Análisis MTBF de 90 Turbocompresores Centrífugos

Diciembre 2019

Introducción

Cada empresa u organización define la confiablidad de sus equipos de alguna manera y en muchos casos tienen métricas (KPIs) esperadas o deseadas para reportar sus expectativas de confiabilidad. En la industria de Oíl & Gas se puede tener un “estándar” para definir la confiabilidad. Uno de los más comunes es MTBF.

El MTBF o Tiempo Promedio entre Fallas, permite conocer el tiempo promedio que estuvo operando un equipo antes de una falla. Este indicador sirve como apoyo en la definición de las estrategias de mantenimiento.

El objetivo de este indicador es definir en tiempo promedio el momento adecuado para establecer acciones y estrategias para disminuir la recurrencia de las fallas e incrementar las horas de operación.

De manera análoga, un avión que viaja a 900 km/h, recorrerá un trayecto aproximado de 900 km cada hora. Así, un equipo, o grupo de equipos, que presenta un MTBF de 744 horas, fallará (en promedio) cada 744 horas de operación, lo que nos permite estimar la frecuencia de falla e implementar estrategias para prevenir la ocurrencia de la misma o disminuir sus impactos o consecuencias.

El objetivo de este artículo no es polemizar sobre cómo debe calcularse el MTBF, sino presentar un estudio probabilístico realizado a los MTBF de un total de 90 turbocompresores durante un año, con el fin de mostrar su comportamiento. Para el cálculo de valores realistas de MTBF podemos usar los estándares internacionales como:

  • IEC 62380
  • MIL-HDBK-217F
  • Siemens SN 29500

Los datos del análisis deben considerarse como valores estadísticos reales de un año de operación, estos valores permiten validar las tasas de falla del sistema completo (turbina y compresores centrífugos). El valor MTBF no debe confundirse con la vida útil mínima de un sistema.

El análisis probabilístico de los MTBF de diferentes turbocompresores presentado en este artículo permitió observar el comportamiento del mismo y analizar los valores como:

  • Media
  • Mediana
  • Modo
  • Desviación estándar
  • Varianza
  • Sesgo
  • Curtosis
  • Coeficiente de variación
  • Error estándar medio.

1. Datos Estadísticos

Los datos en los análisis de datos estadísticos utilizados en este análisis son básicamente datos relacionados con horas de operación de 90 unidades turbocompresoras durante un año. Los datos corresponden a los MTBF mensuales de cada unidad durante un año de operación.

En nuestro caso particular, los datos estadísticos de los MTBF, analizamos un total de 1139 valores históricos como se muestra en la gráfica (Figura 1) de frecuencia anexa.

Figura 1. Valores de frecuencia históricos de MTBF
Figura 1. Valores de frecuencia históricos de MTBF.
Fuente: El autor.

Como se puede observar en la gráfica, los 1139 valores de MTBF de los turbocompresores analizados varían de 0 a 744 horas. En la tabla anexa se reúnen los datos estadísticos seleccionados.

Tabla 1. Resumen de los datos estadísticos
Tabla 1. Resumen de los datos estadísticos.
Fuente: El autor.

2. Análisis Probabilístico

El análisis probabilístico, a diferencia del determinístico, incorpora elementos de incertidumbre debido a la variabilidad de las entradas del modelo, así como la variabilidad estocástica, por lo que usamos ajustes de distribuciones y el análisis Monte Carlo para evaluar estas incertidumbres.

La técnica de muestreo de Monte Carlo utiliza números aleatorios para muestrear las distribuciones de probabilidad de datos de entrada. Las técnicas de Monte Carlo se aplican comúnmente a una amplia variedad de problemas relacionados con el comportamiento aleatorio.

El análisis de los datos estadísticos de MTBF lo realizamos con la herramienta de Crystal Ball®. Ello nos permitió a través de una técnica denominada simulación Monte Carlo, pronosticar todos los resultados posibles para una situación determinada. Asímismo, se muestran los niveles de confianza, de manera tal que podrá conocer la probabilidad de que cualquier evento específico tenga lugar.

Una vez realizadas las simulaciones con la herramienta indicada obtuvimos los siguientes resultados:

2.1. Modelo seleccionado

Durante la simulación se pudo observar un histograma de los resultados, referido al cuadro de probabilidades desarrolladas durante el proceso de simulación, dichos pronósticos se estabilizaron en una distribución “BETA”.

Tabla 2. Cuadro de probabilidades durante el proceso de simulación
Tabla 2. Cuadro de probabilidades durante el proceso de simulación.
Fuente: El autor. 

Como se observa en la gráfica el análisis de los datos, la línea verde corresponde al ajuste a una distribución Beta.

Figura 2. Ajuste de los datos
Figura 2. Ajuste de los datos.
Fuente: El autor.

2.2. Análisis del modelo probabilístico

El modelo probabilístico de los MTBF de los turbocompresores, se observa en el siguiente histograma de frecuencias.

Figura 3. Histograma de frecuencia
Figura 3. Histograma de frecuencia.
Fuente: El autor.

Los resultados de la simulación indican que con un 95% de certezas, la media de los datos se encuentra entre 314.4 horas y 344.48 horas. En la gráfica siguiente se muestra la frecuencia acumulada de los datos analizados.

Figura 4. Frecuencia acumulada
Figura 4. Frecuencia acumulada.
Fuente: El autor.

Otro dato obtenido durante el análisis es la desviación estándar que indica qué tan dispersos están los datos con respecto a la media. Como podemos observar en la siguiente gráfica, la desviación estándar de los datos de MTBF en nuestro caso particular es bastante alta.

Figura 5. Desviación estándar
Figura 5. Desviación estándar.
Fuente: El autor.

La desviación estándar de los MTBF está entre 266.65 horas a aproximadamente 279.38 horas. Lo que indica que, en promedio, el tiempo el MTBF se desvía de la media (línea discontinua) aproximadamente 272 horas.

Conclusiones

Del resultado de las simulaciones realizadas con el Crystal Ball® podemos sacar las siguientes conclusiones:

Tabla 3. Conclusiones
Tabla 3. Conclusiones.
Fuente: El autor.

Autor: Arquímedes Ferrera Martínez
Venezuela
Socio fundador de E&M Solutions Group., y Gerente General de E&M Solutions, en México.
Empresa: E&M Solutions Group
Correo: arquimedes.ferrera@eymsolutions.com
Con amplios conocimientos en Gerencia de Mantenimiento e Ingeniería de Confiabilidad y Mantenibilidad, así como en la Gestión de Activos Físicos en todos sus Ciclos de Vida y diseño de políticas y estrategias, basado en las mejores prácticas de mantenimiento clase mundial. 

¡Califica este artículo!
[Total: 0   Promedio: 0/5]

La importancia de los datos y como convertirlos en dinero
Javier Leonardo Salas & Alberto Salas Mejia

* indicates required
Reliabytics
Reliabytics