Utilice el Anlisis Estadstico para Crear Lmites

para Partculas de Desgaste

Una de las preguntas ms frecuentes realizadas a los laboratorios de anlisis de aceite es Cul es el lmite critico
en metales de desgaste para mi equipo? Por aos, los laboratorios de anlisis de aceite han sido reacios a
suministrar ese tipo de informacin. Esto se debe particularmente a que no todos los laboratorios han establecido
correctamente los lmites de desgaste, y suministrando esta informacin a supervisores de mantenimiento poco
entrenados puede resultar en reparaciones prematuras e injustificadas. Con un enfoque actual de mantenimiento
ms sofisticado e ingenieros y supervisores ms preparados, es ms fcil explicar y justificar lmites condenatorios
para una gran variedad de componentes de mquinas.
Esto permite a los usuarios del anlisis de aceite tomar el control de la interpretacin y administracin de los
resultados. Este artculo est enfocado hacia el establecimiento de lmites en partculas de desgaste comnmente
utilizado por laboratorios comerciales de anlisis de aceite y los fabricantes de equipos uno que pueda ser
adaptado fcilmente para permitir a los usuarios de anlisis de aceite establecer sus propios lmites en partculas
de desgaste.
Lmites Estadsticos de Metales de Desgaste
El uso de la estadstica es esencial para establecer lmites en cuanto a la concentracin de metales de desgaste.
Los laboratorios de anlisis de aceite y los fabricantes de equipos utilizan algunos mtodos para determinar los
lmites de metales de desgaste. La ms comn, y que se adapta ms rpidamente para que los usuarios definan
sus lmites, es el uso de un modelo simple estadsticos para analizar el universo de resultados procedentes de
componentes similares. Este modelo asume que la concentracin de elementos de equipos similares cae dentro
de una distribucin normal (Figura 1). En una distribucin normal, el promedio (x) de todos los datos es el valor
reportado ms comn, con una cierta probabilidad, como se indica, de que las lecturas pueden caer por encima o
por debajo de este valor.

Figura 1. Curva de Frecuencia

Para calcular el promedio, sume todos los datos y divdalos por el nmero de datos.

Sin embargo, lo que se requiere para definir lo que es normal bajo este tipo de distribucin es conocer no
solamente el promedio de todos los datos, sino tambin el rango de valores que es posible, representado por el
ancho de la curva (Figura 1). Para definir el ancho o rango, los estadsticos introducen el concepto de desviacin
estndar, la cual en trminos generales es una medida del ancho o rango de una distribucin normal. La desviacin
estndar, representada por la letra griega , puede ser calculada utilizando la siguiente frmula matemtica:

En esta ecuacin, xi representa cada resultado o dato, es el promedio de todos los datos, y el nmero total de
datos. La Tabla 1 muestra un ejemplo de cmo se puede calcular basado en los datos de 10 resultados simples.

Suponiendo una distribucin normal, cualquier lectura que caiga entre x est en dentro del 68 por ciento de
todos los valores; los limites de precaucin para el anlisis de metales de desgaste que utilizan este enfoque se
establecen en x . Expandiendo el intervalo a x 2 significa que cualquier lectura que caiga dentro de este
rango est dentro del 95 por ciento de todos los valores. x 2 es normalmente utilizado como el lmite
condenatorio para concentraciones de metales de desgaste. Basado en esto y en los resultados dados en la Tabla
1, el lmite de precaucin para estos resultados debera ser de 28.0 (x ), y el lmite crtico en 33.3 (x 2).

El valor de esta forma de establecer los lmites de desgaste es que este representa con bastante exactitud
la concentracin esperada de metales de desgaste en las muestras de aceite usado siempre que el
conjunto de datos se seleccione de manera adecuada y que sea lo suficientemente grande (normalmente >
25 datos se considera suficiente). La mayora de los programas comerciales de anlisis de aceite, al igual
que las conocidas hojas de clculo, son capaces de calcular directamente el promedio y la desviacin
estndar de un grupo seleccionado de muestras, simplificndole la tarea de la definicin de lmites al
usuario.

Seleccin de Resultados
La precisin de la distribucin normal para establecer las alarmas para los metales de desgaste depende no
solamente del tamao de la base de datos, sino tambin de la similitud de los componentes y los resultados de las
muestras de donde se seleccionan los datos. Por ejemplo, tomar simplemente los datos de desgaste de todos los
componentes identificados como caja de engranajes no suministra una descripcin detallada para obtener
resultados precisos. Esto se debe a que las tasas de desgaste de cada caja de engranajes depende del tipo de
engranaje (hipoidal, recto, etc.), la metalurgia (acero al carbono, bronce fundido, etc.), la aplicacin y carga a la
cual el engranaje est sometido y muchos otros factores. El criterio de seleccin que debera ser utilizado para
definir los componentes que deben ser incluidos en una base de datos se muestran en la Pirmide (Figura 2).
Es importante notar que con cada cambio en los criterios de seleccin, los resultados de las muestras a usar en la
base de datos cambian significativamente, dando como resultados alarmas y lmites diferentes. Por ejemplo, una
transmisin. Usando la descripcin transmisin de cambios auto/asistida puede llevarnos a los limites
condenatorios descritos en la Figura 3a basados en los resultados de las muestras seleccionadas bajo el termino
general de transmisin. Aadiendo una descripcin ms especfica, en este caso el fabricante Allison, para
redefinir la base de datos, da como resultado un cambio significativo en el clculo de los limites de alarma Figura
3b. Si adems redefinimos la base de datos agregando el modelo de la transmisin, esto da como resultado otro
cambio significativo en los lmites de alarma Figura 3c. En general, mientras se utilicen ms detalles para definir
la base de datos, ms precisos sern el anlisis estadstico y el establecimiento de los lmites. De hecho,
redefiniendo la base de datos de acuerdo con los criterios indicados en la Figura 2, los datos pueden ser redefinidos
de tal manera que el anlisis estadstico sera verdaderamente representativo de lo que se considerara normal para
un componente especfico y adems de alarmas y limites ms precisos y significativos.