confiabilidad

Ingeniera de Confiabilidad; Pilar Fundamental delMantenimiento

by Medardo Yaez

Este trabajo se enfoca en el Diagnstico proactivo e integrado de equipos, procesos y/o sistemas, como labase fundamental del mantenimiento.

Se define Diagnstico proactivo e integrado como un proceso que busca caracterizar el estado actual ypredecir el comportamiento futuro de equipos, sistemas y/o procesos, mediante el anlisis del historial defallas, los datos de condicin y datos tcnicos, con la finalidad de identificar las acciones correctivas yproactivas que puedan efectivamente optimizar costos a travs de la sistemtica reduccin de la ocurrencia defallas 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 queconviven las metodologas y tcnicas para lograr este fin; y adicionalmente se define ConfiabilidadOperacional como un proceso de mejora continua, que incorpora, en forma sistemtica, avanzadasherramientas de diagnstico, metodologas basadas en confiabilidad y el uso de nuevas tecnologas, en labsqueda de optimizar la planificacin y la toma de decisiones. Ingeniera de Confiabilidad; porque una delas 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 deprocesos, han volcado su atencin hacia el modelo de decisin Costo Riesgo, debido a que el mismopermite comparar el costo asociado a una accin de mantenimiento contra el nivel de reduccin de riesgo omejora en el desempeo debido a dicha accin.; en otras palabras, el modelo permite saber cuanto obtengopor 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 procesoopere en forma continua para garantizar mxima produccin, y simultneamente, el mantenedor requiere queel proceso se detenga con cierta frecuencia para poder mantener y ganar confiabilidad en el mismo. Elmodelo Costo-Riesgo es el indicado para resolver el conflicto previamente mencionado, dado que permitedeterminar el nivel ptimo de riesgo y la cantidad adecuada de mantenimiento, para obtener el mximobeneficio o mnimo impacto en el negocio.[2]

La figura 1 muestra grficamente el modelo mencionado, y en el mismo pueden destacarse tres curvas quevaran en el tiempo:

- La curva del nivel de riesgo (riesgo = probabilidad de falla x consecuencia), asociado a diferentes periodosde tiempo o frecuencias de mantenimiento

.- La curva de los costos de mantenimiento, en la cual se simulan los costos de diferentes frecuencias para la

Confiabilidad.Net: Ingeniera de Confiabilidad; Pilar Fundamental del M... http://confiabilidad.net/print/ingenieria-de-confiabilidad-pilar-fundament...

1 de 12 08/04/2014 10:24 p.m.

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

La dificultad para el uso del modelo, se centra en la estimacin o modelaje de la curva del riesgo, ya que lamisma requiere la estimacin de la probabilidad de falla (y su variacin con el tiempo), y las consecuenciasEn 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 probableocurrencia 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 tomade 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 altafrecuencia de fallas con bajas consecuencias, con equipos estticos, que normalmente presentan patrones debaja frecuencia de fallas y alta consecuencia.

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


2 de 12 08/04/2014 10:24 p.m.


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

El mantenimiento moderno, sustentado en la Ingeniera de Confiabilidad, requiere de un cuidadoso procesode diagnstico de equipos y sistemas. El diagnstico, basado en el riesgo, puede entenderse entonces comoun 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; esdecir, debe incluir el anlisis del historial de fallas, los datos de condicin y datos tcnicos. De esta forma, sepodrn identificar las acciones correctivas y proactivas que puedan efectivamente optimizar costos yminimizar su impacto en el negocio medular.

La figura 3, muestra el proceso de Diagnstico Integrado


Entendiendo entonces que el riesgo es el indicador para un diagnstico integrado, se analizar acontinuacin 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 Fallasy/o la Confiabilidad, (Confiabilidad = 1 Probabilidad de Fallas), y de las Consecuencias. La figura 4muestra la descomposicin del indicador riesgo en sus componentes fundamentales. En ella se muestra


3 de 12 08/04/2014 10:24 p.m.

claramente que para calcular riesgo, deben establecerse dos (2) vas, una para el calculo de la confiabilidady/o la probabilidad de fallas, en base a la historia de fallas o en base a la condicin; y otra para el clculo delas consecuencias.


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 tipode data disponible; estos son:

Estimacin Basada en Datos de Condicin, altamente recomendable para equipos estticos, quepresentan patrones de baja frecuencia de fallas y por ende no se tiene un historial de fallas quepermita algn tipo de anlisis estadstico.Estimacin Basada en el Historial de Fallas: recomendable para equipos dinmicos, los cuales por sualta frecuencia de fallas, normalmente permiten el almacenamiento de un historial de fallas que haceposible 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 sidoexitosamente utilizado para mejorar el mantenimiento preventivo y traer los equipos y sistemas hasta losactuales niveles de desempeo. Sin embargo, buscando la mejora continua de sus procesos, en las tres ltimasdcadas, 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 optimizarlas frecuencias de mantenimiento de sus equipos y tomar acciones proactivas para evitar la ocurrencia de lafalla.

La mencionada data de condicin, ha sido usada principalmente en forma determinstica, es decir, para hacerdiagnsticos puntuales, debido a la falta de una adecuada metodologa de anlisis probabilstica. En estaseccin se establecen las bases conceptuales para el clculo de confiabilidad y probabilidad de falla deequipos 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 situacindonde la carga aplicada excede la resistencia. Carga y Resistencia son usados en el sentido ms amplio de lapalabra; es decir, la carga pudiera ser la presin de operacin, mientras la mxima presin de operacinpermisible sera la resistencia. Similar anlisis se hace para cualquier otro parmetro relevante de lacondicin como vibracin para equipos dinmicos, o reduccin de espesor para el caso de equipos estticos.


4 de 12 08/04/2014 10:24 p.m.

En todos los casos existir un valor actual de la condicin que se monitorea, el cual representar la carga, yun valor lmite de la condicin que representara la resistencia. Esta ltima normalmente esta regulada pornormas 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 elcontrario, sus valores son estadsticamente distribuidos. Cada distribucin tiene su valor medio, denotado porY para la carga y X para la resistencia y sus desviaciones estndar Y y X respectivamente. Esto esilustrado en la figura 5.

Cuando la distribucin de la condicin medida o monitoreada en el equipo tiene algn solape con ladistribucin de la condicin lmite o criterio de rechazo, en ese momento existe probabilidad de falla. Estasituacin es mostrada en la figura 6.

La confiabilidad de un elemento bajo la aplicacin de una carga es la probabilidad de que su resistenciaexceda 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 ocondicin 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 buscarseel 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 lascaractersticas de desempeo de un equipo o componente. Un Parmetro Relevante de Condicin (PRC) es un


5 de 12 08/04/2014 10:24 p.m.

parmetro cuyo valor numrico caracteriza y cuantifica la condicin de un equipo o componente en cualquierinstante 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 industriapetrolera para caracterizar el proceso de deterioro debido al fenmeno Erosin-Corrosin en tuberas engeneral 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 ensistemas reparables, a travs del tratamiento estadstico de su historial de fallas y reparaciones. En otraspalabras, los equipos son caracterizados usando su distribucin probabilstica del tiempo para fallar y eltiempo para reparar.

Este tipo de anlisis es particularmente valioso para equipos dinmicos, los cuales tienen una frecuencia defalla 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 reparadosdespus de una falla:

Tan bueno como nuevo1.Tan malo como antes de fallar.2.

Mejor que antes de fallar pero peor que cuando estaba nuevo.3.Mejor que nuevo.4.Peor que antes de fallar.5.

Los modelos probabilsticos tradicionalmente usados en anlisis de confiabilidad, se basan en los estados 1 y2 (estados lmites), sin tomar en cuenta los estados 3, 4 y 5 a pesar de que el estado 3 es ms realista en laprctica. La razn para esto radica en la dificultad de desarrollar una solucin matemtica para modelar esteestado.[3],[6]

Este trabajo muestra el modelo probabilstico desarrollado, el cual se denomina Proceso Generalizado deRestauracin (PGR) [3],[6]. Este modelo elimina las limitaciones antes mencionadas porque toma en cuentatodos los posibles estados de un equipo despus de una reparacin. Esto da como resultado una nuevaplataforma conceptual para anlisis de confiabilidad en equipos reparables, la cual se ajusta en mayor grado alo 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:


6 de 12 08/04/2014 10:24 p.m.

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] secalculan 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 lasiguiente 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 deejecucin del anlisis.

a. Mtodo de estimacin de la Mxima Probabilidad de Ocurrencia (MPO), para aquellos casos en los cualeshay 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 unproceso iterativo basado en simulacin de Montecarlo [3],[6]. El diagrama de flujo para este proceso iterativose muestra en la figura 7.


7 de 12 08/04/2014 10:24 p.m.

Los resultados de las estimaciones hechas con el PGR son mucho ms certeros que las prediccionestradicionales. Como puede observarse en la figura 7.1, se generaron tres lneas de prediccin basados en el25% de los datos de fallas (puntos de falla encerrados con un cuadro) usando las tres teoras de prediccin delnumero de fallas:

Proceso de Renovacin Ordinario, basada en la asuncin de un estado tan bueno como nuevodespus de la reparacin.Proceso No Homogneo de Poisson, basada en la asuncin de un estado tan malo como estabadespus 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 ocurrieronsubsecuentemente.


8 de 12 08/04/2014 10:24 p.m.

4.- Estimacin de Consecuencias.

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

Modelo Propuesto:

El modelo divide las consecuencias asociadas con una falla particular en cuatro grandes categoras: Prdidasde 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 siguienteecuacin: 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 parareparar (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 representartodos 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) elconsiderado para representar la distribucin de esta variable.

b. Costos de reparacin: La distribucin de los costos de reparacin debe incluir el espectro de todos losposibles costos, los cuales varan dependiendo de la severidad de la falla. Durante los ciclos de vida (tiempoentre 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


9 de 12 08/04/2014 10:24 p.m.

casos, son difciles de construir, pues no es fcil encontrar datos y fundamentalmente requieren serconstruidas 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 deavanzadas tcnicas de clculo para predecir fallas y eventos no deseados e inferir sus consecuencias; es decirpermite estimar el riesgo siguiendo el esquema de la figura 4 y tambin permite el uso de modelos dedecisin 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 permitenhacer estos clculos.

El proceso conocido como Confiabilidad Operacional; es un enfoque metodolgico donde el diagnsticointegrado se combina con otras metodologas tradicionales del rea de confiabilidad, tales como: Anlisis deModos y Efectos de Fallas, Anlisis Causa Raz e Inspeccin Basada en Riesgo, entre otras; con la finalidadde:

Inferir probabilsticamente todos los escenarios de produccin factibles, a travs de la prediccin de losperiodos de operacin normal y de ocurrencia de eventos o escenarios no deseados, basados laconfiguracin de los sistemas, la confiabilidad de sus componentes y la filosofa de mantenimientoIdentificar acciones concretas para minimizar y/o mitigar la ocurrencia de estas fallas o eventos nodeseados y llevar el riesgo a niveles tolerablesExplorar las implicaciones econmicas de cada escenario de riesgo posible y disear planes yestrategias ptimas para el manejo del negocio.

La figura 9, muestra el esquema de integracin del Diagnostico Integrado con otras metodologas en elenfoque de Confiabilidad Operacional.


10 de 12 08/04/2014 10:24 p.m.

Conclusiones

1. La metodologa de diagnstico propuesta, basada en la estimacin del riesgo, integra herramientasreconocidas de la Ingeniera de Confiabilidad, en una sola plataforma que permite:

Realizar diagnsticos integrales sustentados en toda la informacin disponible de un equipo (datahistrica, data de condicin y data tcnica).Hacer seguimiento al estatus de confiabilidad y riesgo de los equipos, subsistemas y sistemas con lafinalidad 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 omejora en el desempeo alcanzado debido a dicha accin.

2. El Proceso Generalizado de Restauracin (PGR) usando simulacin de Montecarlo para obtener el nmeroesperado de fallas, representa una excelente herramienta para hacer predicciones de fallas en sistemasreparables. Los resultados obtenidos con esta herramienta son ms reales que aquellos obtenidos con losmtodos 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 datosde condicin, ofrece un mtodo alternativo al tradicional mtodo basado en la historia de fallas; queresulta particularmente til para equipos y sistemas con tasas de falla muy bajas; tales como los equiposestticos y provee adems, una va para incluir estas confiabildades en los modelos generales de plantas ysistemas; fortaleciendo los criterios para el diseo de polticas y estrategias de mantenimiento a lasinstalaciones.

Lecciones aprendidas

1. Generalmente, no existen problemas complejos con soluciones sencillas. El anlisis de confiabilidad yriesgo en las instalaciones de procesos no es un problema sencillo, por ende, requiere de herramientas ymetodologas de clculo con complejidad acorde a la complejidad del problema. El uso de indicadores deconfiabilidad sustentados en simplificaciones para dar mayor practicidad a su uso, con mucha frecuenciaconduce a estimaciones y predicciones alejadas de la realidad, con el respectivo impacto en el negocio.


11 de 12 08/04/2014 10:24 p.m.

2. El proceso de diagnstico de equipos, sistemas y/o procesos es una etapa de vital importancia en la mejorade la confiabilidad operacional, debido a que permite identificar las acciones proactivas que puedanefectivamente 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 oproceso productivo; ya que una de las formas mas importantes de agregar valor, es evitar que se destruya.

REFERENCIAS

Yaez, Medardo Gmez de la Vega, Hernando, Valbuena Genebelin, Ingeniera de Confiabilidad yAnlisis Probabilstico de Riesgo ISBN 980-12-0116-9 - Junio 2003

1.

Woodhouse, John, Managing Industrial Risk, Chapman and Hall, Oxford, UK, 1993.2.Yaez, Medardo - Joglar, Fancisco - Modarres Mohammad, Generalized Renewal Process for analysisof Repairable Systems with limited failure experience Reliability Engineering and System SafetyAnalysis Journal ELSVIER USA 2002

3.

Yanez, Medardo Gmez de la Vega, Hernando, Valbuena Genebelin, Gerencia de la Incertidumbre ISBN 980-12-0115-0 - Marzo 2003

4.

Roush M.; Webb W., Applied Reliability Engineering, vol I, The Center for Reliability Engineering,University of Maryland. College Park. 1999.

5.

Kritsov, Vasily. A Monte Carlo Approach to Modeling and Estimation of the Generalized RenewalProcess in Repairable System Reliability Analysis. Dissertation For The Degree of Doctor ofPhilosophy, University of Maryland, 2000.

6.

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 thePresence of Active Corrosion Defects International Journal of Pressure Vessels and Piping. Vol. 75,1998: 321-329.

7.

Ascher, H.;Feingold, H., Repairable Systems Reliability: Modeling and Inference, Misconception andTheir Causes, Marcel Dekker, NY,1984ASM Metals Handbook, 13, 624, ASM Metals Park, Ohio,1981.

8.

Ebeling, Charles E. An Introduction To Reliability And Maintainability Engineering. McGraw Hill.New York, 1997.

9.

Modarres, Mohammad; Kaminsky, Mark; Kritsov, Vasily. Reliability Engineering And Risk

Analysis. Marcel Dekker, New York,1999.

10.

2014 Confiabilidad.Net


12 de 12 08/04/2014 10:24 p.m.

confiabilidad

Documents