La caracterización de equipos dentro del Mantenimiento Centrado en Confiabilidad (RCM) y el Análisis de Confiabilidad, Disponibilidad y Mantenibilidad (RAM) es el proceso mediante el cual se ajustan los datos históricos de falla de cada componente, equipo u sistema a los modelos probabilísticos que describen cómo y con qué frecuencia pierden su función a lo largo del tiempo.

De modo que, se trata de identificar el comportamiento estadístico de cada modo de falla para que las decisiones de mantenimiento tengan una base de carácter cuantitativo.

Abordando cada uno de estos métodos, cuando ese ajuste se logra con suficiente calidad de datos, el análisis puede responder preguntas que la intuición o la experiencia acumulada difícilmente pueden responder por si solas, pues los datos reales hablan más que las opiniones dando lugar a las respuestas de preguntas de distintas aristas (perspectivas).

Desde el Mantenimiento Centrado en Confiabilidad (RCM)

Este proceso ubica cada modo de falla dentro de un patrón de probabilidad específico, otorgando una base cuantitativa a las decisiones estratégicas para seleccionar tareas de mantenimiento precisas y calcular su intervalo óptimo de ejecución. La razón por la que esta etapa acompaña al proceso formal de las siete preguntas del RCM es que el diagrama lógico de decisiones, por sí solo, clasifica las consecuencias y orienta la selección de tareas, pero no determina con precisión sus intervalos. Dicha certeza emerge exclusivamente del análisis estadístico de los datos de operación y mantenimiento.

Comprender este comportamiento es crucial, el comportamiento estadístico varía significativamente entre componentes de un mismo equipo.

De tal manera, entonces que hay componentes con una probabilidad de falla que va aumentando con la edad, para los cuales una tarea de mantenimiento cíclica tiene sentido técnico. En cambio, existen otros componentes que fallan de forma aleatoria; en esos casos, una sustitución programada no reduce el riesgo, sino que lo redistribuye, y con frecuencia introduce nuevas fallas por mortalidad infantil o por efectos inducidos por la propia intervención. Por ejemplo:

Un rodamiento, un sello mecánico y un impulsor de la misma motobomba pueden tener patrones de falla completamente distintos, MTBF diferentes y requerir estrategias de mantenimiento igualmente distintas.

A partir de este rigor estadístico, es posible resolver interrogantes críticas que definen la eficiencia del plan de mantenimiento, tales como:

• Optimización de Tareas e Intervalos: ¿Con qué periodicidad real conviene intervenir este componente para maximizar su vida útil?

• Gestión de Riesgo Operativo: ¿Qué tan probable es que el activo falle antes de la próxima inspección programada?

• Validación de Estrategias: ¿Tiene sentido un reemplazo cíclico basado en la edad o el deterioro es puramente aleatorio?

• Eficiencia Preventiva: ¿Qué porcentaje de las tareas preventivas actuales son ineficientes por aplicarse a equipos que no presentan patrones de desgaste?

• Control de Funciones Ocultas: ¿Con qué periodicidad deben realizarse pruebas de búsqueda de fallas en sistemas de protección para garantizar que el riesgo sea tolerable?

En el Análisis de Confiabilidad, Disponibilidad y Mantenibilidad (RAM)

Por otro lado, en el análisis RAM, se utiliza a la caracterización con una finalidad sistémica destinada al modelado de instanciar los bloques de un diagrama de bloques de confiabilidad (RBD). Esto consiste en asignar las propiedades estadísticas específicas de cada componente real, tales como su distribución de probabilidad y sus parámetros a cada uno de los bloques lógicos del modelo matemático.

De esta manera, se logra representar la interconectividad funcional de toda la planta para pronosticar el desempeño global e identificar con exactitud los cuellos de botella que restringen la disponibilidad operativa del activo

Así, una vez realizada, nos permite avanzar para responder entonces a cuestionamientos estratégicos de alto impacto, como los siguientes:

• Identificación de Malos Actores: ¿Qué componente específico actúa como el cuello de botella que más restringe la disponibilidad operativa del sistema completo?

• Rentabilidad de Redundancias: ¿Es económicamente viable añadir un equipo de respaldo o resulta más rentable mejorar la mantenibilidad para reducir el tiempo de reparación?

• Optimización de Inventario: ¿Cuántos repuestos críticos se deben almacenar para garantizar las metas de producción sin generar sobrecostos de inventario?

• Proyección de Vida Útil: ¿Cuál es la Vida Útil Remanente (RUL) confiable del activo, considerando su nivel de degradación actual?

• Impacto Financiero Global: ¿Cuál es el Costo del Ciclo de Vida (LCC) de mantener la tecnología actual frente a la opción de un rediseño total?

Los datos de falla básicos

La ejecución de la caracterización parte de los registros históricos como parámetros almacenados desde un CMMS (Sistema Computarizado de Gestión de Mantenimiento):

• TTF (Time To Failure- Tiempo para o hasta la Falla TPF)

  • Representa el tiempo durante el cual un equipo opera hasta que se presenta una falla

• Time (To Repair- Tiempo para Reparar TPR)

  • Se refiere específicamente al intervalo de tiempo dedicado a la restauración de la función de una máquina en cada intervención técnica tras una falla.

Con esos datos, organizados bajo la taxonomía de la norma ISO 14224, se construyen modelos que describen cómo se comporta la tasa de falla del componente en función del tiempo. El ajuste de esos datos a distribuciones estadísticas es lo que permite extraer los parámetros que alimentan los cálculos de confiabilidad, disponibilidad y mantenibilidad, así como los intervalos óptimos de inspección o reemplazo.

El propósito final de una caracterización bien hecha

Es que cada política de gestión de fallos se encuentre fundamentada en la realidad operativa del activo, no en recomendaciones genéricas del fabricante ni en costumbres heredadas de programas anteriores. Sino en el criterio adaptado al contexto de la organización para reducir el costo total de mantenimiento sin comprometer la seguridad ni la disponibilidad.

El vital concepto de los malos actores

Los modos de falla, componentes, equipos e inclusive sistemas que concentran la mayor proporción de eventos y costos en la planta.

Pueden identificarse con prácticas sencillas, pero que requieren de estructuración, como el principio de Pareto. El cual sugiere que alrededor del 20% de los equipos genera el 80% de los problemas=costos, y es sobre ese grupo donde el esfuerzo de caracterización es más urgente (activos de mayor criticidad) y donde los resultados tienen mayor impacto en la disponibilidad y los costos operativos. Identificar esos malos actores requiere datos organizados; sin la estructura taxonómica adecuada, los problemas quedan diluidos en registros genéricos que no permiten ninguna discriminación analítica por su trazabilidad principalmente.

Las categorías de los datos necesarios

La información que alimenta la caracterización se organiza en tres categorías.

• La primera son los datos del equipo: atributos técnicos maestros como fabricante, modelo, potencia de diseño, velocidad, y los parámetros operativos reales como presión de trabajo, temperatura y condiciones ambientales.

Estos datos son indispensables para validar la aplicabilidad de tasas de falla provenientes de fuentes externas al contexto específico de la instalación. Resultan fundamentales para diferenciar activos dentro de una misma familia y tipo, ya que, según registros genéricos como OREDA, incluso equipos con configuraciones similares exhiben variaciones significativas en sus tasas de falla debido a diferencias en dimensiones y potencias nominales.

• La segunda categoría son los datos de falla, que registran cada evento: fecha de detección, modo de falla, mecanismo de daño, severidad (falla crítica, degradada o incipiente) y método de detección.

Estos datos permiten evaluar si las tareas predictivas actuales están cumpliendo su función o si sus intervalos necesitan ajuste.

• La tercera categoría corresponde a los datos de mantenimiento: como las acciones ejecutadas, el tiempo activo de reparación y los recursos empleados, que son la base para calcular el MTTR y dimensionar recursos para restaurar la función cuando sea necesario.

Los tres grupos, bien estructurados bajo estándares la ISO 14224, permiten construir un perfil de vida completo del activo y calcular indicadores como la disponibilidad inherente u operativa con un nivel de certeza estadística aceptable.

Los Fundamentos de las funciones básicas de probabilidad

Antes de llegar al ajuste de distribuciones, conviene entender qué se está modelando. Veamos primero algunos conceptos básicos;

• Las distribuciones de probabilidad:

Las distribuciones de probabilidad son modelos (ya sean gráficos o matemáticos) que describen cómo se espera que se comporten los resultados de una variable aleatoria.

En esencia, vinculan todos los valores posibles que puede tomar un evento o variable con la frecuencia (o probabilidad) de que ocurra cada uno de esos valores.

Dado que modelan la expectativa de que algo suceda en el futuro, son herramientas matemáticas indispensables para hacer inferencias, predecir comportamientos y tomar decisiones en escenarios donde existe incertidumbre (como predecir cuándo fallará un equipo).

Una distribución de probabilidad cuenta con las siguientes características generales:

1. El valor central o medida de posición (la media, la mediana o la moda).

2. Una cantidad que expresa el grado de dispersión (la desviación estándar).

3. La forma de la curva, es decir, la forma general de la distribución probabilística.

La clasificación general de las distribuciones se basa en

• Distribuciones No Paramétricas (o Empíricas) son modelos puramente gráficos y descriptivos construidos directamente a partir de datos históricos u observaciones reales. No asumen ninguna ecuación de fondo, sino que representan la realidad tal cual se observó.

  • Los histogramas de frecuencias: es el ejemplo clásico de esta familia. Para construirlo, se toma el rango total de los datos y se divide en varios intervalos o clases.

El primer paso en el examen de un conjunto de datos, por ejemplo, si fueran tomados como muestra representativa de una variable aleatoria o discreta, la idea es agruparlos en forma tal que puedan apreciarse inmediatamente sus particularidades, en especial, la forma en que están distribuidos los mismos, el grado de dispersión, y los valores con más alta probabilidad de ocurrencia.

El método más sencillo para lograr estas observaciones es crear un Histograma de Frecuencias (Relativas), para lo cual deben seguirse los siguientes pasos:

• Determinar el recorrido o amplitud de la población o muestra, restando el valor máximo obtenido del mínimo.

• Dividir el recorrido en un número de rangos o clases, seleccionados convenientemente de forma de no desvirtuar el dominio de la variable aleatoria.

Regla de Sturges: Es la fórmula matemática (k = 1 + 3.3 *log10(n))

Donde: k = número de clases

n = tamaño de muestra

[X] = parte entera de x

Sirve específicamente para calcular el número ideal de barras (clases) que debe tener el histograma dependiendo del tamaño de tu muestra (n), evitando así que el gráfico quede demasiado plano o con demasiados huecos vacíos.

• Contar el número de observaciones que corresponden a cada rango o clase.

• Calcular la frecuencia relativa para cada rango o clase con la siguiente fórmula:

  • Frecuencia Clase i = Nº observaciones en Rango o Clase i / Nº total observaciones

  • Finalmente llega el momento de construir el gráfico resultante.

Es de destacar que el histograma de la imagen anterior es el básico no ordenado, y que para responder a ciertas preguntas como:

• ¿Cuál es la probabilidad de que X tome un valor menor o igual a determinado valor? Se utiliza gráficamente la información en la forma de un Histograma Acumulado Directo.

• Por el lado contrario a la pregunta ¿Cuál es la probabilidad de que X tome un valor mayor o igual a determinado valor? viene siendo el Histograma Acumulado Inverso

• Hablemos de la Probabilidad y su relación a estos conjunto de datos en Frecuencias

De manera general, según Yañez, M., et al. (2004) establecen que puede definirse a la probabilidad como una medida de la posibilidad de ocurrencia de un evento. Los autores. Indican que “para definir formalmente probabilidad existen dos escuelas de pensamiento que regulan el significado y en consecuencia la aplicación de probabilidad. Estas escuelas son conocidas como Escuela Frecuentista o Clásica de Probabilidad y la Escuela Subjetivista o Bayesiana de Probabilidad”.

Toda probabilidad es expresada con un número adimensional en un intervalo entre 0 y 1 equivalente a 0 y 100 % en porcentajes.

Ahora, la diferencia entre estas escuelas trata desde la perspectiva del enfoque, en la que una clásica es basada en la historia de ocurrencias, y la otra en el grado de conocimiento o creencia, tal como lo indica la siguiente figura:

Una vez entendido, ambos conceptos y enfoques, veamos cómo se relacionan de la siguiente manera:

La frecuencia, que actúa como el indicador principal para estimar qué tan factible es una condición en el entorno industrial. Para el caso de la siguiente imagen a continuación, si buscamos analizar el comportamiento histórico de un activo físico, notaremos que una alta recurrencia de un evento específico se traduce matemáticamente en una probabilidad alta de ocurrencia futura, mientras que los eventos poco frecuentes representarán siempre una probabilidad baja.

Para llevar este principio a una representación visual estructurada, los datos operativos del día a día se agrupan en intervalos de tiempo y se plasman en un histograma de frecuencias. En esta primera instancia graficamos los conteos absolutos, detallando el número exacto de veces que se materializó la falla dentro de cada rango horario, lo cual nos arroja la suma total de los eventos ocurridos durante nuestro experimento o periodo de estudio.

Posteriormente, para transformar esta recolección de datos en un modelo estadístico, procedemos a dividir la frecuencia de cada intervalo de clase entre el número total de observaciones.

El resultado de esta operación configura la función de densidad de probabilidad, una segunda gráfica que conserva exactamente el mismo perfil o distribución del histograma original, pero transforma su escala vertical a valores relativos.

Ahora, si tomamos el caso puntual donde en un intervalo de operación registramos 4 eventos sobre un total histórico de 39, la relación matemática nos arroja una probabilidad directa del 10,2%. De tal modo, logramos estandarizar la información cruda de la planta en una herramienta predictiva precisa donde el área total bajo la curva siempre sumará la unidad.

⚠️ La Función de Densidad de Probabilidad puede ser o no parte de las distribuciones paramétricas. Pero, todo dependerá del enfoque estadístico que utilices para modelar el comportamiento de las fallas de tus activos.

Responde a:

¿Cómo se distribuyen las fallas a lo largo del tiempo y con qué concentración ocurren en un momento exacto?

(Mostrando dónde se agrupan estadísticamente las fallas).

Recordemos una vez más, que, para el análisis de confiabilidad clasificamos la función de la siguiente manera:

• Enfoque No Paramétrico (o Empírico): Lo utilizamos cuando no obligamos a los datos a encajar dentro de una ecuación teórica predefinida. Aquí dejamos que el historial operativo dibuje su propia curva de probabilidad tal cual ocurrió en la realidad. El gráfico que analizamos es el mejor ejemplo de esto. Al transformar un histograma directamente en probabilidades obtenemos una distribución empírica, ya que la forma resultante depende estrictamente de los datos crudos recolectados y no de una fórmula matemática idealizada.

• Enfoque Paramétrico: Cuando asumimos previamente que los datos históricos se comportan según una familia de curvas matemáticas ya conocidas y establecidas. Existen muchos ejemplos clásicos, y en la industria pueden comportarse como una distribución Normal, la Exponencial o la famosa distribución que puede variar sus formas la Weibull, y entre otras más. Entonces, se denomina paramétrica porque la curva predictiva final se ajusta utilizando unos pocos "parámetros" fijos, como pueden ser la vida característica o el parámetro de forma en Weibull.

2. Distribuciones Paramétricas A diferencia de los histogramas, a estas distribuciones sí se les asocia una función matemática exacta. Son modelos teóricos (como la distribución Normal, Weibull o Exponencial) que, mediante una fórmula geométrica, permiten calcular la probabilidad exacta de ocurrencia para cualquier valor continuo de la variable.

⚠ Algunas premisas importantes

⚠️ Todas estas funciones se construyen a partir del mismo insumo con los tiempos de operación hasta la falla (TTF – Time To Failure) o de reparación de equipos desde una población (TTR – Time To Repair), mediante el uso de un histograma que representa la frecuencia de las fallas. En consecuencia, se derivan unas de otras mediante operaciones matemáticas definidas por lo que conocer una puede permitir obtener las demás, siempre y cuando se cumplan con los datos necesarios.

• En primer lugar f(t) distribuye esos tiempos en una curva de densidad de fallas llamada estadísticamente; Función de densidad de probabilidad f(t), es la curva continua base que asigna a cada instante de tiempo (TTF - TTR) para representar matemáticamente la concentración de fallas en cada instante temporal específico.

De ella se pueden derivar las otras funciones que describen la vida del activo de forma integrada.

Ahora, para su expresión en las matemáticas a partir de las otras funciones, puede ser desde la derivada de la probabilidad de falla acumulada

De forma secundaria y equivalente en confiabilidad se expresa desde la supervivencia como

⚠️Hagamos un punto aclaratorio que sea demostrable para la función de densidad

Imagina que compramos 10 motores eléctricos idénticos y los dejamos operando hasta que todos fallen. Anotamos las horas exactas de falla en un cuaderno:

• Enfoque No Paramétrico:

  Los motores fallaron a las 100, 120, 120, 150, 200, 250, 250, 300, 400 y 450 horas.

Para graficar la densidad f(t), simplemente dibujas un histograma con barras. Ves un pico a las 120 horas y otro a las 250 horas.

No se utiliza a ninguna ecuación matemática para este caso; la curva tiene baches y es totalmente fiel a lo que pasó en la planta.

Si alguien pregunta:

¿Qué probabilidad hay de que un motor falle a las 800 horas?

No se puede responder porque nuestros datos reales terminan a las 450 horas.

• ¿Qué observamos?:

  • Eje X (Horizontal): Representa el tiempo de operación en bloques de 100 horas.

  • Eje Y (Vertical): Contiene el valor de la densidad de falla f(t) calculado por cada intervalo.

  • El Perfil de la Curva: Fíjate cómo no es una línea matemática perfecta ni una "campana" suavizada. Son bloques crudos y rectos que muestran visualmente que la mayor concentración de fallas en nuestra planta (el pico de riesgo) ocurrió exactamente en el bloque de 100 a 200 horas, alcanzando una densidad de 0.0040.

• Enfoque Paramétrico (La Fórmula Predictiva):

  Ahora, también desde esos mismos diez números si se introducen en un software que nos permita llevar datos estadísticos como Excel, Matlab, Minitab, o los lenguajes de programación Python, R u otros más de utilidad con estas facilidades; el sistema puede ayudarnos a buscar una familia de curvas teóricas conocidas (como puede ser el caso de Weibull) y "suaviza" los baches del histograma convirtiéndolos en una línea continua perfecta. Esta línea, en este caso puede definirse mediante solo dos números fijos (llamados parámetros, aunque para la distribución de Weibull, se tienen 3 parámetros, usualmente es suficiente utilizar solo 2 en la mayoría de los casos): por ejemplo, un parámetro de forma β = 1.8 y una vida característica η = 260 horas. Al tener una ecuación matemática gobernando el comportamiento, ahora sí puedes calcular con exactitud matemática la probabilidad de falla a las 800 horas, extrapolando el futuro.

• ⚠️ El parámetro Beta β

  • Si β beta < 1: La curva adopta la forma de una alta mortalidad infantil (problemas de instalación).

  • Si β beta = 1: La fórmula muta y se convierte exactamente en una distribución Exponencial (fallas aleatorias, independientes del tiempo).

  • Si β beta > 1: La curva toma forma de campana, representando el desgaste progresivo o la fatiga del material a lo largo del tiempo.

• ⚠️ El parámetro de escala η , también llamado vida característica.

  • Indica el tiempo al cual aproximadamente el 63,2 % de los elementos han fallado (o el 36,8 % sobreviven). Cuanto mayor es η, más duradero es el componente o sistema. Siendo el eje de referencia que estira o comprime la curva de confiabilidad en el tiempo. (marcando entonces la magnitud temporal del proceso de falla)

Usando los mismos valores de control que configuramos para suavizar el histograma de nuestros 10 motores:

• Parámetro de Forma (β) = 2.5 (Indica desgaste mecánico, la curva tiene forma de campana asimétrica).

• Vida Característica (η) = 230 horas (Es la escala de tiempo; representa la edad donde estadísticamente ya habrá fallado el 63.2% de la población de motores).

El enfoque no paramétrico te dice con barras exactamente qué pasó en el pasado con tus motores. El enfoque paramétrico convierte esas barras en una fórmula matemática limpia para predecir el futuro de la planta

• La línea roja (paramétrica) absorbe los "saltos" y errores aleatorios del histograma gris (no paramétrico), dibujando el verdadero comportamiento físico del motor de forma limpia.

• Con el histograma gris, si ocurre la interrogante de qué pasaba a las 600 horas, el valor era nulo porque no teníamos datos empíricos de ese momento. Ahora, con el modelo paramétrico, simplemente se introduce t=600 en la fórmula y se obtiene un valor exacto de probabilidad.

• Al ser una ecuación continua, podemos usar cálculo diferencial. Si se deriva esa ecuación y se iguala a cero, se puede encontrar el punto más alto exacto de la montaña roja (la Moda), que ocurre aproximadamente a las 190 horas.

• ⚠️ Posteriormente al integrar esta curva matemática anterior se produce F(t) que representa la Función de Distribución Acumulada, también llamada Probabilidad Acumulada de Falla o CDF (Cumulative Failure Probability).

Es la que nos puede ayudar a cuantificar la probabilidad total de que el equipo haya fallado antes de un tiempo determinado. Respondiendo a preguntas como:

¿Cuál es la probabilidad de que el equipo ya haya fallado antes de alcanzar un tiempo operativo determinado?

(Logrando medir entonces, el porcentaje de equipos que no superarán esa meta).

Se puede construir F(t) a partir de f(t). Porque prácticamente, es la acumulación de las densidades en los mismos intervalos veamos la imagen:

Su expresión matemática básica, se define como:

La integral prácticamente, es la suma progresiva de las fallas desde el arranque del equipo hasta un momento determinado.

La Construcción de la Gráfica F(t) — Probabilidad Acumulada de Falla

Utilizando el mismo conjunto de datos reales de los 10 motores eléctricos (tiempos de falla a las 100, 120, 120, 150, 200, 250, 250, 300, 400 y 450 horas), procedemos a estructurar la función de distribución acumulada o CDF (Cumulative Distribution Function) bajo ambos enfoques.

Una vez que hemos comprendido la densidad de fallas, el siguiente paso lógico en la ingeniería de confiabilidad es cuantificar el daño total. La Función de Distribución Acumulada F(t) (también conocida por sus siglas en inglés como CDF, Cumulative Distribution Function) es la métrica que responde a la pregunta operativa más directa:

¿Qué porcentaje exacto de mis equipos ya habrá fallado antes o al alcanzar este preciso momento?

⚠️Físicamente, un equipo sufre de deterioro con el trascurso del tiempo de su vida útil, se encuentre o no en operación, ahora esta condición cuando existen familias de equipo con características y diseños similares su comportamiento puede ser modelado a través de los patrones de falla que debemos descifrar por sus tiempos.

Calcular a F(t) en líneas generales puede ser tan complicado y complejo como el enfoque se quiera aplicar y se pueda ir para disminuir la incertidumbre en términos de gestión de recursos.

Por eso el estudio de la ingeniería de confiabilidad encuentra 2 enfoques también para las características físicas y aleatorias del fenómeno de las fallas

Existiendo entonces;

• El estudio de la confiabilidad basada en la física de la falla y el análisis de los procesos de deterioro (mediante la información de inspecciones, simulaciones, monitoreo y demás).

En este caso, es importante saber que seguimos evaluando a F(t) basado en los tiempos de fallas TTF y TTR

Para construir esta función desde la realidad de la planta, retomamos los Tiempos Hasta la Falla (TTF) de nuestros 10 motores: 100, 120, 120, 150, 200, 250, 250, 300, 400 y 450 horas.

En lugar de mirar cuántos fallan por hora, ahora nos paramos al final de cada intervalo y sumamos todas las bajas desde el arranque (t=0).

Finalmente, cada uno de esos intervalos de F(t), representa la fracción o porcentaje de la población de equipos que no logrará superar la meta de tiempo establecida,

• La función estadística de supervivencia, también llamada para este ámbito como la función de Confiabilidad r(t) o C(t),

Esta función de Confiabilidad r(t), se define como la probabilidad de que un item pueda desempeñar sus funciones bajo condiciones específicas y durante un determinado tiempo. Por lo que, la pregunta que busca responder es:

¿Cuál es la probabilidad de que un activo logre sobrevivir y operar sin fallas durante un periodo de tiempo específico?

Percibiéndose como la meta de éxito, el porcentaje de equipos que llegarán sanos a esa meta. Se suele ubicar como una extensión de la calidad hacia el dominio del tiempo. (Mientras la calidad asegura que el equipo sea apto y cumpla con los requisitos del usuario satisfactoriamente al salir un equipo de fábrica, la confiabilidad asegura que mantenga esa aptitud durante su vida útil).

Existen dos formas principales para deducirla matemática y conceptualmente como:

• ⚠️ La primera vía, es como complemento de la Probabilidad Acumulada de Falla F(t), nos entrega a la función de confiabilidad r(t),

• ⚠️La segunda, mediante la integración de la función de densidad desde el tiempo actual hasta el infinito, calculando así el área remanente bajo la curva de densidad de probabilidad de fallas.

Ambas expresiones son equivalentes y describen la probabilidad de que el activo opere sin fallas más allá del instante t.

Para el caso de tiempo para la falla - TPF, como variable aleatoria, la función acumulada inversa, indica la confiabilidad para un tiempo dado. Representada con la siguiente curva.

Volviendo al ejemplo pasado, una vez que sabemos cuántos equipos han fallado a través de F(t), el siguiente paso natural en nuestro análisis es evaluar la cantidad de éxito operativo. En lugar de contar las bajas, ahora nos paramos al inicio de cada intervalo y contamos cuántos motores siguen en marcha, sanos y entregando disponibilidad a la planta. Es el complemento exacto de las bajas acumuladas.

• Por último, la función de riesgo o tasa de falla h(t)

Nos revela si el riesgo de avería está aumentando, disminuyendo o permanece constante en el tiempo. En términos probabilísticos, la ecuación dice que h(t) es la probabilidad condicional de falla en un intervalo de tiempo t+Δt; dado que el componente, equipo o sistema ha sobrevivido hasta el tiempo t.

Nos deja saber, si es que el equipo ha logrado sobrevivir hasta este momento exacto, ¿cuál es su riesgo inminente de fallar en el próximo instante?

(Por lo que, puede medir cómo envejece o se desgasta el equipo; indicando si el riesgo aumenta, disminuye o se mantiene constante con el paso del tiempo)

Al igual que las funciones f(t), F(t) y C(t), la función h(t) es una característica única de la variable tiempo para fallar de una población de componentes, equipos o sistemas.

Continuando con la misma estructura y el set de datos de nuestros 10 motores eléctricos, Una vez que conocemos la velocidad con la que caen los equipos f(t) y cuántos quedan vivos R(t), llegamos a la función más importante para la toma de decisiones en la ingeniería de mantenimiento. La Función de Riesgo h(t) (también llamada tasa de falla instantánea) responde a la pregunta de mayor impacto operativo:

Sabiendo que un activo ha logrado sobrevivir hasta este preciso segundo, ¿cuál es su riesgo inminente de fallar en el próximo instante?

Al graficar estos datos en escalones grises como la parte de intervalos no paramétricos (en la gráfica que combina con la paramétrica a continuación), notamos algo crítico y es que el peligro no es plano. Pues se visualiza la mayor probabilidad de riesgo en los intervalos que van desde las 100 a las 300 horas.

Desde lo paramétrico, debemos comprender es que h(t) es una probabilidad condicional. Matemáticamente, se define como el cociente entre la densidad de falla y la confiabilidad. Utilizando los mismos parámetros de control obtenidos de la distribución de Weibull de 2 parámetros (β= 2.5 y η = 230 horas), la ecuación continua del riesgo se expresa así:

En la gráfica generada (línea roja continua), la ecuación paramétrica suaviza los datos históricos y traza una curva curva ascendente perfecta. Al disponer de esta fórmula, el ingeniero puede predecir con exactitud el nivel de peligro inminente de un motor a las 150 horas o en cualquier punto del ciclo de vida.

Este último indicador (el riesgo) es el que conecta directamente con los seis patrones de falla del RCM y con la decisión de qué tipo de tarea tiene sentido técnico asignar a cada modo de falla. (De los que hablaremos mas adelante)

Existen importantes relaciones entre cada una de estas funciones, por ejemplo, en la función Confiabilidad C(t) y la función h(t), que se resume en la siguiente expresión:

La ecuación implica que al definir la función h(t) se puede definir la función C(t), y viceversa.

Entonces, la función h(t) describe el comportamiento del número de fallas de una población por unidad de tiempo, y la misma puede ser creciente (el número de componentes de la población que fallan por unidad de tiempo aumenta progresivamente), decreciente (el número de componentes de la población que fallan por unidad de tiempo disminuye progresivamente), o constante.

Para facilitar la interpretación de todas las otras relaciones el libro de

Distribuciones de Probabilidad, usadas en Ingeniería de Confiabilidad, por el Centro de Riesgo y Confiabilidad de la Universidad de Maryland (O’Connor, Modarres & Mosleh, 2016).

Hace un resumen de la importancia de las relaciones entre entras funciones de confiabilidad, expuestas en el siguiente cuadro a continuación:

Para tomar en cuenta en estas funciones antes de la caracterización de los datos, es el método empleado en sí para recopilar y organizar los datos de los tiempos de falla a través de los histogramas como un factor clave que permite modelar el comportamiento de los sistemas productivos (abarcando a, equipos rotativos en su mayor área de aplicación por la frecuencia de eventos, a otros como los equipos estáticos con tuberías, edificaciones e instrumentación) y evaluarlos como ítems reparables o no reparables bajo distribuciones estadísticas, tales como Exponencial, Weibull, Normal, Log-normal, entre otras... Pero, para ello debemos hablar sobre las variables:

Variables aleatorias y distribuciones estadísticas

Para modelar los tiempos de falla y de reparación se trabaja con dos tipos de variables aleatorias:

• Variables continuas son las que pueden tomar cualquier valor dentro de un intervalo y se obtienen por medición: tiempos de operación hasta la falla, temperaturas, presiones, espesores de pared.

• Variables discretas son contables y resultan de un proceso de conteo: número de paradas en un mes, cantidad de fallas en un lote, número de repuestos consumidos en un período.

La selección de la distribución estadística adecuada depende de la naturaleza del fenómeno físico que genera la falla y del tipo de variable que se esté modelando. A continuación, se presenta la clasificación de las distribuciones utilizadas en confiabilidad industrial, probabilidad de fallas y análisis de riesgo:

Distribuciones para variables aleatorias discretas

1. Distribución de Poisson. Describe el número de eventos en un intervalo de tiempo dado una tasa media constante. Fundamental para calcular la cantidad óptima de repuestos durante el tiempo de reposición logístico y para estimar el número esperado de fallas en un período.

2. Distribución Binomial. Estima la probabilidad de obtener un número dado de éxitos en n ensayos con probabilidad p constante. Es la base matemática para analizar configuraciones de redundancia del tipo "k de n" y justificar inversiones en equipos de respaldo.

3. Distribución Hipergeométrica. Aplica en muestreos sin reemplazo donde cada extracción altera las probabilidades. Utilizada en control de calidad con poblaciones pequeñas.

4. Distribución Geométrica. Modela el número de intentos hasta el primer éxito o primera falla. Útil para caracterizar la confiabilidad de dispositivos de seguridad que operan bajo demanda, como válvulas de alivio o interruptores de emergencia.

Distribuciones para variables aleatorias continuas

1. Distribución de Weibull. La más versátil y utilizada en confiabilidad industrial. Definida por el parámetro de forma (β) y el parámetro de escala (η). Un β < 1 indica mortalidad infantil, β = 1 representa fallas aleatorias y β > 1 señala procesos de desgaste. Puede modelar cualquier etapa del ciclo de vida de un componente.

2. Distribución Exponencial. Describe sistemas con tasa de falla constante, es decir, donde el deterioro no se acumula con la edad. Su único parámetro es λ = 1/MTBF. Aplica para componentes electrónicos y sistemas donde el envejecimiento no es el factor dominante.

3. Distribución Lognormal. Modela deterioro con sesgo positivo: corrosión, fatiga, propagación de grietas. También es el estándar para caracterizar tiempos de reparación (TTR), reconociendo que la mayoría de las intervenciones son cortas pero existe una cola de eventos prolongados.

4. Distribución Normal (Gaussiana). Útil para componentes con desgaste en fase final y para modelar errores de medición y tolerancias de fabricación. Su naturaleza simétrica limita su aplicabilidad a tiempos de vida reales de equipos complejos.

5. Distribución Gamma. Flexible para comportamientos intermedios entre la exponencial y la normal. Es la distribución por defecto utilizada por OREDA para presentar tasas de falla de equipos petroleros y facilita las actualizaciones bayesianas con datos genéricos.

6. Distribución Beta. Modela probabilidades (valores entre 0 y 1) con gran flexibilidad de forma, siendo útil para estimar la disponibilidad de sistemas o la probabilidad de éxito de tareas de protección.

7. Distribución Beta-PERT. Variante suavizada de la Beta que requiere tres estimados de expertos: mínimo, valor más probable y máximo. Asigna mayor peso a la moda, siendo más realista que la triangular para variables físicas.

8. Distribución Triangular. La más simple para capturar la opinión de expertos cuando no hay datos históricos. Usa los mismos tres parámetros que la Beta-PERT pero con una forma lineal entre los extremos.

9. Distribución Uniforme (Rectangular). Se aplica cuando solo se conocen los límites del rango y no hay evidencia para preferir ningún valor dentro de él. Útil para modelar incertidumbre total en fases tempranas de diseño.

10. Distribución de Valor Extremo (Extreme Value). Modela el comportamiento de mínimos o máximos de grandes muestras. En mantenimiento se usa para analizar eventos de degradación extrema en estructuras o recipientes a presión.

11. Distribución Rayleigh. Caso particular de Weibull con β = 2. Se aplica cuando la tasa de falla crece linealmente con el tiempo, como en ciertos mecanismos de desgaste superficial.

Validación del ajuste: pruebas de bondad y selección del modelo

Una vez propuesta una distribución candidata, hay que verificar que realmente represente los datos observados. Para eso se aplican las pruebas de bondad de ajuste, instrumentos estadísticos que comparan la distribución empírica de los datos con la función teórica propuesta.

• Test de Chi-Cuadrado compara frecuencias observadas con esperadas y es efectivo para muestras grandes, aunque su resultado depende de cómo se definan los intervalos.

En el cálculo del valor crítico para la prueba de Chi – Cuadrado se busca conseguir el valor correspondiente al percentil 1 - α de una distribución Chi – Square con N – 1 grado de libertad (N es el número de intervalos o clases). Estas soluciones están tabuladas en la tabla que se muestra a continuación, a la cual se entra con los grados de libertad (df en la tabla) y el nivel de confidencia o percentil de confianza (Per Cent en la tabla).

• Test de Kolmogorov-Smirnov (K-S) mide la máxima diferencia absoluta entre ambas distribuciones. Es uno de los más usados en confiabilidad por su simplicidad y por no depender de la elección de intervalos de clase. A diferencia de la prueba Chi Cuadrado, la de Komogorov Smirnov no agrupa los datos en intervalos o clases. En su lugar, para la prueba se utiliza la función de probabilidad acumulada hipotética seleccionada, la cual es comparada con la función de probabilidad acumulada empírica proveniente de los datos.

• Test de Anderson-Darling (A-D) Es muy similar a la prueba de Kolmogorov Smirnov, la cual no depende tampoco del número de intervalos o clases. Esta prueba tiene la ventaja adicional de que ofrece mayor sensibilidad en las colas de la distribución, algo crítico cuando se analizan modos de falla de baja probabilidad, pero consecuencias catastróficas, y viene dada por:

Como paso previo o complementario a estas pruebas, se puede tomar una guía también como las gráficas de Cullen-Frey permiten una exploración inicial de qué familias de distribuciones son candidatas plausibles basándose en el sesgo y la curtosis de la muestra, reduciendo el número de modelos que hay que someter a prueba formal.

⚠ Otros detalles importantes

Existen algunas plataformas y software especializado para los análisis de caracterización de datos y modelado de datos, en metodologías RAM y RCM:

Plataformas de Análisis Estadístico y Caracterización de Fallas

Estas herramientas son el "laboratorio" donde transformas tus datos de falla en modelos matemáticos (ajuste a distribuciones como Weibull, Lognormal o Normal).

• Weibull++ (de ReliaSoft), Minitab, JMP (de SAS), EasyFit , R y Python.

  

Plataformas de Simulación RAM y Modelado de Sistemas

Una vez que tienes los parámetros (instanciados), estas herramientas simulan el comportamiento de la planta a lo largo del tiempo usando Monte Carlo.

• MAROS y TAROS (DNV), Reliability Workbench (Isograph), BlockSim (de ReliaSoft), GoldSim, RAM Commander (ALD), @RISK (de Palisade/Lumivero), Crystal Ball (Oracle) y RAPTOR donde cada una posee diferentes bondades y limitaciones.

Se debe tener en cuenta que en estas al aplicarlos una vez encontramos el mejor ajuste iteraciones para encontrar el mejor ajuste de datos con el mayor nivel de certeza posible mediante algoritmos de ajuste automático que identifican el mejor modelo (Best Fit) para los datos disponibles, incluyendo la posibilidad de modelos de simulaciones como Monte Carlo para proyectar escenarios como la disponibilidad futura del sistema bajo distintas políticas de mantenimiento.

Los seis patrones de falla del RCM y su relación con las distribuciones

El resultado del ajuste estadístico se traduce directamente en los seis patrones de comportamiento de falla identificados por Nowlan y Heap, que son el lenguaje que usa el RCM para conectar la estadística con la decisión de mantenimiento.

• Patrón A (curva de la bañera) combina mortalidad infantil, tasa constante y desgaste final. Se modela con distribuciones Weibull de tres tramos o mediante una mezcla de distribuciones.

• Patrón B (tradicional) exhibe tasa de falla baja y constante que aumenta bruscamente al final de la vida útil; se ajusta bien a distribuciones Weibull con β > 1 o Normal.

• Patrón C (aumento gradual) muestra incremento continuo de la tasa de falla sin una región de desgaste definida, típico de turbinas de gas y ciertos mecanismos de erosión; Weibull con β entre 1.5 y 3 suele ajustarse bien.

Los tres siguientes son los más frecuentes en maquinaria compleja moderna.

• Patrón D (baja inicial, luego constante) describe componentes que fallan principalmente por causas externas o de instalación; Weibull con β cerca de 1 o distribución exponencial.

• Patrón E (falla aleatoria pura) tiene tasa constante en toda la vida operativa; la distribución exponencial es su modelo natural, correspondiendo a β = 1 en Weibull.

• Patrón F (curva J invertida) inicia con alta mortalidad infantil que cae a una tasa constante o muy lenta; Weibull con β < 1. Este último patrón es particularmente común en componentes electrónicos y sistemas hidroneumáticos modernos.

Un ejemplo hipotético puede ser una motobomba, como un equipo que puede ilustrar este punto con claridad. Entre sus partes el sello mecánico sigue el Patrón F con MTBF de 1.240 horas, mientras que el impulsor y la camisa siguen el Patrón C con MTBF de 7.850 y 7.752 horas respectivamente, y los rodamientos el Patrón A con 5.256 horas.

Cada componente requiere una estrategia distinta: para el sello mecánico, cuya mortalidad infantil es dominante, importa más el control de calidad en la instalación que cualquier tarea cíclica; para el impulsor con desgaste gradual, el monitoreo de condición tiene sentido si existe un intervalo P-F suficientemente largo.

De la caracterización a la selección de tareas y frecuencias

Con el patrón identificado y los parámetros del modelo calculados, los resultados de la caracterización alimentan directamente la lógica de selección de tareas.

Para los patrones con zona de desgaste (A, B, C), se puede estimar la edad a partir de la cual la probabilidad condicional de falla aumenta significativamente, lo que justifica técnicamente una tarea de reacondicionamiento o sustitución cíclica.

Para los patrones aleatorios (D, E, F), la única estrategia proactiva con base técnica es el monitoreo de condición, cuya frecuencia se determina en función del intervalo P-F.

El intervalo P-F es el tiempo que transcurre desde que una falla potencial se vuelve detectable hasta que se produce la falla funcional.

La regla práctica derivada de Nowlan y Heap establece que la frecuencia de inspección debe ser como máximo la mitad de ese intervalo para garantizar al menos dos oportunidades de detección antes del colapso.

Cuando el modo de falla tiene consecuencias de seguridad o ambientales graves, se puede ser más conservador aplicando la fórmula que incorpora la probabilidad aceptable de falla (P_acc) y la efectividad de la técnica de detección (θ):

Estos outputs de la caracterización, el patrón de falla, el MTBF, el parámetro β de Weibull y el intervalo P-F estimado, son los que convierten el análisis estadístico en planes de mantenimiento con intervalos técnicamente defendibles.

Fuentes genéricas de confiabilidad cuando no hay datos propios

Uno de los desafíos frecuentes en plantas nuevas o con equipos de tecnología reciente es la ausencia de historial de fallas propio. En esos casos, la práctica estándar es recurrir a bancos de datos genéricos de referencia, que recopilan tasas de falla de grandes poblaciones de equipos en distintos sectores industriales. Entre los más utilizados se encuentran:

• OREDA (Offshore and Onshore Reliability Data), la referencia más robusta para la industria de petróleo y gas. Su edición de 2015 incluye volúmenes separados para equipos de superficie y submarinos, con datos de más de 15.000 equipos en 300 instalaciones. Vale señalar que las diferencias entre las versiones onshore y offshore son significativas en algunos equipos, por lo que hay que verificar que la población de referencia sea suficientemente representativa del contexto de la planta antes de usar los valores directamente.

• IEEE Std 493 (Gold Book), el estándar de referencia para equipos eléctricos, electrónicos e instrumentación en instalaciones industriales y comerciales.

• PARLOC para fallas e integridad en tuberías y líneas de flujo, especialmente del Mar del Norte.

• PHMSA para tuberías de transporte de materiales peligrosos en los Estados Unidos.

• EXIDA para instrumentación de seguridad y sistemas instrumentados.

• RIAC como catálogo amplio que complementa a OREDA con una variedad mayor de dispositivos mecánicos y electrónicos.

En todos los casos, los valores genéricos deben adaptarse al contexto operacional específico mediante técnicas bayesianas, combinando el conocimiento previo de la fuente con la evidencia propia que se vaya generando en el CMMS. A medida que el historial local crece, los parámetros del modelo se actualizan y la certeza estadística de las estimaciones mejora.

Cantidad mínima de datos para la confianza estadística

La confianza estadística y la confiabilidad modelada son conceptos distintos. La primera mide cuánta certeza tenemos en los parámetros estimados, y depende directamente del tamaño de la muestra. Un ajuste realizado con cinco datos puede tener sentido como exploración preliminar, pero sus parámetros son muy sensibles a valores atípicos y los intervalos de confianza resultantes son amplios.

Para un análisis exploratorio inicial se recomienda disponer de entre 5 y 9 eventos de falla. Para planificación estratégica con rigor estadístico aceptable, la referencia común es entre 10 y 15 eventos. En activos de alta criticidad donde las decisiones tienen alto impacto en seguridad o en el presupuesto de capital, conviene buscar 20 a 30 datos antes de tomar decisiones definitivas.

Un aspecto que suele ignorarse es la correcta gestión de los datos censados o suspendidos: equipos que han operado durante el período de observación sin presentar fallas. Ignorarlos conduce a cálculos pesimistas de la confiabilidad y puede derivar en reemplazos prematuros de componentes en buen estado. Incluirlos correctamente en el análisis es parte del rigor del método.

Conclusión

La caracterización de equipos y sistemas dentro del RCM, nos ayuda a transformar los datos operativos que están dispersos en modelos probabilísticos que describen cómo y cuándo podría fallar cada componente. Sin la formación de esta base estadística, los intervalos de mantenimiento son estimaciones subjetivas (por que se convierten en supocisiones a partir de opiniones); en cambio, con ella, son el resultado de ajustar la realidad operativa a distribuciones matemáticas validadas mediante pruebas de bondad de ajuste. Ese proceso, que comienza con la organización taxonómica de los datos y termina con la identificación del patrón de falla de cada modo, es lo que permite al RCM ser un método de selección de tareas y no simplemente un ejercicio de documentación.

La conexión entre los seis patrones de falla y las distribuciones estadísticas es el puente que une la estadística con la decisión de campo. Saber que un componente sigue el patrón E, con β de Weibull cercano a 1, implica que ninguna sustitución cíclica va a reducir su probabilidad de falla; la única estrategia válida pasa por el monitoreo de condición o, si no hay intervalo P-F aprovechable, por la política planificada de operar hasta la falla. Ese nivel de certeza técnica es lo que hace que los programas de mantenimiento derivados de una buena caracterización sean defendibles ante auditorías, frente a la gerencia y en los análisis de costo-riesgo que justifican las inversiones de capital.