El verdadero significado de las 6 curvas RCM

Posted on Mayo 11, 2011 by Luis Hoyos Vásquez

Usted posiblemente está preguntándose por las famosas “curvas RCM” mostradas
en la figura 1. Estas son las curvas de comportamiento de Edad-Confiabilidad que
grafican la Probabilidad Condicional de falla contra la edad. Una pregunta común
es la siguiente.
“¿Representan realmente estas curvas el comportamiento real de falla del ítem
para, por ejemplo, los 139 ítems cubiertos por el estudio Nowlan & Heap,? o
¿Representan estas curvas la relación efectiva neta entre edad – confiabilidad,
considerando que la mayoría de estos ítems estuvieron sujetos a un mantenimiento
periódico?”

Figure 1 Las seis curvas RCM de comportamiento de falla

Estas son excelentes preguntas. Muchos Ingenieros de Mantenimiento y

Confiabilidad no están completamente seguros de la respuesta ni de sus
explicaciones correspondientes.
Contents [show]

Introducción
El objetivo de realizar un “análisis de confiabilidad” para trazar estas curvas es el
de descubrir el verdadero comportamiento de la falla de un ítem con respecto a cada
uno de sus modos de falla significativos [1], sin importar el plan de mantenimiento
implementado. ¿Cómo es esto posible? ¿Acaso, no estamos basando nuestro
análisis en datos de los equipos que se han mantenido según las actuales estrategias
del mantenimiento?
La respuesta es que al momento del mantenimiento (digamos, renovación
preventiva de un componente) seguramente hacemos algunas observaciones sobre
el estado de los ítems mantenidos. En ese momento es improbable que hayamos
observado que todos los ítems renovados estuvieran al borde de la falla. De igual
manera, es posible (a menos que el plan de mantenimiento preventivo (PM) sea muy
conservador) que algunos ítems hayan fallado antes del momento PM. Es decir, que
la falla se haya presentado durante el servicio. Por otra parte, puede que algunos de
los ítems renovados no hayan estado en estado de falla al momento PM sino por el
contrario, hubieran estado en condiciones excelentes. Finalmente, es posible
también encontrar algunos de los ítems a punto de fallar funcionalmente. En este
caso podemos considerar el PM como “oportuno”.

Un mantenedor astuto, consciente de las observaciones anteriores, sin duda

preguntaría: ¿Cuál es el punto óptimo para conducir el mantenimiento? ¿Qué
programa PM (estrategia) tendrá el mayor beneficio?, es decir, ¿cuál nos dará la
mejor disponibilidad total sobre la flota a largo plazo? El gerente reconoce que el
ser demasiado conservador sería una estrategia poco rentable debido al cambio de
componentes en perfecto estado. De la misma manera, tampoco quisiera una
estrategia muy liberal al seleccionar intervalos de mantenimiento muy largos. Esto
daría lugar a un número excesivo de fallas en servicio, aumentando los costos y
reduciendo tanto la confiabilidad como la disponibilidad.

Asumamos que el verdadero comportamiento de la falla es el mostrado en el gráfico

de la figura 2, la cual representa el Patrón B de las seis curvas de comportamiento de
falla de la figura 1.

Figure 2 Conditional
probability of failure curve for an item that ages – Failure Pattern B
La figura 2 gráfica la rata de riesgo o la Probabilidad Condicional de falla [2] contra
la edad de trabajo de un ítem. Quisiéramos estar en posición de declarar (a nuestro
gerente) que nuestro mantenimiento ha sido optimizado, queriendo decir que
fuimos capaces de realizar el mantenimiento a la edad de trabajo representada por
la vida útil. La vida útil es el mejor criterio para determinar la realización de un PM.
Tal estrategia prevendría la mayoría de las fallas y disminuiría la renovación de
componentes que se encuentren en buen estado. Está estrategia conducirá las
acciones PM en el momento de máximo beneficio para la organización.
Obviamente, el gráfico de la Figura 2 debe representar la relación inherente entre la
edad y la confiabilidad del ítem si intentamos utilizarlo para determinar la vida útil
y la estrategia óptima del mantenimiento preventivo. La pregunta es, “¿Cómo
graficar esta curva del equipo mantenido con datos reales?”
Los “datos reales” implican que nuestros cálculos deben tener en cuenta los datos de
“suspensiones” los cuales reflejan el programa de mantenimiento preventivo en
curso.[3]El método estadístico efectivo más popular para describir la relación de
confiabilidad y edad está basado en el modelo Weibull para los datos de vida. Este,
es un modelo empírico descubierto en los años 1950 por Walodi Weibull, quien
presentó la siguiente ecuación ante una distinguida sociedad (que reaccionó en un
principio con escepticismo) que luego se convertiría en la sociedad de ingeniería de
confiabilidad.
Distribución Weibull – tres de sus formas
Distribución Acumulada (Eqn. 1)

Riesgo (Eqn. 2)

Densidad de Probabilidad (Eqn. 3)

Dónde:
β (beta) es el parámetro de “forma”,
η (eta) es el parámetro de “escala”, y
t es la edad de trabajo del ítem o modo de falla que está siendo modelado.

Para poder graficar la relación confiabilidad – edad (por ejemplo, la Figura 1) solo
necesitaremos determinar (calculo a partir de datos históricos) los valores de los
parámetros β y η. Estos gráficos nos ayudan a comprender el comportamiento
histórico de falla de los componentes y de los modos de falla de interés. Weibull
desarrolló un método gráfico para calcular los parámetros β y η de un conjunto
histórico de datos de falla. Hoy en día, no necesitamos usar este método gráfico de
Weibull ya que existen algoritmos numéricos que calculan los valores β y η y trazan
los gráficos requeridos de forma automática.

Ejemplo
Por ejemplo, asuma que tenemos los siguientes ítems idénticos [4] A, B, C, D y E y las
edades en las que fallaron.
Tabla 1:

Item Edad de falla Orden[5]

A 67 semanas 1
B 120 semanas 2
C 130 semanas 3
D 220 semanas 4
E 290 semanas 5
El ejemplo necesita calcular los valores correspondientes de la Función de
distribución Acumulada (CDF) (F(t) en la Ecuación 1) en cada una de las edades de
falla 67,120,130,220 y 290 semanas. Es decir, se debe determinar un valor razonable
para la fracción de la población que falla antes de la fecha de observación. Esa
fracción se aproxima a la probabilidad de falla acumulada (i.e. F(t)) en cada una de
las cinco edades de falla “t”.

Necesidad para estimar una mejor Función de

Distribución Acumulada (CDF)
No podemos simplemente decir que el porcentaje de falla en 120 semanas es de 2/5
porque eso implicaría que la probabilidad acumulada de falla para 290 semanas es
de 100%. Esta muestra pequeña no es suficiente evidencia para afirmar este
enunciado.

Para explicar esto de manera más clara consideremos un tamaño de muestra de

1. No se debe esperar que la edad de esta única falla represente la edad de falla del
100% de los ítems de la población de la muestra. Sería , indiscutiblemente, más
realista considerar que esta edad única de falla representará la edad a la que el 50%
de la población podría fallar.

Según lo anterior, es claro que necesitamos una mejor manera de calcular la CDF,
especialmente para muestras pequeñas de vida, con el fin de poder utilizarla en la
solución numérica de Weibull para graficar la relación edad – confiabilidad. La
propuesta más conocida para calcular la CDF a partir de los datos de falla se conoce
como rango medio. [6] La fórmula, conocida como “estimador de probabilidad de
Bernard”, proporciona un cálculo de rango medio para muestras pequeñas y está
descrita por la Ecuación 4.
Estimador de Probabilidad de Bernard

(Eqn. 4)

Dónde:
i= el orden secuencial de la falla; y
N= el tamaño de la muestra (número de ciclos de vida)
Estimado CDF = El estimado de la Función Acumulada de Distribución o rango
medio.

La fórmula de Bernard, empleada en nuestro caso hipotético de única falla, da (1-

0.3)/ (1+0.4) =50%, lo cual es intuitivamente razonable.

Obtenemos, ya sea de las tablas de rangos medios o de la aproximación de

Bernard, las probabilidades acumuladas de falla respectivas (i.e las CDFs). Estas son
0.13, 0.31, 0.5, 0.69, y 0.87. Por supuesto que cuando usamos software de análisis
de confiabilidad no es necesario buscar manualmente las tablas de rangos medio o
la fórmula de Bernand. Un programa de computadora calcula
automáticamente 7 los rangos medios de cada observación. El algoritmo emplea una
[ ]

técnica numérica (regresión) conocida como “Método de Mínimos Cuadrados” para

calcular los valores de β and η en las siguientes ecuaciones:

http://www.livingreliability.com/wordpress/posts/el-verdadero-significado-de-las-6-curvas-rcm/