Repairable Systems

Sistemas Reparables
El proceso de renovación
Rolando Guido rolando@pxsglobal.com

proaasa@racsa.co.cr
Sistemas Reparables
• Algunas fallas son observaciones de una variable
aleatoria independiente e idénticamente
distribuida (iid) de la misma población.
• Las lecturas (los tiempos) pueden combinarse para
su análisis sin importar el orden en que ocurrieron.
• Sin embargo, en muchas ocasiones la secuencia
tiene mucha importancia.

proaasa@racsa.co.cr
Sistemas Reparables
• Si se mantienen las propiedades iid para los
tiempos entre fallas, la tasa de fallas es estable
y el modelo de renovación es un modelo
apropiado.
• Si por el contrario existe una tendencia en las
tasas de falla (mejorando o empeorando), el
proceso de renovación no se puede usar.

proaasa@racsa.co.cr
Reparable y no Reparable
• Un Sistema es reparable si su condición se
puede restaurar para que opere
satisfactoriamente mediante cualquier acción,
incluyendo el remplazo de componentes, el
cambio o ajuste de parámetros, el intercambio
de partes, o hasta un golpe bien dado con un
martillo.

proaasa@racsa.co.cr
Sistemas Reparables
• Para un componente, si la acción de
reparación restaura el componente hasta una
condición “como nuevo” (como puede ser el
simple cambio de la parte que falló por otra
parte de la misma población), entonces
hablamos de un proceso de renovación. En
esas situaciones asumimos que el tiempo
entre dos fallas sucesivas son independientes y
la distribución de vida del componente es la
misma.
proaasa@racsa.co.cr
Sistemas Reparables
• Sin embargo el solo remplazo de un componente que
falló por otro igual, no necesariamente garantiza el
proceso de renovación.
• Ej. el termostato de un motor que se sobrecalentó y se
degradaron otras partes.
• Bajo el modelo de renovación, una misma distribución
caracteriza los tiempos independientes entre fallas, y la
frecuencia de fallas parece constante.
• Si la frecuencia de fallas del sistema parece incrementar
o disminuir con la edad, indicando deterioro o mejora,
estamos en presencia de un modelo distinto.
proaasa@racsa.co.cr
Sistemas Reparables
• Es importante distinguir entre el proceso de
renovación y el proceso de reparación general.
• El proceso de renovación simplifica el análisis,
un proceso que no sea de renovación es más
complicado por no tener características
estacionarias sino cambiantes.
• El tiempo es la variables más usada en
sistemas reparables, pero también se puede
usar ciclos o kilómetros.

proaasa@racsa.co.cr
Sistemas Reparables
• Una medida importante de confiabilidad es el número
acumulado de fallas N(t) que han ocurrido en un
sistema hasta el tiempo t.
• Para cualquier tiempo t la función N(t) es una variable
aleatoria.
• Un proceso estocástico es una colección de variables
aleatorias que describen la evolución de un proceso en
el tiempo.
• Como N(t) existe para cada sistema en una población, el
número de fallas N(t) que ocurren hasta el tiempo t de
un sistema es un ejemplo de un proceso estocástico
discreto.

proaasa@racsa.co.cr
Análisis Gráfico
• Un gráfico muy usual es el gráfico de fallas
acumuladas contra la edad del sistema.
• Cada gráfico acumulado debe verse como una
muestra de una población de posibles curvas.
• El valor promedio acumulado de fallas de la
población en el tiempo t se designa M(t), y es
el número esperado de fallas en el tiempo t.

proaasa@racsa.co.cr
Análisis Gráfico
• Considere un sistema con los siguientes
tiempos (edad) de falla: 106 132 289 309 352
407 523 544 611 and 660

proaasa@racsa.co.cr
Análisis Gráfico
• La apariencia lineal del gráfico indica que la
tasa de fallas se mantiene constante.
• Eso quiere decir que la derivada dM(t)/dt es
constante en el tiempo.
• Alternativamente, una curvatura en este
gráfico puede revelar si la confiabilidad del
sistema está mejorando o deteriorándose.
• Cuando el proceso no está ni mejorando ni
deteriorándose, se dice que está estacionario.
proaasa@racsa.co.cr
Análisis Gráfico
• Bajo un proceso de renovación los tiempos entre
fallas son independientes e idénticamente
distribuidos.
• Los tiempos entre fallas:
• 106 26 157 20 43 55 116 21 67 and 49
• Como se asume que es un proceso de renovación
los tiempos pueden tratarse como una muestra
de 10 observaciones iid de la misma población, tal
y como si fueran 10 unidades distintas no
reparables.
proaasa@racsa.co.cr
Análisis Gráfico
• Si se grafican los valores en su orden de
aparición se verá un patrón aleatorio.

proaasa@racsa.co.cr
Análisis Gráfico
• Los tiempos pueden ordenarse de menor a
mayor y graficarse en los papeles de
probabilidades (Weibull o LogNormal) y
estimar sus parámetros o hacer un análisis
cuantitativo para hacerlo.

proaasa@racsa.co.cr
Análisis Lognormal

proaasa@racsa.co.cr
Análisis Gráfico
• Siempre es una buena idea graficar el modelo
y la curva empírica acumulada para evaluar la
idoneidad del ajuste.

proaasa@racsa.co.cr
Análisis de Sistemas Reparables
• Hemos visto que para un único sistema la
curva acumulada describe el número de fallas
vs la edad del sistema.
• Sin embargo, podemos estar interesados en
describir muchos sistemas idénticos e
independientes, para los cuales el
comportamiento es el combinado de las fallas
de todos ellos.

proaasa@racsa.co.cr
• Por ejemplo, podemos estar interesados en el
desempeño total de muchos sistemas idénticos,
donde cada sistema puede tener un tiempo de
operación distinto, y por lo tanto produce tiempos
censurados múltiples.
• El método gráfico desarrollado por Wayne Nelson
y posteriormente por Nelson y Doganaksoy (1989)
muestra cómo generar estimados no
paramétricos de la función que describe el
número promedio de fallas acumuladas para una
cierta edad del sistema.

proaasa@racsa.co.cr

proaasa@racsa.co.cr
• ¿Cómo estimamos M(t) para datos con
censuras múltiples?
• Para un sistema es el número acumulado de
fallas hasta el tiempo t.
• Para un grupo de sistemas sería el promedio
acumulado del número de fallas de todos los
sistemas hasta el tiempo t.

proaasa@racsa.co.cr
• Por ejemplo, si queremos calcular M(t) para
dos sistemas hasta el tiempo t superior al
tiempo de censura C1 del sistema 1
procederíamos así:
• Usaríamos ambos sistemas para estimar M(t)
para t menor o igual que C1, y luego le
sumaríamos el número promedio de fallas del
sistema 2 para t> C1, y ese sería el Estimado de
M(t) para ambos sistemas.

proaasa@racsa.co.cr

proaasa@racsa.co.cr

proaasa@racsa.co.cr
• Estime M(t) para los siguientes sistemas

proaasa@racsa.co.cr

proaasa@racsa.co.cr
El Proceso de Renovación
• En un proceso de renovación para un
componente único, los remplazos siempre son
ítems nuevos de la misma población que el
remplazado. Consecuentemente, los tiempos
entre fallas consecutivas se asumen
independientes e idénticamente distribuidos.
• Como resultado los métodos de análisis son los
mismos que para un componente no
reparable.

proaasa@racsa.co.cr
• Generalmente para un dispositivo reparable,
existen dos variables aleatorias de interés: N(t)
el número total de fallas hasta el tiempo t, y
T(k) el tiempo total alcanzado hasta la késima
falla.
• N(t) es una variable aleatoria discreta.
• T(k) es una variable aleatoria continua.
• Ambas dependen de la distribución de los
tiempos entre fallas.
proaasa@racsa.co.cr
• El promedio esperado para N(t) es la función
de renovación M(t).
• M(t)= E[N(t)]
• Si se grafican todas las posibles funciones de
N(ti) para todos los sistemas de la población se
obtendría M(t).
• Para un proceso de renovación los tiempos
entre fallas los describe una única distribución.
proaasa@racsa.co.cr
• Si conocemos la distribución de probabilidades
de los tiempos entre fallas, podemos
numéricamente determinar la distribución de
N(t) y T(k) con la función de renovación M(t) y
la correspondiente tasa de renovación de la
población d[M(t)]/dt.

proaasa@racsa.co.cr
El HPP
• Suponga que los tiempos entre fallas xi son
independientes y que están distribuidos
exponencialmente con una tasa de falla λ.
• La PDF sería
• f(t)=λ𝑒 − λ𝑡 para t≥0
• Entonces las distribuciones de probabilidad N(t) y T(k)
son fáciles de determinar. N(t) sigue una distribución
Poisson con media λ. Y por lo tanto, la probabilidad de
observar N(t)=k fallas en el intervalo (0, t) es:
(λ𝑡)𝑘 𝑒 −λ𝑡
• 𝑃[𝑁 𝑡 = 𝑘] =
𝑘!
proaasa@racsa.co.cr
El HPP
• Un proceso de renovación en el que las fallas son
exponenciales se llama un Proceso Homogéneo
de Poisson (Homogeneous Poisson Process - HPP).
• Basados en la distribución de Poisson el valor
esperado de N(t) [esto es M(t)] es λt y la varianza
es también λt.
• Similarmente, basados en la distribución
exponencial el valor esperado o la media del
tiempo transcurrido entre dos fallas es 1/ λ (θ), y
la desviación estándar es 1/ λ (la misma).
proaasa@racsa.co.cr
El HPP
• Para un HPP la probabilidad de no ver fallas en
el período t es 𝑒 −λ𝑡 y la probabilidad de por lo
menos una falla es 1 − 𝑒 −λ𝑡 .
• Para un HPP, podemos decir que el tiempo T(k)
para la késima falla es la suma de k variables
aleatorias independientes exponenciales.
• La PDF para T(k) la describe la distribución
gama con parámetros λ y k.

proaasa@racsa.co.cr
El HPP
λ𝑘 (𝑡 𝑘−1 )𝑒 −λ𝑡
• 𝑓𝑘 (𝑡) =
𝑘−1 !
• Como T(k) tiene una distribución gama, el tiempo
promedio hasta la késima es k/λ, y la varianza es
𝑘/λ2 .
• Dada la equivalencia entre las dos
representaciones de un proceso HPP, la CDF para
T(k) se puede expresar la CDF como la suma de
probabilidades de la distribución de Poisson.

proaasa@racsa.co.cr
Repuestos para un HPP
• Los componentes tienen una distribución de
falla exponencial con una tasa de falla
λ=0.0003/hr. Para cubrir un período de 500 hr,
y garantizar un nivel de confianza del 95%,
¿cuántos repuestos deberíamos tener?
– Calcule la probabilidad de cero fallas y una falla
– Calcule la probabilidad de más de una falla

proaasa@racsa.co.cr
El HPP
• Un sistema tiene una tasa de fallas λ= 0.5/mes.
• ¿Cuánto tiempo tiene que transcurrir en
promedio hasta la 5ª falla?
• ¿Cuál es la probabilidad de que entre la 5ª y la
6ª falla transcurra más de un mes (note que es
igual que preguntar por la confiabilidad del
sistema en un mes)?

proaasa@racsa.co.cr
El HPP
• Un componente tiene una tasa de falla λ=
0.000003/hr.
• ¿Cuál es la probabilidad de que no tenga fallas
en 4000 horas de operación?

proaasa@racsa.co.cr
El HPP
• Un componente tiene una tasa de falla λ=
0.00006/hr.
• ¿Cuántos repuestos debería tener en
inventario si se requiere un nivel de confianza
del 95% durante 10000 horas?

proaasa@racsa.co.cr
Procesos No Renovables
• En muchas situaciones de la vida el tiempo transcurrido
hasta una falla posterior es una función de muchas
variables.
• Los materiales usados, el diseño básico, las condiciones
de operación, la calidad de las reparaciones, etc.
• Por lo tanto hay una genuina posibilidad de que el
proceso no sea renovable, en el que los tiempos ni son
independientes ni idénticamente distribuidos.
• Para sistemas multi-componente y diferentes
reparaciones, el modelo de renovación es menos
verosímil.
proaasa@racsa.co.cr
• Edad del equipo al fallar 20, 41, 67, 110, 159,
214, 281, 387, 503, 660.
• Haga un gráfico de edad del equipo vs. # de
falla.

proaasa@racsa.co.cr
• Edad del equipo al fallar 20, 41, 67, 110, 159,
214, 281, 387, 503, 660.

proaasa@racsa.co.cr
Tiempos Entre Fallas
• Grafique el tiempo entre fallas para el ejemplo
anterior vs. el # de la falla.

proaasa@racsa.co.cr
• No son aleatorios

proaasa@racsa.co.cr
• Edad del equipo al fallar 157, 273, 379, 446,
501, 550, 593, 619, 640, 660
• Haga un gráfico de edad del equipo vs. # de
falla.

proaasa@racsa.co.cr
• Edad del equipo al fallar 157, 273, 379, 446,
501, 550, 593, 619, 640, 660

proaasa@racsa.co.cr
• Grafique el tiempo entre fallas para el ejemplo
anterior vs. el # de la falla.

proaasa@racsa.co.cr
• No son aleatorios

proaasa@racsa.co.cr
• Dos posibilidades (entre otras)
• Power Model (km-rat)
• 𝑀 𝑡 = 𝑎𝑡 𝑏
• ln 𝑀 𝑡 = ln 𝑎 + 𝑏 ln(𝑡)
• Exponential Relation (lapt)
• 𝑀(𝑡) = 𝑎𝑒 𝑏𝑡
• ln 𝑀 𝑡 = ln 𝑎 + 𝑏𝑡

proaasa@racsa.co.cr
Probando Tendencias y Aleatoriedad
• El proceso de renovación es un proceso estacionario. El
número de eventos en un intervalo depende solo del
tamaño del intervalo y no del punto de inicio.
• Si existe alguna tendencia el proceso no es estacionario.
Si no hay tendencia el proceso es estacionario.
• Por ejemplo si reemplazamos un parte que falla con
una parte de una población diferente, con una curva de
falla distinta, podríamos tener un proceso no
estacionario con fallas independientes pero no
idénticamente distribuidas.

proaasa@racsa.co.cr
Laplace Centroid Test

proaasa@racsa.co.cr
• Un sistema muestra fallas a las siguientes
edades 98, 248, 285, 347, and 362.
• Haga la prueba de Laplace para los datos
• La edad actual del sistema es: 362 hrs.
• Haga un gráfico de los tiempos entre falla vs. el
# de la falla.

proaasa@racsa.co.cr

proaasa@racsa.co.cr
• Un sistema muestra fallas a las siguientes
edades 98, 248, 285, 347, and 362.
• Haga la prueba de Laplace para los datos
• La edad actual del sistema es: 375 hrs.
• Haga un gráfico de los tiempos entre falla vs. el
# de la falla.

proaasa@racsa.co.cr

proaasa@racsa.co.cr
Mann Reverse Arrangement Test

proaasa@racsa.co.cr

proaasa@racsa.co.cr
• Considere los siguientes edades de falla para
un sistema: 35, 60, 98, 138, 177, 219
• Realice una prueba MRAT para determinar si
hay alguna tendencia en los datos que indique
que los tiempos entre fallas están
aumentando.

proaasa@racsa.co.cr

proaasa@racsa.co.cr
• Analice los tres sistemas siguientes y
determine cuáles pueden considerarse un HPP
y cuáles no. Los datos son tiempos entre fallas.
• Sistema1: 98, 150, 37, 62 y 15
• Sistema2: 15, 77, 96, 14 y 12
• Sistema3: 55, 80, 48 y 37
• Las edades de los sistemas son: 375, 220 y 225
respectivamente
proaasa@racsa.co.cr
NHPP
• Un sistema tiene los siguientes edades de falla: en
días: 22, 34, 45, 54, 63, 71, 79, 86, 93 y 100
• ¿Cuál es el número esperado de fallas entre 80 y
100 horas?
200 horas?
• ¿Cuál es la confiabilidad entre 80 y 100 horas y
entre 180 y 200 horas?
• ¿Cuál es la probabilidad de por lo menos 2 fallas
entre 80 y 100 horas y entre 180 y 200 horas?

proaasa@racsa.co.cr
NHPP
• M(80)= 0.01(80)1.5= 7.16
• M(100)= 0.01(100)1.5= 10.0
• M(180)= 0.01(180)1.5= 24.15
• M(200)= 0.01(200)1.5= 28.28
• # fallas entre 80 y 100 hr = 10 - 7.16=2.84
• # fallas entre 180 y 200 hr = 28.28 – 24.15=4.13
• Rel entre 80 y 100 hr = e-2.84 = 0.0584
• Rel entre 180 y 200 hr = e-4.13 = 0.0161
• Probab de fallas >=2 entre 80 y 100 hr =1-(e-2.84+2.84e-2.84) =
0.776
• Probab de fallas >=2 entre 180 y 200 hr =1-(e-4.13+4.13e-4.13)
= 0.917
proaasa@racsa.co.cr
NHPP
• Un sistema tiene los siguientes edades de falla: en
días: 46, 83, 116, 147, 178, 207, 235, 263, 289, y
316
200 horas?
300 horas?
• ¿Cuál es la confiabilidad entre 100 y 200 horas y
entre 200 y 300 horas?
• ¿Cuál es la probabilidad de por lo menos 2 fallas
entre 100 y 200 horas y entre 200 y 300 horas?
proaasa@racsa.co.cr
NHPP
• M(100)= 0.01(100)1.2= 2.51
• M(200)= 0.01(200)1.2= 5.77
• M(300)= 0.01(300)1.2= 9.39
• # fallas entre 100 y 200 hr = 5.77 – 2.51=3.26
• # fallas entre 200 y 300 hr = 9.39 – 5.77=3.62
• Rel entre 100 y 200 hr = e-3.26 = 0.0384
• Rel entre 200 y 300 hr = e-3.62 = 0.0268
• Probab de fallas >=2 entre 100 y 200 hr =1-(e-3.26+3.26e-
3.26) = 0.836
• Probab de fallas >=2 entre 200 y 300 hr =1-(e-

3.62+3.62e-3.62) = 0.876

proaasa@racsa.co.cr

Repairable Systems

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Repairable Systems

Încărcat de

Drepturi de autor:

Formate disponibile

Sistemas Reparables

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

Rolando Guido rolando@pxsglobal.com

• Probab de fallas >=2 entre 200 y 300 hr =1-(e-

Rolando Guido rolando@pxsglobal.com

S-ar putea să vă placă și