Una buena muestra para análisis debe incluir buenos y malos actores. Por ejemplo, debe incluir tanto las bombas que fallan frecuentemente como aquellas que no fallan o que fallan esporádicamente. Esto permite que la muestra sea imparcial. Generalmente el analista o ingeniero de confiabilidad determina dos fechas calendario con algunos años de diferencia. En esta ventana de tiempo se selecciona todas las unidades de equipos similares para propósitos de análisis de confiabilidad.
El análisis intentará descubrir la correlación entre las fallas y los indicadores de condición potenciales. Estas pueden incluir amplitudes de vibraciones en varias bandas de frecuencia, frecuencias de arranque, resultado de análisis de aceite, factores operacionales, factores de ambiente o cualquier otro factor relevante.
La selección de la muestra es facilitada por un software que contiene la información de todas las órdenes de trabajo significativas. El ingeniero de confiabilidad crea relaciones permanentes entre las ordenes de trabajo y los modos de falla definidos en los registros de la base de conocimiento RCM/FMEA. Si un modo de falla no ha sido incluido en la base de conocimiento, se podrá incluir como un nuevo registro si es requerido. También es posible corregir o depurar los detalles de los registros existentes como resultado de nuevas experiencias reportadas en las órdenes de trabajo.
Utilizando la ventana de tiempo y otros criterios, el software genera una muestra en forma de tabla llamada “Tabla de eventos”. El proceso de generación de la muestra es ilustrado en la siguiente presentación.
En los análisis de confiabilidad, el ingeniero ingresará adecuadamente los datos de la “tabla de eventos” y el historial de los datos CBM en un modelo proporcional de riesgo (PHM). PHM es una ecuación que relaciona la probabilidad de falla a cierta edad y las variables de CBM. El resultado de este modelo es una lista de variables CBM significativas y relevantes a un modo de falla y su relación directa con la probabilidad de falla.
El modelo PHM es utilizado para construir un modelo de decisión predictiva. El propósito de este modelo es apoyar las decisiones de mantenimiento evaluando los últimos datos de CBM que llega de la operación diaria.
El software monitorea las observaciones de las ordenes de trabajo con el fin de evaluar el desempeño predictivo. Esto es necesario para el mejoramiento continuo. Algunos de los indicadores de los modelos de desempeño incluyen la desviación estándar (confianza predictiva), los costos, la disponibilidad y la rentabilidad asociados a la ocurrencia de cada modo de falla modelado.
© 2011, Oscar Hoyos Vásquez. All rights reserved.