MANTENIMIENTO Y CONFIABILIDAD

Modelos de Optimizacin

Universidad AUSTRAL-Facultad de Ingeniera-ARGENTINA Programa de Ingeniera y Gestin del Mantenimiento Prof.: Ing. Roberto Bottini

Paradigmas
En la industria los equipos y sistemas crecen en complejidad. Existen mayores exigencias a la eficiencia de los costos del ciclo de vida til de las maquinas de produccin. Cada fabricante intenta llegar al objetivo de calidad exigido por el mercado al mnimo costo posible.

Objetivo de Confiabilidad y Mantenibilidad

Desde el diseo existe la necesidad de entregar equipos o sistemas que tengan las prestaciones deseadas por el cliente y que adems sean Confiables, de fcil mantenimiento y con funcionamiento seguro y econmico durante su vida til.

Como Incorporar Caractersticas de Confiabilidad Realizando un anlisis Cualitativo

Que indicara el tipo y clase de fallas que van a presentarse en los componentes del sistemas. (Camino del RCM).

O Bien ampliarse a un campo Cuantitativo

Proporcionando las probabilidades numricas correspondientes.

Las Teora de la Confiabilidad Incorporan la incertidumbre a la Ingeniera.

Podramos decir que la certeza de un hecho (en nuestro contexto Falla de Maquina), es un acontecimiento DETERMINISTA con un resultado finito. En cambio la incertidumbre de un hecho seria un acontecimiento INDETERMINISTA con un resultado probabilstico.

Confiabilidad y Mantenimiento
Desde el punto de vista de la ingeniera, la confiabilidad es la probabilidad de que un aparato, dispositivo o persona desarrolle una determinada funcin bajo condiciones fijadas durante un periodo de tiempo determinado. La confiabilidad de un elemento puede ser caracterizada a travs de distintos modelos de probabilidades. Podemos describir varias distribuciones de fallas comunes y ver qu podemos aprender de ellas para gestionar los recursos de mantenimiento. Convirtiendo el conocimiento ganado de ellas en acciones PROACTIVAS de Mantenimiento.

Veamos, a partir de un histograma podemos desarrollar las cuatro funciones de importancia para la caracterizacin de la confiabilidad :

HISTOGRAMA
10 8 FALLAS 6 4 2 0 1 2 3 4 5 6 7 8 9 10 MESES Serie1

MES FALLAS

ENERO 2

FEBRERO 5

MARZO 7

ABRIL 8

MAYO 7

JUNIO 6

JULIO 5

AGOSTO 4

SEPTIEMBRE 3

OCTUBRE 1

TOTAL 48

1- pdf Probability Density Function

En estudios de mantenimiento necesitamos pasar del anterior histograma a funciones continuas, debido que la variable tiempo a la falla es continua. Esta funciones nos dan una idea clara de la distribucion de fallas. Empezamos por la funcin llamada pdf que indica la densidad probable de fallas en cada intervalo t, cuyo total ser el rea encerrada bajo la curva e igual a: pdf = 48/48 =1 Pudiendo llamar a t1 y t2, - y

respectivamente
FUNCIONES

10 f(t) 5 0 1 2 3 4 5 6 7 8 9 10 meses

2- cdf Cumulative Density Function aqu de - a Tiempo t, seria la probabilidad de que falle en tiempo t. Representando el rea bajo la curva transcurrido t (el fracaso) cdf= 14/48

a t, la acumulacin de fallas

FUNCION cdf
10 f (t) 5 0 1 2 3 4 5 6 7 8 9 10 meses
Tiempo t

 3- R (t) Reliability. Esta es la probabilidad de xito o sea que sobrevivan sin falla transcurrido el mismo tiempo t. Representando el rea bajo la curva t a infinito. R(t)= 1- cdf
FUNCION R (t)
10 8 f(t) 6 4 2 0 1
Tiempo t

5 6 meses

10

El ultimo tipo de funcin que tenemos derivada de las anteriores funciones es la Funcin Riesgo, tambin llamada tasa de falla en determinados contextos como el de mantenimiento. 4- h (t) Funcin riesgo = pdf/1-cdf

EL modelamiento de las probabilidades de falla esta condicionado a la etapa de vida en que se encuentre el elemento. Con la curva de la baera es posible modelar el comportamiento en cada una de las tres etapas de la tasa de falla a travs de leyes conocidas de probabilidades.

1- Mortalidad Infantil
Inadecuada Instalacin. Error armado-reparacin. Problemas de Calidad Tasa de Falla

<1

2- Fallas Aleatorias durante la vida til.

Independientes del Tiempo. Errores de Mantenimiento. Electrnica Mezcla de Errores.

Tasa de Falla = cte

3- Desgaste Temprano
Low Cicle Fatiga

4- Desgaste por envejecimiento

Rodamientos. Corrosin

Tasa de Falla

>1

La distribucion de fallas de diferentes tipos de maquinaria no son las mismas. Aun variando en una misma maquina su operacin. Sus definiciones en trminos de las funciones pdf, cdf y tasa de falla de los datos reales de mantenimiento dan forma a determinadas expresiones matemticas conocidas como distribuciones obteniendo:

Dist. Exponencial Dist. Normal Dist. Lognormal Dist. Weibull

Que representan familias de ecuaciones (o curvas graficas) cuyos miembros varan en forma, porque difieren sus parmetros.

 Con estos conceptos probabilsticos podemos iniciar la batalla contra la incertidumbre de las fallas en las plantas complejas. Podemos describir varias distribuciones de fallas comunes y ver qu podemos aprender de ellas para gestionar los recursos de mantenimiento. El conocimiento ganado de ellas es convertido en acciones proactivas. Prediciendo cuando las fallas probablemente ocurran nosotros podemos determinar el mejor momento para el mantenimiento Preventivo (Reemplazo Preventivo) y las polticas de mantenimiento relacionadas con el PERIODO OPTIMO para operar hasta la falla o inspeccin

Proactive Maintenance Interval Based Tactics "Time or other Unit of Measure" Schedule Component Repalcement Preventive Maintenance Scheduled Overhaul Condition Based Tactics Other Tactics

Run to failure

Condition Monitoring Activities

Redundency Spare Equipment Installed Redesign

Vibration - monitoring - analysis Lubricant Analysis - Oil Condition - Wear Particles Electrical - Current analysis - Motor condition N.D.T. - thermography - ultra sonics - X- ray Inspections - by Operators - by Maintenance (Daily/Weekly)

Cleaning - during operation - prior to maintenance Lubrication - routine while running - start/end of shift Minor Adjustments

Ad hoc Maintenance

Often "Preventive Maintenace" Programs include all these activities

De acuerdo a lo mostrado las funciones descriptas son transformadas en Distribucin de Probabilidades ploteando DATOS histricos o utilizando Bases de Datos como las OREDA. Para encontrar la distribucion apropiada para un componente o sistema real tenemos dos posibilidades: 1. Por testeo extensivo de datos histricos de Vida. 2. Estimar parmetros estadstico. por muestreo

En Sntesis:
Utilizar datos histricos de fallas. Utilizar la funcin apropiada que representa nuestra situacin. Construir un modelo matemtico que represente el problema en estudio. Con los datos histricos analizamos los resultados grficos del modelo matemtico empleado. Con ste anlisis tomamos mantenimiento ptimas. las decisiones de

 El objetivo es entender el problema, pronosticar fallas y analizar riesgos para tomar mejores decisiones de mantenimiento. Estas decisiones impactan el momento elegido para reemplazo, reparacin o Overhaull de Maquinaria, como as tambin optimizar cualquier otra tarea de gestin del mantenimiento principalmente las inspecciones y gestin de repuestos.

Modelos
Una de las principales herramientas en este avance cientfico hacia la optimizacin de las decisiones de Gestin son los modelos matemticos como simple representacin del problema en estudio. En la aplicacin de tcnicas cuantitativas de gestin, el tipo de modelo usado es frecuentemente un modelo simblico donde los componentes del sistema estn representados por smbolos y la relacin de estos componentes esta representada por ecuaciones matemticas.

Reemplazo Preventivo Optimo de un item sujeto rotura

Construccin del Modelo Decimos que el costo total de reemplazo es C(tp)=
Costo Total esperado del Reemplazo por ciclo Tiempo Esperado del ciclo.

Modelo Matemtico utilizado

Cp: costo del Reemplazo Preventivo. R(tp): es la confiabilidad. Aqu el xito en llegar al reemplazo preventivo. Cf: costo total del Reemplazo por Falla. (por el fracaso) tp: tiempo medio del Reemplazo Preventivo. es el tiempo medio MTTF. t f(t): tiempo medio del Reemplazo por Falla. f(t): es el pdf para la distribucion de Weibull.

Aplicacin Practica del Modelo Propuesto

Ejemplo: Anlisis de Reemplazo en Motor 4000 KVA, Trifsico, 60 ciclos.
Comentarios Algunos motores han servido a la planta por 18 aos. Fallas anteriores a esta fecha ponen en duda expectativa de vida. La siguiente tabla muestra los datos de falla. Costo falla imprevista Cf = $1725 (lucro cesante + rebobinado). Costo rebobinado Preventivo Planificado Cp= $100 Costo rebobinado imprevisto $ 125

Aplicacion distribuciones de fallas para caso de grandes motores.

T abla 3.2. Fallas en bobinados de grandes m otores: datos de falla y clculos de riesgo
M otor C -70 C -71A C -71B P-70A P-70B P-71 C -25 C -11 C -52 C -13 C -31 C -53 C -41 C -91 C -32A C -32B C -01 C -30 C -50 C -51 R ango 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 Aos 8 8 8 8 8 8 10 11 a 12 a 13 a 13 15 a 16 a 17 a 17 17 18 b 18 18 18 R iesgo R iesgo acum ulado

7.69 8.33 9.09 11.11 12.58 14.29

7.69 16.03 25.12 36.23 48.73 63.01

a b

F allas en bobinados

R em plazo preventivo de los bobinados

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 funcion cdf

Resultado de clculos utilizando modelo matemtico

Grfico Resultante

Costos esperados de reemplazo en funcion del tiempo para Motor Electrico Falla Bobinado
Costo Costo del mantenimiento preventivo por downtime

Curva de costo total

Ctp MINIMO

Costo del recurso de mantenimiento preventivo Remplazo Optimo

Costo del mantenimiento correctivo por downtime (paradas imprevistas) Costo del recurso de mantenimiento correctivo

=)

Tp optimo ReBobinado =12 /13 aos

Tp

Modelos Matemticos para el intervalo Optimo de Inspeccin y sus Beneficios

El propsito bsico es determinar el estado del equipo, obteniendo el mximo beneficio y las mnimas perdidas. Palabras que describen genricamente el llamado LEAN MantenainceMantenimiento delgado como smbolo de salud y no de falta de alimentacin.

1. FRECUENCIA DE INSPECCION: Para equipamiento que es continua operacin y sujeto a falla. 2. INTERVALOS DE INSPECCION: Para equipamiento usado solamente en condiciones de emergencia. 3. MONITOREO DE CONDICION.

Beneficio por frecuencia optima

1.

Mientras que con el reemplazo preventivo nos centramos en la ltima parte de la curva de la baera, con las inspecciones estamos actuando en la parte de Vida til, donde las fallas son aleatorias y responden a la exponencial negativa.

MTTF = 1/
2. 3. 4. 5. 6. Tiempo de reparacin 1/ N reparaciones /unidad de tiempo Poltica de Inspeccin 1/i N inspecciones/unidad de tiempo Expresamos con B al valor del beneficio si no hay paradas. Costo promedio de la Inspeccin por unidad de tiempo I. Costo promedio de reparacin por unidad de tiempo no interrumpido R.

P(n): Valor del Beneficio con operacin interrumpida por reparaciones en la unidad de tiempo.

P(n)= B - B

-B

-R

-I

B: Beneficio de la operacin no interrumpida por unidad de tiempo. Perdida de Beneficio por Reparaciones, donde (n) es el N de Reparaciones y el tiempo medio de reparaciones MTTR. Perdida de Beneficio por inspecciones, donde n es el N de Inspecciones e i el tiempo medio para las inspecciones. R es el costo promedio de reparaciones. I es el costo promedio de inspecciones.

= B

Debemos hallar el n (N de Inspecciones) que resuelva esta ecuacin).

Asumimos que n es inversamente proporcional a (es cierto aumenta n disminuye )

= B

Debemos hallar el n (N de Inspecciones) que resuelva esta ecuacin).

Asumimos que n es inversamente proporcional a (es cierto aumenta n disminuye )

 K es la relacin entre paradas por emergencia en la unidad de tiempo cuando realizamos una inspeccin por unidad de tiempo.

Sustituyendo

en 1

 La premisa fundamental sobre la que se basa el Mantenimiento Planificado es muy sencilla, no basta con reparar la avera una vez ocurrida sino que es necesario prevenirla. Con este objetivo nosotros realizamos inspecciones peridicas de los equipos y rectificamos cualquier menor defecto. Lgicamente estas inspecciones tienen costo en trminos de M.O. , insumos, materiales y Hs de Produccin. El Objetivo es determinar la poltica de Inspeccin que d el balance correcto entre el nmero de inspecciones y los beneficios resultantes de su aplicacin.

La importancia de la confiabilidad tambin depende del alcance que demos a nuestra probabilidad de xito a veces llamado Factor de Servicio F= 1- R(t). Pensemos que tener un factor de servicio del 99 % (eficiencia) seria bastante bueno. Sin embargo en EEUU ocasionara :

Una hora de agua no potable por mes. Dos aterrizajes peligrosos por dia en JFK 10.000 piezas de correo perdidas por hora. 20.000 prescripciones incorrectas de medicamentos por ao. 22.000 cheques deducidos de la cuenta equivocada por hora.

Preguntas ?

MUCHAS GRACIAS !!!

Ing. Roberto Bottini roberto.bottini@fi.austral.edu.ar