Mantenimiento 2

Técnicas
de mantenimiento en instalaciones mineras

Capítulo 2. Introducción a la Ingeniería de la fiabilidad
ESCUELA POLITÉCNICA DE INGENIERÍA DE MINAS Y ENERGÍA
UNIVERSIDAD DE CANTABRIA
MASTER UNIVERSITARIO EN INGENIERÍA DE MINAS
VOLUMEN I: TEORÍA GENERAL DEL

MANTENIMIENTO Y DE LA FIABILIDAD
Capítulo 2: Introducción a la Ingeniería de la fiabilidad
Emilio Andrea Calvo

Ingeniero industrial
Profesor asociado
Departamento de Ingeniería Eléctrica y Energética
Carlos Sierra Fernández, PhD

Ingeniero de minas
Profesor ayudante doctor
Departamento de Transportes y Tecnología de Proyectos y Procesos
1
Técnicas de mantenimiento en instalaciones mineras
CONTENIDO
2. Mantemiento y fiabilidad ............................................................................................................................ 3
2.1 Elementos reparables y no reparables ..................................................................................................... 3
2.2 Datos incompletos (censored data) ........................................................................................................... 4
2.3 Definición informal de Tiempo medio entre fallos (Mean Time Between Failures, MTBF) ............... 5
2.4 Tiempo medio para el fallo (Mean time to failures, MTTF) ............................................................... 10
2.5 Tiempo técnico de reparación (Mean Time To Repair, MTTR) ......................................................... 11
2.6 tasa de fallos (failure rate, λ) .................................................................................................................. 13
2.7 Función de densidad de probabilidad de fallo y función de probabilidad de fallo acumulada ........ 16
2.8 Fiabilidad (Reliability, R) ....................................................................................................................... 18
2.9 Función de tasa de fallos o función de riesgo (hazard rate function, h) .............................................. 19
2.10 Curva de ciclo de vida (product live cycle curve) ............................................................................... 21
2.11 Fiabilidad efectiva (Effective Reliability, Ref) ..................................................................................... 24
2.12 Definición formal de MTBF ................................................................................................................. 31
2.13 Mantenibilidad (maintainability, M) ................................................................................................... 32
2.14 Disponibilidad (availability, A) ............................................................................................................ 34
2.15 Indisponibilidad ..................................................................................................................................... 36
2.16 Gráficos de control ................................................................................................................................ 39
2
2. MANTEMIENTO Y FIABILIDAD
Se definen brevemente a continuación una serie de conceptos básicos de uso muy

extendido en mantenimiento. Estos conceptos serán claves posteriormente en la estimación
probabilística de sucesos y en la elaboración de modelos de previsión, los cuales
normalmente se asentarán sobre la base de un conocimiento previo del sistema basado en el
histórico de fallos (experiencia del usuario o el fabricante), publicaciones, etc.
2.1 ELEMENTOS REPARABLES Y NO REPARABLES
Elementos reparables son aquellos en los que todos ellos o algunas de las partes que los
componen son susceptibles de ser sometidas a reparación. Ejemplos de elementos reparables
son la maquinaria minera o mineralúrgica, los aviones, los computadores, etc. Hasta cierto
punto casi todos los elementos reparables suelen estar compuestos de elementos no
reparables.
Elementos no reparables son aquellos que bien por su naturaleza o porque es más barato
o seguro reemplazarlos o reciclarlos no son sometidos a reparación alguna. El ejemplo más
habitual es el de una bombilla, evidentemente, nadie se plantea repararla tras haberse
fundido, aunque esto fuese posible. Existen infinitud de ejemplos mecánicos, como las
brocas de perforación, el varillaje de perforación, un cuadro de mina; y de dispositivos
electrónicos como diodos, transistores, condensadores, etc.
De características similares a la anterior, suele establecerse otra categoría, la de los
consumibles, que engloba a aquellos elementos que se van acabando con el uso, como las
pastillas de los frenos los vehículo, los neumáticos (aunque se recauchutan), las baterías, etc.
La distinción entre reparable y no reparable es muy importante, a fines estadísticos, tal y
como se verá posteriormente. Así, en los reparables se habla de Tiempo Medio Entre Fallos
(inglés: Mean Time Between Failures, MTBF) y en los no reparables de Tiempo Medio
Hasta el Fallo (inglés: Mean Time to Fail, MTTF).
3

Algo similar ocurre con la tasa de fallos, que en el caso de los reparables es una ratio de
ocurrencia de fallos (inglés: Rate of Ocurrence of Failures, ROCOF) la cual es una propiedad
de una secuencia de fallos, mientras que en el de los no reparables es la función de tasa de
fallos (inglés: Hazard Rate Function) de la distribución de la vida, una propiedad del tiempo
de fallo.
2.2 DATOS INCOMPLETOS (CENSORED DATA)
La gran mayoría de los ensayos a los cuales se van a someter los elementos para efectuar
los test de calidad no van a durar indefinidamente, es por ello necesario definir un criterio
de parada de los mismos. De modo habitual suelen seguirse dos:
a) Parada al alcanzar un tiempo determinado o número de ciclos (incluida distancia).

Esta clase de ensayos genera lo que en la jerga estadística se conoce como datos
censurados de tipo I.
b) Parada al haber sucedido un determinado número de fallos. Los datos obtenidos de
estos ensayos se conocen como datos censurados de tipo II.
Las características de ambos tipos se pretenden aclarar por medio del ejemplo 2.1.
Además de lo anterior, también puede hablarse de datos censurados por la izquierda, si

con certeza se sabe que un elemento ha fallado en un momento dado, pero se ignora el
momento exacto del mismo; y de datos censurados por la derecha (R), si los ítems
sobreviven a la duración del test sin que todavía se haya constatado el fallo (ejemplo 2.1).
Otras denominaciones son el censurado único, si existe un único punto de censura (de
nuevo caso de la tabla del ejemplo 2.1) y el censurado múltiple si, por ejemplo se hubiesen
seleccionado dos elementos cualesquiera de la misma y se les hubiese realizado un test que
durase 110h.
Ejemplo 2.1 Sea un grupo de elementos sometidos a un test de fallo de modo que el
primer y segundo fallo se producen a los tiempos que se indica en la tabla.


Tiempo 1er fallo Tiempo 2º fallo
55 >100
50 95
40 >100
45 >100
Obtenga una estimación del tiempo que tardan en fallar los equipos.
Solución:
Se puede hacer una primera estimación del tiempo medio que tardan los ítems en fallar y
esta sería: (55+50+40+45)/4= 47,5 Ud. de tiempo. Sin embargo éste valor podría resultar
diferente si se tuviese en cuenta los tiempos del segundo fallo que están evidentemente
truncados.
La consideración del segundo fallo, con los datos truncados a las 100 Ud. de tiempo (no
necesariamente tienen que ser horas) son los siguientes:
{(55+50+40+45) + (100-55) + (95-50) + (100-40) + (100-45)}/8=395/8=49,4
Y dado que son datos truncados podemos afirmar que la media será ≥ 49,4 Ud.
2.3 DEFINICIÓN INFORMAL DE TIEMPO MEDIO ENTRE FALLOS

(MEAN TIME BETWEEN FAILURES, MTBF)
El tiempo medio entre fallos (Inglés: Mean Time Between Failures, MTBF) es la media
del tiempo de funcionamiento correcto de los equipos. El MIL-STD-721 (1991) lo define
como: “A basic measure of reliability for repairable items: The mean number of life units
during which all parts of the time perform within their specified limits, during a particular
measurement interval under stated conditions.” Esta idea se representa por medio de la figura
1.3.


Figura 1.3 Representación esquemática del MTBF.
Estimado para el supuesto de variables discretas, no continuas, es la media ponderada de

todos los tiempos de reparación, y viene dada por la fórmula:
+
1
𝑀𝑇𝐵𝐹 = 𝑓) · 𝑇)
𝑛
,
Siendo: n: número de tiempos de reparación diferentes utilizados; fi: frecuencia del caso
(i) y Ti: tiempo utilizado en la reparación del fallo (i).
Es muy importante a la hora de aplicar las expresiones tener muy en cuenta si se trata los
periodos de buen buen funcionamiento y avería a los que hacen referencia (figura 1.4).
TBF1 TBF2 TBF3
TA1 TA2
TBF1 TBF2 TBF3
TA1 TA2 TA3
TBF1 TBF2 TBF3
TA1 TA2 TA3


Figura 1.4. Representación de un ensayo de la misma duración con dos y tres tiempos de
avería.
• TBF: Tiempo de buen funcionamiento.

• tA: Tiempo de avería.
• n: número de tiempos de buen funcionamiento.
Se hace la media de los tiempos de buen funcionamiento TBF.
• MTBF: Tiempo medio entre fallos.
𝑇𝐵𝐹)
MTBF =
𝑛
Para tres casos:
𝑇𝐵𝐹, + 𝑇𝐵𝐹3 + 𝑇𝐵𝐹4

MTBF =
3
O dicho de otro modo:
(𝑡8 − 𝑡: )
MTBF =
𝑛
Donde te es el tiempo que dura el ensayo.
Al realizar los cálculos anteriores el estudiante debe darse cuenta de que está suponiendo
una tasa de fallos constante. Según lo indicado anteriormente si el número de fallos
observados fuese el mismo daría igual estudiar un elemento por 10.000 h, que 10.000
elementos por una h, o 10 elementos por 1000 h, lo cual no puede ser cierto. Esto es así
porque en general, los elementos, a medida que envejecen presentan más fallos.
Por otra parte cuanto mayor sea la población de elementos estudiados, más cierta será nuestra
media por lo que debe realizarse un estudio para determinar el tamaño óptimo de la
población. Es decir, para que este valor sea representativo debe ser la media de un periodo
muy largo de tiempo, pero también de la mayor cantidad posible de unidades.
Ejemplo 2.2 Una pala cargadora registra dos paradas de 3 y 4 h cada una durante
un mes de trabajo. Calcular el MTBF de la máquina para el periodo considerado.


Solución:
(𝑡8 − 𝑡: )
MTBF =
𝑛
[(30 · 24 − 3 + 4 ] · 1
= = 356,5 h / fallo
2
Téngase presente que por simplicidad se ha dicho que la máquina va a trabajar durante 24
horas al día, lo cual es imposible. Una suposición más aceptable sería la de unas 150 h de
trabajo al mes.
Nótese que en la fórmula hemos tenido en cuenta el número de paradas, cuando lo que
verdaderamente influye a la hora de calcular la media es el número de periodos de buen
funcionamiento.
Uno de los principales problemas a los que enfrentarse a la hora de tratar datos que tengan
suspensiones, es si tenerlas o no en cuenta. En principio algunos autores indican que solo
deberían tenerse en cuenta los datos que han experimentado fallo y referirse al resultado
indicando el MTBF para el número de unidades ensayadas. En principio se puede, tras
asegurarse de que los datos corresponden a una misma distribución de fallo, ajustar algún
tipo de función probabilística a los mismos y tratar así de calcular la media o MTBF.
En línea con lo anterior suelen definirse dos tipos de MTBF, el acumulado y el instantáneo.
En el primer caso se consideran los datos de fallos desde el comienzo del test hasta un tiempo
t, normalmente el final del mismo. En el segundo, se fija un intervalo de tiempo cualquiera
del ensayo y en él se hacen las mediciones.
Cuando el parámetro de forma de la distribución de Weibull es igual a 1, la tasa de fallos
es constante (Weibull aproxima a la exponencial) y el valor del MTBF acumulado e
instantáneo coinciden. Así, una opción cuando se tiene datos censurados es suponer una
distribución exponencial y que la tasa de fallos es constante. Más acertado sería tratar de
ajustar los datos a algún tipo de distribución basándose en estudios pasados aunque esto
suponga la asunción de algún parámetro de la misma.


Ejemplo 2.3 Se ensayan 3 perforadoras por un tiempo de 5000 h. Durante estos

ensayos ocurren como máximo 2 fallos en algunas de las unidades, como puede verse
en la tabla siguiente:
Tiempo hasta Tiempo de Tiempo Tiempo de

el 1er fallo reparación 1er hasta el 2º reparación 2º
Perforadora
fallo fallo fallo
(horas)
(horas) (horas) (horas)
1 1700 5 No fallo -
2 2000 3 4000 4
3 1500 6 3700 6
Determinar el MTBF.
𝑇𝑁𝐹
𝑀𝑇𝐵𝐹 =
𝑁 𝑃𝑒𝑟í𝑜𝑑𝑜𝑠
𝑀𝑇𝐵𝐹 =
1700 + 5000 − 1700 − 5 + 2000 + 4000 − 2000 − 3 + 5000 − 4000 − 4 + 1500 + 3700 − 6 − 1500 + 5000 − 3700 − 6
=
8
𝑀𝑇𝐵𝐹 = 1872 ℎ𝑜𝑟𝑎𝑠
Los cálculos anteriores corresponden a ensayos realizados hasta alcanzar un tiempo

prefijado (datos truncados de clase I). En el caso de que los ensayos se realicen hasta que se
9


produzca un determinado número de fallos (datos truncados de clase II), el estimador del
MTBF requiere de un análisis estadístico bastante más complejo.
Obsérvese además que el tiempo medio entre fallos siempre debe estar comprendido entre
el mínimo valor (si no se descarta alguno por fuera de rango anormal, situación especial
ocurrida durante el ensayo) y el valor mayor. Para el ejercicio estos límites están entre: Valor
menor: 1500 h; Valor mayor: 5000-1700= 3300 h (la máquina nº1 tiene un fallo y luego
funciona correctamente hasta las 5000 h).
2.4 TIEMPO MEDIO PARA EL FALLO (MEAN TIME TO FAILURES,

MTTF)
El tiempo medio para el fallo (Inglés: Mean Time to Failure, MTTF) es el parámetro
fundamental por medio del cual se mide la fiabilidad de los elementos no reparables.
Corresponde al tiempo medio esperado hasta que tiene lugar el primer (y como no es
reparable también el último) fallo. El MIL-STD-721 (1991) lo define como: “A basic
measure of reliability for non-repairable items: The total number of life units of an item
divided by the total number of failures within that population, during a particular
measurement interval under stated conditions.”
Esta variable, corresponde al fallo de un equipo que cuando falla debe ser sustituido, como
ya se ha dicho el ejemplo más claro puede ser el de una lámpara que no admite reparación:
cuando falla se pone otra en su lugar. No debe ser confundido, por el parecido, con el MTBF
que es el tiempo medio entre fallos pero que se aplica a los equipos que admiten reparación
y que al cabo de un tiempo, y varias reparaciones, llegan al fin de su vida útil y entonces son
sustituidos.
Aunque en principio se usa para ítems no reparables, es común que un equipo que admite
reparación el MTTF pueda incluir varias reparaciones, varios ciclos de MTBF más los
tiempo de reparación, luego siempre será MTTF ≥ MTBF. Para los equipos que admiten
varios ciclos de reparación se tiene:
MTTF = k· (MTBF+MTTR); k: ciclos de reparación
10


Ejemplo 2.4 Se dispone de tres brocas de perforación. La primera falla a las 40 h,

la segunda a las 60 h y la tercera a las 50 h. Determinar el MTTF.
Solución:
Data la naturaleza del ítem (cuando se estropea ya no se repara), debe emplearse el

MTTF. Este tiempo es la media de los tres tiempos de fallos.
MTTF= 50 h
2.5 TIEMPO TÉCNICO DE REPARACIÓN (MEAN TIME TO REPAIR,

MTTR)
El Tiempo de Reparación (Inglés: Time To Repair, TTR) es el tiempo que se tarda en la

reparación, sin contar las esperas. En servicios oficiales está, normalmente, tabulado (talleres
de coches, tabulado y valorado) y en grandes empresas está estudiado y comprometido o
acordado entre departamentos. Para el tiempo técnico de avería se precisa un tiempo técnico
de reparación, que es aquel que contempla desde el momento en que se para el equipo hasta
el instante en que se pone nuevamente en funcionamiento.
Otra denominación de amplio uso para la misma variable es el tiempo medio de reparación
(Inglés: Mean Time To Repair, MTTR), que toma consideración cuando el tiempo de
reparación es consecuencia de un estudio de tiempos de múltiples fallos y se hace el valor
medio. Normalmente sigue algún tipo de distribución probabilística por el número de
ensayos y la similitud de los equipos, pero en un servicio de mantenimiento de cierto tamaño
puede ser simplemente la media de tiempos empleados.
Para el cálculo en los tiempos del servicio de mantenimiento se tiene:
MTR = MTTR = (Tiempo total de inactividad del equipo) / (número de fallos)
El tiempo de avería o fallo, TA, (también, como en los casos anteriores, TTA o Tiempo
Total de Avería) debe ser lo más próximo al tiempo técnico de reparación TTR.
11


TA = A+TTR+C
Con la denominación A y C indicamos los tiempos de “A” aviso o tiempo desde que ocurre
la falla y el equipo se empieza a reparar; y “C” comprobaciones u otros y se incluye aquí los
tiempos no exclusivos de mantenimiento pero que mantienen el equipo inutilizado, sin
realizar actividad de producción.
Siempre TA>TTR por los tiempos muertos de espera, avisos, comprobaciones, informes y
a veces pruebas de verificación por control de calidad. Por ejemplo, las actuaciones en
quirófanos deben ser testadas por control de calidad y medicina preventiva; los laboratorios
o naves de fabricación de medicinas, electrónica, etc., deben ser meticulosamente limpiados
o esterilizados; y estos trabajos, normalmente, no son de mantenimiento, en el sentido que
corresponden, en empresas de cierto tamaño, a otros departamentos, limpieza, calidad,
verificación, etc. Así, en trabajos especiales, los tiempos muertos pueden ser muy superiores
a las actuaciones de mantenimiento por exigencias del proceso productivo.
Ejemplo 2.5 El tiempo total de producción de un minador (funcionamiento más periodos

de inactividad) es en un trabajo por 300 h, de las cuales está en funcionamiento 255 y el resto
en revisión o reparación. Determinar, si los periodos de inactividad se deben a 5 fallos, las
variables que se indican:
a) MTBF
b) MTTR
Solución:
MTBF = (Tiempo total de funcionamiento) / (número de fallos) = 255/5=51 h
MTTR = (Tiempo total de inactividad) / (número de fallos)=45/5=9 h
12


2.6 TASA DE FALLOS (FAILURE RATE, Λ)
La tasa de fallos (Inglés: Failure Rate, λ) es el parámetro más básico con el cual se mide
la fiabilidad de un sistema. El MIL-STD-721 la define como: “The total number of failures
within an item population, divided by the total number of life units expended by that
population, during a particular measurement interval under stated conditions.”
Se puede expresar en función del número total de unidades ensayadas, del tiempo de
ensayo, de la distancia recorrida, o de la variable que interese al proceso. Así se tienen:
Tasa de fallos por horas de uso:
𝑛º 𝑑𝑒 𝑓𝑎𝑙𝑙𝑜𝑠
𝜆W =
𝑛º 𝑑𝑒 ℎ𝑜𝑟𝑎𝑠 𝑒𝑛 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜
En el caso de los sistemas de transporte es habitual que los fallos vengan referidos a la
unidad de distancia, por ejemplo, el Km:
𝜆^ =
𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑡𝑜𝑡𝑎𝑙 𝑟𝑒𝑐𝑜𝑟𝑟𝑖𝑑𝑎
En ocasiones la tasa de fallos también se expresa por unidades ensayadas, entonces se

tiene:
𝜆% =
𝑛º 𝑑𝑒 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑒𝑛𝑠𝑎𝑦𝑎𝑑𝑎𝑠
Ejemplo 2.6 Una compañía de autobuses está monitorizando los 66 viajes mensuales
(33 en un sentido y 33 en el otro) que da una de sus unidades entre las ciudades de
Oviedo y León. Durante un mes comercial de pruebas, se han detectado, 5 fallos
eléctricos, 3 mecánicos y uno del sistema de aire acondicionado. Determinar:
a) Tasa total de fallos.
b) Tasa total de fallos mecánicos.
------------------- Estos apartados podrá resolverlos al final del capítulo---------------
c) Tiempo medio entre fallos (MTBF).
d) Distancia media entre fallos (MDBF).
e) Realice algún comentario respecto a las tasas de fallos obtenidas.
13


Dato: Suponer que la distancia entre ambas ciudades es de 123 Km y que el autobús
tarda hora y media en cubrirla.
Solución.
a) La tasa de fallos puede ser expresada en función de la distancia recorrida por el
vehículo o del tiempo de uso.
Así, en función de la distancia, se tiene que la tasa total de fallos es:
𝑛º 𝑑𝑒 𝑓𝑎𝑙𝑙𝑜𝑠 5+3+1 9
𝜆^ = = = = 1,1 · 10b4 𝑓𝑎𝑙𝑙𝑜𝑠/𝑘𝑚
𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑡𝑜𝑡𝑎𝑙 66 · 123 8118
𝑛º 𝑑𝑒 𝑓𝑎𝑙𝑙𝑜𝑠 5+3+1 9
𝜆d = = = = 0,091 𝑓𝑎𝑙𝑙𝑜𝑠/ℎ
𝑡𝑖𝑒𝑚𝑝𝑜 𝑢𝑠𝑜 66 · 1,5 99
b) Análogamente:
𝑛º 𝑑𝑒 𝑓𝑎𝑙𝑙𝑜𝑠 𝑚𝑒𝑐á𝑛𝑖𝑐𝑜𝑠 3 3
𝜆^ = = = = 3,69 · 10bg 𝑓𝑎𝑙𝑙𝑜𝑠/𝑘𝑚
𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑡𝑜𝑡𝑎𝑙 66 · 123 8118
𝑛º 𝑑𝑒 𝑓𝑎𝑙𝑙𝑜𝑠 𝑚𝑒𝑐á𝑛𝑖𝑐𝑜𝑠 3 3
𝜆d = = = = 0,03 𝑓𝑎𝑙𝑙𝑜𝑠/ℎ
𝑡𝑖𝑒𝑚𝑝𝑜 𝑢𝑠𝑜 66 · 1.5 99
Para resolver estos apartados faltan datos, por lo que la única asunción posible sería
la de considerar una tasa de fallos constante y por lo tanto, tal y como se verá más
adelante.
,
c) 𝑀𝑇𝐵𝐹 = = 11 ℎ
ij
,
d) 𝑀𝐷𝐵𝐹 = = 902 𝑘𝑚
il
e) Se trata de tasas de fallos altísimas para un vehículo. Esto obliga a hacer un estudio
detallado de las causas que pueden ser debidas a fallo del mantenimiento, uso
inadacuado, sobrecarga de las unidades, malas carreteras, etc.
Ejemplo 2.7 Una fábrica de componentes electrónicos estudia unos de ellos y observa
que su tasa de fallos es del 0,0015% cada 250 h. Determinar:
a) El número de fallos a la hora que se detectarán en una población de 5000
componentes.
b) El MTBF del conjunto de los 5000 componentes.
Solución:
a)
nº de fallos
λ t =
tiempo
14


nº de fallos
0,0015% = · 100 (expresión en %)
250
Número fallos= 0,0015·2,5 = 0,00375
y.yy4z{ |}~~•€
λ t = = 1,5 · 10b{ fallos/h
3{y •
b) Número de fallos/h en la población de 5000 Ud : 0,075 = λ t, 5000

Al igual que en el caso aterior si se supone la tasa de fallos constante:
,
MTBF = = 13,33 h
‚ ƒ,{yyy
Ejercicio 2.8 Se han producido 50 fallos electrónicos, 30 fallos eléctricos, 20

mecánicos, 28 en puertas y 12 en equipos auxiliares en un grupo de 70 viajes de líneas
de transporte por ferrocarril con recorridos de 800 km. Calcular la tasa de fallos y el
tiempo medio entre fallos.
𝑛º 𝑑𝑒 𝑓𝑎𝑙𝑙𝑜𝑠 50 + 30 + 20 + 28 + 12 140
𝜆= = = = 2,5 · 10b4 𝑓𝑎𝑙𝑙𝑜𝑠/𝑘𝑚
𝑘𝑚 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 70 · 800 56000
1
𝑀𝑇𝐵𝐹 = = 400 𝑘𝑚
𝜆
De forma similar se puede calcular por especialidades para definir equipos de trabajo y
especialidades necesarias.
Para fallos exclusivamente mecánicos la tasa es de:
λ (t) mecánicos = (20+28+12) / (70·800) = 1,07· 10-3
MTBFmecánicos = 934 km
Para fallos exclusivamente eléctrico-electrónicos se tiene:
λ (t) eléctrico = (50+30) / (70·800) = 1,43 · 10-3
MTBFeléctrico = 700 km
15


2.7 FUNCIÓN DE DENSIDAD DE PROBABILIDAD DE FALLO Y

FUNCIÓN DE PROBABILIDAD DE FALLO ACUMULADA
La función de densidad de probabilidad de fallo (Inglés: Probability Density Función,

f (t) ó PDF) es una función que representa la probabilidad de fallo por unidad de tiempo.
Más rigurosamente es la probabilidad de que un elemento cualquiera experimente un fallo
entre los instantes t y t + dt. Por otra parte, la probabilidad de que tenga lugar un fallo en un
elemento entre t y t + d t o sea f (t) dt es igual a la probabilidad de que funcione hasta t
(veremos después que se trata de la fiabilidad) por la probabilidad de que falle entre t y t +
d t. Lo que se expresa matemáticamente como:
f (t) dt = R (t) . λ(t) dt
La función de probabilidad acumulada de fallos (Inglés: Cumulative Distribution

Function), CDF o F (t)) si se supone que T (la vida del bien), queda expresada por:
De la definición las distribuciones para el estudio de la vida media, y en general las usadas
en los estudios de mantenimiento se considera el origen de tiempo en t=01. Esta función F(t)
ofrece un valor numérico que se puede interpretar como la probabilidad de que la vida del
bien “T” sea menor que un valor dado “t”. La función de probabilidad de fallo acumulada
F(t) es el área bajo la curva de la función de densidad. Por lo tanto:
f(t)·dt = dF(t)
Hay que indicar que esta función es matemáticamente creciente, f(t) al aumentar “t” es
cero o positiva pero nunca es negativa, luego la probabilidad de fallo aumenta con el tiempo
de funcionamiento.
La función de fiabilidad R(t), también llamada función de supervivencia, es la
complementaria a la unidad de la función de distribución acumulada F(t), se define:

1
Esto no es así cuando se hacen estudios de calidad en la producción de las máquinas, ya que al tomar
referencias a valores medios, en algunos modelos aparecen negativos, por lo que las funciones de calidad
suelen referenciarse de – ∞ a +∞.
16


Dicho de otro modo, R(t) es la probabilidad de que un componente nuevo (o asimilado a

nuevo después de una reparación importante) sobreviva más del tiempo t.
Los conceptos anteriores quedan ilustrados por medio de la figura 1.4. En ella, la ordenada
f(t) representa la proporción de elementos que llegado el tiempo t han fallado sobre la
población total. La zona rayada horizontalmente representa F(t) para el tiempo t1 o lo que es
lo mismo, la probabilidad de que un elemento falle antes de este tiempo. El área rayada
horizontalmente representa la proporción de elementos que fallan entre los dos tiempos t1 y
t2 o lo que es lo mismo la probabilidad de que un elemento sobreviva al tiempo t1 pero no al
t2.
f(t)
f(t)
F(t)
t1 t2 t
Figura 1.4 Representación de f(t) y F(t).
Ejemplo 2.9 Estimar la probabilidad de fallo dentro de las primeras 1000 h de uso de
un componente que tiene una tasa de fallos constante λ=0,003. Considerar una
distribución exponencial.
Solución:
P (t≤1000) = F (1000) = 1- e-0.003·1000 = 0,95
17


2.8 FIABILIDAD (RELIABILITY, R)
Fiabilidad (Inglés: Reliability, R) es la probabilidad de que un dispositivo realice

adecuadamente su función prevista a lo largo del tiempo, cuando opera en el entorno
para el que ha sido diseñado. El MIL-STD-721 (1991) la define como: “The probability
that an item can perform its intended function for a specified interval under stated
conditions.” Se observa que en la definición formal hay cuatro atributos específicos. Estos
son:
(1) Probabilidad: Un concepto matemático definido mediante un número o un intervalo y

calculado con la precisión de los teoremas de la matemática. Es la mayor o menor
certidumbre de que ocurra un determinado suceso.
(2) Un funcionamiento adecuado: Definido mediante parámetros o normas que fijan unos
márgenes dentro de los cuales se establece lo técnicamente aceptable. Normalmente también
se trata de definidos mediante números o intervalos. Cuando se utilizan conceptos estos se
deben pasar mediante expresiones a funciones o números o rangos que permiten tomar
decisiones técnicas2.
(3) Calificación con respecto al entorno: Hace referencia a la capacidad del dispositivo de
actuar conforme está previsto, respetando el entorno y en condiciones seguras. Esto
normalmente está contemplado en normativa o recomendaciones cuyo aspecto básico debe
ser de interpretación técnica, cuantificable o modelable en algún sentido ya que de lo
contrario se producen situaciones cuyo discurso está fuera del ámbito técnico (ámbito de la
ingeniería o de lo matemático aplicado a la ingeniería) en lo relativo a la ingeniería.
(4) Tiempo: Variable fundamental, los hechos suceden o no a lo largo del tiempo y estimar
o calcular cuando estos pueden suceder es uno de los objetivos fundamentales del
mantenimiento.

2
Los conceptos bueno, malo, preciso, etc. se deben cuantificar y acotar para poder formalizar teorías y
tomar decisiones técnicamente fundadas.
18


2.9 FUNCIÓN DE TASA DE FALLOS O FUNCIÓN DE RIESGO

(HAZARD RATE FUNCTION, H)
La interpretación física directa de la función de tasa de fallos o función de riesgo (Inglés:

Hazard Rate, h(t) o λ (t)) no es posible, sin embargo, para valores suficientemente pequeños
de t se puede definir como la probabilidad de fallo del componente en un tiempo
infinitamente pequeño (dt) cuando en el instante (t) estaba operativo. O dicho de otro modo,
es la propensión de un elemento a fallar en el instante siguiente dado que hasta éste no
ha fallado. En algunos textos también recibe el nombre de tasa de fallos (condicionada)
instantánea.
La función de riesgo es una variable fundamental en el análisis de la fiabilidad de los

equipos industriales. Es bastante común que el comportamiento de fallos de dispositivos sea
estudiado y descrito en términos de las funciones de riesgo asignadas al modelo que mejor
se ajuste al funcionamiento del equipo. Así si, la probabilidad de que un componente nuevo
falle entre t y t+s (s=Δt es un incremento de tiempo respecto a t), es igual a:
La fracción representa la probabilidad de fallo dentro de un tiempo (Δt) con respecto a la

probabilidad total de vida acumulada hasta el instante (t+Δt). En efecto:
P(T>t) = P(T>t+Dt) cuando DT→0 y se transforma en P(T>t) = 1- P(T≤t) = R(t)
Dividiendo por s=Dt y haciendo que s tienda a cero:
La tasa de fallos λ y la función de riesgo h(t) son con frecuencia intercambiadas en el

lenguaje común y la práctica. Sin embargo, existe entre ellas una diferencia crucial: la
instantaneidad. Dicho de otro modo, λ puede asemejarse a la velocidad media en el recorrido
de un coche (que a lo largo del viaje unas veces habrá sido mayor y otras menor); mientras
19


que h(t) sería análoga a la velocidad instantánea (velocidad marcada por el velocímetro en
un momento dado).
Caso particular de la función exponencial
Formalmente es el cociente entre la función de densidad (distribución de probabilidad) y

la fiabilidad y viene dada por la expresión:
h (t) = f(t) / R(t)
Como ejemplo para la función exponencial3, la más simple con un solo parámetro, se tiene:
f (t) = λ·e -λt; F (t)= 1- e-λt R(t) = e -λt
→ h(t) = λ·e-λt/ e-λt = λ; Donde λ es la tasa de fallos.
Ejemplo 2.10 Una compañía produce y vende quebrantadoras de mandíbulas. El

estudio del departamento de calidad y mantenimiento indica que la función
acumulada de fallos sigue una expresión del tipo:
F(t) =1 – e -t/7000
Se desea determinar:
a) La expresión de la función de fiabilidad.
b) La función de riesgo.
c) La tasa de fallos.
Solución:
a) R(t) =1-[1- e-t/7000]
b) La tasa de fallo se obtiene de la expresión:
h(t) = f(t) / R(t)
f(t) = λ·e-λt; F(t)= 1- e-λt R(t) = e-λt = e-0,00014·t
c) h(t) = λ·e-λt / e-λt = λ= 1/7000=0,00014
Ejemplo 2.11 La función de fiabilidad del brazo de un jumbo de perforación es la

siguiente:

3
Las funciones más comunes se desarrollan en los capítulos siguientes.
20


𝟏
𝑹 𝒕 = 𝟐
, 𝒕 > 𝟎 ( 𝒕, 𝒎𝒆𝒔𝒆𝒔)
𝟎. 𝟑𝒕 + 𝟏. 𝟓
Se pide calcular:
a) Función de densidad de probabilidad de fallo
b) Función de riesgo
c) MTTF [este concepto se ve más adelante]
Solución:
a) F (t) =1- R (t)
𝑑𝑅 𝑡 0.6
𝑓 𝑡 = − =
𝑡 0.3𝑡 + 1.5 4
b)
𝑓(𝑡) 0.6
ℎ 𝑡 = =
𝑅(𝑡) 0.3𝑡 + 1.5
‘ ,,.,,, ‘
c) 𝑀𝑇𝑇𝐹 = y
𝑅(𝑡) 𝑑𝑡 =− = 2.2
d’{ y
2.10 CURVA DE CICLO DE VIDA (PRODUCT LIVE CYCLE CURVE)
Muy extendida como criterio explicativo del deterioro de los equipos, también denominada
curva de la bañera, es formalmente correcta pero queda modificada en la práctica por la
aplicación de técnicas de mantenimiento que modifican la forma y los periodos. Explica bien
la forma de comportarse durante el trabajo de un equipo en lo relacionado con sus
necesidades de mantenimiento.
21


Zona de
Zona de juventud Zona de madurez envejecimiento
Tasa fallo
Errores de diseño Fallos aleatorios Fallos estructurales

Defectos de fabricación Periodo más largo y mecánicos
Tasa de fallos constante
tiempo
Figura 1.5 Curva de planificación de la vida de un equipo o curva de la bañera
Se distinguen claramente tres periodos en la vida de un equipo (figura 1.5):
Zona de juventud: También llamada zona de fallos iniciales, se caracteriza por poseer una
elevada tasa de fallos la cual desciende rápidamente. La razón es múltiple: equipos
defectuosos, desconocimiento del manejo de los equipos, instalaciones incorrectamente
diseñadas, defectos o tolerancias de fabricación, etc.
La casuística es muy extensa pero se pueden citar algunos ejemplos relativos a la puesta en
marcha de plantas mineralurgias como: conexión de cables incorrecta; bombas que giran mal
o no dan la potencia necesaria; errores de cálculo; restos de soldadura en tuberías que se
desplazan con el uso e impiden el cierre correcto de las válvulas (cuando estas válvulas son
de regulación se desequilibran los sistemas, se depositan en los cierres de goma o en
elementos de paso estrecho); error o falta de puesta a punto de parámetros en los sistemas
informáticos; etc. En general la puesta a punto de instalaciones muy tecnificadas e
informatizadas es complejo y exige tiempo, regular las curvas de disparo por seguridad en
equipos, escalonar las seguridades, y un sinfín de ejemplos donde no es descartable el
desconocimiento (por falta de experiencia) en el manejo de las instalaciones, etc.
22


Zona de madurez: Esta parte de la curva se caracteriza porque los fallos en ella son
constantes o cuasi constantes. Se trata del periodo más largo y de la zona de valle de la curva
de la bañera, por lo que presenta la menor probabilidad de averías. En origen de los fallos
radica, por oposición a la anterior, en causas aleatorias (accidentes fortuitos, mala operación,
condiciones inadecuadas, fallo de algún elemento del equipo, desgastes puntuales no
previsibles, etc.) debidas a combinación de causas múltiples normalmente no predecibles, y
no inherentes al equipo.
Zona de desgaste: Se trata de la zona final de la curva de la bañera en la que los fallos
comienzan a crecer de manera acelerada. A estas alturas los fallos que tiene lugar son
fundamentalmente de tipo estructural o mecánico. La llegada de este periodo produce un
importante incremento de los costes de mantenimiento, así como una disminución de la
seguridad de uso, por lo que es indicativo del fin del periodo de vida del elemento, que
deberá ser reemplazado por otro en mejores condiciones. Cuando los fallos conllevan riesgo
para los usuarios la parada, modificación y/o remplazo del bien están fuera de toda cuestión.
Por fortuna no se suele llegar tan lejos siendo el criterio más habitual el económico, en que
se analizan los costes de mantenimiento vs. remplazo.
Nota. Periodo de vida técnica de un bien es durante el cual el bien cumple normalmente
con la función para lo que ha sido diseñado. Existen también otros periodos importantes en
la vida de un equipo, por ejemplo el periodo de garantía de repuestos, que es el tiempo
durante el cual el fabricante debe seguir fabricando repuestos para una máquina y que se
establece en al menos 10 años desde la última fabricación.
La obsolescencia natural por mejora de proceso provoca la sustitución de muchos equipos

antes de llegar al final de su vida productiva por motivos de mantenimiento. Un bien puede
quedar obsoleto, independientemente del nivel de fallos, por la aparición de nuevas técnicas
de fabricación, porque esté administrativamente amortizado e interese su sustitución
(facilidad de subvenciones, otros) y sea rentable su sustitución, o por otras causas como
cambio de proceso productivo.
23


2.11 FIABILIDAD EFECTIVA (EFFECTIVE RELIABILITY, R E F )
Fiabilidad efectiva Ref (t) incluye la probabilidad de fallo y la probabilidad de no

detectarlo. Es una ampliación del concepto de fiabilidad cuando se realizan test de detección
de fallos.
Ref (t) =1-[ Pf (t)· Pndf (t)]
Donde:
Pf (t): Probabilidad de fallo
Pndf (t): Probabilidad de no detectar fallo
La fiabilidad, variable con un componente estadístico de indeterminación, y asociada a

procesos de decisión, mejora notablemente cuando se efectúa un doble muestreo o un
seguimiento periódico del test de control. Se hace una ampliación de la relevancia de este
concepto en la toma de decisiones en el siguiente ejemplo.
Ejemplo 2.12 El motor de una perforadora tiene una fiabilidad de 0,9 (90% de
probabilidad de funcionar correctamente un determinado número de horas, p.e. 6.000
h con un mantenimiento adecuado, cambios de aceite etc.) sin tener una avería. Se
monitoriza, controla, con sensores de vibración. La probabilidad de detectar el fallo
por medio del mismo es 0,75. Calcular la fiabilidad efectiva del motor. Evaluar el efecto
de la introducción del sensor de vibración en el parámetro fiabilidad.
Solución:
Ref = 1 – [(1-0,9) · (1-0,75)] = 0,975
• La fiabilidad, estadísticamente, es la opuesta a la probabilidad de fallo. Identificado

un defecto como fallo o no fallo (sucesos excluyentes), la fiabilidad es:
Ref = 1-Pfallo(ef) (t)
24


• El valor resultante de 0,975 da una sensación de alta credibilidad por el mero hecho
de realizar un test de prueba, pero el parámetro tiene connotaciones técnicas que
interesa conocer.
El efecto en el parámetro fiabilidad con la introducción del sensor de vibración es aumentar

del 0,90 al 0,975 la probabilidad de identificar un fallo o estimar el momento más próximo
a la aparición de un fallo que implique actuación del servicio de mantenimiento.
Ejercicio 2.13 Un sistema de acoplamiento tiene probabilidad del 90 % de funcionar

correctamente (si el mantenimiento es adecuado) de 5.000 h. El sistema se monitoriza,
por medio de sensores de vibración. La probabilidad de detectar el fallo, fiabilidad del
sistema de detección, es 80%. Se pide:
a) Calcular la fiabilidad efectiva del sistema.

b) Evaluar el efecto de la introducción del sensor de vibración en el parámetro
fiabilidad.
Solución:
Ref = 1 – [(1-0,9) · (1-0,8)] = 0,98
• La fiabilidad, estadísticamente, es la opuesta a la probabilidad de fallo. Identificado

un defecto como fallo o no fallo (sucesos excluyentes), la fiabilidad es Ref = 1-
Pfallo(ef) (1)
• El valor resultante de 0,97 da una sensación de alta credibilidad por el mero hecho
de realizar un test de prueba, pero el parámetro tiene connotaciones técnicas que
interesa conocer.
(1) Nota. Si los sucesos no son excluyentes la probabilidad es una probabilidad compuesta
y no se puede determinar por diferencia o multiplicación directa de probabilidades. En tal
caso hay que utilizar el teorema de la probabilidad total o el teorema de Bayes (ver Anexo).
Este teorema establece que la probabilidad de ocurrencia de dos fenómenos condicionados
o relacionados es el producto de la probabilidad de que ocurra el fenómeno principal por la
probabilidad de que habiendo ocurrido este se produzca el fenómeno relacionado con él, la
formulación es del tipo P(Ai|Cr)=P(Ai)·P(Cr|Ai)/P(Cr).
25


Para el estudio de la fiabilidad en mantenimiento se considera que son fenómenos

excluyentes, lo que significa que el hecho de que se produzca uno de ellos no afecta a que
se pueda producir o no producir el otro fenómeno (complementario). Para el supuesto de la
determinación de fallos por el estudio de vibraciones la independencia no es clara, ya que al
aumentar el nivel de las vibraciones o su amplitud se está más cerca de una posible avería y
la determinación mediante un único número (asignarle una probabilidad) es una
simplificación de un problema real algo más complejo.
Este parámetro de fiabilidad esconde que existe la probabilidad del test de identificar un
fallo cuando realmente no existe, el fallo del test en el supuesto de no avería, no es una
probabilidad nula. Suponer que la fiabilidad del test cuando dice que no hay avería es del
100% es, normalmente, un error de estimación. Hay que poner especial cuidado cuando las
decisiones son del tipo de seguridad y afectan a personas pero también cuando se diseñan
equipos y se pone en juego medios de la empresa.
Este tipo de test de control tiene lo que en estadística o control de calidad se identifica
como “falso positivo”, que es la existencia de una cierta probabilidad de identificar una
avería cuando realmente no existe. Este es un efecto a evitar ya que la identificación
incorrecta supone una parada no deseada y no necesaria.
Uno de los casos más típicos de falsos positivos se dan en el caso de los tratamientos
médicos, por ejemplo, tratar a una persona de cáncer cuando ésta no padece la enfermedad.
En mantenimiento los ejemplos son múltiples, por ejemplo equiparse o actuar frente a una
falsa alarma como puede ser la detección de niveles incorrectos de grisú en una mina cuando
los niveles son correctos.
En el ejemplo que sigue, cuya base es el enunciado del ejercicio anterior de fiabilidad, se
desarrolla con más profundidad (estudiando la casuística completa y haciendo un cuadro
resumen final para ver la evolución cuando el test mejora o varía su fiabilidad) como los
falsos positivos (errores de tipo II) se anulan prácticamente con la repetición de la prueba y
su seguimiento. Este concepto de repetición de determinadas pruebas a lo largo del tiempo,
comparación de valores y establecimiento de límites guardan gran relación con las tablas o
gráficos de control que se verán con posterioridad en el texto.
26


Ejercicio 2.14 Un sistema de acoplamiento tiene una probabilidad de fallo “p” a un

determinado número de horas (por ejemplo, 5000 h). Se instala un sistema de control
al que se le asigna una fiabilidad en la detección del fallo, definiendo un determinado
nivel de vibración (o partículas en el aceite, calentamiento, etc.) a partir del cual se cree
que el fallo es inminente. Se entiende la no fiabilidad como la probabilidad de que
ocurra un fallo no previsto y no detectado por el sistema que traiga consigo la necesidad
de una parada o una actuación en un instante de forma no detectada ni prevista. Si se
fijan las variables del caso con los valores dados en la tabla siguiente:
Concepto Variable Valor

Probabilidad de avería / fallo del equipo p 0,9
Probabilidad de no ocurrencia q = 1-p 0,1
Test de identificación, fiabilidad del control f 0,8
Fallo del test de control nf =1-f 0,2
Discuta como varía la fiabilidad del sistema (equipo más control de supervisión) ante
las situaciones de que el test:
a) No identifique un fallo cuando debería (Error tipo I).
b) Identifique fallo cuando no debería (Error tipo II).
En principio se considera, por simplicidad y sin ninguna otra experiencia o conocimiento

previo, que la probabilidad de error es la misma en ambos sucesos, pero no tiene por qué ser
así necesariamente. Siguiendo con el ejemplo se considera que un test de vibración de un
acoplamiento, por complejo que sea este, es un test robusto de identificación de fallos, pero
la vibración puede provenir de la propia caja de acoplamiento o del equipo principal o del
entorno (posteriormente analizaremos la normativa que tiene en consideración este efecto
externo). La caja de acoplamiento tiene una entrada y una salida conectadas de forma rígida
que evidentemente le pueden transferir vibraciones. El test de degradación del aceite es
también potente, pero está sujeto, igual que el anterior a una cierta fiabilidad. La fiabilidad
absoluta en los test no existe.
En el diagrama de árbol, que se adjunta a continuación, de las posibilidades del sistema

(explicación conceptual), se dan todos los sucesos posibles como salidas del árbol, indicando
27


que son sucesos independientes, la suma de probabilidades es la unidad, tal como se calcula
en el propio árbol con referencia al ejercicio y los valores de la tabla anterior.
Diagrama de árbol de las posibilidades del sistema (explicación conceptual)
No exista fallo y el sistema identifica

Detectado Suceso A1
el no fallo
0,8 No fallo
No fallo 1) P (A1) = 0,72
0,9
No existe fallo y el sistema identifica
No detec. Suceso A2
fallo (error II)
EQUIPO 0,2 Fallo
2) P (A2) = 0,18
Existe fallo y el sistema lo identifica

Detectado Suceso A3
bien
0,8 Fallo
Fallo 3) P (A3) = 0,08
0,1
Existe fallo, el sistema no lo identifica
No detec. Suceso A4
(error tipo I)
0,2 No fallo
4) P(A4) = 0,02
Los sucesos identificados como salida del árbol son sucesos

∑pi = 1,00
independientes, la suma de probabilidades es la unidad
Fiabilidad (R) calculada según expresión Fiabilidad según el diagrama de árbol
R = 1- {(1-p)·(1-d)} = 0,98 R = 1 - P (A4) = 0,98
Se denomina falso positivo o error tipo II, a identificar un fallo por el sistema cuando
realmente no existe tal fallo. Bajo el concepto de sucesos independientes para los Ai, es
correcto usar la fórmula del producto para identificar la probabilidad de ocurrencia de un
suceso ante la repetición de pruebas.
La probabilidad de error en una tanda de ensayos (pueden ser dos o un conjunto superior
y hacer la media) está dada, para el supuesto anterior del sistema de acoplamiento, por:
28


Primera prueba, suceso A2, no existe fallo y el sistema identifica un fallo, error II: P (A2)
= 0,18
Repetida la prueba en similares condiciones se repite la probabilidad de ocurrencia: P (A2´)

= 0,18
La probabilidad de “falso positivo” o error tipo II, en dos pruebas independientes es el

producto de probabilidades y así se tienen:
P doble test = P (A2) · P (A2´) = 0,0324 3,24%
El error pasa de una probabilidad del 18% al 3%
Se evidencia el interés de hacer un seguimiento periódico, pruebas independientes de

control, cartas o registros de control, etc., para evitar fallos que realmente no existen y que
identificados de forma errónea pueden provocar la parada innecesaria del sistema y que de
alguna forma queda escondido, este efecto, dentro de la variable de fiabilidad definida por
un único parámetro debido a que su valor tiende a ser elevado, una fiabilidad del 97% - 98%
da una impresión de estar muy seguro.
Como conclusión se puede indicar que con fiabilidades altas, cuando se utilizan test de
control, se pueden dar errores de tipo II, falsos positivos que provocan intervenciones o
paradas no necesarias; y por el contrario, la no identificación de un posible fallo (error tipo
I) es que se produzcan el fallo de forma incontrolada provocando actuaciones urgentes, fuera
de control, accidentes o pérdidas de producción importantes.
En la tabla siguiente se analiza, manteniendo constante la probabilidad de no avería

(fiabilidad del equipo) en un 90%, el efecto de la variación de la calidad del test de control,
y el efecto de su repetición, viendo como aumenta la seguridad y disminuye notablemente
la probabilidad de error de tipo II.
29


Se observa que para un test de cierta seguridad, el efecto de la repetición es prácticamente

la eliminación de los errores de decisión. Se observa igualmente en la tabla que la fiabilidad
calculada puede superar el 98% o 99% lo que da una clara sensación de seguridad, cuando
realmente hay una tasa de falsas detecciones entre el 9% y el 18% o incluso mayor que es
muy alta, y esto indica que la fiabilidad calculada como un mero número es una variable
compleja de interpretar.
30


2.12 DEFINICIÓN FORMAL DE MTBF
El MTBF puede definirse, cuando se tiene un modelo del sistema probabilístico de fallos
del equipo, como el valor esperado de la función de densidad de fallos f (t). Dicho de otro
modo, es la media de la función de densidad de probabilidad.
Con
Estos conceptos se desarrollan con más detenimiento en el capítulo siguiente, sin embargo
debe quedar ya claro aquí, que las tasas de fallos de los equipos no suelen ser constantes con
el tiempo con la excepción de aquellas que siguen una distribución exponencial, en cuyo
caso es posible la simplificación:
1
𝑀𝑇𝐵𝐹 =
𝜆
Esto varía tanto, que si de una distribución del tipo Weibull se tratase el MTTF se
calcularía como (ver capítulo siguiente):
1
MTBF : 𝜆𝛤 1 +
𝑘
La figura 1.6 trata de representar el concepto de esperanza matemática o media, para una
población que sigue una función acumulada de fallos del tipo Weibull. En ella se puede
observar que la probabilidad de que un elemento haya fallado antes de alcanzar su MTBF es
del 63,2%. Sirva esto para reiterar que el MTBF no es el tiempo de fallo que puede ser
esperado el 50 % de las veces (esta es la mediana), ni ningún tipo de periodo en el cual se
garantice que no va a haber fallos.
31


F (t)
0.632
ꞃ =E(t)=MTBF Tiempo, t
Figura 1.6 Esperanza matemática E (t) y MTBF para una población de fallos de tipo
Weibull.
2.13 MANTENIBILIDAD (MAINTAINABILITY, M)
La mantenibilidad (Inglés: Maintainability, M) es la probabilidad de que un equipo

o sistema sea restaurado a un estado operacional dentro de un periodo de tiempo dado
si se siguen los esquemas establecidos. Este parámetro valora la facilidad o dificultad de
reparación (suministro, disponibilidad de repuestos, accesibilidad al equipo, disponibilidad
de documentación técnica, etc.), y también la de acometer inspecciones periódicas para
mantenerlo en condiciones correctas de uso.
La función de mantenibilidad se define como M(t)= P(T≤t) donde T es una variable

aleatoria que representa el tiempo de reparación. A partir de esta función se definen otros
conceptos como la Tasa de Reparaciones o el Tiempo Medio por Reparación (tabla 1.4)
32


Tabla 1.4 .Comparación entre los diversos conceptos derivados de la fiabilidad y de la

mantenibilidad.
Fiabilidad Mantenibilidad
Función de densidad (distribución) de la Función de densidad (distribución) de los

probabilidad de fallo (PDF) tiempos de reparación (PDF)
𝑓(𝑡) 𝑔(𝑡)
Función de probabilidad acumulada de Función opuesta de la mantenibilidad

fallos (CDF) (utilizada en el ratio de reparación)
d
1 − 𝑀(𝑡)
𝐹 𝑡 = 𝑓 𝑡 𝑑𝑡
–
Fiabilidad Mantenibilidad
d
𝑅 𝑡 = 1 − 𝐹(𝑡)
𝑀 𝑡 = 𝑔 𝑡 𝑑𝑡
‘ y
𝑅 𝑡 = 𝑓 𝑡 𝑑𝑡
d
Tasa de fallos Ratio de reparación
𝑓(𝑡) 𝑔(𝑡)
𝜆 𝑡 = 𝜇 𝑡 =
𝑅(𝑡) 1 − 𝑀(𝑡)
Tiempo medio hasta el fallo (*) Tiempo medio de reparación

‘ ‘
𝑀𝑇𝑇𝐹 (ó 𝑀𝑇𝐵𝐹) = 𝑓 𝑡 𝑑𝑡 𝑀𝑇𝑇𝑅 = 𝑔 𝑡 𝑑𝑡
b‘ b‘
‘
𝑀𝑇𝑇𝐹 (ó 𝑀𝑇𝐵𝐹) = 𝑅 𝑡 𝑑𝑡
y
Función de distribución de la probabilidad Función de distribución de la probabilidad

de tiempo para el fallo (PDF) de los tiempos de reparación (PDF)
𝑓 𝑡 = 𝜆 𝑡 𝑅(𝑡) 𝑔 𝑡 = 𝜇(𝑡)(1 − 𝑀 𝑡 )
j j
𝑓 𝑡 = 𝜆 𝑡 𝑒b ˜
i d ^d
𝑔 𝑡 = 𝜇(𝑡)𝑒 b ˜
™ d ^d
33


(*) Cuando los elementos son reparables, se inicia un nuevo ciclo después de una reparación
y puesta en servicio, la variable es el tiempo medio entre fallos o MTBF
2.14 DISPONIBILIDAD (AVAILABILITY, A)
La disponibilidad (Inglés: Availability, A) es la fracción de tiempo que un producto

reparable se espera que esté en funcionamiento, es decir, no en reparación. Representa, por
tanto, el tiempo útil de producción. Es un parámetro que variará entre cero, para los
productos que nunca estén disponibles y 1 para los que siempre lo estén. Matemáticamente
es una función del MTBF (Mean Time Between Failure) y del MTTR (Mean Time to Repair)
y queda dada por la relación:
Disponibilidad = MTBT / (MTBF + MTTR)
La disponibilidad puede ser de dos tipos:
• Disponibilidad teórica TD: Horas de trabajo x número de turnos

• Disponibilidad útil o necesaria DU: Horas necesarias según plan de producción
Considerando en el tiempo de avería o fallo, TA, se tiene:
DU = DT- TA4
Según la relación entre DT y DU se establece la siguiente clasificación:
Tipo 1. Aquellas máquinas básicas para el funcionamiento de la empresa, desde el punto

de vista de que son “cuello de botella”; es decir, son capaces de paralizar el sistema de
producción. Esto corresponde a aquellas máquinas en las cuales la disponibilidad útil es
menor que la disponibilidad teórica necesaria. Esta categoría incluye: sistemas básicos de
componentes y toda máquina que puede ser insustituible para la producción en un momento
dado como: maquinaria pesada como hornos en la producción de acero, el sistema eléctrico

4
El TA debe ser aquel que interfiere con los tiempos de producción pero esto formalmente no invalida la
exposición que es de tipo general y conceptual. Cuando el TA no interfiere en la producción, tiene que
conocerse por su implicación en los costes de la reparación.
34


(alimentación general), grúas en las obras de construcción de edificios (la falta de suministro
paraliza la obra), etc. Por su importancia, la maquinaria de este tipo precisa de una
planificación lo más ordena posible que permita concentrar las actuaciones de
mantenimiento en los tiempos muertos de producción. Por lo tanto son de especial
importancia métodos de diagnóstico preventivo (prever la incidencia antes de que ocurra
para planificar su reparación con el menor coste posible). Este grupo se caracteriza porque
la disponibilidad teórica es menor que la suma de la disponibilidad útil más el tiempo de
avería.
DT < DU + TA; DT = DU + TA – “Perdida de producción”
Tipo 2. Está formada por el conjunto de máquinas no críticas del proceso. En este caso las
actuaciones mantenimiento pueden coincidir en el tiempo con los periodos de fabricación.
Ejemplos de este tipo de máquinas son todas las máquinas que se encuentre en líneas
duplicadas dentro del proceso como sistemas de bombeo en paralelo. En este conjunto el
trabajo consiste en el estudio de las incidencias en relación a los tiempos de producción para
estimar el número máximo de ellas que pueden estar en reparación sin parar la producción.
En las máquinas que pertenecen a este grupo la disponibilidad teórica es mayor que la suma
de la disponibilidad útil más el tiempo de avería:
DT > DU + TA; DT = DU + TA + “Margen de tiempo”
Tipo 3. Este grupo lo forma la maquinaria que rara vez interviene en el proceso productivo
quedando su actuación relegada a operaciones esporádicas, auxiliares o complementarias.
En este grupo se pueden encuadrar los equipos de medición y control y los equipos de
emergencia entre otros. Esta clase llena huecos de tiempo en los equipos de mantenimiento
y se caracterizan porque, para las máquinas que la componen la disponibilidad teórica es
mucho mayor que la suma de la útil más los tiempos de avería:
DT >> DU + TA; DT = DU + TA + “Margen amplio de tiempo”
Cada grupo presenta una serie de objetivos en términos de disponibilidad y costes de

mantenimiento que han de perseguirse dentro de la empresa. Así en el caso del tipo 1, su
objetivo es aumentar la disponibilidad; del tipo 2, reducir costes (sin prejuicio de la
disponibilidad) y del 3 reducir los costes de mantenimiento.
35


Ejemplo 2.15 Una bomba de mina puede operar de manera continua por 1000 h tras
su última reparación. Determinar su disponibilidad si el tiempo medio de reparación
de sus averías es de 5 horas.
Solución:
Disponibilidad= MTBT / (MTBF + MTTR)= 1000/(1000+5) =0.995
2.15 INDISPONIBILIDAD
Considerando el mantenimiento como una combinación de acciones para sustituir, reparar,

mantener o modificar los componentes de una instalación para que esta continúe operando
con la disponibilidad deseada o necesaria, un parámetro de interés, y sencillo es la relación
entre el tiempo total de funcionamiento del equipo, (taller, fábrica, etc.) en relación al tiempo
total descontando los periodos de mantenimiento o no productivos (se incluye en los no
productivos aquellos periodos, por debajo de un valor pactado5, en los que el equipos está
dando un trabajo incompleto. El ratio más sencillo correspondiente a esta definición será:
Disponibilidad(A): D =Tfc / (Tfc + Tm)
Donde:
Tfc: Tiempo de funcionamiento correcto
Tm: Tiempo en el servicio de mantenimiento o en espera de mantenimiento (fuera de

producción o del rango pactado).
El valor complementario, indisponibilidad será: I = 1-D
Indisponibilidad (1 - A) = Tm / (Tfc + Tm)

5
En los contratos de mantenimiento se puede considerar (se hace normalmente) que un equipo trabajando
por debajo de un rendimiento del, por ejemplo 50%, equivale a estar en condición de avería.
36


Ejemplo 2.16 Se fija un nivel de producción del 100% como nivel ideal y se considera
avería la imposibilidad de mantener la producción, por motivos de mantenimiento, a
niveles próximos al 100%. Se considera parada de planta si el nivel de producción baja
del 50%, (nivel no aceptable por costes), concepto de indisponibilidad en la firma de
contratos de mantenimiento para fijar penalidades.
Se consideran las tasas de cálculo para nivel medio de averías y nivel medio de
reparaciones por mantenimiento λ=0,02 y µ=0,3 respectivamente. Se pide calcular el
ratio de disponibilidad del taller y cuál debe ser el dimensionamiento del servicio de
mantenimiento (calcular c = nº de equipos de reparación) para que la indisponibilidad
no supere un determinado valor (p.e. el 15%).
Nota. Como aclaración se indica que ambos sucesos, definidos tal como está en el texto,
son NO excluyentes, no independientes, porque si la planta está por debajo de 50% significa
que está también por debajo del 100%, luego es necesario formular un modelo de
disponible/indisponible con conceptos complementarios (Disp/Indisp) de tal forma que
P(Disp) + P(Indisp) = 1. Esto permite aplicar las funciones de tasa de fallos y de tasa de
reparación que definiremos con exactitud posteriormente y que aquí simplemente
introducimos como concepto
El equipo está, o bien en funcionamiento correcto Tfc, o bien en mantenimiento (1) Tm de
tal forma que el tiempo total será Tt = Tfc + Tm.
En un intervalo de tiempo T, ocurren N fallos (averías), y la tasa de averías es:
λ = N/T → T = N/λ
En un intervalo de tiempo T ocurren N fallos y cada uno tiene un tiempo medio de
reparación de TMR, luego el tiempo en reparación total será Tm = N·TMR. Si la tasa de
reparaciones por persona (equipo) es µ, el tiempo medio por persona, es de 1/µ y para “c”
equipos será (1/cµ).
La aplicación de lo anterior a la definición de indisponibilidad, como sucesos excluyentes,
da la relación:
I = Tm / (Tfc + Tm) = N·TMR / (N/λ) = TMR·λ = (1/cµ) · λ = λ / cµ
Para fijar ideas se dan valores que en capítulos posteriores se desarrollan con mayor
exactitud y justificación.
λ = 0,02 (2%); µ=0,3 Para I = 15% = 0,15; se tiene una necesidad de
c = λ / (0,15·µ) = 0,02 / (0,15·0,3) = 4, 4 = 5 equipos de trabajo (o personas)
Ahora si la indisponibilidad aumenta se puede saber si es debido al aumento de λ y esto
depende del uso de los equipos en fábrica, no del servicio de mantenimiento, o si aumenta
37


por fallo del mantenimiento, número de equipos escaso o trabajo mal medido/controlado y
se debe corregir.
(1) Los tiempos en espera de reparación son tiempos asignados al mantenimiento
Cuando se tiene varios equipos de trabajo en mantenimiento, c>1, el tiempo de reparación
es el correspondiente a lo que tarda un equipo de trabajo en reparar una máquina,
normalmente, no se considera que varios equipos trabajan sobre una misma máquina en los
planteamientos matemáticos de mantenimiento.
38


2.16 GRÁFICOS DE CONTROL
Los gráficos de control, también denominados “cartas de control” o gráficos de

Shewhart6(figura 1.7), sirve normalmente para controlar la calidad de fabricación, pero
identifican igualmente necesidades de actuación del servicio de mantenimiento para corregir
deficiencias de fabricación. Estos gráficos dan una idea del proceso o funcionamiento más
regular del equipo, identificando no solo fallos, sino tendencias. Constituyen una técnica
muy útil cuando se presentan variaciones anormales que hacen que las medias o los rangos
salgan fuera de los límites de control. Estas variaciones son señal de que se debe tomar
alguna acción para reconducir esa fuente de variabilidad anormal, por lo que su uso
sistemático constituye una excelente herramienta para el mantenimiento.
Los gráficos de control, del tipo que se adjunta, permiten resaltar puntos singulares cuando
se refleja una anomalía de forma independiente o indicar una secuencia con tendencia que
permita identificar un desajuste progresivo del equipo (línea de puntos). Especial
importancia tiene este sistema de seguimiento cuando las leyes del equipo no son conocidas
a priori, pues si bien puede existir una indicación documental o de experiencia en equipos
anteriores, a veces hay que generarse una experiencia propia que facilite la toma de
decisiones. Es decir, la tranquilidad como ingeniero responsable de que se está haciendo lo
correcto con el conocimiento existente y las tecnologías y métodos accesibles.
Los límites vienen fijados por el conocimiento del proceso, por necesidades del
control de calidad (experiencia anterior) o forman parte del estudio que se realiza con este
sistema. Normalmente se denominan: Límite superior de control (LSC), Línea central
(LC); y límite inferior de control (LIC). La identificación de las anomalías fuera de rango
y sus límites se pueden ver en la figura 1.7.

6
Walter Andrew Shewhart (1891-1967): Físico, ingeniero y estadístico estadounidense, considerado por
muchos el padre del control de calidad, propuso la espiral de mejora continua: Planificar-Hacer-Verificar-
Actuar.
39


Parámetro Cambio en el proceso

medido
LSC
LIC
Evento especial
tiempo
Figura.1.7 Carta de control de Shewhart y patrones de anormalidad. LSC y LIC- límites

superior e inferior de control respectivamente.
En la determinación de los límites, cuando estos forman parte de un proceso sometido a

reglas estocásticas, estos se corresponden a las cotas superior e inferior de los intervalos de
seguridad para un rango de fiabilidad o probabilidad de ocurrencia dado.
Formulado en términos matemáticos son los límites inferior y superior del intervalo, para
una probabilidad determinada. En términos estadísticos es el intervalo de confianza, para el
que existe una probabilidad del α % (valor determinado por el responsable, 95, 98, 99, etc.),
de que la variable medida esté dentro de ese intervalo:
P (α=95%) = (µ-kσ < Xmedia < µ+kσ)
Siendo:
µ - kσ: Límite inferior de control (LIC)
µ + kσ: Límite superior de control (LSC)
µ: Media de la población, esta puede ser conocida a priori o no conocida y hay que
determinarla a través de muestra y/o ensayos.
40


k: Coeficiente ligado al tipo de distribución, (normal, t-Student, etc.); depende del

grado de fiabilidad deseado en el proceso, 95%, 98%, etc. y del número de grados de libertad
(tamaño de la muestra de control) según el tipo de distribución7.
σ: Desviación típica de la población, es la raíz cuadrada positiva de la varianza. Si

no se conoce se calcula a través de la desviación típica de la muestra obtenida
Cuando la experiencia o la información del funcionamiento del equipo no es suficiente, o

no se conocen los valores de la población N (µ,σ) (asumiendo que los errores y averías para
un conjunto amplio de unidades tienden a una distribución normal8), se puede usar la t-
Student y sustituir la media de la población por la media de la muestra y la varianza por la
varianza de la muestra corregida por el tamaño de la misma.
Nota. En estadística, una prueba t de Student, (t-Test) es toda prueba en la que

el estadístico empleado presenta una distribución t de Student si la hipótesis nula es cierta.
Su campo de aplicación es el de poblaciones que sigan distribuciones normales pero en las
que el tamaño muestral sea demasiado pequeño (normalmente a partir de muestras inferiores
a 30 Ud.) como para que el estadístico en el que está basada la inferencia esté normalmente
distribuido, empleándose una estimación de la media o de la desviación típica en lugar del
valor real. Para una prueba t de muestra única se evalúa la hipótesis nula de que la media de
la población estudiada es igual a un valor especificado µ0, se hace uso del estadístico:

7
Para la distribución normal N (0,1) y con una probabilidad del 95%, k=1,96. Para una distribución t-Student,
con igual probabilidad del 95% y para 6 grados de libertad (muestra de 7 valores), k=2,447, y para 19 grados
de libertad (muestra de 20 valores), k=2,093.
8
Cuando el tamaño de la muestra de sucesos es muy grande se puede asumir que prácticamente todas las
poblaciones (errores, fallos de equipos, control de calidad para grandes producciones, etc.) se pueden
modelar suficientemente bien con una distribución normal de media μ y desviación típica σ. La mayoría de
las distribuciones estadísticas usadas en control de fallos, y especialmente la t-Student, cuando el número de
sucesos es muy elevado, se transforman en una distribución normal (teorema central del límite).
41


Donde es la media muestral, s es la desviación estándar muestral y n es el tamaño de la

muestra. Los grados de libertad utilizados en esta prueba corresponden a (n–1)9.
Existen otros estadísticos específicos para comparar muestras, evaluar un parámetro, etc.,
cuyo uso no corresponde exactamente a la necesidad del mantenimiento y están más
enfocados al control de calidad, seguimiento del funcionamiento de un equipo, etc.
Cuando la desviación típica (raíz cuadrada positiva de la varianza), se calcula a través de

los datos de una muestra se usan las expresiones siguientes, siendo n2 la dimensión del
conjunto cuando se usan parejas de valores. Si tenemos un conjunto de datos de una misma
variable, la varianza se calcula de la siguiente forma:
Siendo: : Cada dato; : Número de datos; : media aritmética de los datos
El cálculo de la varianza de la población (general) obtenida a través del valor de una

muestra, se corrige por una de los estadísticos siguientes, ambos son insesgados. El primero
traslada el valor a la población y el segundo es más conservador, al calcular los intervalos
da un rango de mayor amplitud. Cuando n es grande, la diferencia es no significativa. A
partir de una muestra de tamaño n ≥ 30, la diferencia es inferior a un 3%.
›
1
S›3 = xi − 𝑥 3
n
,
›
3
1 3
S = xi − 𝑥
n−1
,

9
Dado que la media de la población es u y se determina por medio de una muestra de xi valores, la suma de
las diferencias (u-xi) es cero, luego uno de los valores queda determinado por los (n-1) restantes que son los
grados de libertad. Cuando n tiende a infinito n/(n-1) tiende a 1 pero para muestra pequeñas, ejemplo de 10
valores 10/(10-1)=1,11, y esto aumenta cuando la muestra son 3 ó 4 valores. Es obligado indicar que el
tamaño de las muestras está muy condicionado por el coste ya que pueden ser pruebas destructivas o de alto
coste (p.e. prueba de explosivos, pruebas de resistencia a rotura en ejes, prueba de fiabilidad de un coche
donde se estrellan algunas unidades, etc.).

42


Ejemplo 2.17 Un taller de producción de puntas controla el proceso mediante pesada

de las cajas finales a razón de 1 Ud por cada 200 envases. La línea de puntas, para un
determinado modelo, empaqueta en grupos de 50 unidades por caja. Los resultados del
control en el inicio de la producción (puesta en marcha de la fabricación del modelo),
dan los resultados que se reflejan en la tabla siguiente:
Muestra Peso Muestra Peso

1 154 11 148
2 148 12 150
3 152 13 149
4 151 14 148
5 149 15 151
6 149 16 148
7 150 17 148
8 150 18 150
9 153 19 150
10 148 20 154
Definir el diagrama de control para el proceso indicando los límites superior,
inferior y los rangos de aviso. Nota: Considerar que el proceso sigue una ley normal N
(µ,σ).
Solución:
Se calculan los parámetros de la población a través de la muestra representativa de la

misma. Así, la muestra de n =20 unidades10 tiene los parámetros siguientes:
,
Media muestral: 𝜇• = 𝑚) = 150
+
Media de la población: 𝜇ž = 𝜇• = 𝜇 = 150
, 3
Desviación típica de la muestra: 𝑠 = 𝜇 − 𝑥) = 1,924
+

10
Sixto Ríos (1973) interpretaba que una muestra de 30 unidades o mayor es suficiente para definir y calcular
los parámetros (media y desviación típica) de la función normal correspondiente al proceso. Actualmente se
utilizan 18 ó 20 muestras (incluso algunos autores dan referencias con 15 unidades), para control de calidad
y mantenimiento según el tipo proceso, de control o relevancia del mismo. Para muestras de menor tamaño
la función normal N (𝜇, 𝜎) se debe sustituir por otras funciones más adecuadas y más precisas para tamaños
pequeños de muestreo.
43


+
Desviación típica de la población: 𝜎 = 𝑠 · = 1,974
+b,
Los límites superior e inferior del gráfico de control se interpretan normalmente como el
rango dentro del cual están (deben estar) el 99,8% de los valores obtenidos durante el control
del proceso y que se corresponde a una amplitud del intervalo dada por el valor de
𝜇 ∓k·𝜎; 𝑐𝑜𝑛 𝑘 = ±3,02. Habitualmente se redondea al valor k=∓3 → (3𝜎)
De modo que:
Límite superior de control, LSC = 𝜇 +k·𝜎 = 150 +3·1,974 = 155,92 Ud de peso
Límite inferior de control, LIC = 𝜇 −k·𝜎 = 150 - 3·1,974 = 144,08 Ud de peso
Los valores anteriores se presentan en la gráfica siguiente:
Gráfico de control
158
156 LSC
154
Peso
152
150 Media
148
146
144 LIC
142
0 5 10 15 20 25
Nº de muestra
Se utiliza un rango de aviso antes de llegar al límite de control, que corresponde al rango
dentro del cual se deben encontrar el 95% de los valores de control. Esto corresponde a un
intervalo dado por 𝜇 ∓ k𝜎; 𝑐𝑜𝑛 𝑘 = ±1,96, que se suele redondear a k = 2 (95,5% de
fiabilidad). Por lo que calculando los límites para los intervalos se obtiene:
Límite de aviso superior, LAS = 𝜇 +k·𝜎 = 150 +3·1,974 = 153,95 Ud
Límite de aviso inferior, LAI = 𝜇 −k·𝜎 = 150 - 2·1,974 = 146,05 Ud
Estos valores se representan en la gráfica anterior de modo que se indica:
44


Gráfico de control
158
156 LSC
154
LAS
Peso (g)
152
150 Media
148
LAI
146
144 LIC
142
0 5 10 15 20 25
Nº de muestra
Ejemplo 2.18 Continuación del ejercicio anterior. Estudiar las posibles causas e
identificar el bloque donde se acumulan los defectos si una secuencia de medidas da los
valores dados en la tabla:
Muestra Peso Muestra Peso
1 149 11 143
2 145 12 145
3 147 13 144
4 146 14 143
5 144 15 146
6 144 16 143
7 145 17 143
8 145 18 145
9 148 19 145
10 143 20 143
La producción de puntas tiene tres grandes bloques o procesos:

a) Calibración del alambre (suministrado en forma de rollos) mediante una
trefiladora. Este equipo hace pasar el alambre (alambrón para tamaños gruesos) por
un orificio calibrado.
b) Cortadora/formateadora que produce la pieza (punta) a una longitud determinada
y conforma la cabeza.
c) Contadora de unidades y empaquetadora en las unidades indicadas por caja.
45


Solución:
Los valores dan los resultados que se ven en el gráfico, donde se observa una tendencia a
la disminución de peso y con una tendencia progresiva. La recta de línea de tendencia se da
en el gráfico.
y = -0,1534x + 146,41
Gráfico de control R² = 0,27352
158
156 LSC
154
LAS
Peso
152
150 Media
148
LAI
146
144 LIC
142
0 5 10 15 20 25
Nº de muestra
La línea de tendencia tiene pendiente negativa y se observa que el coeficiente de

correlación es muy bajo (0,27 indica que prácticamente no existe correlación), como
corresponde a la relación aleatoria de aparición de defectos.
Queda ahora, en la medida de lo posible, tratar de identificar la sección del proceso en la que
se está generando el fallo. Así, si descartamos en primera instancia el fallo en la unidad
contadora/empaquetadora dado que su verificación es sencilla pues si el defecto se
encontrase en esta sección se identificaría claramente por control del número de unidades
por caja, ya solo quedarían dos procesos:
Un primero, en la unidad de calibrado, cuyo funcionamiento base es dar el diámetro

correcto mediante el paso del alambre por un orificio. En esta unidad el principal defecto es
el desgaste, luego su fallo dará un mayor grosor y consecuentemente un aumento del peso.
Como en el gráfico se observa una disminución de peso, en primera aproximación el fallo
está en la unidad de cortado/conformado que está fuera de estándares de fabricación.
Si nos imaginamos que en el gráfico de control se observase el supuesto contrario, aumento

progresivo de peso, y descartado igualmente el defecto del módulo de contaje y
46


empaquetado, el problema podría bien residir en cualquiera de los otros dos módulos. La
diferencia entre uno y otro lo da la pendiente del fallo, de modo que si la variación presenta
cierta rapidez se puede asegurar que corresponde al módulo de corte y conformado.
Con todos lo visto se puede indicar que el gráfico de control está íntimamente ligado con
el proceso a controlar, dando indicaciones de la calidad y de las posibles averías o desajustes.
Cuando el sistema a controlar exige mayor precisión se grafican dos variables: el valor medio
de una muestra como dato principal de control, y la desviación típica que representa para la
dispersión que tienen los datos. Con este segundo gráfico de la desviación típica, se puede
evidenciar que si los datos están más concentrados en torno al valor medio, el proceso es
correcto, y si para una media determinada, la desviación aumenta está teniendo lugar algún
tipo de fallo.
47

Mantenimiento 2

Cargado por

Copyright:

Formatos disponibles

Mantenimiento 2

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Mantenimiento 2

Cargado por

Copyright:

Formatos disponibles

Técnicas

de mantenimiento en instalaciones mineras

ESCUELA POLITÉCNICA DE INGENIERÍA DE MINAS Y ENERGÍA

MASTER UNIVERSITARIO EN INGENIERÍA DE MINAS

VOLUMEN I: TEORÍA GENERAL DEL

Capítulo 2: Introducción a la Ingeniería de la fiabilidad

Emilio Andrea Calvo

Carlos Sierra Fernández, PhD

2. Mantemiento y fiabilidad ............................................................................................................................ 3

2.1 Elementos reparables y no reparables ..................................................................................................... 3

2.2 Datos incompletos (censored data) ........................................................................................................... 4

2.5 Tiempo técnico de reparación (Mean Time To Repair, MTTR) ......................................................... 11

2.6 tasa de fallos (failure rate, λ) .................................................................................................................. 13

2.8 Fiabilidad (Reliability, R) ....................................................................................................................... 18

2.10 Curva de ciclo de vida (product live cycle curve) ............................................................................... 21

2.11 Fiabilidad efectiva (Effective Reliability, Ref) ..................................................................................... 24

2.12 Definición formal de MTBF ................................................................................................................. 31

2.13 Mantenibilidad (maintainability, M) ................................................................................................... 32

2.14 Disponibilidad (availability, A) ............................................................................................................ 34

2.15 Indisponibilidad ..................................................................................................................................... 36

2.16 Gráficos de control ................................................................................................................................ 39

Se definen brevemente a continuación una serie de conceptos básicos de uso muy

2.1 ELEMENTOS REPARABLES Y NO REPARABLES

2.2 DATOS INCOMPLETOS (CENSORED DATA)

a) Parada al alcanzar un tiempo determinado o número de ciclos (incluida distancia).

Además de lo anterior, también puede hablarse de datos censurados por la izquierda, si

Tiempo 1er fallo Tiempo 2º fallo

{(55+50+40+45) + (100-55) + (95-50) + (100-40) + (100-45)}/8=395/8=49,4

2.3 DEFINICIÓN INFORMAL DE TIEMPO MEDIO ENTRE FALLOS

Figura 1.3 Representación esquemática del MTBF.

Estimado para el supuesto de variables discretas, no continuas, es la media ponderada de

TBF1 TBF2 TBF3

TBF1 TBF2 TBF3

TA1 TA2 TA3

TBF1 TBF2 TBF3

TA1 TA2 TA3

• TBF: Tiempo de buen funcionamiento.

Se hace la media de los tiempos de buen funcionamiento TBF.

• MTBF: Tiempo medio entre fallos.

Para tres casos:

𝑇𝐵𝐹, + 𝑇𝐵𝐹3 + 𝑇𝐵𝐹4

O dicho de otro modo:

Donde te es el tiempo que dura el ensayo.

Ejemplo 2.3 Se ensayan 3 perforadoras por un tiempo de 5000 h. Durante estos

Tiempo hasta Tiempo de Tiempo Tiempo de

𝑀𝑇𝐵𝐹 = 1872 ℎ𝑜𝑟𝑎𝑠

Los cálculos anteriores corresponden a ensayos realizados hasta alcanzar un tiempo

2.4 TIEMPO MEDIO PARA EL FALLO (MEAN TIME TO FAILURES,

MTTF = k· (MTBF+MTTR); k: ciclos de reparación

Ejemplo 2.4 Se dispone de tres brocas de perforación. La primera falla a las 40 h,

Data la naturaleza del ítem (cuando se estropea ya no se repara), debe emplearse el

2.5 TIEMPO TÉCNICO DE REPARACIÓN (MEAN TIME TO REPAIR,

El Tiempo de Reparación (Inglés: Time To Repair, TTR) es el tiempo que se tarda en la

Para el cálculo en los tiempos del servicio de mantenimiento se tiene:

MTR = MTTR = (Tiempo total de inactividad del equipo) / (número de fallos)

Ejemplo 2.5 El tiempo total de producción de un minador (funcionamiento más periodos

MTBF = (Tiempo total de funcionamiento) / (número de fallos) = 255/5=51 h

MTTR = (Tiempo total de inactividad) / (número de fallos)=45/5=9 h

2.6 TASA DE FALLOS (FAILURE RATE, Λ)