proporcional a

tres factores: el factor de costo, el factor de falla y el factor de ajuste. Así, la relación
matemática estará definida como:
I=C×F×A
Donde
C es el factor de costo
F es el factor de falla y
A es el factor de ajuste
2. Intervalos de inspección: Para equipamiento usado solamente en condiciones de

emergencia.
Los intervalos de tareas según condición para los modos de fallas relacionados con la
seguridad y el medio ambiente pueden ser calculados usando estas dos ecuaciones:
I = P-F / n
Donde:
I = intervalo de inspección
P-F = intervalo de falla potencial
n = número de inspecciones en el intervalo P-F
Asignar una probabilidad aceptable de falla para detectar una falla potencial produce
una segunda ecuación que puede ser utilizada para determinar n.
2
n = ln (Pacc) / ln (1-θ)
Donde:
n = número de inspecciones en el intervalo P-F
θ = probabilidad de detectar una falla potencial con una ocurrencia de la tarea según
condición propuesta, asumiendo que se produce la falla potencial
Pacc = probabilidad aceptable de falla
3. Monitoreo de condición.
El monitoreo de condición es el proceso que consiste en determinar el estado de la

maquinaria durante su funcionamiento. Las claves para el éxito de un programa de
monitoreo de condición son:
- Saber qué es lo que se debe escuchar

- Cómo interpretarlo
- Cuándo poner en práctica ese conocimiento
El uso correcto de este programa permite reparar los componentes problemáticos antes
de que se produzca una falla. El monitoreo de condición no sólo ayuda al personal de la
planta a reducir la posibilidad de una falla catastrófica, sino que le ayuda además a
encargar sus piezas por adelantado, programar la mano de obra y planificar otras
reparaciones durante las paradas.
Beneficio por cuenta optima
1. Mientras que con el reemplazo preventivo nos centramos en la última parte de la curva
de la bañera, con las inspecciones estamos actuando en la parte de Vida Útil, donde las
fallas son aleatorias y responden a la exponencial negativa.
3
MTTF = 1/λ
2. Tiempo de reparación 1/µ Nº reparaciones /unidad de tiempo
3. Política de Inspección 1/i Nº inspecciones/unidad de tiempo
4. Expresamos con B al valor del beneficio si no hay paradas.
5. Costo promedio de la Inspección por unidad de tiempo I.
6. Costo promedio de reparación por unidad de tiempo no interrumpido R.
P(n): Valor del Beneficio con operación interrumpida por reparaciones en la unidad de
tiempo.
𝜆𝑛 𝑛 𝜆𝑛 𝑛
𝑃(𝑛) = 𝐵 − 𝐵 − 𝐵 − 𝑅 −𝐼
µ 𝑖 µ 𝑖
•B: Beneficio de la operación no interrumpida por unidad de tiempo.
• Perdida de Beneficio por Reparaciones, donde λ(n) es el Nº de Reparaciones y µ el

𝜆𝑛
tiempo medio de reparaciones MTTR. µ
• Perdida de Beneficio por inspecciones, donde n es el Nº de Inspecciones e i el tiempo

𝑛
medio para las inspecciones. 𝑖
•R es el costo promedio de reparaciones.
•I es el costo promedio de inspecciones.
4
5
La premisa fundamental sobre la que se basa el mantenimiento Planificado es muy

sencilla, no basta con reparar la avería una vez ocurrida, sino que es necesario prevenirla.
Con este objetivo nosotros realizamos inspecciones periódicas de los equipos y
rectificamos cualquier menor defecto.
Lógicamente estas inspecciones tienen costo en términos de M.O., insumos, materiales

y Hs de Producción.
El Objetivo es determinar la política de Inspección que dé el balance correcto entre el

número de inspecciones y los beneficios resultantes de su aplicación.

Trabajo Yo Aldo y Rai

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Trabajo Yo Aldo y Rai

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE INGENIERÍA GEOLÓGICA, MINERA, METALÚRGICA Y

Modelo de Gestión de Mantenimiento

André Renato Borda Merino | 15160056 | 3/7/2018

Es por esto que existe el mantenimiento, como alternativa frente a la probabilidad de

Ante esta realidad se formulan distintos tipos de preguntas:

− ¿Necesita mi flota de equipos un modelo de gestión de mantenimiento distinto

− ¿Cómo sustento mi propuesta ante mis superiores?

− ¿Qué modelo se ajusta más a mi realidad o cuál es el que mejor la representa?

− Funcionamiento seguro y económico (Vida útil)

En cambio, la incertidumbre de un hecho sería un acontecimiento indeterminista con

Desde el punto de vista de la ingeniería, la confiabilidad es la probabilidad de que un

La confiabilidad de un elemento puede ser caracterizada a través de distintos modelos

𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫ 𝒇(𝒕)𝒅𝒕

Para esto necesitamos pasar la información a histogramas a funciones continuas debido

La función de densidad de probabilidad ayuda a identificar regiones de mayores y

La función de densidad de probabilidad (PDF) es una ecuación que representa la

La forma de la PDF es diferente para distribuciones diferentes. La curva familiar con

CDF (CUMULATIVE DENSITY FUNCTION/ FUNCIÓN DE DENSIDAD

𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫ 𝒇(𝒕)𝒅𝒕

La función de distribución acumulada (CDF) calcula la probabilidad acumulada de un

CONFIABILIDAD R(T) (RELIABILITY)

𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫ 𝒇(𝒕)𝒅𝒕

FUNCIÓN RIESGO H(T)

El modelamiento de las probabilidades de falla está condicionado a la etapa de vida en

La distribución de fallas de diferentes tipos de maquinaria no son las mismas. Aun

Entre estas se encuentran:

Que representan familias de ecuaciones (o curvas gráficas) cuyos miembros varían en

Con estos conceptos probabilísticos, podemos iniciar la batalla contra la incertidumbre

Prediciendo cuando las fallas probablemente ocurran, podremos determinar el mejor

De acuerdo a lo mostrado por las funciones descritas, son transformadas en distribución

Para encontrar la distribución apropiada para un componente o sistema real, se tienen

 Por testeo extensivo de datos históricos.

Esto se podría resumir de la siguiente manera:

1. Utilizar datos históricos de fallas

Todo en función de poder entender el problema subyacente, pronosticas fallas y analizar

Estas decisiones impactaran el momento elegido para reemplazo, reparación o Overhaul

Donde (β) es el parámetro “forma”, (η) es el parámetro escala y (ϒ) es le parámetro de

El parámetro “forma” determina la ratio de falla; si es que incrementa, decrece o es

 β>1 representa el incremento de la relación de fallas

El parámetro de localización es el tiempo en el que el equipo pude trabajar sin ninguna

Si η es incrementado mientras β y ϒ se mantienen iguales, la distribución tiende a la

En la gestión de mantenimiento, los análisis de confiabilidad de dos dimensiones

La única manera de influenciar el análisis de confiabilidad es a través de la dimensión

Conocer exactamente la distribución de probabilidad de falla es posible, siempre que

Según lo anterior, la falla de un componente probablemente ocurrirá alrededor de la

Cada operación proporciona un producto, con la sumatoria de estos productos se

Si la curva fuese angosta podríamos realizar un mantenimiento preventivo justo antes

La grafica FDP es una representación bidimensional que resume la relación entre la

Nuestro objetivo y el de todas las personas involucradas en mantenimiento es encontrar

Aunque la visión de nuestra mente no se extiende más allá de la tercera dimensión, no

El agregar variables significativas a los análisis de confiabilidad para el proceso de toma

Un análisis simultáneo genera la posibilidad de descubrir patrones en los datos de

Entre estos datos se puede dar un especial énfasis a lo siguiente:

Datos de Edad (Datos de ciclo de vida, datos de eventos)

 Datos que describen el inicio de ciclo de vida

Datos de Monitoreo de Condición

Basándonos en la compilación de “Códigos de falla” ambiguos en la orden de trabajo

COMPONENTES DEL MEJORAMIENTO CONTINUO

El diagrama especifica la interacción entre los componentes estándar de la gestión de

1. Desarrollo de la base de conocimiento (RCM, tablas de códigos de falla, conocimientos

Estas cuatro clases de sistemas deben trabajar en conjunto. El conocimiento estratégico

Los bloques de la izquierda representan las herramientas de análisis disponibles en un