ANALISIS DE CONFIABILIDAD USANDO EL METODO

WEIBULL

Para el presente análisis se usara la distribución de Weibull, debido a que es una

distribución ampliamente usada para describir el comportamiento de las fallas en
componentes mecánicos, además tiene las siguientes ventajas:

 Su flexibilidad.
 Otros modelos son casos especiales (exponencial, normal,..);
 El pequeño tamaño de la muestra necesaria para converger a parámetros
precisos.

Existen varias clases de modelos de Weibull:

 De dos parámetros.
 De tres parámetros.
 De cinco parámetros (Bi-Weibull).

Para el análisis se usara inicialmente el modelo de Weibull de Dos parámetros, y

consiguientemente aplicaremos el modelo de Weibull de Tres parámetros, este
modelo nos permitirá encontrar los parámetros que nos interesan como son el
MTBF del componente crítico y Tiempo Optimo entre Intervenciones Preventivas,
así mismo también se encontrara las curvas que describen el comportamiento de la
confiabilidad y tasas de fallas de los componentes que están siendo analizados.

El análisis de confiabilidad se realizara para un equipo crítico, como es el caso de

una Faja Transportadora que alimenta al horno respectivo.

ANALISIS DE CONFIABILIDAD PARA UNA FAJA TRANSPORTADORA

Debido a que se desconoce los valores β, η e γ, se debe linealizar las curvas, es decir usar
el método de regresión lineal, este método permitirá obtener un polinomio que linealizará
la distribución de Weibull y perimirá estimar los parámetros β, η e γ.

Metodo Iterativo

Primero se linealizara la distribución de Weibull de dos parámetros β, η, es decir γ=0;

𝛽
𝛽 𝑡 − 𝛾 𝛽−1 −(𝑡−𝛾 )
𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑊𝑒𝑖𝑏𝑢𝑙𝑙 ∶ 𝐹(𝑡) = ( ) 𝑒 𝜂
𝜂 𝜂
𝑡−𝛾 𝛽
−( )
𝐶𝑜𝑛𝑓𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑: 𝑅(𝑡) = 1 − 𝐹(𝑡) = 𝑒 𝜂

En donde
t: tiempo
β: Es el parámetro de forma (Adimensional).
η: Es el parámetro de escala o tiempo característico (En unidades de tiempo).
γ: Es el parámetro de localización (En unidades de tiempo).

usando el modelo de Weibull de dos parámetros, es decir con 𝛾 = 0. El polinomio que se

usara para el ajuste de los datos es de la siguiente forma:

1
𝑙𝑛 (𝑙𝑛 ( )) = 𝛽𝑙𝑛(𝑡) − 𝛽𝑙𝑛(𝜂)
1 − 𝐹(𝑡)

El polinomio se grafica en un plano bidimensional que tiene la siguiente escala:

1
𝑥 = 𝑙𝑛(𝑡) 𝑦 = 𝑙𝑛 (𝑙𝑛 ( ))
1 − 𝐹(𝑡)

la ecuación del polinomio tiene la siguiente estructura:

𝑦 = 𝑎𝑥 − 𝑏

En donde:

𝑏
( )
𝑎 = 𝛽, 𝑏 = 𝛽𝑙𝑛(𝜂) ó 𝜂 = 𝑒 𝛽

en la tabla siguiente se usa las siguientes variables:

En donde:

 𝑖: Es la posición en orden ascendente de cada uno de los Tiempos Entre Falla

“TBF”.
 𝐹(𝑖): Es la función de la distribución, la cual se estima mediante el método de
rangos medios.

𝑖
𝐹(𝑖) =
𝑛+1

A continuación se muestra el resumen de los datos necesarios para graficar la recta de

ajuste.

 Calculamos el rango de mediana para cada observación usando la ecuación 1.1.

.
 Tiempo entre fallas
i F(i)
t (Hr)
1 16.58 3.27%
2 17.80 7.94%
3 18.00 12.62%
4 18.98 17.29%
5 22.66 21.96%
6 24.45 26.64%
7 24.67 31.31%
8 32.34 35.98%
9 47.40 40.65%
10 67.34 45.33%
11 72.00 50.00%
12 79.70 54.67%
13 88.93 59.35%
14 116.95 64.02%
15 152.40 68.69%
16 182.57 73.36%
17 238.18 78.04%
18 290.30 82.71%
19 402.63 87.38%
20 646.41 92.06%
21 781.30 96.73%

Tabla 22. 1°Ajuste de TBF –Faja

 Calculamos el logaritmo natural del tiempo entre fallas y el logaritmo del logaritmo
del inverso de uno menos el rango de mediana para cada uno de las observaciones
de la muestra. Véase la siguiente tabla.
 Tiempo entre fallas
I F(i) ln(t) ln(ln(1/(1-F(i))
t (Hr)

1 16.58 3.27% 2.81 -3.40

2 17.80 7.94% 2.88 -2.49
3 18.00 12.62% 2.89 -2.00
4 18.98 17.29% 2.94 -1.66
5 22.66 21.96% 3.12 -1.39
6 24.45 26.64% 3.20 -1.17
7 24.67 31.31% 3.21 -0.98
8 32.34 35.98% 3.48 -0.81
9 47.40 40.65% 3.86 -0.65
10 67.34 45.33% 4.21 -0.50
11 72.00 50.00% 4.28 -0.37
12 79.70 54.67% 4.38 -0.23
13 88.93 59.35% 4.49 -0.11
14 116.95 64.02% 4.76 0.02
15 152.40 68.69% 5.03 0.15
16 182.57 73.36% 5.21 0.28
17 238.18 78.04% 5.47 0.42
18 290.30 82.71% 5.67 0.56
19 402.63 87.38% 6.00 0.73
20 646.41 92.06% 6.47 0.93
21 781.30 96.73% 6.66 1.23
Tabla 23. Calculo de logaritmo Faja

Los datos de la Tabla 23 se representan en el grafico de la figura 21 , en el que se observa al

polinomio de ajuste que en este caso es una recta, este polinomio tiene un error cuadrático
𝑅 2 de 0.97532, es decir que la correlación que existe entre el polinomio y los datos es de un
97.53%.
 Ajuste de Weibull con  = 0
1.5

0.5

0
ln(ln(1/(1-F(i))))
-0.5

-1

-1.5
y = 0.82394x -4.0978  r2 = 0.86548
-2

-2.5

-3

-3.5
2.5 3 3.5 4 4.5 5 5.5 6 6.5 7
ln t

Figura 21. Ajuste de Datos de TBF

Sensibilidad y Error Cuadrático – Faja

Ahora realizamos una evaluación de sensibilidad y error cuadrático para encontrar el mejor
polinomio que ajuste a los TBF, para ello incluiremos el parámetro 𝛾 > 0. Mediante Matlab
se analizó cual es el valor del parámetro Gamma que minimiza el error cuadrático.
 Sensibilidad y Error cuadrático
15

10
Gamma() en [Horas]

Max. aproximación en: (r2) max = 0.96104   = 15

0
0.86 0.88 0.9 0.92 0.94 0.96 0.98
Coeficiente de correlación de PEARSON (r2)

Figura 22. Gamma óptimo para minimizar el error cuadrático – Faja

Matlab nos da como resultado que la máxima aproximación se da cuando el parámetro 𝛾 =

15 De la Figura 22 se observa que cuando el valor de gamma toma valores superiores a 15
la aproximación de los datos comienza a decrecer rápidamente.

Con 𝛾 = 15 𝑠𝑒 recalcula la nueva recta de ajuste, ver Tabla 23 y figura 23.

 Tiempo entre fallas
I F(i) ln(t) ln(ln(1/(1-F(i))
t (Hr)

1 16.58 3.27% 2.81 -3.40

2 17.80 7.94% 2.88 -2.49
3 18.00 12.62% 2.89 -2.00
4 18.98 17.29% 2.94 -1.66
5 22.66 21.96% 3.12 -1.39
6 24.45 26.64% 3.20 -1.17
7 24.67 31.31% 3.21 -0.98
8 32.34 35.98% 3.48 -0.81
9 47.40 40.65% 3.86 -0.65
10 67.34 45.33% 4.21 -0.50
11 72.00 50.00% 4.28 -0.37
12 79.70 54.67% 4.38 -0.23
13 88.93 59.35% 4.49 -0.11
14 116.95 64.02% 4.76 0.02
15 152.40 68.69% 5.03 0.15
16 182.57 73.36% 5.21 0.28
17 238.18 78.04% 5.47 0.42
18 290.30 82.71% 5.67 0.56
19 402.63 87.38% 6.00 0.73
20 646.41 92.06% 6.47 0.93
21 781.30 96.73% 6.66 1.23

Tabla 24. Ajuste final de TBF

 Ajuste de Weibull con  = 15
1.5

0.5

0
ln(ln(1/(1-F(i))))

-0.5

-1

-1.5
y = 0.57793x -2.6816  r2 = 0.96104
-2

-2.5

-3

-3.5
0 1 2 3 4 5 6 7
ln (t-)

Figura 23. Ajuste de Datos de TBF del Faja

Del grafico anterior obtenemos los parámetros faltantes de la distribución de Weibull,

recordando que:
𝑏
( )
𝑎 = 𝛽, 𝑏 = 𝛽𝑙𝑛(𝜂) ó 𝜂 = 𝑒 𝛽

Entonces obtenemos:

𝛽 =0.5779
𝜂 =103.5415
𝛾 = 15.0
Validacion del nivel de confianza .

La validación del modelo de Weibull u otros modelos se realiza imponiendo una medida
que se denomina nivel de confianza (𝛼) , este proceso de validación se puede realizar
mediante el Test 𝑋 2 “Chi cuadrado” ó el Test de Kolmogorov-Smirnov (KS).

Descartamos el uso del Chi Cuadrado debido a que deben haber por lo menos mas de 100
observaciones o datos (TBF, TTR, u otros) para hacer uso del mismo; debido a la existencia
de esta restricción elegimos el Test (Kolmogorov Smirnov) el cual tiene la ventaja de
trabajar con cualquier número de observaciones.

El método de Kolmogorov-Smirnov se basa en la comparación de la funciones 𝐹(𝑖) y 𝐹(𝑡),

en donde 𝐹(𝑖) es la distribución propuesta y 𝐹(𝑡) es la verdadera distribución de Weibull,
la cual está representada por:

𝑡−𝛾 𝛽
−( )
𝐹(𝑡) = 1 − 𝑒 𝜂

La comparación se realiza mediante el uso de la discrepancia para cada 𝑡𝑖 :

𝐷𝑛𝑖 = |𝐹(𝑖) − 𝐹(𝑡)|

Para validar el modelo que se propone es necesario que se cumpla lo siguiente:

𝐷𝑛𝛼 > 𝐷𝑛𝑖
𝑚á𝑥

En donde:

𝐷𝑛𝛼 ∶ La máxima discrepancia que se puede aceptar para un determinado nivel de

confianza.
 𝐷𝑛𝑖 : La máxima discrepancia obtenida del proceso de comparación entre la
𝑚á𝑥

distribución propuesta y la distribución verdadera.

El valor de 𝐷𝑛𝛼 será obtenido de tablas de K-S considerando un 𝛼 = 5%, es decir un nivel
de confianza de 95%.

Tiempo entre
I fallas F(i) F(t) Dni=IF(t)-F(i)I
t (Hr)
1 16.58 0.045 0.127 0.082
2 17.80 0.091 0.164 0.073
3 18.00 0.136 0.170 0.033
4 18.98 0.182 0.192 0.010
5 22.66 0.227 0.254 0.027
6 24.45 0.273 0.278 0.005
7 24.67 0.318 0.280 0.038
8 32.34 0.364 0.355 0.009
9 47.40 0.409 0.448 0.039
10 67.34 0.455 0.528 0.074
11 72.00 0.500 0.543 0.043
12 79.70 0.545 0.565 0.020
13 88.93 0.591 0.589 0.002
14 116.95 0.636 0.647 0.010
15 152.40 0.682 0.700 0.018
16 182.57 0.727 0.735 0.007
17 238.18 0.773 0.783 0.010
18 290.30 0.818 0.816 0.003
19 402.63 0.864 0.864 0.001
20 646.41 0.909 0.921 0.012
21 781.30 0.955 0.938 0.016
Maxima discrepancia 0.082

Tabla 25. Validación de Modelo de Weibull – Faja

 De la Tabla 25 obtenemos 𝐷𝑛𝑖 =0.094
𝑚á𝑥

De tablas de K-S obtenemos que:

𝐷𝑛𝛼 = 𝐷400.05 = 0.287,

Comparando los valores máximos obtenidos, se puede afirmar que el modelo de Weibull
que se propone es aceptable al 95% de confianza,