Professional Documents
Culture Documents
CONCEPTOS DE
CONFIABILIDAD
1-1
Objetivo: Presentar los conceptos
indispensables para entender la
confiabilidad
Propósitos
– presentar el concepto de tiempo de vida y falla
– exponer el concepto de distribución de probabilidad
– definir confiabilidad
– definir MTBF - MTTF
– explicar el “tiempo de misión”
– visualizar la velocidad de falla gráficamente
– presentar los elementos de estadística descriptiva
– obtener una distribución empíricamente
1-2
CONFIABILIDAD ¿PARA QUÉ?
1-3
TIEMPO DE VIDA Y FALLA
La confiabilidad es una medida del Tiempo de Vida útil
de un producto. Durante este período el cliente obtiene
las características ofrecidas intencionalmente.
1-4
MODELOS DE TIEMPO DE VIDA
Para modelar el tiempo de vida se asigna una
medida: La frecuencia relativa o la
probabilidad con que ocurrirá el evento.
1-5
DISTRIBUCIONES DE
PROBABILIDAD
• Función de Densidad de Probabilidad (pdf), f(t)
– Predice el comportamiento de cualquier situación
probabilística
– Probabilidad de t de caer en algún punto del rango t1 a t2
t2
p( t1 t t 2 ) f( t )dt
t1
El área total bajo la
curva siempre es 1 o
100%
f(t)
t1 t2
t 1-6
EJEMPLOS DE DISTRIBUCIONES
DE PROBABILIDAD
56.399 138.573 172.78 39.655 30.0000
30
56.554
35.389
132.988
234.234
45.735
62.171
9.52
29.374 Histograma
56.215 63.378 78.558 46.076
188.26 28.855 75.812 193.45
20
90.882 49.089 75.492 103.507
Percent
132.312 123.442 27.978 107.717 15.0000
13.3333
60.465 49.526 145.911 179.036
301.525 71.698 95.475 61.099 10 8.3333 8.3333
302.01 45.352 175.935 46.613 6.6667
6.6667
101.978 182.344 34.899 82.272
3.3333
3.3333 3.3333
98.37 225.349 43.461 176.949 1.6667
0.0000
0.0000
64.026 137.758 52.311 145.45 0
43.881 93.901 49.619 73.873
53.358 77.471 92.019 117.592 0 100 200 300
OBS
0.4
0.3
PDF Weibull
f(t)
0.2
0.1
0.0
0 5 10 1-7
t
DISTRIBUCION ACUMULADA DE
PROBABILIDAD
Si acumulamos las probabilidades desde el inicio hasta
un tiempo t1, obtenemos la Distribución de
Probabilidad Acumulada {CDF ó F(t)}.
1-8
DISTRIBUCION ACUMULADA DE
PROBABILIDAD
• Función de Distribución Acumulada
– La Probabilidad de una variable es menor o igual a un valor
específico, e.g., t1 t1
F (t ) P (0 t t1 ) f (t )dt
0
– Cuando la variable es tiempo de falla, esto
representa la no confiabilidad o la
probabilidad de que una unidad falle
antes del tiempo t1
1-9
DISTRIBUCION ACUMULADA DE
PROBABILIDAD
t1
() P
Ft (0t t1) f()
t dt
0
Función de Densidad de Probabilidad Función de Distribución Acumulada
1
No confiabilidad, F(t)
F(t)
f(t)
0
t1
t 0 t1
t 1-10
DEFINICIÓN DE CONFIABILIDAD
R(t) = 1 - F(t)
1-11
DEFINICIÓN DE CONFIABILIDAD
t
R( t ) 1F( t ) 1 f( t )dt f( t )dt
0 t
R(t)
f(t)
0
0
t
0
t1 t1
t 1-12
MTBF - MTTF
Si el tiempo de vida para una característica de calidad
es una variable aleatoria y conocemos su distribución
de probabilidad , podemos calcular una medida de
localización, por ejemplo el valor de su media.
Percent
15.0000
13.3333
N 3.3333
3.3333 3.3333
t
1.6667
0.0000
0.0000
i 0
0.4
La media calculada para esta
1.77245
0.3
distribución Weibull es función
de sus parámetros =2 y =2
f(t)
0.2
1
MEDIA 1
0.1
0.0
0 5 10 1-14
t
TIEMPO DE MISIÓN
Tiempo de Misión se refiere al tiempo intentado durante
el cual el producto entrega la característica de
calidad satisfactoriamente.
El Tiempo de Misión es una decisión de negocios y
sirve para establecer una meta de logro por parte del
producto en cuanto a sus características.
Tiempo de Misión
Fallas constantes
t
1-18
ESTADISTICA DESCRIPTIVA
La Estadística Descriptiva se
orienta a proporcionar una
descripción útil, clara e 30
30.0000
Percent
15.0000
13.3333
datos originales, 0
0.0000
0.0000
Medida de 1 n
Otras medidas son la mediana y la
MEDIA tendencia
E (t ) tf (t )dt mx xi
n i 1
moda, la media tiene propiedades
central estadísticas mejores
Medida de 2 t f (t )dt
1 n
xi x 2
la desviación estándar es la
2
VARIANZA s2
dispersión
n 1 i 1 raíz cuadrada de la varianza
x x
3
• 3<0 cola izquierda
COEFICIENTE DE Medida de t
3
f (t )dt i 1
i
SESGO Simetría 3
n
• 3=0 simétrica (v.gr.Normal)
2 3/2 ˆ 3
s 2 3/2 • 3>0 cola derecha
n
Medida de
x x
4
COEFICIENTE DE • 4<0 - aguda que la Normal
t
4 i
CURTOSIS Agudeza f (t )dt i 1
• 4=0 aguda como Normal
ˆ 4 n
4
• 4>0 +aguda que la Normal
2 2 s
2 2
1-21
Estadística Descriptiva
1-22
Estadística Descriptiva
1-23
Estadística Descriptiva
1-24
EJEMPLO DE DISTRIBUCIÓN
PDF f (t ) e t
t Distribución
CDF F (t ) 1 e
t Exponencial
CONFIABILIDAD R(t ) e
TASA DE FALLA h (t )
1 Función de Densidad de Probabilidad Exponencial
MEDIA 0.0035
0.0030 = 0.003, MEDIA = 333
0.0025
= 0.002, MEDIA = 500
0.0020
f(t)
0.0010
0.0005
0.0000
0 500 1,000 1,500 2,000 1-25
Tiempo
EJEMPLO DE DISTRIBUCIÓN
1 t
t
PDF f (t ) e Distribución
Weibull 2
t
parámetros
CDF F (t ) 1 e
t
CONFIABILIDAD R(t ) e
1
t
TASA DE FALLA h (t )
1
MEDIA 1
1-26
EJEMPLO DE DISTRIBUCIÓN
Abra el archivo Distribución.xls Señale la columna de
tiempo y pongala en
orden ascendente
1-28
* La fórmula de Kaplan Meier se recomienda para muestras grandes
EJEMPLO DE DISTRIBUCIÓN
Se estima la tasa de falla para los
tiempos observados, con el inverso del R(t ) LS R(t ) Z 2 R(t ) F (t ) N
número de supervivientes 1/(N+1-i) R(t ) LI R(t ) Z 2 R(t ) F (t ) N
1-29
EJEMPLO DE DISTRIBUCIÓN
R(ti)= 1-F(ti)
1.0000
0.9000
0.8000
Gráficas de
0.7000 Confiabilidad R(t) y de
0.6000
la Función Acumulada
F(t) generadas en
0.5000 R(ti)= 1-F(ti)
0.4000
0.3000
EXCEL
0.2000
F(ti)= i/N
0.1000
1.0000
0.0000
0 50 100 150 200 250 300 350 0.9000
0.8000
0.7000
Recuerde que:
0.6000
R(t) = 1- F(t)
0.4000
0.3000
0.2000
0.1000
0.0000
0 50 100 150 200 250 300 350 1-30
EJEMPLO DE DISTRIBUCION
Kaplan-Meier Estimates
Number Number Survival Standard 95.0% Normal CI
Time at Risk Failed Probability Error Lower Upper
9.5200 60 1 0.9833 0.0165 0.9509 1.0000
27.9780 59 1 0.9667 0.0232 0.9212 1.0000
28.8550 58 1 0.9500 0.0281 0.8949 1.0000
29.3740 57 1 0.9333 0.0322 0.8702 0.9965
34.8990 56 1 0.9167 0.0357 0.8467 0.9866
35.3890 55 1 0.9000 0.0387 0.8241 0.9759
39.6550 54 1 0.8833 0.0414 0.8021 0.9646
43.4610 53 1 0.8667 0.0439 0.7807 0.9527
43.8810 52 1 0.8500 0.0461 0.7597 0.9403
45.3520 51 1 0.8333 0.0481 0.7390 0.9276
45.7350 50 1 0.8167 0.0500 0.7188 0.9146
46.0760 49 1 0.8000 0.0516 0.6988 0.9012
46.6130 48 1 0.7833 0.0532 0.6791 0.8876
49.0890 47 1 0.7667 0.0546 0.6596 0.8737
49.5260 46 1 0.7500 0.0559 0.6404 0.8596
49.6190 45 1 0.7333 0.0571 0.6214 0.8452
52.3110 44 1 0.7167 0.0582 0.6026 0.8307 1-32
INTERPRETACION DE
RESULTADOS
Nonparametric Hazard Plot for tiempo
Empirical Hazard Function
Complete Data
Observamos las
1.0
gráficas de las
Mean 98.932
Median 75.812
0.9
IQR 83.462
0.8
0.7
distribuciones
0.6
empíricas de: riesgo
Rate
y confiabilidad
0.5
0.4
0.3
Nonparametric Survival Plot for tiempo
0.2
Kaplan-Meier Method-95.0% Conf idence Interv als
Complete Data
0.1
0.7
Las asignaciones de
Probability
0.6
0.5
en las frecuencias
0.3
0.2
observadas, y no suponen
0.1
0.0
Time to Failure
200 300
1-33
PUNTOS CLAVE
1-35
OBJETIVO
1-36
Modelos Paramétricos de
Confiabilidad
Distribuciones Paramétricas
• Algunas Distribuciones de Probabilidad se pueden
expresar como una función matemática de la variable
aleatoria.
• La función tiene además de la variable aleatoria,
constantes que le dan comportamientos específicos
a las distribuciones
Los parámetros definen:
•FORMA
•ESCALA
•LOCALIZACION 1-37
¿Qué hay atrás de una distribución?
1-38
Distribución Normal
• La Normal o Distribución Gaussiana es la distribución
más conocida
• Tiene Media = Mediana = Moda
• La Media , es también su parámetro de localización
• La PDF normal tiene forma de una campana con
simetría sobre su media
• La normal no tiene parámetro de forma. Esto significa
que la PDF normal sólo tiene una forma, “la campana” y
esta forma no cambia
• La desviación estándar , es el parámetro de escala
de la PDF normal
1-39
Distribución Normal
1 1 t 2
f( t ) exp
2 2
Distribución de la Función Normal
Función de Densidad de Probabilidad Normal
0.0140
0.0120
0.0100 = 500
= 30
0.0080 = 50
f(t)
= 70
0.0060
0.0040
0.0020
0.0000
200 400 600 800 1000
1-40
Tiempo
Distribución Normal
R( t ) f( t )dt (z)dz
t z( t )
Función de Distribución Normaldonde z(t) = (t-/ y (z) = normal estandarizada pdf
1.000
= 500
0.800
= 30
= 50
= 70
0.600
R(t)
0.400
0.200
0.000
200 400 600 800 1000 1-41
Tiempo
Distribución Normal
(z)
Funciones de Distribución Normal h(t ) R ( z )
donde (z) =normal estandarizada pdf
Función Normal de Tasa de Falla
0.2500
0.2000
= 500
= 30
= 50
0.1500
= 70
h(t)
0.1000
0.0500
0.0000
1-42
200 400 600 800 1000
Tiempo
Distribución Normal
• Distribución Normal
– Tienden a seguir una distribución normal los ciclos de falla en
componentes mecánicos sometidos a niveles altos de estrés
1-43
Distribución Exponencial
• El modelo exponencial, con un solo parámetro, es el más simple
de todo los modelos de distribución del tiempo de vida. Las
ecuaciones clave para la exponencial se muestran:
t
CDF : F (t ) 1 e
t
CONFIABILIDAD : R(t ) e
Función de Densidad de Probabilidad Exponencial
0.0035
PDF : f (t ) e t 0.0030 = 0.003, MEDIA = 333
0.0025
1 = 0.002, MEDIA = 500
MEDIA : m 0.0020
f(t)
= 0.001, MEDIA = 1,000
0.0015
ln 2 0.693
MEDIANA : 0.0010
0.0005
1 0.0000
VARIANZA : 2 0 500 1,000 1,500 2,000
Tiempo
TASA DE FALLA :h (t )
1-44
Distribución Exponencial
R(t) = e(-t) (Confiabilidad)
1.000
0.600
= 0.003, MTBF = 333
0.400
0.200
0.000
0 500 1,000 1,500 2,000
Tiempo 1-45
Distribución Exponencial
h(t) = MEDIA(Velocidad de Falla)
Note que la tasa de
Función de la Tasa de Falla Exponencial falla tiende a ser una
0.004 constante para
= 0.003, MTBF = 333
cualquier tiempo. La
0.003 distribución exponencial
es la única que tiene
= 0.002, MTBF = 500
una velocidad de falla
h(t)
0.002
constante
= 0.001, MTBF = 1,000
0.001
0.000
0 500 1,000 1,500 2,000
Tiempo
1-46
Distribución Exponencial
• Distribución Exponencial
– Es usada como el modelo, para la parte de vida útil de la
curva de la bañera, i.e., la tasa de falla es constante
– Los sistemas complejos con muchos componentes y
múltiples modos de falla tendrán tiempos de falla que
tiendan a la distribución exponencial
– desde una perspectiva de confiabilidad, es la distribución
más conservadora para predicción.
La forma de la exponencial
siempre es la misma
1-47
Distribución Exponencial
CDF : F (t ) 1 e
( t ) es el parámetro de
( t )
localización, si es positivo,
CONFIABILIDAD : R(t ) e cambia el comienzo de la
PDF : f (t ) e ( t ) distribución por una distancia
a la derecha del origen,
1
MEDIA : m significando que las
posibilidades de falla empiezan
ln 2 0.693 a ocurrir sólo después de
MEDIANA : horas de operación, y no
pueden ocurrir antes.
1
VARIANZA : 2
Note que la varianza y la tasa de falla son
TASA DE FALLA :h (t ) iguales a las de la exponencial de un
parámetro
1-48
Distribución Weibull
t
• La distribución de Weibull es
un modelo de distribución de CDF : F (t ) 1 e
vida útil muy flexible, para el
caso de 2 parámetros: t
CONFIABILI DAD : R(t ) e
1 t
t
PDF : f (t ) e
Donde es un 1
MEDIA : 1
parámetro de escala (la
vida característica) y 1
se conoce como el MEDIANA : ln 2
parámetro de forma 2
(pendiente) y es la 2 1
VARIANZA : 1 1
2
función Gamma con
(N)=(N-1)! para N 1
entero t
TASA DE FALLA :
1-49
Distribución Weibull
t
Una forma más general de CDF : F (t ) 1 e
3 parámetros de la Weibull
t
incluye un parámetro de
tiempo de espera CONFIABILI DAD : R(t ) e
(localización ó 1 t
desplazamiento). Las
t
PDF : f (t ) e
fórmulas se obtienen
reemplazando t por (t-).
1
No puede ocurrir una falla MEDIA : 1
antes de horas, el tiempo
1
comienza en no en 0. MEDIANA : ln 2
2
2 1
VARIANZA : 1 1
2
1
t
TASA DE FALLA :
1-50
Distribución Weibull
1
t t
Función de Distribución Weibull f( t ) exp
Función de Densidad de Probabilidad Weibull
0.0030
= 0.5
= 1000
0.0020
= 1.0 = 3.4
= 1000
f(t)
= 1000
0.0010
0.0000
0 500 1000 1500 2000 2500 3000 1-51
Tiempo
Distribución Weibull
t
R( t) exp
Funciones de Distribución Weibull
Función de Confiabilidad Weibull
1.000
= 3.4
0.800 = 1000
= 1.0
0.600 = 1000
R(t)
0.400
= 0.5
0.200 = 1000
0.000
0 500 1000 1500 2000 2500 3000 1-52
Tiempo
Distribución Weibull
1
t
h (t)
Funciones de Distribución Weibull
0.0060
= 3.4
= 1000
0.0040
= 0.5
= 1000
h(t)
= 1.0
0.0020 = 1000
0.0000
0 500 1000 1500 2000 2500 3000 1-53
Tiempo
Distribución Weibull
• Distribución Weibull
– mientras la función pdf de la distribución exponencial
modela la característica de vida de los sistemas, la Weibull
modela la característica de vida de los componentes y
partes
– modela fatiga y ciclos de falla de los sólidos
– es el traje correcto para datos de vida
• La función de distribución Weibull pdf es una distribución de la
confiabilidad de los elementos de una muestra
• muy flexible y puede tomar diferentes formas
1-54
Distribución Weibull
• Tiene usted una Distribución Weibull con =2
y =2, ¿Cuál es la media y la varianza?
1
m 1
2
2 1
varianza 2 1 1
11 Archivo
Weibull.xls
22
33 1-55
Distribución Weibull Las tres porciones de la curva
de tina de la bañera tienen
diferentes índices de falla.
Las fallas tempranas se
caracterizan por un índice de
falla decreciente, la vida útil
por un índice de falla
Índice de falla
decreciente constante creciente constante y el desgaste se
caracteriza por un índice de
< 1 = 1 > 1
falla creciente. La distribución
Fallas Desgaste
de Weibull puede modelar
tempranas Tiempo de vida útil matemáticamente estas tres
situaciones.
tiempo
•Si esto ocurre, puede existir: •Una parte vieja es tan buena como una
Carga, inspección o prueba inadecuada nueva
Problemas de Manufactura
Problemas de reparación •Si esto ocurre:
Mezcla de modos de falla
•Si un componente sobrevive la mortalidad Las fallas pueden deberse a eventos
infantil , la resistencia a fallar mejora con la externos, como:luminosidad o errores
edad. humanos
Fundido y removido antes de su
1 <4 (Tasa de Riesgo creciente) desgaste
•Si esto ocurre 4 (La tasa de riesgo crece rápidamente)
La mayoría de los baleros y engranes
fallan •Implica edad avanzada y rápido desgaste
Corrosión o Erosión
El reemplazo programado puede ser •Si esto ocurre, sospeche de:
efectivo en costo Propiedades del material
=3.44aprox. Normal, Materiales frágiles como la cerámica
=2Rayleigh Variabilidad pequeña en manufactura o
material 1-57
Distribución Weibull
•Cuando = 2.5 la Weibull se aproxima a la
distribución Lognormal(estas distribuciones son tan
cercanas que se requieren tamaños de muestra
mayores a 50 para distinguirlas).
•Cuando se modela el tiempo que se necesita para
que ocurran reacciones químicas, se ha mostrado
que la distribución Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
•Cuando = 5 la Weibull se aproxima a una Normal
puntiaguda.
1-58
Distribución Weibull
Debido a su flexibilidad,hay pocas tasas de falla
observadas que no pueden modelarse
adecuadamente mediante la Weibull. Algunos
ejemplos son.
1.La resistencia a la ruptura de componentes o el
esfuerzo requerido para la fatiga de metales.
2.El tiempo de falla de componentes electrónicos.
3.El tiempo de falla para artículos que se desgastan,
tales como las llantas de un automóvil.
4.Sistemas que fallan cuando falla el componente más
débil del sistema(la distribución Weibull representa
una distribución de valor extremo).
1-59
Distribución Weibull
•¿Qué pasa en una distribución Weibull si el tiempo
tiene el valor de la vida característica, t = ?
Al llegar al
t tiempo de vida
R(t ) exp
igual a la vida
característica el
si t 63.2% de los
elementos habrá
R(t ) exp e 1 0.3678 fallado. Este
hecho se usa en
F (t ) 1 R(t ) 0.6321 las gráficas para
identificar el valor
de (eta)
1-61
Distribución Lognormal
• Si un tiempo t está distribuido Lognormal,
t~LN( t, t) y si Y = ln(t) entonces Y~N( y, y)
t y = ln(t)
2 2
1 y y 1 y y
PDF 1 2 y 1 2 y
f (t ) e
f (y ) e
t y 2 y 2
ln(t T50 ) y y
CDF F (t ) F ( y )
y
y
y2
MEDIA t T50 exp y y ln(T50 )
2
t
T50 exp( y )
MEDIANA t2 y
1 2
t
VARIANZA
T502 exp( y2 ) exp( y2 ) 1 t2
ln1 2
t
1-62
(z) es la CDF de la Normal estándar
Distribución Lognormal
• La Distribución de vida Lognormal, como la Weibull, es un modelo
muy flexible que puede empíricamente ajustar a muchos tipos de
datos de falla. En su forma de dos parámetros tiene los parámetros
ln(t) = y parámetro de forma, y T50 = la mediana (un parámetro
de escala)
• Si el tiempo para la falla t, tiene una distribución Lognormal,
entonces el logaritmo natural del tiempo de falla (y =ln(t)) tiene una
distribución normal con media y = ln T50 y desviación estándar y.
• Esto hace a los datos lognormales convenientes para trabajarlos
así: determine los logaritmos naturales de todos los tiempos de
falla y de los tiempos censurados (y = ln(t)) y analice los datos
normales resultantes. Posteriormente, haga la conversión a tiempo
real y a los parámetros lognormales usando y como la forma
lognormal y T50 = exp(y como (mediana) el parámetro de escala.
1-63
Distribución Lognormal
1 1 ln( t ) 2
Función de Distribución f( t ) exp
t 2
2
Lognormal
donde y son funciones de ln’s
Función de Densidad de Probabilidad Lognormal
0.5000
=0
0.4000 = 0.5
=0
0.3000 =1
f(t)
=1
= 0.5
0.2000
=1
=1
0.1000
0.0000
0 1 2 3 4 5 6 7 1-64
Tiempo
Distribución Lognormal
R( t ) f( t )dt f[ln( t)]d[ln( t)] (z)dz
Función de Distribución t ln( t ) z[ln( t )]
Lognormal donde z[ln(t)] = [ln(t)-/]
(z) = normal estandarizada normal pdf
Función de Confiabilidad Lognormal
1.000
=1
= 0.5
0.800
=1
=1
0.600
R(t)
0.400 =0
=1
0.200 =0
= 0.5
0.000
1-65
0 1 2 3 4 5 6 7
Tiempo
Distribución Lognormal
f( t )
Función de Distribución Lognormal h (t)
R( t )
Función Tasa de Falla Lognormal
0.7000
=0
0.6000 = 0.5
0.5000
0.4000 =1
h(t)
= 0.5
0.3000
0.2000
0.1000
=1 =0
=1 =1
0.0000
0 1 2 3 4 5 6 7
Tiempo 1-66
Distribución Lognormal
2
4
2
y ln1 2 ln 1 0.02527
2
t
t 25
y 0.02527 0.1589
1-67
Distribución Lognormal
• Distribución Lognormal
– Número de ciclos de falla en la fatiga de los metales y partes
metálicas, niveles de tensión significativamente menores que sus
límites
– Representa bien el tiempo de falla de los dispositivos mecánicos,
especialmente en el caso de uso
1-69
Modelos Paramétricos de
Confiabilidad
• Desventajas
– El uso no apropiado del
modelo puede llevar a
conclusiones incorrectas
– Implica un conocimiento
previo del comportamiento
de los mecanismos de falla
y su efecto en la
observación estadística
– Si no se conoce nada sobre
la falla debe tenerse
cuidado en un
procedimiento para
seleccionar un modelo
adecuado.
1-70
Cuadro de Distribuciones
Modelos Comunes
de Confiabilidad Exponencial Weibull Normal Lognormal
Función de Densidad t
1 t 1 1 t 2
1 1 ln( t) 2
f(t) exp f( t) exp f( t ) exp
de Probabilidad (pdf), f(t) = exp(-t) 2 2 t 2 2
f(t)
Función de
t
R(t) = exp(-t) R( t ) exp R(t) (zdz
) R( t) (z)dz
Confiabilidad, R(t)
z(t) z[ln(t )]
1
( z ) f(t)
h (t) t
Función de Tasa de h(t) = h (t) h (t) R(t)
Falla, h(t) R ( z )
1
Tiempo Medio Entre T
1 1 T exp(T ' 2 T ' )
T ( 1) T media 2
Fallas (MTBF) donde T' es la funcion ln(t)
= escala
Parámetros 1/= escala = forma, o media = localización media de ln’s = escala
sin forma pendiente Weibull = escala de ln’s= forma
Aplicaciones Sistema complejo < 1, fallas infantiles z(t) = (t - )/ z[ln(t)] = (ln(t) - )/
vida útil = 1, exponencial (z) = pdf normal std. donde = media de ln’s
electrónica > 1, desgaste desgaste alto = desv. std. de ln’s
app 3.4, app. normal efectos aditivos (CLT) (z) = pdf normal std.
muy flexible fatiga en metales
bien para fatiga en desgaste de partes mecánicas 1-71
componentes mecánicos efectos multiplicativos
Identificación de Modelos
• Debemos de elegir
cuidadosamente el modelo
apropiado de distribución de vida
– Cualquiera que sea el método usado
para escoger el modelo, debemos
verificar:
• que tenga “sentido” - por ejemplo no usar
un modelo exponencial que tiene una
tasa de falla constante para modelar una
falla de desgaste.
• Pasar las pruebas estadísticas y visuales
para ajuste de datos
1-72
Identificación de Modelos
• Gráficas, Abrir: identificación.mtw
Descriptive Statistics
•No pasa el criterio
Variable: T de normalidad
• =0.9966, el
Anderson-Darling Normality Test coeficiente de
A-Squared: 2.339 variación es
P-Value: 0.000
prácticamente 1
Mean 101.453
StDev 101.127 •Media y desviación
Variance 10226.7
Skewness 2.00837 estándar son
Kurtosis 5.38151 iguales
N 50
0 100 200 300 400 500
•Sesgo >0
Minimum 0.124
1st Quartile 30.898 distribución sesgada
Median 82.077 a la derecha
3rd Quartile 124.588
Maximum 520.432
95% Conf idence Interv al f or Mu •Curtosis >3, tiene
95% Conf idence Interv al f or Mu
más agudeza que
72.713 130.193
una normal
48 58 68 78 88 98 108 118 128 138 95% Conf idence Interv al f or Sigma
84.475 126.018
95% Conf idence Interv al f or Median
95% Conf idence Interv al f or Median
53.078 102.444
• Gráficas
Abrir:
identificación.mtw
1-74
Identificación de Modelos
Four-way Probability Plot for T
No censoring
Normal Lognormal
99 99
95 95
90 90
80 80
70 70
Percent
Percent
60 60
50 50
40 40
30 30
20 20
10 10
5 5
1 1
-100 0 100 200 300 400 500 0.1 1.0 10.0 100.0 1000.0
Exponential Weibull
99 99
95
90
98
75
97 60
95 40
30
Percent
90 Percent 20
10
80
70 5
60 3
50
2
30
10 1
0 100 200 300 400 500 0.1 1.0 10.0 100.0 1000.0
El modelo
exponencial
1-76
Identificación de Modelos
Overview Plot for T
No censoring
Probability Density Function Exponential Probability
0.010 Exponential
99
ML Estimates
Mean: 101.453
95 Fail. Rate: 9.86E-03
Percent
0.005
MTBF: 101.453
90
80
70
60
50
40
30
20
10
0.000 5
1
0 100 200 300 400 500 600 700 0 100 200 300 400 500
0.8
0.7
Probability
0.6
Rate
0.5
0.00985
0.4
0.3
0.2
0.1
0.0 0.00980
0 100 200 300 400 500 0 100 200 300 400 500
1-77
Ejercicio
• Ahora Usted...
• Abra los datos en distribución.mtw (los
del capítulo 1) y proponga qué modelo de
distribución los representa mejor.
– Analice los datos en la columna C5
– Obtenga las gráficas
– Calcule los estadísticos descriptivos
– Utilice algún procedimiento automatizado para
identificación de distribución
– proponga una distribución
1-78
Ejercicio
Descriptive Statistics
Variable: tiempo
Mean 98.9320
StDev 65.6671
Variance 4312.17
Skewness 1.30399
Kurtosis 1.49195
N 60
0 50 100 150 200 250 300
Minimum 9.520
1st Quartile 49.549
Median 76.642
3rd Quartile 136.566
95% Conf idence Interv al f or Mu Maximum 302.010
95% Conf idence Interv al f or Mu
81.968 115.896
60 70 80 90 100 110 120 95% Conf idence Interv al f or Sigma
55.662 80.092
95% Conf idence Interv al f or Median
95% Conf idence Interv al f or Median
61.055 98.620
1-79
Ejercicio
Four-way Probability Plot for tiempo
No censoring
Normal Lognormal
99 99
95 95
90 90
80 80
70 70
Percent
Percent
60 60
50 50
40 40
30 30
20 20
10 10
5 5
1 1
90 20
10
80
70 5
60 3
50
2
30
10 1
1-80
Ejercicio
Overview Plot for tiempo
No censoring
Probability Density Function Lognormal Probability
0.010
99 Lognormal
ML Estimates
95
90
Location: 4.38759
80
70 Scale: 0.66066
Percent
60 MTBF: 100.066
0.005 50
40
30
20
10
5
0.000 1 MTB
0 100 200 300 400 500 600 10 100
reporta la
1.0
Survival Function Hazard Function
media y la
0.015
0.9
0.8
desviación
0.7 estándar
Probability
0.6
de los
0.010
Rate
0.5
logaritmos
0.4
0.3
de los
0.2 0.005
0.1
0.0
1-81
Puntos Clave
• Los modelos paramétricos tienen muchas ventajas
para modelar situaciones de confiabilidad.
• Es necesario asegurar cuál es el modelo más
apropiado para modelar
• La decisión depende del conocimiento del
mecanismo de falla y la forma en que se observa.
• Las distribuciones tienen parámetros que le dan
ciertas características: forma, escala, localización.
• Recuerde siempre confirmar el modelo de
distribución a usar y ver que las propiedades
correspondan a lo conocido sobre la falla
1-82
3. DEFINICIÓN DE
PROYECTOS DE
CONFIABILIDAD
1-83
Objetivo
Propósitos:
• Conocer las herramientas utilizadas en la identificación de
proyectos de confiabilidad.
• Asegurar el control del impacto en el sistema bajo
estudio, en un proyecto de confiabilidad a través del uso
de las herramientas para la identificación de proyectos.
• Aprender de un proyecto real la secuencia e integración
de las herramientas para la identificación de proyectos de
confiabilidad.
1-84
DMAIC Y Confiabilidad
1-85
Definición Medición Análisis Mejora
Identificar Objetivo: determinar la Objetivo: determinar las Objetivo: determinar los
Oportunidades: SCR, Confiabilidad y "X" vitales niveles de las "X"" vitales
Cambio de Proveedor, capacidad actuales
Costos, Productividad,
Comparación Sistema de Medición, Pruebas Estadísticas: Diseño de Experimentos,
Competitiva, 6s Calibrado, Lineal, Comparación de Superficie de Respuesta,
Estable, Gage RyR < Confiabilidad actual Predicciones, Regresión
Diagrama de Bloques 20% contra propuesta: de Parámetros,
Funcionales de Producto Análisis Paramétrico, Optimización de función
Diseño para Análisis No Paramétrico.
Reproducción de la falla Diseño de experimentos
Diagrama de Relaciones para eliminar X's. Corrida de comprobación
de Proceso Regresión de de la mejor solución.
Medir Condición actual: parámetros Verificación Estadística
1. Datos de campo, 2. Observación de tiempos
Identificar Confiabilidad Laboratorio de pruebas, de falla o degradación de
Actual: CTQs de proceso 3. Base de Datos Y
y producto, tiempo de
misión, condiciones de
Control
ambiente Caracterizar Y, X, t: Determinar tipo de
El CTQ, las causas observación en la
posibles y el tiempo de confiabilidad: 1. pruebas AMEF definitivo, Plan de
Establecer Metas de falla: media, dispersión, terminadas a tiempo Control, Documentación
Confiabilidad: Nivel de distribución, MTBF, determinado, 2. Pruebas oficial
Confiabilidad R(t), parámetros, h(t), R(t), Z terminadas a número de
tiempo de misión (t), fallas determinado 3. Entrenamiento del
Nivel de Confianza (1-a) Identificar los parámetros Datos por intervalo de personal involucrado,
relevantes del ruido tiempo 4. Aceleración de Documentación ISO,
ambiental: Máximo, Pruebas por aumento de Procedimientos,
Elaborar Diagramas P de carga Auditorías
mínimo, media,
condiciones de
dispersión, distribución.
operación, ruidos
internos y externos Evaluar niveles de
En pruebas aceleradas: capacidad y metas de
Validar Transformaciones confiabilidad
Identificación inicial de para la regresión del comprometidas
causas y efectos de falla, factor acelerante
AMEF inicial, jerarquizar
Xs
Evaluar metas de Confiabilidad y de Capacidad de proceso.
Continuar, Modificar o Cancelar Proyecto
1-87
¿Qué es un Diagrama de Bloques Funcionales?
1-88
¿Para que utilizar el Diagrama de
Bloques Funcionales?
Es el primer paso para desarrollar el modelo del sistema
y se utiliza como punto de partida en la realización de un
análisis de modo y efecto de falla (AMEF).
1-89
Pasos en la construcción de un
Diagrama de Bloques Funcionales:
• 1. Defina la función del sistema.
1-90
DIAGRAMA DE RELACIONES
1-91
DIAGRAMA DE RELACIONES
Cuando usarlo
Un tema complejo está siendo analizado por causas.
Una iniciativa compleja está siendo implementada.
Después de haber generado un diagrama de afinidad, un
diagrama de causa-efecto o un diagrama de árbol, para
explorar con mayor énfasis las relaciones de las ideas.
1-92
Determinación de Factores de Control y de Ruido
Diagrama-P
1-93
Qué es un Diagrama de Parámetros
1-94
Para que utilizar el Diagrama de Parámetros:
Para desarrollar el plan de pruebas de confiabilidad.
Proporciona un enfoque disciplinado para la planeación de
pruebas.
1-95
MATRIZ DE FACTORES
F
FACTORES QUE DAN
A
LIBERTAD DE ACCION
C C SI FACTORES DE
Y
T O
CONTROL
O N POSIBILIDAD DE AHORROS
R T
E R
S O FACTORES POR LOS
L FACTORES DE
QUE NO VALE LA PENA
O NO RUIDO
Q PREOCUPARSE
U
E
NO SI
1-97
Análisis del Modo y Efecto de la Falla
1-98
Qué es el AMEF
1-99
AMEF
¿Qué hace?
• Jerarquiza los problemas en los que se debe trabajar
primero
1-100
AMEF
Es la herramienta clave con que cuenta un equipo para mejorar
el proceso de una manera adquisitiva (antes de que ocurra la
falla)
1-101
El Modelo AMEF
Prevención Detección Detección
Modo
Modode
delalaFalla
Falla
Causa
Causa Efecto
Efecto
(Defecto)
(Defecto)
Controles
Controles
1-102
Definición Modo de Falla
• El Modo de Falla necesita ser claramente definido en
términos de la operación realizada
• Ejemplos de Modo de Falla:
– distorsión
– fractura Usar números en donde sea posible
– tolerancia excedida
– circuito abierto
– corto circuito
– descalibrado
Mecanismo de la Falla
MLPL
1) Oxidación del alambre
calentado, y disminución
del cromado
El mecanismo es de
degradación, corrosión química
1-105
Determinar el Mecanismo del Modo de la Falla
a ser Acelerado
Para estar seguros de acelerar todos los modos de falla, se
necesita usar más de un acelerador ( por ejemplo, voltaje,
vibración, temperatura)
Seis Sigma / Enfoque Diseño de Experimentos
85 C, 85 RH
85 RH
Humedad
85 C, 75 RH
65 RH
65 C Temperatura 85 C
1-106
Puntos Clave
• Confiabilidad - DMAIC
• Diagrama de Relaciones
• Diagrama de Parámetros
• AMEF
• Modo de Falla
• Mecanismo de la Falla
1-107
4. OBSERVACIÓN DE FALLAS
1-108
Objetivo: Presentar alternativas de
Análisis en función del Tipo de Datos
Propósitos:
• Clasificar el Tipo de Datos Observados
• Analizar Datos Agrupados y Datos no Agrupados
– Censurados a la izquierda
– Censurados a la derecha
– Sin Censura
– Con Tiempo de Misión establecido
– Estimación de Parámetros
• Interactuar con ReliaSoft´s Weibull++5.0 para el análisis de
datos
1-109
Recolección de Datos
La Recolección de datos es una parte
importante de todo proyecto.
Los datos representan datos de vida o datos de
tiempo de falla de los productos que
hacemos.
La exactitud de cualquier predicción es
directamente proporcional a la calidad y
exactitud de los datos recolectados.
1-110
Tipos de Datos
Cuando se examinan datos sobre la vida o duración de un producto debe
reconocerse que hay diferentes clases de ellos. En el trabajo regular del
control de calidad si se inspecciona una muestra de 10 artículos, se obtendrán
10 observaciones. Tales datos se conocen como datos completos. En pruebas
de vida, cuando una muestra de 10 se pone a prueba es muy raro que se
obtengan 10 observaciones, porque algunos de los artículos en la muestra
pueden no fallar dentro de un periodo razonable de tiempo y la prueba puede
detenerse antes de que fallen todas las unidades. Bajo estas circunstancias o
cuando se desea un análisis en una etapa intermedia antes de que se termine
la prueba, el resultado será: datos incompletos o datos censurados.
Los datos censurados pueden clasificarse en tres tipos: censurado simple Tipo
I, censurado simple Tipo II y multicensurados. Es necesario entender que tipo
de datos se tienen con el objeto de analizarlos correctamente.
1-111
Censurado simple Tipo I Tiempo T
La figura muestra las condiciones que Unidades
generan este tipo de datos. La prueba se de la
detiene en un tiempo T predeterminado. Los muestra 1
datos se llaman de censurado simple
porque todos los sobrevivientes se quitan 2
de la prueba al mismo tiempo. Cuando los 3
sobrevivientes tienen diferentes tiempos de
sobrevivencia, como sucede bajo ciertas 4
condiciones experimentales o de uso en
campo, se dice que los datos son 5
multicensurados.
6
= Falla
Los datos de censurado simple Tipo I con
frecuencia se refieren como datos = Sobreviviente
censurados por el tiempo o datos truncados
por el tiempo.
1-112
Censurado simple Tipo II
La figura muestra las
circunstancias bajo las cuales Tiempo
aparecen este tipo de datos.
La prueba es detenida tan Unidades
de la
pronto como ocurra un número
muestra 1
predeterminado de fallas.
Todas las unidades 2
sobrevivientes tienen los
3
mismos tiempos de
sobrevivencia y son iguales al 4
tiempo de falla de la última
5
falla.
6
Los datos de censurado
simple Tipo II son = Falla
llamados simplemente
datos censurados por falla = Sobreviviente
o datos truncados por
falla.
1-113
Multicensurados
Se caracterizan por las unidades
sobrevivientes que tienen Tiempo
diferentes tiempos de
Unidades
sobrevivencia. Tales datos
de la 1
pueden aparecer por diferentes
muestra
situaciones. La Figura muestra 2
un ejemplo. En ella, las unidades
1, 2 y 3 fueron vendidas al cliente 3
1 y cuando se reportó la falla de 4
la unidad 1, las otras estaban
trabajando. Las unidades 4, 5 y 6 5
fueron vendidas al cliente 2 y 6
cuando se reportó la falla de la
unidad 4, las unidades 5 y 6 aun
estaban trabajando.
= Falla
= Sobreviviente
1-114
Multicensurados Cont.
En la Figura , de seis unidades puestas a
prueba tres fallaron en los tiempos Tiempo
mostrados, pero para las otras tres los
dispositivos de prueba fallaron antes de Unidades
que fallaran las unidades. Así las de la 1
unidades tuvieron que quitarse de la muestra
prueba en diferentes tiempos cuando los 2
dispositivos fallaron.
3
4
Existen muchas otras situaciones en las
cuales aparecen los datos 5
multicensurados. Los métodos de
análisis para tales datos, así como 6
también para datos de censurado
simple, incluirán la información de
aquellas unidades que no fallaron
porque estaban funcionando en el = Falla
momento en que tenían que retirarse de
la prueba. Tal información agrega
= Sobreviviente
usualmente precisión o confianza en los
resultados. 1-115
Datos por Intervalo
La figura muestra donde aparecen Tiempo
los datos por intervalo. Se sabe que
ciertas unidades de la muestra
fallan en ciertos intervalos de Unidades
tiempo, su tiempo exacto de falla de la 1
sigue siendo desconocido. Esto muestra
ocurre cuando las muestras son 2
inspeccionadas en tiempos 3
específicos y son observadas sus
condiciones. Este tipo de datos 4
proviene tanto de pruebas de 5
campo como de laboratorio.
6
1-116
Tipos de Datos
Exacto Tiempos de Falla (Sin Censura)
Todos
Fallaron
Intervalo Tiempos de Falla con Intervalos
(Intervalos y Censura Izquierda)
Datos No
Agrupados
1-117
Tipos de Datos como se definen en Weibull++5.0
1-119
Censura a la Derecha
(ejemplo 2)
120
tiempo 1-120
Con Censura introduciendo el concepto
Tiempo de Misión
1-121
Con Censura introduciendo el
concepto de Tiempo de Misión
con un valor inicial diferente de
cero
Confiabilidad Condicional
T = 30 horas t = 30 horas
Inicio Tiempo de Misión Tiempo de Misión
definida por el negocio 1-122
Función que representa la confiabilidad buscada::
R (T t )
R (T , t )
R (T )
T; tiempo de duración de la misión
t ; tiempo de inicio de la misión
ˆ 0.7077
R (30hr ,30hr ) 0.8218
0.8612
1-124
Estimación Máxima Verosimilitud
1-125
Tabla Resumen
RRX MLE
2.6885 3.6214
724.3180 810.2044
1-127
Datos Agrupados, enfatizando su Distribución y
Función
Ejemplo 4
1-129
Gráfica de
Probabilidad
Exponencial
Confiabilidad
contra tiempo
1-130
Función de Densidad
de Probabilidad
Lambda = 0.0058
Gamma = 72.68
1-131
Tiempo de falla asumiendo que los datos se aproximan a una
Distribución Normal
Ejemplo 5
1-132
Pasos en la solución del ejemplo caracterizado
por una Distribución Normal
1. Seleccionar el
tipo de datos
1-133
3. Seleccionar la
Distribución Normal
y regresión del
Rango sobre la X
para estimación de
los parámetros
4. Función
de Densidad
de la Normal
media =
12751.67
sigma=
1348.27
1-134
5. Gráfica de
Probabilidad Normal
incluyendo el
intervalo de
confianza del 90%
1-135
Datos con Censura
Ejemplo 6
1-136
Respuesta pregunta 1
Respuesta
Determine los
Número en Última Tiempo final
parámetros
Estado inspección Estado de estado
de una
5 0.00 F 6.12
Weibull de 2
16 6.12 F 19.92
parámetros
12 19.92 F 29.64
usando MLE
18 29.64 F 35.40 y obtenga el
18 35.40 F 39.72 gráfico de la
2 39.72 F 45.24 función de
6 45.24 F 52.32 logaritmo de
17 52.32 F 63.48 verosimilitud
73 63.48 S 63.48
1-139
Beta=1.4854
Eta= 71.6904
1-140
Ventajas de los Datos con
Censura
• Es el esquema de datos más común en la práctica.
• Representan situaciones reales de confiabilidad en donde no todas
las unidades fallan, o bien no se conocen los tiempos para fallar de
todas las unidades.
• Censura a la Derecha son datos de vida de unidades que no fallaron
en el tiempo de misión establecido.
• Intervalo de Datos Censurados, se refiere a datos en donde existe la
incertidumbre del tiempo exacto en que las unidades fallaron.
• Censura a la Izquierda parecido al intervalo, en ellos el tiempo de
falla no se conoce exactamente sino hasta que se inspecciona, la
falla podría ocurrir entre 0 y 100 horas.
1-141
Puntos Clave
• Tipo de Datos Observados
• Datos Agrupados y Datos no Agrupados
– Censurados a la izquierda
– Censurados a la derecha
– Sin Censura
• Parámetros de las Distribuciones de Probabilidad:
• - Weibull
• - Exponencial
• - Normal
• - Lognormal
1-142
Puntos Clave
• Métodos de Estimación de Parámetros:
•Gráficas Especiales
- Función de Distribución Acumulada
- Gráfica de Probabilidad
- Función de Densidad de Probabilidad
- Tasa de Falla contra tiempo
- Confiabilidad contra tiempo
• Intervalos de confianza para la confiabilidad
1-143
5. CÁLCULOS Y PRUEBAS
DE CONFIABILIDAD
1-144
• Agenda
– Introducción
– Métodos No-paramétricos
– Métodos Paramétricos
– Planear Pruebas
1-145
- Introducción
• Tópicos cubiertos
– Pruebas de Demostración de Confiabilidad
• Resultados de pruebas
• Planeación de pruebas
– Pruebas No-Paramétricas
• Prueba de Rachas exitosas
• Prueba de Porcentaje Superviviente
• Prueba de Mann-Whitney
– Pruebas Paramétricas
• Caso Exponencial
• Caso Weibull
– Planear Pruebas
• Caso Exponencial
• Weibull sin fallas
1-146
- Introducción
• Tópicos no cubiertos
– Pruebas de Crecimiento de Confiabilidad
• v.g., Modelos Duane, Modelos Gompertz
– Pruebas Aceleradas
• v.g., HALT, HASS, Modelos Arrhenius
1-147
- No-paramétricas
• No-paramétricas
– Usadas cuando la distribución subyacente de los tiempos
para falla no se conoce
• No se conocen los parámetros de la distribución o pueden estar
supuestos
• Insuficientes unidades de prueba disponibles para determinar la
distribución subyacente
1-148
- No-paramétricas
• Prueba de Rachas Exitosas
• RL1(t) = (1-CL)1/N
1-150
- No-paramétricas
1-151
• Prueba de Rachas Exitosas - No-paramétricas
– Ejemplo
• 10 tuercas fueron puestas en una prueba de vida simulando 10
años de servicio. Todas las diez tuercas completaron la prueba
sin fallas. ¿Cuál es el límite inferior de 90% de confianza unilateral
para la confiabilidad de estas unidades?.
– Solución
• RL1(t) = (1-CL)1/N En EXCEL Archivo Cap 5.xls
– N = 10
– CL = 0.90 LÍMITE INFERIOR UNILATERAL DE CONFIABILIDAD
N= 10 piezas que completan prueba sin falla
– t = 10 años CL = 0.9 valor de confianza
t= 10 años
• RL1(10 años) = (1-0.90) 1/10
RL1 == 0.794 o 79%
0.79432823 Límite inferior unilateral de confiabilidad
1-152
- No-paramétricas
• Prueba de Rachas Exitosas
– Ejemplo (continua)
• El requerimiento de confiabilidad para la tuerca
realmente fue confiabilidad de 90% en 10 años de
servicio con 90% de confianza. ¿Cuántas unidades
necesitan completar exitosamente la prueba para
demostrar el requerimiento?
– Solución N
ln(1 CL )
ln RL1 t
1-154
• Prueba de Porcentaje-Superviviente - No-paramétricas
1-155
• Prueba de Porcentaje-Superviviente- No-paramétricas
Ejemplo para una prueba cuya duración está
predeterminada
• Dado que 20 motores se probaron 500 horas y 2
motores fallaron durante esta prueba, ¿Cuál es el
límite inferior de confianza 90%, de un solo lado,
sobre la confiabilidad?
1
RL1
r 1
1 F
Nr 1;2r2;2N2r
1 1 1
RL1 0.755
2 1 3
1 1325
.
F 1 195
.
20 2 0.90;2(2)2;2(20)2(2) 18
1 1 1
RL1 0.891
0 1 1
1 F 1 2.44 1122
.
20 0 0.90;2(0)2;2(20)2(0) 20
Encontrada en tabla F
1-157
- No-paramétricas
• Prueba de Porcentaje-Superviviente
Nr
R para r > 0
N
– El límite inferior de confianza, de un solo lado, para la confiabilidad
de una prueba terminada al momento de ocurrir la r-ésima falla
1-158
• Prueba de Porcentaje-Superviviente
- No-paramétricas
1 1 1
RL1 0.743
3 3
1 F
1 (196
. ) 1346
.
En EXCEL 20 3 0.90;2(3);2(20)2(3) 17
Archivo LÍMITE INFERIOR UNILATERAL DE CONFIABILIDAD (PRUEBA TERMINADA A FALLA)
N= 20 piezas que completan prueba sin falla
Cap 5.xls (1 - ) =
r=
0.9 valor de confianza
3 número de piezas falladas
F(1-;2r+2;N-2r) = 1.95501215 Percentil de distrib. F tal que el área a la izquierda = (1-)
t= 500 horas
RL1 = 0.74349324 Límite inferior unilateral de confiabilidad
1-159
- No-paramétricas
• Prueba de Mann-Whitney
– Usada para determinar si dos muestras son
significativamente diferentes
• Supone que las distribuciones subyacentes de tiempo
para falla difieren sólo en sus medias
– No se requieren los tiempos exactos de falla
– Sólo se necesita saber el orden en que la muestra
combinada falló
– No requiere tamaños de muestra iguales
Fallar- Fallar- HO : A B
Mfr A Mfr B H1 : A B
865 884
919 905
894 914
840 835
899 942
787 878
875 922
831 887
858
896
1-161
- No-paramétricas
• Prueba de Mann-Whitney
1-162
- No-paramétricas
• Prueba de Mann-Whitney
MannWhitney Confidence Interval and Test
Mfr A N = 8 Median = 870.00
Mfr B N = 10 Median = 891.50
Point estimate for ETA1ETA2 is 23.00
95.4 Percent CI for ETA1ETA2 is (66.99,12.00)
W = 60.0
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.1684
Cannot reject at alpha = 0.05
1-163
• Prueba de Mann-Whitney - No-paramétricas
– Prueba de Porcentaje-Superviviente
• Usado para obtener un límite de confianza inferior, unilateral de la
confiabilidad
• El tamaño de muestra N probado para la duración de la misión con fallas
permitidas
• Los tiempos de falla no se necesitan conocer, sólo el número de fallas
– Prueba de Mann-Whitney
• Usada para comparar la confiabilidad de dos muestras
• Permite tamaños de muestra desiguales
• Todas las unidades probadas hasta fallar; necesita sólo el orden de las fallas
1-165
• Paramétricas - Paramétricas
– Usadas cuando la distribución subyacente de los
tiempos para fallar se conoce o puede ser supuesta
• Datos de prueba previos
• Parámetros de industria aceptados (v.g., MIL-HDBK-217)
• Conocimiento Ingenieril del mecanismo de falla
– Tiene más poder para hacer una decisión correcta que
las pruebas no-paramétricas
• Puede ser más incorrecta si la distribución verdadera es
diferente que la distribución, o los parámetros de distribución
supuestos.
– Rinde información más precisa que los métodos no-
paramétricos
• Los intervalos de confianza son más amplios usando no-
paramétricas
– Permite extrapolar fuera del rango de los datos
1-166
- Paramétricas
– Weibull
1-167
- Paramétricas
• Pruebas Exponenciales
– Terminadas por Tiempo, con y sin reemplazos
• La prueba se detiene cuando td horas (ciclos) han pasado
y y no hay falla coincidente con td
» Estimación de MTBF
» Límites de Confianza de MTBF
1-168
- Paramétricas
• Pruebas Exponenciales
– Definiciones
• = tasa de falla
• MTBF = tiempo medio entre fallas (mean time between
failures) = 1/
• m = estimado de MTBF
• N = tamaño de muestra
• td = duración de prueba
• Ta = horas de prueba acumuladas = Ntd
• r = número de fallas
• CL = nivel de confianza = 1 -
– donde es el riesgo de hacer una decisión equivocada
1-169
- Paramétricas
• Exponencial
– Pruebas terminadas por tiempo sin reemplazo
• Estimado de MTBF
Tconfianza, T (N r ) td
a i 1 i unilateral, de MTBF, m L1
• Límite inferior
m de
r r
1-170
- Paramétricas
• Exponencial
– Pruebas terminadas por tiempo sin remplazo
• Ejemplo: Diez unidades se pusieron a prueba por 1500
horas. Las fallas ocurrieron a las 234 horas, 776, horas y
1078 horas. Las restantes 7 continuaron hasta las 1500
horas sin fallar. ¿Cuál es la estimación de m y un límite
inferior de 95% de confianza unilateral de m?.¿Cuánto
es el estimado de la confiabilidad para una misión de
500 horas? ¿Cuál es el límite inferior unilateral de 95%
de confianza para una misión de 500 horas?
r
Ti (N r )td
Ta i1 234 776 1078 (10 3)1500 12588
m 4196
r r 3 3
1-171
De tabla
- Paramétricas
• Exponencial
– Pruebas terminadas por tiempo sin remplazo
• Ejemplo (continua): ¿Cuánto es el estimado de confiabilidad
para una misión de 500 horas? ¿Cuál es el límite inferior
unilateral de 95% de confianza para una misión de 500 horas?
• El estimado de R(t) está asociado con el estimado de MTBF, y
el límite inferior de confianza de R(t) está asociado con el
límite inferior de confianza de MTBF
Marque el botón de
cálculo de
parámetros
Señale el botón de la
“Calculadora”
1-173
•Exponencial pruebas terminadas por
tiempo sin reemplazo
1
•Aparece la
Calculadora Señale: 2
Show
•Marcar Option, Confidence
Other Calculations Bounds
Señalando en
Calculate se obtiene
una R(t) = 0.8877 y
RL1(t) = 0.7349
1-175
- Paramétricas
• Exponencial
con reemplazo
2rm 2 Ta 2 Ta
m L1 mL1 2
2 ;2r 2 2
; 2r 2 ; 2r
r r
Ti (N r )td Ti (N r )td
Ta i1 Ta i1
m m
r r r r
sin reemplazo
2rm 2 Ta 2 Ta
m L1 mL1 2
2 ;2r 2 2;2r 2 ; 2r
1-177
• Exponencial - Paramétricas
– Pruebas terminadas por tiempo con remplazo
• Ejemplo: (continua)
• Estimación de MTBF
– m = Ntd/r = Ta/r = (10)(1500)/3 = 5000 horas
Puedeverificarse
Puede verificarseen
entconr.wdf
tconr.wdf
1-178
• Exponencial - Paramétricas
• m = Ta/r = Ta/0 = ?
1-181
• Exponencial - Paramétricas
10 1500
mL1 21640
ln(1 0.50) sin fallas
Puede
Puede
verificarseen
verificarse en
tsinf.wdf
tsinf.wdf
1-182
• Exponencial - Paramétricas
10 1500
mL1 5007
ln(1 0.95)
1-183
• Exponencial - Paramétricas
– Caso especial cuando no se observan fallas
– Para estimar,
RL1(t) = exp(-t/mL1) = exp(-500/21640) = 0.977, o estamos 50%
confiados que la confiabilidad es no menor de 0.977 para 500 horas
de misión
1-184
- Paramétricas
Hemos visto la
– Distribución Exponencial
Ahora, cubriremos la
– Distribución Weibull
1-185
- Paramétricas
• Distribución Weibull
– mientras la pdf exponencial modela las
características de vida de los sistemas, la Weibull
modela las características de vida de
componentes y partes
1-187
- Paramétricas
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla
pendiente supuesta
1-189
• Weibull - Paramétricas
1-190
• Weibull - Paramétricas
1-191
- Paramétricas
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla
1 1
Nt d (10)(1500125
.
) 125
.
L1 3934
ln(1 CL ) ln(1 0.95 )
1-192
- Paramétricas
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla
1 1
(10)(1500
Nt d 175
.
) 175
.
L1 2987
ln(1 CL ) ln(1 0.95 )
1-193
- Paramétricas
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla
0.905 = 1 es exponencial,
=1 más conservador
}
= 1.25 0.927
1 1
Nt d (10)(1500 3
)3
L1 2242
ln(1 CL ) ln(1 0.95)
– Recuerde, R = exp(-t/MTBF)
• Dado Rg, MTBFg puede ser determinado
1-196
- Planear Pruebas
• Planear Pruebas para la Exponencial
2rm 2Ta
mL1 MTBFg
2 ;2r2 2 ;2r2
MTBFg( 2 ;2r2 )
Ta
2
1-197
- Planear Pruebas
• Planear Pruebas para la Exponencial
Ta MTBFg{ln(1 CL )}
1-198
- Planear Pruebas
• Planear Pruebas para la Exponencial
– si no se permiten fallas
1-199
• Planear Pruebas para la Exponencial - Planear Pruebas
– si no se permiten fallas
• Ejemplo (continuación):
1-200
• Planear Pruebas para la Exponencial - Planear Pruebas
– si no se permiten fallas
– Ta = Ntd = 149036
» donde N = 8
– td = 18630
1-201
• Planear Pruebas para la Exponencial
- Planear Pruebas
2rm 2Ta
mL1 MTBFg
2;2r 2 2 ;2r 2
obtenido de tabla
2 2
• Entonces, MTBFg ( ;220
Ta si tenemos r 2 )lugares
de( prueba
49750 2) 49750(9.podemos
0.05;2(1)disponibles
488)
236014
poner 20 unidades2 en prueba. 19 deben 2 de ir 11800 horas 2 sin fallas. Si
ocurre una falla y es reemplazada inmediatamente, el reemplazo debe
terminar la prueba sin falla.
1-202
• Planear Pruebas para la Exponencial - Planear Pruebas
1-203
- Planear Pruebas
• Planear Pruebas para la Weibull sin Fallar
1-204
- Planear Pruebas
• Planear Pruebas para la Weibull sin Fallar
1-205
- Planear Pruebas
• Planear Pruebas para la Weibull sin Fallar
t ln(1 CL )
N
– Si la d ln(R )
meta de tconfiabilidad
y la confianza requerida se
substituyen, puede negociarse el tiempo de prueba con
el tamaño de muestra
1-206
- Planear Pruebas
• Planear Pruebas para la Weibull sin Fallar
– Ejemplo:
• El requerimiento de confiabilidad para una unidad es 99% confiable para una
misión de 500 horas con un 95% de confianza (inferior, unilateral). Para este
ejemplo, supongamos que es un balero que históricamente ha tenido una
pendiente Weibull de 1.5. Dado que no se permiten fallas, ¿Cuántas
unidades debo de probar por cuanto tiempo para lograr este requerimiento?
15
. 15
.
t ln(1 CL ) 500 ln(1 0.95) 500
• EntoncesN, si hay 1500
horas deprueba
disponibles,
necesarias
serían (298)58
unidades para sert d ln(R )
probadas por t
1500d horas ln( 0.99 ) t d
para lograr los requerimientos
1-207
- Planear Pruebas
• Planear Pruebas para la Weibull sin Fallar
– Ejemplo (continuación):
• Qué pasa si hay sólo 25 lugares de prueba disponibles,
o sea., ¿Cuánto tiempo necesitarán las 25 ser probadas
sin fallar para lograr el requerimiento?
15
. 15
.
t ln(1 CL) 500 ln(1 0.95) 500
N (298)
t d ln(R) t d ln( 0.99 ) t d
500
td 1
2609
25 15
.
298
1-208
- Planear Pruebas
• Planear Pruebas para la Weibull sin Fallar
– Ejemplo (continuación):
• ¿Cómo se compara este último resultado con un plan de prueba
usando la Prueba de Rachas Exitosas?
1-209
Resumen
• La técnica No-paramétrica puede ser rápida y fácil
– Lo bastante exacta para hacer un juicio de ingeniería
– Puede ser potente si los tamaños de muestra son bastante
grandes
– Apropiadas si nada se conoce
• Paramétricas - Exponencial
– Más potentes que las no-paramétricas
– Permiten negociar entre tamaño de muestra, CL, número de
fallas permisibles, confiabilidad
– Las unidades que fallan pueden ser reemplazadas para
aumentar el tiempo total de prueba
– La estimación más conservadora
1-210
Resumen
• Paramétricas - Weibull
– Más potentes que las no-paramétricas y que suponer
exponencial
– Necesario suponer una pendiente Weibull
• Necesita justificarse por datos previos, conocimiento de los
mecanismos de falla, etc.
– Permite negociar la duración de la prueba y el tamaño
de muestra para una confiabilidad y confianza dadas.
– Disminuirá el tiempo total de prueba requerido para
demostrar un requerimiento
1-211
Resumen
• Planear Pruebas
– Cubiertas sólo las estadísticas de pruebas de
demostración
– Necesita asegurarse que la prueba puede duplicar los
mecanismos de falla experimentados en el campo
• Experiencia con partes regresadas, AMEF’s, Diagramas-P,
etc
– Dada una prueba apropiada, necesita definir tamaño
de muestra, duración de prueba, número de fallas
permisibles, etc., que logren el requerimiento de
confiabilidad
1-212
6. PRUEBAS ACELERADAS
1-213
Objetivo:
• Propósitos:
– Presentar el concepto de prueba acelerada
– Conocer los modelos para transformar los
esfuerzos
– Uso de los paquetes estadísticos para predecir
con modelos de aceleración.
1-214
¿Para qué acelerar
las fallas?
¡Para ahorrar tiempo!
260V
99
270V
95
90 280V
80
20
falla.
10
3
2
1 1000
900
10 100 1000
700
90%
500 50%
10%
300
100
predicción de vida. 0
280 270 260
1-217
Información de Falla por Prueba
Acelerada
• Sobre-esforzar a los productos para obtener
fallas “rápido” es quizás la forma más antigua de
Pruebas de Confiabilidad.
Usualmente No se
obtiene
información sobre
la distribución de
la vida
(Confiabilidad)
1-218
Información de Falla por Prueba
Acelerada
• Una prueba
acelerada que sólo
da Información de
Falla (ó Modos de
Falla), comúnmente
se llama “Prueba de
Tortura”, “Prueba de
Elefante”, “Prueba
Cualitativa”, etc.
1-219
¿Qué es una Prueba de Tortura?
• Las pruebas de Tortura se realizan sobre muestras
de tamaño pequeño y los especímenes se sujetan a
un ambiente agresivo (niveles severos de esfuerzo)
– Si el especimen sobrevive, pasó la prueba
– Los datos de las pruebas de tortura generalmente no
pueden ser extrapolados a las condiciones de uso
1-220
Prueba de Tortura
• Beneficios
– Aumenta la Confiabilidad por la revelación de
modos probables de falla
• Cuestiones Sin Resolver
– ¿Cuál es la Confiabilidad del Producto?
– ¿Los Modos de Falla serán los mismos que
ocurrirán durante la vida del producto bajo
uso normal?
1-221
La Aceleración por Sobre-
Esfuerzo
Prueba de Tortura o Prueba Elefante
1-222
Prueba de Vida Acelerada
• La Prueba de Vida acelerada, a diferencia de
la Prueba de Tortura, está diseñada para
proveer Información de la Confiabilidad del
producto, componente o sistema
• Un Dato básico es el Tiempo para Fallar
– El tiempo para falla puede estar en cualquier
medida cuantitativa, tal como: horas, días, ciclos,
actuaciones, etc.
1-223
¿Qué es aceleración física y
como se modela?
• La Aceleración Física significa que operando
una unidad en un esfuerzo mayor se
producen las mismas fallas que ocurren con
los esfuerzos típicos de uso, excepto que
suceden mucho más rápido.
1-224
Factor de aceleración
• La falla se puede deber a la fatiga mecánica,
corrosión, reacción química, difusión,
migración, etc.
• Estos son exactamente los mismos eventos
conducentes a una falla en esfuerzos mayores
que en esfuerzos normales. Sólo cambia la
escala del tiempo.
• Un Factor de Aceleración es el multiplicador
constante entre los dos niveles de esfuerzo.
1-225
Factor de Aceleración
• Cuando hay verdadera aceleración, cambiar
los esfuerzos es equivalente a transformar la
escala del tiempo usada para registrar
cuando ocurren las fallas.
• Las transformaciones usadas comúnmente
son lineales, lo que significa que el tiempo
para fallar en un esfuerzo alto sólo tiene que
ser multiplicado por una constante (el factor
de aceleración) para obtener el tiempo
equivalente de falla en el esfuerzo de uso
1-226
Factor de Aceleración
Relaciones Lineales de Aceleración
Tiempo de Falla tu = AF x ts
Probabilidad de Falla Fu(t) = Fs(t/AF)
Confiabilidad Ru(t) = Rs(t/AF)
PDF o Función de Densidad fu(t) = (1/AF)fs(t/AF)
Tasa de Falla u(t) = (1/AF)s(t/AF)
Donde:
tu: tiempo de falla en uso ts: tiempo de falla en esfuerzo
Fu(t): CDF en uso Fs(t): CDF en esfuerzo
fu(t): PDF en uso fs(t): PDF en esfuerzo
u(t): tasa de falla en uso s(t): tasa de falla en esfuerzo
AF: Factor de Aceleración
Cada modo de falla tiene su propio factor de aceleración. Los datos de falla deben
separarse por modo de falla cuando se analizan, si la aceleración es relevante.
1-227
Factor de Aceleración
Una consecuencia de las Probability Plot for 260V-280V
Weibull Distribution-95.0% Conf idence Interv als
260V
99
270V
95
90 280V
Percent
los modelos clave de
20
10
distribución de vida
3
2
Time to Failure
1000
AF = G(S1)/G(S2)
Ahora se puede probar en el nivel de esfuerzo más alto S2, obtener un número suficiente de
fallas para ajustar al modelo de distribución de vida y evaluar las tasas de falla.
Después se usa la Tabla de Relaciones Lineales de Aceleración para predecir lo que
pasará en el nivel de esfuerzo menor S1.
1-229
¿Cuáles son los modelos de
aceleración comunes?
• Los modelos de aceleración se derivan a
menudo de modelos físicos o cinéticos
relacionados al modelo de falla
Un modelo que predice el tiempo de falla como función de los esfuerzos de operación
se conoce como Modelo de Aceleración
Se presentarán varios modelos útiles:
• Arrhenius
• Eyring
• Regla de Potencia Inversa para Voltaje
• Modelo exponencial de Voltaje
• Modelos de Dos: Temperatura / Voltaje
• Modelo de Electromigración
• Modelos de tres esfuerzos (Temperatura, Voltaje y Humedad)
• Modelo Coffin-Manson de Crecimiento de Fracturas Mecánicas
1-230
Arrhenius
• El Modelo de Arrhenius predice la aceleración
de las fallas debido al aumento de
temperatura
– Uno de las primeras transformaciones y la de más éxito
para predecir como varía el tiempo de falla con la
temperatura
H Donde: AF= Factor de Aceleración
t f A exp
kT T= temperatura °K (273.16+°C)
H 1 1
AF exp k = Constante de Boltzmann (8.617E-05 eV/K)
k T1 T2
H = Energía de Activación
A = Constante de escala (se elimina en AF)
1-231
Arrhenius
Ejemplo
1.0.
1-232
Eyring
• El modelo de Eyring tiene una base teórica
en la química y en la mecánica cuántica y se
puede usar para modelar la aceleración
cuando muchos esfuerzos están involucrados
H C
t f AT exp B S1
kT T
H C D
t f AT exp B S1 D S 2
kT T T
1-234
Otros Modelos
t f AV B Regla de Potencia (inversa) para Voltaje
t f Ae V B Ae
kT kT
e BV Modelos de dos esfuerzos Temperatura/Voltaje
H
Modelo de Electromigración
t f AJ n e kT
H
Modelos de tres esfuerzos
t f Ae V B RH
kT
(Temperatura, Voltaje, Humedad)
1-235
Datos + Distribución + Modelo = Resultado
1-236
Datos
1-237
Distribución
• Elija una Distribución apropiada de vida
– Exponencial
– Weibull
– Lognormal
Four-way Probability Plot for C1
No censoring
Normal Lognormal
99 99
95 95
90 90
80 80
70 70
Percent
Percent
60 60
50 50
40 40
30 30
20 20
10 10
5 5
1 1
Percent
Percent
10
97
95 5
3
90 2
1
80
70
60
50
30
10
0 1000 2000 3000 4000 5000 6000 7000 8000 100 1000
1-238
Elija un Modelo
¿?
1-239
¿Qué Característica de la
Distribución?
• Vida Característica, Parámetro de la Distribución,
(Media, Mediana, R(t), F(t), )
Probability Plot for 260V-280V
Weibull Distribution-95.0% Conf idence Interv als
Complete Data
260V
99
270V
95
90 280V
80
70
60
50
40
30
Percent
20
10
3
2
10 100 1000
Time to Failure
1-241
Formar un nuevo modelo que incluya
tanto el modelo de la distribución y el
de aceleración
• Relación Weibull - Potencia Inversa:
1 t
t
f (t ) e
1
L( S )
K Sn
1
t
t 1
f (t , S ) e K S n
1 1
n
K S K Sn 1-242
Resultado
1-244
¿Cómo elegir un modelo
apropiado de aceleración física?
• Elegir un modelo de aceleración física es
similar a elegir un modelo de distribución de
vida.
• Primero identifique el modo de falla y que
esfuerzos son relevantes (o sea que
acelerarán el mecanismo de falla)
• Luego verifique en literatura y otros proyectos
que le den ejemplos de un modelo particular
para este mecanismo de falla
1-245
Nivel de Cambio
• Casi todos los modelos reportados (excepto el
Coffin-Manson para fractura mecánica) aplican a
mecanismos de falla químicos o electrónicos ya
que la temperatura es casi siempre una carga
relevante para estos mecanismos. El modelo
Arrhenius es casi siempre una parte de cualquier
modelo más general.
• El modelo Coffin-Manson trabaja bien para para
muchos mecanismos relacionados con la fatiga
mecánica
1-246
Nivel de Cambio
• Algunos modelos tienen que ser ajustados para incluir
un nivel de cambio para algunos esfuerzos o cargas.
• La falla nunca podría ocurrir debido a un mecanismo
particular a menos que un esfuerzo (temperatura por
ejemplo) este más allá de un valor de cambio. Un
modelo para mecanismo dependiente de temperatura
con un cambio en T = T0 podría verse como
Tiempo para falla = f(T((T-T0))
Donde f(T) pudiera ser Arrhenius. Conforme la
temperatura desciende hacia T 0 el tiempo de falla
aumenta hacia infinito en este modelo (deterministico)
de aceleración
1-247
Ejemplo1
Un nuevo producto fue probado para confiabilidad. Como la vida de este
producto bajo condiciones de operación se espera que tenga más de 15,000
horas, probar bajo esas condiciones no resulta factible en el tiempo. Por esa
razón, se decidió correr una prueba acelerada. La temperatura de operación
para este producto es 323K (50°C)y la temperatura es la única variable de
aceleración.
•Se desea determinar los parámetros de una Weibull de 2 parámetros en cada
nivel de esfuerzo, usando la Regresión sobre X de los Rangos
•Estimar los parámetros para el modelo de Eyring
•Calcular la Confiabilidad de la unidad para una duración de misión de 9,000
horas, comenzando en T=0 y a temperatura de operación 323K
Abra el archivo Eyring.wdf
1-248
Ejemplo1
Una vez abierto el
archivo calcule los
parámetros de la
Weibull con 2.
Los resultados
aparecen en la
imagen.
= 4.1598
= 5713.99
Para separar los datos en tres conjuntos de datos diferentes
use Batch Auto Run. Este usa la columna de Identificación
para extraer los datos
Si quiere editar los encabezados haga doble clic sobre ellos. 1-249
Ejemplo1
Aparece la siguiente
Ventana, los tres
niveles de la
temperatura están
como Identificaciones
disponibles de los
subconjuntos
Ahora También se
seleccionamos los puede hacer
tres para generar doble clic sobre
los tres los
subconjuntos, uno seleccionados,
para cada para señalarlos
temperatura
1-250
Marque Action Preferences for Subsets
Ejemplo1
La ventana de Preferencias de Acción
para los Subconjuntos tiene como valor
previsto el Cálculo de los parámetros
para los subconjuntos seleccionados.
Marque OK, 2 veces
Se generaron tres
subconjuntos, uno para
cada identificación
1-251
Inserte una Hoja General en el Folio de
Datos
Ejemplo1
Capture los
valores de los
parámetros Note que
permanece
calculados, para constante y solo
cada subconjunto, cambia
como se muestra
Seleccione
el modelo de
Eyring de la
lista de
ecuaciones
1-253
Ejemplo1
Luego de
seleccionar el
modelo de
Eyring de la
Lista de
Ecuaciones.
Cambie los
valores de
Límite inferior,
Estimado y
Límite superior
para A y B
1-254
Ejemplo1
Los valores
para los
valores Límite
y Estimación
de A y B
deberán
quedar como
lo muestra la
figura.
Para
encontrar los
valores de A y
B marque en
Calculate
1-255
Ejemplo1
Los valores
encontrados
para A y b
están en la
columna
Solución.
Usando esos
valores se
puede
calcular Eta
para
cualquier
nivel de
Temperatura
(Esfuerzo)
Escriba
dentro del
cuadro
Defina el
Name: A ó
valor de la
B según
celda E18
corresponda
como el
valor de B
1-258
Fórmula
de Eyring
Ejemplo1
Fórmula
en C25
Confiabilidad a
las 9,000 horas
En las celdas B41 y B42 ponga los valores encontrados de Beta y Eta
Llene el rango de valores en la columna A como se muestra
En la celda B47 escriba la fórmula =EXP*(-((A47/$B$42)^$B$41)), Cópiela
1-260
A las 9,000 horas en temperatura de 323K la confiabilidad es 94.69%
Análisis de vida acelerada
• El análisis de datos de vida acelerada se efectúa
por medio de regresión
• La regresión para vida acelerada construye un
modelo que predice tiempos de falla
• Las instrucciones en Regresión para Confiabilidad
en Vida Acelerada indican que puede aceptar
diferentes modelos de distribución y admite datos
censurados
• Minitab usa Máxima Verosimilitud para estimar los
parámetros del modelo
1-261
Estructura de Datos en Minitab
• Consiste de tres columnas:
– Los tiempos de falla
– Los indicadores de censura (si se necesitan)
– Las variables predictoras
• Para regresión simple con un solo predictor, es una
columna con los varios niveles de la variable acelerante.
(Temperatura)
• Para regresión con varios predictores ponga una columna
por predictor. Estas variables pueden ser tratadas como
factores, covariados, interacciones o términos anidados.
– Cada columna deberá estar en tal forma que cada renglón sea una observación, o una observación
con su correspondiente en una columna de frecuencias
– Las columnas de frecuencias son útiles cuando se tienen grandes cantidades de datos con tiempos de
falla o censura comunes y valores predictores iguales.
1-262
Ejemplo 2
• Suponga que Usted quiere investigar el deterioro
de un aislamiento usado para motores eléctricos.
Los motores normalmente trabajan entre 80° y
100°C. Para ahorrar tiempo y dinero, se decidió
correr una prueba de vida acelerada.
• Primero se obtienen tiempos de falla para el aislamiento en
temperaturas más altas - 110, 130, 150 y 170°C - para
acelerar el deterioro. Con esta información, se puede
extrapolar a 80° y 100°C. Se sabe que existe una relación
Arrhenius entre temperatura y falla
• Abra el archivo INSULATE.MTW
1-263
Ejemplo 2
•En C1 (Temp)
tenemos los niveles
de Temperatura
•En C4 (FailureT)
se registra el tiempo
observado
•En C5 (Censor) se
indica si el tiempo
es de falla o
censurado
•En C6 (Design)
están los valores de
uso normal 1-264
Ejemplo 2
Ponga la columna
Censor, y OK
Señale
Stat>Reliability/
Survival>Acceler
ated Life Testing
Ponga la
columna
Design, y
OK
Ponga 80 y
Probability
Plot for
Standardized
residuals y OK
1-265
Ejemplo 2
Relation (Arrhenius) Plot for FailureT
Weibull Distribution-95.0% Conf idence Interv als
Censoring Column in Censor
10.0%
Con la Gráfica 50.0%
de relación, se 100000
90.0%
puede ver la
distribución de
Time to Failure
los tiempos de
falla para cada 10000
nivel de
temperatura -
en este caso, 1000
los percentiles
10, 50 y 90
70 90 110 130 150 170
Temp
El modelo de regresión estima los percentiles de la distribución del
tiempo de falla: Y p = 0 + 1X + p donde: Yp = percentil p de la distribución del tiempo de falla
0 = intersección en Y (constante)
Dependiendo de la distribución, Y p= 1 = coeficiente de regresión
• ln(tiempo de falla), para Weibull, exponencial, lognormal y X = valores del predictor (pueden estar transformados)
loglogística. = parámetro de escala
1-266
p = percentil p de la distribución del error
• Tiempo de falla, para normal, valor extremo, logística
Ejemplo 2
Probability Plot for SResids of FailureT
Extreme v alue Distribution-95.0% Conf idence Interv als
Censoring Column in Censor
Esta gráfica le
99.9
permite evaluar si 99
la distribución 95
90
80
seleccionada 70
60
50
ajusta a los datos. 40
30
En general, entre 20
más cercanos
Percent
10
a la línea 3
2
ajustada, mejor 1
es el ajuste.
0.1
-8 -4 0
Standardized Residuals
Regression Table
Standard 95.0% Normal CI
Predictor Coef Error Z P Lower Upper
Intercept -15.1874 0.9862 -15.40 0.000 -17.1203 -13.2546
Temp 0.83072 0.03504 23.71 0.000 0.76204 0.89940
Scale 0.35403 0.03221 0.29621 0.42313
Log-Likelihood = -43.64
Table of Percentiles
Standard 95.0% Normal CI
Percent Temp Percentile Error Lower Upper
50 80.0000 159584.5 27446.85 113918.2 223557.0
50 100.0000 36948.57 4216.511 29543.36 46209.94
La tabla de percentiles muestra los percentiles 50 para las temperaturas que se pusieron. El percentil
50 es una buena estimación de duración del aislamiento en el campo a 80°C, el aislamiento durará
alrededor de 159,584.5 horas o 18.20 años, a 100°C el aislamiento durará alrededor de 36,984.57 1-268
horas o 4.21 años
Precauciones y Peligros al
determinar el Factor de Aceleración
• Al determinar el Factor de Aceleración, tenga cuidado de ser
demasiado optimista.
– Suponer un Factor muy alto puede dar un falso sentido de
seguridad.
– Podría no tener el alto nivel de confiabilidad que Usted cree.
– Errar al detectar cambios en el modo de falla, usar el modelo
equivocado, validar mal el modelo puede resultar en un Factor de
Aceleración demasiado optimista..
• La estimación de un factor demasiado optimista, puede a su
vez resultar en la aceptación de componentes no confiables y ,
finalmente, ¡costos altos y clientes insatisfechos!
• Debemos aprender de los ejemplos anteriores para evitar esos
errores.
1-269
Proceso de 15 Pasos
1. Evaluar Costos y Beneficios de Acelerar
2. Determinar Función y Ambiente
3. Conducir / Interpretar Análisis de Modo de Falla
Planear 4. Determinar modo/mecanismo de falla a acelerar
la prueba 5. Determinar como acelerar el mecanismo de falla
6. Determinar niveles de los esfuerzos
7. Seleccionar el tamaño de muestra para cada nivel de
esfuerzo
Ejecutar, 8. Determinar donde será corrida la prueba
analizar, 9. Determinar el modelos de distribución y aceleración
e 10. Validar el sistema de medición
11. Correr la Prueba
implementar
12. Graficar e interpretar los resultados
la prueba
13. Ajustar el Modelo
14. Validar el Modelo
1-270
15. Determinar el Factor de Aceleración e implantarlo
FRACAS
FAILURE REPORTING AND
CORRECTIVE ACTION SYSTEM
1-271
Objetivo
Alcance
1-272
REFERENCIAS
• Statistical Methods for Reliability Data, Meeker and Escobar, 1998
• Handbook of Reliability Engineering and Management by Ireson, Coombs,
and Moss, McGraw Hill, 1990
• Engineering Statistics Handbook, capitulo 8, en
http://www.itl.nist.gov/div898/handbook/main.htm
• How To Plan An Accelerated Life Test -- Some Practical Guidelines.,
Meeker and Hahn, ASQ
• Reliability and Life Testing Handbook, Vols.1 y 2, Dimitri Kececioglu,
Prentice Hall, 1991
• Electronic Component Reliability, Finn Jensen, Wiley, 1998
• Reliability Review, ASQ
• Brian Henninger’s accelerated test project
• Software - Minitab version 12.2 (Minitab Inc) y WEIBULL 5.0 (Reliasoft)
• Otras fuentes - Mechanical Prediction Library, Reliability Tips, Brian
Henninger, Doug Kemp, Ken Zagray, Bill Wunderlin, Alex Cambon,
University of Maryland Accelerated Testing Course - Modarres
1-273
REFERENCIAS
• Statistical Methods for Reliability Data, Meeker and Escobar, 1998
• Handbook of Reliability Engineering and Management by Ireson, Coombs, and
Moss, McGraw Hill, 1990
• Engineering Statistics Handbook, capitulo 8, en
http://www.itl.nist.gov/div898/handbook/main.htm
• Reliability and Life Testing Handbook, Vols.1 y 2, Dimitri Kececioglu, Prentice
Hall, 1991
• Reliability: For Technology, Engineering, and Management, Paul Kales, Prentice
Hall, 1998
• Reliability Methods for Engineers, K. S. Krishnamoorthi, ASQ 1992
• Reliability Statistics, Robert A. Dovich, ASQ 1990
• Software - Minitab version 12.2 (Minitab Inc) y WEIBULL 5.0 (Reliasoft)
• Otras fuentes - Mechanical Prediction Library, Reliability Tips, Brian Henninger,
Doug Kemp, Ken Zagray, Bill Wunderlin, Alex Cambon, University of Maryland
Accelerated Testing Course - Modarres
1-274
Referencias
• Accelerated Testing , Wayne Nelson, Wiley, 1990
• Statistical Methods for Reliability Data, Meeker and Escobar, 1998
• Handbook of Reliability Engineering and Management by Ireson, Coombs, and
Moss, McGraw Hill, 1990
• How To Plan An Accelerated Life Test -- Some Practical Guidelines., Meeker and
Hahn, ASQ
• Reliability and Life Testing Handbook, Vol. 2, Dmitri Kececioglu, Prentice Hall, 1991
• Electronic Component Reliability, Finn Jensen, Wiley, 1998
• Reliability Review, ASQ
• Brian Henninger’s accelerated test project
• Software - Minitab version 12.2 (Minitab Inc) y ALTA (Reliasoft)
• Otras fuentes - Mechanical Prediction Library, Reliability Tips, Brian Henninger,
Doug Kemp, Ken Zagray, Bill Wunderlin, Alex Cambon, University of Maryland
Accelerated Testing Course - Modarres
1-275