Gestión tactica de fallas criticas con análisis probabilístico

Gestión Táctica de Fallas Críticas Planeamiento & Estrategia del Mantenimiento
______________________________________________________________________________________________
2009 – 2010 Pdm Equipment Health
© Copy Right, Adolfo Hitler Huaman Diaz PERU
1/10/2011 - 21-1
______________________________________________________________________
Gestión Táctica de Fallas Críticas
Estrategias de Mantención
Análisis Probabilístico
UPTIME
Adolfo Hitler, Huaman Diaz
Newmont Corporation
MYSRL
Cajamarca, PERU
Sector Minería
Equipo Móvil
Organizado por NORIA
“Congreso Mexicano de Confiabilidad y Mantenimiento 2011”

______________________________________________________________________________________________
1/10/2011 - 21-2
______________________________________________________________________
1.- MODELO DE MEJORA CONTINUA.-
Dentro de las corrientes actuales de mejora continua, tales como RCM, PAM, RCA, RBI, TPM,
RCB y algunas mas; tomando como premisa fundamental la “Necesidad del Negocio” optamos
por adoptar un Modelo de Mejora que nos permita mas que re – inventar soluciones; adaptar
nuestras necesidades dentro del nivel de Madurez de cada uno de los procesos que integran y
soportan la plataforma Estratégica de nuestro negocio. Dentro de las posibilidades realistas,
nivel de madurez y brecha de mejora; optamos por el Modelo UPTIME
1
.
Fig. N°1
© The Uptime Pyramid of Excellence (Campbell & Picknell).
La razón fundamental, radica en que cuenta con los tres componentes claves que aseguran la
confiabilidad Operacional: “Personas, Procesos y Tecnología”; solo que manejada a diferente
nivel, con un enfoque Holístico, una plataforma estratégica y sobretodo con una forma de
manejar el Liderazgo, lo Fundamental y la Búsqueda de Excelencia en forma integral e
integrada. Tomando como principio fundamental, la combinación adecuada de los dos factores
mas importantes de la Excelencia en los Negocios y la optimización de la gestión correcta de
los Activos: “Estrategia & Personas”.
Partiendo, entonces de que la identificación adecuada de que aspectos claves son los que
realmente debe ser mejorados; se opta por realizar el “Diagnostico Oportuno” con el objetivo de
identificar el nivel de madurez de los procesos, necesidad del Negocio; pero sobretodo en una
plataforma de manejar óptimamente el “Costo, Riesgo, Beneficio”; como se muestra a
continuación:
Fig. N°2
1
UPTIME: Strategies for excellence in maintenance Management – John D. Campbell, James Reyes Picknell – 2ed.
ÁÁrreeaa
Physical
AAsssseett
MMaannaaggeemmeenntt
Work
SSuuppppoorrtt
SSyysstteemm &&
SSttrraatteeggyy PPeeooppllee

______________________________________________________________________________________________
1/10/2011 - 21-3
______________________________________________________________________
Este es un modelo simple, posible, realista; pero sobretodo confiable; no solo para establecer
el nivel de Mejora; si no para generar confianza en todos y cada uno de los colaboradores que
participaran en forma activa; para asegurar el crecimiento interno organizacional; la continuidad
de la calidad en cada uno de los procesos y la sostenibilidad de los resultados; que se planteen
en adelante. Esta forma de diagnóstico; tiene que ver además con la filosofía KISS 2
.
Esta forma de Diagnóstico; además es fácilmente adoptiva; frente a aquellas situaciones de
desafío que podría presentarse en nuestros Negocios; ya que a pesar de que la forma posible
de asegurar la “Confiabilidad Operacional” como parte del enfoque Ciclo Vida, es participando
inclusive en la etapa de Diseño; existe todavía la probabilidad de que se presenten Fallas
durante el funcionamiento de nuestros activos; como se muestra en la siguiente imagen:
Fig. N°3
Lo importante, es tratar de sectorizar el origen de este tipo de Fallas Criticas; que a menudo
traen consigo Impactos Significativos a nuestros procesos principalmente en los Costos; que
normalmente se sub – dividen en dos Dominios:
1. Costos Operacionales.
2. Costos No Operacionales.
De allí, la necesidad de llevar a control este tipo de costos; bajo el siguiente principio de
“Gestión de Activos”; donde se ve la influencia de los Costos de Mantenimiento (sector Minería)
Maintenance Costs
50%
20%
15%
10%
5%
Mining
Metallurgy
Manufacturing
Process
Manufacture & Assembly
2
KISS: “Keep It Simple, Stupid” - Graeme Robinson (Maintenance Manager).

______________________________________________________________________________________________
1/10/2011 - 21-4
______________________________________________________________________
2.- OPORTUNIDAD DE MEJORA.-
Comentamos, ya anteriormente que en realidad todo podría ser mejorado; sin embargo es
clave ejecutar “Planes de Mejora” a partir de los “Bad Actor’s” que puedan estar impactando en
forma importante en nuestro negocio.
Para muchos procesos, utilizando la filosofía de Mejora: RCM; comúnmente se desarrolla un
análisis de Criticidad a través de un riguroso y estricto proceso de Análisis Funcional, Modos de
fallas, niveles de consecuencias y mas; sin embargo en la realidad; es fácilmente identificable
cuando una Falla; está conduciendo a que tengamos activos “Bad Actor’s”; como explico a
continuación:
Bad Actor:
• Demasiado Downtime
3
.
• Costo de Mantenimiento Elevado.
• Impacto en la Seguridad & el Medio Ambiente.
• Alto Costo Operativo.
Para ello, como parte de la gestión financiera de nuestro negocio; se identifica la “oportunidad
de costo”; representada en el siguiente gráfico:
Fig. N°4
Además, de que para nuestros activos no existe exactamente un análisis de Criticidad basada
en Funciones; si no mas bien cierto nivel de Utilización de cada uno de ellos; dependiendo del
nivel de requerimiento de nuestros socios estratégicos de Operaciones & Producción. Lo que
hace que cada uno de nuestros equipos; estén altamente disponibles y confiables; para
asegurar alcanzar los objetivos ya establecidos por el Negocio. Lo que quiero, decir es que no
importa cuantas Fallas existan en el sector del Mantenimiento; los objetivos del negocio deben
ser alcanzados “Sí o Sí”; es aquí además cuando la Gestión Estratégica tiene ser soportada
por la Gestión Táctica; donde utilizaremos toda la capacidad de nuestros principales actores:
“Personas”.
3
Downtime: The period of time during which an item is not in a condition to perform its intended function whether
scheduled or not.
COST OPPORTUNITIES - by Component - Total
YTD
(Hauling, Loading, Drilling & Mine Aux Equipment)
(Jan - May 2010)
Engine;
2,776,613 ; 69%
Final Drive;
707,906 ; 17%
Transmission;
287,520 ; 7%
Differential;
192,004 ; 5%
Torque
Converter;
92,548 ; 2%
Total : US$ 4' 056, 591
Note : Some Warranties under Update
R1

______________________________________________________________________________________________
1/10/2011 - 21-5
______________________________________________________________________
Como observamos, ya en el gráfico N°4; tenemos una oportunidad de mejorar la confiabilidad
de nuestros principales componentes: Motores; para asegurar además la “Confiabilidad
Operacional”. Entonces ahora, identificaremos nuestro “Mal Actor”.
En un resumen sencillo (KISS), vemos que la principal causa de Falla para nuestros Motores
se debe a “Con Rod Bearings Fail”; como muestro a continuación:
Fig. N°5
Lo complicado, del asunto como pasa a menudo con Fallas que se presentan sin importar la
vida de nuestros componentes y/o activos; sin si quiera tomar en consideración el nivel de
consecuencias para el proceso y el Negocio. Lo mas complicado aún, que a pesar de nuestro
poderío para detectar “Fallas Potenciales” 4
es decir del nivel de detección de nuestra
tecnología; de la fortaleza de nuestros procesos de Diagnostico; las Fallas siguen ocurriendo
mientras que intentamos encontrar la “Causa Raíz” de los eventos; con estudios complicados y
rigurosos; llevamos a postular Hipótesis Fundamentalistas; pero que en realidad poco o casi
nada hacen por reducir, mitigar y/o eliminar las consecuencias de Falla; si no que normalmente
nos conducen por el sendero de trabajar en los “Efectos”; a través de Tareas Detectivas,
Tareas On Condition e incluso Tareas totalmente Reactivas.
En otro aspecto importante, inclusive este tipo de Fallas Inesperadas; conducen a sembrar un
espíritu de Frustración y Desmotivación en cada uno de los actores importantes del negocio de
Mantenimiento; porque a menudo están haciendo hasta lo imposible por detectar Fallas;
ejecutando acciones de Mantenimiento en la Búsqueda de fallas; para reaccionar antes ellas;
muchas veces sin conseguirlo. Entonces he allí, que debemos reaccionar; primero cambiando
nuestro Modelo de Pensamiento; reemplazando nuestro enfoque hacia las posibles soluciones;
que si bien es cierto no nos conducen a la “Solución Final”; nos permiten implementar ICA’s
hasta que obtengamos la solución; a esto entonces le llamaremos “Gestión Táctica de Fallas
Críticas”.
4
Falla Potencial:”Es un estado identificable, que indica que una Falla Funcional está a punto de ocurrir o en el proceso
de ocurrir”- RCM II.

______________________________________________________________________________________________
1/10/2011 - 21-6
______________________________________________________________________
Como comenté anteriormente, tenemos un “Proceso de Diagnóstico” bastante consolidado
donde a través de la interacción de varios indicadores de Salud por Excepción; a través de los
cuales determinamos Estrategias On Condition
5
; sin embargo a pesar de ello todavía no
lográbamos controlar el Mal Actor: “Con Rod Bearings Fails”, este proceso se muestra a
continuación:
Fig. N°6
3.- GESTIÓN TIPICA “ON CONDITION”.-
Normalmente, partiendo de la premisa de gestionar típicamente los indicadores por excepción;
utilizamos tendencias de Plomo (elemento típico de deterioro) para Metales de Motor;
acompañado de análisis de Ferrografía Analítica Física con tratamientos térmicos a las
partículas para descartar su composición; con el objetivo de reemplazar Metales; en algunos
casos eran oportunos en otros casos; se presentaban Fallas aún cuando estos indicadores por
excepción; se encontraban dentro del Rango Normal; como muestro a continuación:
Fig. N°7
12-O
ct-10
10-Sep-10
28-Jul-10
14-Jun-10
28-Abr-10
27-M
ar-10
18-M
ar-10
16
14
12
10
8
6
4
2
0
Taken Date
ppm
3
MAPE 86.9076
MAD 1.1767
MSD 2.8129
Accuracy Measures
Actual
Fits
Forecasts
Variable
Trend Analysis Plot for Pb
Quadratic Trend Model
Yt = 2.47 - 0.446*t + 0.01998*t**2
5
Tarea On Condition: “Consisten en chequear si hay Fallas Potenciales, para que al actuar se pueda prevenir la Falla
Funcional o evitar sus Consecuencias” - RCM II

______________________________________________________________________________________________
1/10/2011 - 21-7
______________________________________________________________________
Entonces, fue en este momento que decidimos conjuntamente con el Equipo de Trabajo
(Estrategia & Planeamiento); dar otro giro a la situación; debíamos usar otras herramientas
adicionales que nos ayuden a desarrollar análisis globales; tomando en cuenta todos y cada
uno de los Factores que conducían a este tipo de Fallas ahora Catastróficas; con impactos
significativos a la Operación; incremento en el costo asignado al presupuesto de
Mantenimiento; paradas No Programadas; asignación adicional de recursos; para reemplazar
el componente; e inclusive el incremento del Stock Logístico para resarcir la situación.
4.- GESTION TACTICA (descriptiva).-
Para ello, la premisa fundamental es comprender a toda cabalidad la Naturaleza de la Falla; y
como el Fluido de Trabajo
6
interactúa en este proceso.
Fig. N°8
Connecting Rod Bearing loading cycle (four – stroke combustión).
En el gráfico anterior, puede observarse a través del “Orbit Computation by the Mobility
Method” 6
; la variación de la carga producto de la combustión; además de tomar en cuenta que
las variables influenciadas por otros Modos de Falla, Contexto Operacional y la Aplicación; que
normalmente aceleran procesos de Falla (probabilidad condicional). Mas aún si los Metales de
Motor; presentan de por sí Mecanismos de Falla con las siguientes características:
1. Falla Súbita.
2. Bajo nivel de detección.
3. Aleatorios (no hay un intervalo específico de tiempo).
4. Consecuencias Catastróficas.
6
Handbook of Lubrication, Theory and Practice of Tribology – Volume II “Theory & Design” E. Richard Booser.
е
0°
x
y
b

______________________________________________________________________________________________
1/10/2011 - 21-8
______________________________________________________________________
A continuación, observamos físicamente el nivel de deterioro y daño en los Metales de Biela de
los Motores:
La mayoría de los Mecanismos de Desgaste, que conducían a Fallas Catastróficas como el
siguiente efecto mayor consecuencial; que se detectaron en este tipo de elementos después de
la Inspección Física; generalmente mostraban “Mecanismos Combinados de Falla”:
1. Delaying.
2. Erosión por cavitación.
3. Fatiga de Contacto de Esfuerzo.
Frente a esta situación crítica; dado que no existía un Indicador por excepción en el resultado
de Análisis de Aceite Usado (S.O.S)
7
; ni en los filtros inclusive; decidimos establecer una Plan
de Acción; usando “Modelos Probabilísticos”; como se detalla a continuación:
7
S.O.S: “Scheduled Oil Sampling”

______________________________________________________________________________________________
1/10/2011 - 21-9
______________________________________________________________________
Entonces, había que realizar un análisis de frecuencia relativa (Histograma); para determinar el
sector de mayor frecuencia; entre todos los eventos de reemplazo de Metales; como se
muestra a continuación:
Fig. N°9
120009000600030000
Eng Bearings Changed
Frequency
3000
Median
Mean
5500500045004000350030002500
1st Q uartile 1643.0
Median 3358.0
3rd Q uartile 6978.0
Maximum 13435.0
3541.7 5765.3
2606.5 5220.2
3146.7 4756.1
A -Squared 1.71
P-V alue < 0.005
Mean 4653.5
StDev 3786.7
V ariance 14339204.4
Skewness 0.870471
Kurtosis -0.344514
N 47
Minimum 200.0
A nderson-Darling Normality Test
95% C onfidence Interv al for Mean
95% C onfidence Interv al for Median
95% C onfidence Interv al for StDev
9 5% Confidence Intervals
Summary for Eng Bearings Changed 2009 - 2010
En este Histograma, podemos observar fundamentalmente que en todo el “universo” de todos
los Metales que se reemplazaron entre el 2009 – 2010; vemos que el promedio de vida es de
: 4,653 horas con una desviación estándar σ: 3,786 horas; sin embargo hasta esta parte del
proceso de análisis; no podemos mas que conjeturar que existe una mayor frecuencia relativa
de Fallas entre las 0 y 6K horas; con una importante incidencia en el rango de 2,250 @ 3,750
(N:10). No obstante, hasta esta etapa no podemos más que seguir mostrando el “problema”.
El siguiente paso, será entonces, realizarle “pruebas de normalidad” a este universo de datos;
para determinar si existen algunos eventos que simétricamente se encuentren demasiado
alejados de la tendencia central; tomando en cuenta que el P – value; debe ser igual o mayor a
0.05.
Fig. N°10
150001000050000-5000
99
95
90
80
70
60
50
40
30
20
10
5
1
Percent
Mean 4654
StDev 3787
N 47
AD 1.713
P-Value <0.005
Probability Plot of Eng Bearings Changed 2009 - 2010
Normal

______________________________________________________________________________________________
1/10/2011 - 21-10
______________________________________________________________________
150001000050000-5000
99
95
90
80
70
60
50
40
30
20
10
5
1
Percent
Mean 4654
StDev 3787
N 47
RJ 0.949
P-Value <0.010
Normal
150001000050000-5000
99
95
90
80
70
60
50
40
30
20
10
5
1
Percent
Mean 4654
StDev 3787
N 47
KS 0.163
P-Value <0.010
Probability Plot of Eng Bearings Changed 2009 2010
Normal
150001000050000-5000
99
95
90
80
70
60
50
40
30
20
10
5
1
Percent
Mean 4654
StDev 3787
N 47
AD 1.713
P-Value <0.005
Normal - 95% CI
En todas las pruebas (Anderson Darling, Kolmogorov – Smirnov y Ryan Joiner); podemos
observar que los P – value; son menores de 0.05; por lo que podemos conjeturar que cada uno
de los eventos no son modelados dentro de una “Distribución Normal”; por lo que habrá que
ahora identificar que tipo de función de distribución; será la adecuada para este universo de
datos.

______________________________________________________________________________________________
1/10/2011 - 21-11
______________________________________________________________________
Usando una parte de la estadística (Quality Tools); vamos ahora a identificar cual es la mejor
distribución que modelará este universo de datos:
100000-10000-20000
90
50
10
1
Percent
20000100000
99
90
50
10
Percent
100001000100
99
90
50
10
1
Percent
100001000100
99
90
50
10
1
Eng Bearings Changed - T hreshold
Percent
Gamma
A D = 0.289
P-V alue > 0.250
3-Parameter Gamma
A D = 0.302
P-V alue = *
Goodness of F it Test
Smallest Extreme V alue
A D = 2.711
P-V alue < 0.010
Largest Extreme V alue
A D = 0.887
P-V alue = 0.022
Probability Plot for Eng Bearings Changed
Smallest Extreme V alue - 95% C I Largest Extreme V alue - 95% C I
Gamma - 95% C I 3-Parameter Gamma - 95% C I
10000010000100010010
90
50
10
1
Percent
10000010000100010010
90
50
10
1
Percent
100001000100
90
50
10
1
Percent
10000010000100010010
90
50
10
1
Percent
Weibull
A D = 0.302
P-V alue > 0.250
3-Parameter Weibull
A D = 0.289
P-V alue > 0.500
Goodness of F it Test
Exponential
A D = 0.500
P-V alue = 0.494
2-Parameter Exponential
A D = 0.363
P-V alue > 0.250
Exponential - 95% C I 2-Parameter Exponential - 95% C I
Weibull - 95% C I 3-Parameter Weibull - 95% C I
Ahora, en cada una de las modelaciones; realizadas con sus respectivas transformaciones las
distribuciones que mejor manejan este universo de datos son: Exponencial y Weibull. No
obstante sabiendo que estos datos no requieren ningún tipo de censura y corresponden
estrictamente a datos de Falla; usaremos la distribución Weibull.

______________________________________________________________________________________________
1/10/2011 - 21-12
______________________________________________________________________
5.- GESTION TACTICA (Probabilístico).-
Una vez que hemos identificado; la mejor distribución para este universo de datos (Weibull);
vamos a ahora sectorizar el análisis por Modo de Falla; tomando la premisa del análisis de
frecuencia relativa realizada anteriormente en el análisis por Histograma; solo para asegurar
volveremos a indicar los Modos de Falla Dominantes:
1. Delaying (Flaking).
2. Erosion Cavitation & Contac Stress Fatigue.
Fig. N°11
100001000
95
80
50
20
5
2
1
Percent
63.2
11633.071
10000010000100010010
95
80
50
20
5
2
1
Percent
63.2
5152.779
3.04054 11634.3
Shape Scale
F ailure Mode = EC & C SF
1.15005 5154.25
Shape Scale
F ailure Mode = F laking
Failure Mode = EC & CSF Failure Mode = Flaking
Probability Plot for Eng Bearings Changed by Failure Mode
Complete Data - LSXY Estimates
Weibull - 95% CI Weibull - 95% CI
10000100010010
0.99
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.05
0.03
0.02
0.01
Probability
Multiple Distributions - 95% CI

______________________________________________________________________________________________
1/10/2011 - 21-13
______________________________________________________________________
Hasta esta parte del análisis probabilístico; tomando en cuenta los dos factores claves de la
distribución Weibull (β y ) podemos conjeturar; lo siguiente:
a. β = 1.1
b. = 5,154 (por validar)
a. β = 3.0
b. = 11,634
Ya que para esta modelación, se ha tomado datos entre el 2009 – 2010; ahora afinaremos el
análisis con un universo de datos solo correspondiente al 2010; ya que en este periodo las
condiciones de performance de los Motores cambió; así como la cantidad de eventos de Falla:
1000010001001010.1
99
90
80
70
60
50
40
30
20
10
5
3
2
1
Hours
Percent
A D* 0.499
C orrelation 0.995
Shape 1.13114
Scale 3348.10
Thres 102.946
Mean 3305.09
StDev 2836.66
Median 2524.41
IQ R 3356.11
Failure 36
C ensor 0
Table of Statistics
Probability Plot for Flaking
3-Parameter Weibull - 95% CI
100001000
99
90
80
70
60
50
40
30
20
10
5
3
2
1
Hours
Percent
C orrelation 0.977
Shape 2.77767
Scale 10420.1
Mean 9275.82
StDev 3612.04
Median 9132.04
IQ R 5066.54
Failure 11
C ensor 0
A D* 1.370
Table of Statistics
Probability Plot for EC & CSF
Weibull - 95% CI

______________________________________________________________________________________________
1/10/2011 - 21-14
______________________________________________________________________
Después, del ajuste con la distribución Weibull; volvemos a obtener los siguientes resultados:
a. β = 1.1
b. = 3,348
a. β = 2.7
b. = 10,420
Para el primer modo de Falla: “Flaking”; podemos ahora con toda contundencia postular que
este grupo de Fallas; corresponden a fallas aleatorias y con una vida característica de 3,348
horas. De la misma forma, para el segundo Modo de Falla dominante: “Erosion Cavitation &
Contact Stress Fatigue”; entonces postularemos que corresponden a Fallas relacionadas al
desgaste y que la vida característica se encuentra a 10, 420 horas. No olvidemos, además que
Weibull siendo una herramienta poderosa; básicamente estima las probabilidades de Falla al
63.2% dejando otro universo de datos con probabilidad de Falla; como se muestra a
continuación:
Fig. N°12
0.00025
0.00020
0.00015
0.00010
0.00005
0.00000
Hours
Density
MTTF=3,305 MTTF=9,275
ή = 3,348
36.8%
0 ή = 10,420
36.8%
0
1.1 3348
2.7 10420
ß ή
Weibull, Thresh=0
ß = 1.1 (randomly)
ß = 2.7 (wear out)
PDF by Flaking, Erosion Cavitation & Contact Stress Fatigue_2009 - 2010
© Copy Right, Adolfo Hitler Huaman Diaz
63.2%
63.2%
Esta parte del análisis, en realidad si es crítica; ya que normalmente el análisis PDF
8
;
determina con gran exactitud el tipo de Falla al que estamos enfrentando; además que las
personas responsable que definirán las “estrategias” y “tácticas”; deberá entender claramente
como manejar el “riesgo asociado” a estos dos Modos de Falla.
Entonces, para el primer Modo de Falla: “Flaking” podemos conjeturar lo siguiente:
1. Son Fallas aleatorias.
2. Asocian un riesgo permanente.
3. Su MTTF
9
se encuentra en 3,305 horas (Mortalidad Infantil)
4. Desgaste Súbito.
5. Bajo nivel de detección, por excepción (S.O.S & PAF).
8
PDF: “Probability Density Function” una de las funciones claves de Confiabilidad

______________________________________________________________________________________________
1/10/2011 - 21-15
______________________________________________________________________
Esto está soportado en el siguiente gráfico:
© Physical Asset Management, John S. Mitchells
Si interpretamos, esta gráfica; básicamente podemos postular que todavía existe un umbral de
probabilidad de Falla; que hace que un programa de Mantenimiento alcance un bajo nivel de
Calidad; es justamente en este dominio donde encajan las “Fallas Aleatorias” & “Fallas
Ocultas”.
Entonces, es clave determinar el nivel de “riesgo”; así como el nivel de Confiabilidad; como se
muestra a continuación:
Por lo que podemos, determinar rápidamente que este tipo de Falla tiene un comportamiento
exponencial; así como el bajo nivel de confiabilidad en la vida característica de falla ( = 3,348
horas).
Para el segundo Modo de Falla Dominante: “Erosion Cavitation & Contact Stress fatigue”; de
acuerdo a los dos factores de Weibull; podemos postular que corresponden a Fallas
relacionadas al desgaste con una vida característica de 10,420 horas; además de un MTTF de
9,275 horas. Lo interesante, es que por cuestiones fundamentales; los procesos de desgaste
normalmente pueden ser monitoreados progresivamente; lo que permite establecer algunas
estrategias On Condition; para determinar el momento oportuno de reemplazar los elementos
generadores de Falla; reduciendo así las consecuencias asociadas de Falla. Además que
pueden ser detectadas en etapas potenciales de Falla (P – F); acorde a la tecnología
disponible que cuente cada Proceso; dependiendo del nivel de detección de esta tecnología; lo
que permite en mejor manera manejar el “riesgo asociado”.
9
MTTF: “Mid Time to Failure”, acrónimo que indica el tiempo medio hasta la Falla; donde el Item no es recuperable o
restituible
14000120001000080006000400020000
0.00040
0.00035
0.00030
0.00025
0.00020
Flaking
Rate
A D* 0.499
C orrelation 0.995
Shape 1.13114
Scale 3348.10
Thres 102.946
Mean 3305.09
StDev 2836.66
Median 2524.41
IQ R 3356.11
F ailure 36
C ensor 0
Table of Statistics
Hazard Plot for Flaking
3-Parameter Weibull
14000120001000080006000400020000
100
80
60
40
20
0
Flaking
Percent
A D* 0.499
C orrelation 0.995
Shape 1.13114
Scale 3348.10
Thres 102.946
Mean 3305.09
StDev 2836.66
Median 2524.41
IQ R 3356.11
F ailure 36
C ensor 0
Table of Statistics
Survival Plot for Flaking
3-Parameter Weibull

______________________________________________________________________________________________
1/10/2011 - 21-16
______________________________________________________________________
Entonces, tomando ahora la curva P – F 10
que normalmente se utiliza para manejar el riesgo
asociado a los Modos Potenciales de Falla; hemos seleccionado aquellos indicadores que por
excepción; si podrían utilizarse para detectar en estados incipientes de Falla; mecanismos de
Falla en los Metales; como se muestra a continuación:
Fig. N°13
Con esta herramienta, establecimos las estrategias On Condition; para cada caso de acuerdo a
los indicadores por excepción; en dos dominios importantes:
1. Diagnóstico.
2. Pronóstico.
A través del proceso de “Diagnóstico”; cuando el indicador por excepción ha tomado niveles
relevantes de deterioro; que no hayan sido detectados por nuestra tecnología ó en los
intervalos incorrectos en los que tomamos la información; además dependerá en gran grado
del “Mecanismo de Falla” que está ocurriendo en la parte afectada; comúnmente corresponden
a mecanismos de deterioro súbitos o repentinos. En otros casos, corresponden a Falla
Funcionales; que por su naturaleza requieren diagnóstico; para restituir la función en el más
breve plazo; después de ello utilizando RCA, FTA; se busca la causa de Falla; para establecer
alguna estrategia; que pueda reducir las consecuencias asociadas.
A diferencia del Diagnóstico; el proceso de pronóstico requiere que se utilicen Indicadores que
pueden reflejar componentes de tendencia claras de daño; o inclusive cuando estos se
encuentran en estados sumamente incipientes con bajo nivel de riesgo; obviamente depende
del nivel de detección; para nuestro caso contamos con tecnología “On Line, Real Time &
Critical Data”. Asimismo, apoyados en la estadística se puede proyectar comportamientos o
buscar componentes claras de daño; a través del análisis de Series Temporales con
proyección a la tendencia; usando normalmente límites proactivos; de forma que nos ha
permitido equilibrar la probabilidad de Falla asociada a este Indicador vs. El tiempo disponible
que tenemos para actuar con alguna estrategia de Mantenimiento; sin que estas acciones
infieran o desbalance el programa normal de Mantenimiento (PM); que normalmente para
nuestro contexto es denominado “Planning Windows”. Otra variable clave, con el proceso de
pronóstico es que de esta forma; aseguramos que los sistemas, componentes y/o elementos
alcancen el PCR 11
de acuerdo a la estrategia establecida.
10
P – F: Cantidad de tiempo que transcurre entre la Falla Potencial, hasta su decaimiento en una Falla Funcional o
Falla.
TimeTime
PP
FF
Costo deCosto de
ReparaciReparacióónn
tt tt tt SStt PCRPCR
Planning Window)Planning Window)
n(Dn(D))
RiskRisk
“Eng Oil Low Press”““Eng Oil Low PressEng Oil Low Press””
““EquipmentEquipment
stoppagestoppage
by Catastrophicby Catastrophic
FailureFailure””
““Wear Debris AlWear Debris Al –– BabbitBabbit
in caution level and Engin caution level and Eng
Oil Low PressOil Low Press””
““Wear Debris AlWear Debris Al –– BabbitBabbit
in caution level and Engin caution level and Eng
Oil Low PressOil Low Press””
““Abnormal Trend Lead,Abnormal Trend Lead,
Tin and AluminumTin and Aluminum””
““N. A.N. A.””
““N. A.N. A.””
““Wear Debris: AlWear Debris: Al -- BabbitBabbit””
ImpactImpact
DxDxPxPx
VV
WW
90%90%
BFBF
VIMSVIMS
SOSSOS
PTPT
RR--CC
PAFPAF
RR
RR
RR
RR
RR
MIMI
f (H)f (H)
11
22
33
44 55
11 22 33 44

______________________________________________________________________________________________
1/10/2011 - 21-17
______________________________________________________________________
Pero que pasa, si a pesar de modelar indicadores por excepción con límites proactivos; no se
visualizan componentes claras de tendencia al incremento o deterioro? Probablemente, esto
nuevamente nos llevaría a situaciones de “Frustración e Incertidumbre”, sin embargo
nuevamente la estadística nos ayudará; a través de Análisis de Dispersión y correlación
(regresión); solo que para estos casos; la parte crítica es seleccionar que variables son críticas,
para el modelamiento. Para este caso de “Con Rod Bearings Fail”; definimos dos variables:
1. Tasa acumulada de Desgaste (Wear Cup).
2. Horas de vida del Metal.
Siendo así, vamos a utilizar un Motor; que dentro del proceso de CBM
12
se encuentra
perfectamente normal, como veremos en los siguientes gráficos:
Fig. N°14
15-Oct-10
20-Ago-10
8-Jul-10
11-M
ay-10
4.0
3.5
3.0
2.5
2.0
1.5
1.0
Taken Date
ppm
3
MAPE 43.5381
MAD 0.8278
MSD 0.9043
Accuracy Measures
Actual
Fits
Forecasts
Variable
Trend Analysis Plot for Pb_HT052 (5,035)
Quadratic Trend Model
Yt = 3.198 - 0.138*t + 0.0044*t**2
1600014000120001000080006000400020000
60
50
40
30
20
10
0
Component Hours
AcumPb
Linear
Quadratic
Cubic
Fits
Scatterplot of Acum Pb vs Component Hours

______________________________________________________________________________________________
1/10/2011 - 21-18
______________________________________________________________________
En el primer gráfico; a pesar de haber modelado los datos de Plomo dentro del rango y por
excepción; inclusive con una proyección; no podríamos tomar una decisión asertiva
(incertidumbre). Sin embargo, en el siguiente gráfico que puede observarse con respecto a la
tasa acumulada de desgaste (wear cup) vs la vida característica de Falla: MTTF; en realidad si
hay una situación Potencial de Falla; para ello establecimos el rango normal de desgaste
acumulado con Motores que ya habían alcanzado su vida sin Falla (normal rate). Asimismo,
esto estuvo validado estadísticamente con el grado de correlación entre estas variables: “wear
cup vs. Hours” con un 96.2%; como se muestra a continuación:
Regression Analysis: Acum Pb versus Component Hours
The regression equation is
Acum Pb = 0.80 + 0.00867 Component Hours
Predictor Coef SE Coef T P
Constant 0.803 1.333 0.60 0.556
Component Hours 0.0086735 0.0004463 19.43 0.000
S = 2.54259 R-Sq = 96.4% R-Sq(adj) = 96.2%
Ya con estas tres herramientas; mas que consolidada nuestras “estrategias On Condition”
desde el dominio Táctico. No obstante, aún teníamos Motores corriendo en operación con
estos elementos: Metales con potencialidad de Falla; además que no sería técnicamente
posible detener a todos los equipos para reemplazar estas partes generadoras de Falla antes
de que conduzcan a fallas catastróficas. Entonces, utilizando ya los análisis PDF, sectorizando
la prioridad de reemplazo de Metales basados ahora en:
1. Plomo por excepción (tendencia).
2. Filtros.
3. Tasa acumulada de desgaste vs horas.
4. MTTF.
Sectorizamos en dos universos, a los Motores que estaban corriendo en operación; tomando
como premisa principal los análisis relativos de frecuencia de Falla; a partir del MTTF; para
priorizar nuestras acciones de Mantenimiento. Obviamente, hasta el momento en que se
tomaron estas acciones; hubo para cada caso un plan de Acción (ICA
12
); que nos permitió
manejar adecuadamente el riesgo; sin mayor impacto en nuestros Planes Normales de
Mantenimiento (PM); sin impactos en nuestro proceso productivo y disponibilidad; como
muestro a continuación:
15000120009000600030000
Bearing Hours
Frequency
3K 6K 9K 12K 15K
Median
Mean
75007000650060005500
Median 6025.0
Maximum 15833.0
5554.1 7478.7
5326.4 6724.0
3981.5 5359.1
A -Squared 1.33
P-V alue < 0.005
Mean 6516.4
StDev 4568.2
Skew ness 0.376874
Kurtosis -0.796970
N 89
Minimum 19.0
95% Confidence Intervals
Summary for Bearing Hours Running

______________________________________________________________________________________________
1/10/2011 - 21-19
______________________________________________________________________
1600012000800040000
Bearing Hours - Running
Frequency
17N: 5,000 - 7,000MTTF:3,305 (Flaking)
Median
Mean
850080007500700065006000
Median 6446.1
Maximum 15833.0
6128.8 8569.4
6000.0 8353.0
2713.5 4499.8
A -Squared 0.90
P-V alue 0.019
Mean 7349.1
StDev 3384.6
Skewness 0.465639
Kurtosis 0.591926
N 32
Minimum 221.2
Summary for Bearing Hours Suspected - Running
1600012000800040000
Bearing Hours - Running
Frequency
MTTF: 9,275 (E. Cavitation & C. Stress Fatigue)12N: 1,000
Median
Mean
800070006000500040003000
Median 4946.2
Maximum 15433.7
4700.3 7397.5
3124.5 6907.9
4291.0 6235.0
A -Squared 1.80
P-V alue < 0.005
Mean 6048.9
StDev 5082.6
Skewness 0.52079
Kurtosis -1.04393
N 57
Minimum 19.0
Summary for Bearing Hours Non Suspected - Running
6.- CONCLUSION.-
Las situaciones de desafío, que enfrentamos a menudo; nos deben conducir a reemplazar
nuestros modelos de pensamiento; re – inventar nuestros enfoques de análisis con
herramientas estadísticas; que tengan los tres dominios fundamentales:
1. Descriptiva (el Problema).
2. Inferencial o Probabilística (modelar la Posible Solución).
3. Determinística (Aplicar la Solución, a través de la toma de Decisiones).
12
ICA: Interim Control Action

______________________________________________________________________________________________
1/10/2011 - 21-20
______________________________________________________________________
Finalmente, el objetivo supremo del Negocio; es “Rentabilidad” soportada en una Plataforma de
“Costo, Riesgo, Beneficio”; lo que significa que cualquier esfuerzo que hagamos por asegurar
estos objetivos; contribuirán en forma directa en los resultados y su sostenibilidad; pero
sobretodo continuidad del valor permanente: “Confiabilidad Operacional”, soportando táctica –
estratégicamente las necesidades de nuestros socios estratégicos de Operaciones &
Producción.
© Dashboard Mainatenance Management
Hoy por hoy, con costos evitados mayores a los $ 10’000,00 de dólares anuales; además de
manejar adecuadamente los riesgos asociados a este tipo de Bad Actor’s (Fallas Criticas);
somos consideramos “Benchmarking” dentro de nuestra corporación. Finalmente,
enpoderamos a cada uno de los actores en este proceso de Mejora Continua, co – accionamos
5.0% 90.0% 5.0%
12.7% 84.2% 3.1%
0.41 12.55
-6
-4
-2
0
2
4
6
8
10
12
14
16
Values in Thousands
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6Valuesx10^-4
Fit Comparison for Con Rod Bearings Changed
RiskNormal(5003.4,4035.6)
Input
Minimum 200.0000
Maximum 14895.0000
Mean 5003.3529
Std Dev 4035.5675
Values 51
Normal
Minimum −∞
Maximum +∞
Mean 5003.4000
Std Dev 4035.6000

______________________________________________________________________________________________
1/10/2011 - 21-21
______________________________________________________________________
a que el recurso mas significativo de nuestro negocio, las personas siga produciendo Ideas de
Mejora; generamos confianza en nuestros clientes internos, pero sobretodo adicionamos valor
al “Rol de Mantenimiento”; como parte fundamental de la “Gestión Optimizada de los Activos”;
asegurando la “Confiabilidad Operacional” a través del uso de “Best Practices” resultado de la
creatividad de nuestros colaboradores.
Gracias,

Gestión tactica de fallas criticas con análisis probabilístico

Recomendados

Recomendados

Más contenido relacionado

Destacado

Destacado (15)

Similar a Gestión tactica de fallas criticas con análisis probabilístico

Similar a Gestión tactica de fallas criticas con análisis probabilístico (20)

Último

Último (20)

Gestión tactica de fallas criticas con análisis probabilístico