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 MMaannaaggeemmeenntt

SSuuppppoorrtt SSyysstteemm &&

MMaannaaggeemmeenntt

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 OPPORTUNIT IES - 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-Oct-10

10-Sep-10

28-Jul-10

14-Jun-10

28-Abr-10

27-Mar-10

18-Mar-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 PbQuadratic 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 StDev95% 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 - 2010Normal



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

Probability Plot of Eng Bearings Changed 2009 - 2010Normal

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 2010Normal

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% CIProbability Plot of Eng Bearings Changed 2009 - 2010

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

Eng Bear ings Changed

Percent

100001000100

99

90

50

10

1


Percent

100001000100

99

90

50

10

1

Eng Bear ings Changed - Threshold

Percent

Gamma

AD = 0.289

P-V alue > 0.250

3-Parameter Gamma

AD = 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

Eng Bear ings Changed - T hreshold

Percent

100001000100

90

50

10

1


Percent

10000010000100010010

90

50

10

1

Eng Bear ings Changed - T hreshold

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

11633.0

71

10000010000100010010

95

80

50

20

5

2

1


Percent

63.2

5152.7

79

3.04054 11634.3

Shape Scale

Failure Mode = EC & C SF

1.15005 5154.25

Shape Scale

Failure Mode = F laking

Failure Mode = EC & CSF Failure Mode = Flaking

Probability Plot for Eng Bearings Changed by Failure ModeComplete Data - LSXY Estimates

Weibull - 95% CI Weibull - 95% CI

10000100010010

0.99

0.9

0.80.70.60.50.4

0.3

0.2

0.1

0.05

0.03

0.02

0.01


Probability


Complete Data - LSXY Estimates

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 ף) podemos conjeturar; lo siguiente:

1. Delaying (Flaking). a. β = 1.1 b. 5,154 = ף (por validar)

2. Erosion Cavitation & Contac Stress Fatigue. a. β = 3.0 b. 11,634 = ף

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

8070605040

30

20

10

5

3

2

1

Hours

Percent

AD* 0.499

C orrelation 0.995

Shape 1.13114

Scale 3348.10

Thres 102.946

Mean 3305.09

StDev 2836.66

Median 2524.41

IQR 3356.11

Failure 36

C ensor 0

Table of Statistics

Probability Plot for Flaking


3-Parameter Weibull - 95% CI

100001000

99

90

8070605040

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

IQR 5066.54

Failure 11

C ensor 0

AD* 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:

3. Delaying (Flaking). a. β = 1.1 b. 3,348 = ף

4. Erosion Cavitation & Contac Stress Fatigue. a. β = 2.7 b. 10,420 = ף

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 = ף 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

AD* 0.499

C orrelation 0.995

Shape 1.13114

Scale 3348.10

Thres 102.946

Mean 3305.09

S tDev 2836.66

Median 2524.41

IQ R 3356.11

F ailure 36

C ensor 0

Table of Statistics

Hazard Plot for Flaking

Complete Data - LSXY Estimates3-Parameter Weibull

14000120001000080006000400020000

100

80

60

40

20

0

Flaking

Percent

AD* 0.499

C orrelation 0.995

Shape 1.13114

Scale 3348.10

Thres 102.946

Mean 3305.09

S tDev 2836.66

Median 2524.41

IQ R 3356.11

F ailure 36

C ensor 0

Table of Statistics

Survival Plot for Flaking

Complete Data - LSXY Estimates3-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

FFCosto de Costo de ReparaciReparacióónn

tt tt tt SStt PCRPCRPlanning Window)Planning Window)

n(Dn(D))

RiskRisk

“Eng Oil Low Press”““Eng Oil Low PressEng Oil Low Press””

““Equipment Equipment stoppagestoppageby Catastrophicby CatastrophicFailureFailure””

““Wear Debris Al Wear Debris Al –– BabbitBabbitin caution level and Engin caution level and EngOil Low PressOil Low Press””

““Wear Debris Al Wear Debris Al –– BabbitBabbitin caution level and Engin caution level and EngOil 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: Al Wear Debris: Al -- BabbitBabbit””

Imp

act

Imp

act

DxDxPxPx

VV

WW

90% 90% BFBF

VIMSVIMS

SOSSOS

PTPT

RR--CCPAFPAF

RR

RRRR

RR RR

MIMI

f (H)f (H)

11

2233

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-May-10

4.0

3.5

3.0

2.5

2.0

1.5

1.0

Taken Date

ppm

3MAPE 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

Acum Pb

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


Skewness 0.376874

Kurtosis -0.796970

N 89

Minimum 19.0



95% C onfidence Interv al for Median


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



95% Confidence Interv al for Median


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



95% Confidence Interv al for Median


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

1.6Values x 10^-4

Fit Comparison for Con Rod Bearings ChangedRiskNormal(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

Engineering

Transcript of Gestión tactica de fallas criticas con análisis probabilístico