Probabilidad condicional de falla

Por qué importa la probabilidad condicional de falla

El mantenimiento tradicional asume que todos los activos de la misma edad o modelo tienen el mismo riesgo de falla. Pero la realidad es diferente. Dos bombas idénticas de la misma antigüedad pueden tener una confiabilidad muy distinta. Una opera en condiciones limpias a caudal moderado; la otra maneja lodo abrasivo a alta presión. La segunda fallará mucho antes.

La probabilidad condicional de falla reconoce esta realidad. Plantea: dado lo que sabemos sobre este activo específico en este momento, ¿cuál es la posibilidad de que falle en la próxima semana, mes o trimestre? Esto permite a los equipos de mantenimiento priorizar el trabajo y programar reparaciones en el momento óptimo.

Cómo se calcula la probabilidad condicional

Paso 1: Recopilar datos de condición

Los sistemas de monitoreo de condición recopilan datos de sensores: vibración, temperatura, presión, estado del aceite, firmas acústicas. Cada lectura es una instantánea de la salud actual del activo.

Paso 2: Comparar con líneas base y umbrales

Las lecturas actuales se comparan con la línea base del activo (condición normal cuando era nuevo o fue revisado recientemente) y con los umbrales de falla estándar de la industria. Si la vibración está 15% por encima de la línea base, eso es una señal de deterioro.

Paso 3: Analizar tendencias de deterioro

¿La condición del activo mejora, se mantiene estable o empeora con el tiempo? Una vibración que aumenta 2% por semana sugiere que un rodamiento se está desgastando de forma predecible. Una vibración que sube repentinamente sugiere un evento agudo. El análisis de tendencias determina la tasa de deterioro.

Paso 4: Aplicar modelos predictivos

Los modelos de machine learning entrenados con datos históricos de falla estiman la probabilidad de falla dado el estado actual del activo. Si un motor con patrones de vibración similares históricamente falló entre 2 y 4 semanas, el algoritmo predice una probabilidad condicional alta para el motor actual.

Paso 5: Obtener la estimación de probabilidad

El sistema genera una probabilidad: por ejemplo, "85% de probabilidad de falla en 30 días" o "Vida útil restante: 14 días +/- 3". Esto permite a los equipos de mantenimiento actuar con confianza.

Probabilidad condicional vs. tiempo medio hasta la falla

El MTBF de un activo puede indicar que un rodamiento dura 5 años en promedio. Pero si las lecturas de vibración actuales sugieren que la falla es inminente, la probabilidad condicional de falla puede ser del 75% en 14 días. Necesitas ambas perspectivas: MTBF para la planificación a largo plazo, probabilidad condicional para decisiones inmediatas.

Uso de la probabilidad condicional para la toma de decisiones

Programación de mantenimiento

Si la probabilidad condicional de falla es baja (menos del 10% en los próximos 30 días), puedes aplazar con seguridad el mantenimiento y extender el tiempo de operación del equipo. Esto maximiza la disponibilidad del activo.

Si la probabilidad es moderada (entre 10 y 50%), programa el mantenimiento durante la próxima ventana planificada. Tienes tiempo para planificar, adquirir artículos de repuesto y coordinar la reparación.

Si la probabilidad es alta (por encima del 50-75%), el mantenimiento se vuelve urgente. Puedes priorizar este activo sobre otros, programar el trabajo de inmediato o aumentar la frecuencia de inspección para detectar la falla aún antes.

Planificación de artículos de repuesto

Los activos con probabilidad condicional de falla creciente son candidatos para reemplazo preventivo. Ordenar artículos ahora garantiza que lleguen cuando se necesiten, reduciendo el tiempo de reparación.

Gestión de riesgos

Para equipos críticos desde el punto de vista de seguridad o ingresos, la probabilidad condicional informa las decisiones de riesgo. Si la probabilidad de falla en los próximos 7 días supera tu umbral de riesgo, actúas de inmediato, aunque genere un costo. Si la probabilidad es baja, puedes aceptar el riesgo y aplazar la reparación.

Requisitos de datos para estimaciones precisas

Datos históricos de falla

Cuantos más registros de falla tengas de equipos similares en condiciones similares, más preciso será el modelo. Una instalación con 10 años de historial de mantenimiento puede predecir mejor que una con solo 1 año.

Datos continuos de sensores

Las lecturas de vibración mensuales ofrecen una imagen aproximada; las lecturas diarias o continuas detectan la progresión de la falla con mucha mayor precisión. Los sensores IoT mejoran notablemente las estimaciones de probabilidad condicional.

Metadatos

Las condiciones de operación importan. La operación a alta o baja demanda, los extremos de temperatura, los contaminantes y las horas de operación diarias afectan el riesgo de falla. Los modelos que consideran estos factores son más precisos.

Limitaciones e incertidumbres

La probabilidad condicional es una estimación, no una garantía. Incluso con una probabilidad del 90%, existe un 10% de posibilidad de que el activo no falle. Por otro lado, un activo con probabilidad baja podría fallar por un evento inesperado (impacto, sobretensión, sabotaje).

Los modelos mejoran con los datos. Las estimaciones tempranas pueden tener intervalos de confianza amplios. A medida que acumulas más lecturas de condición y registros de falla, las estimaciones se vuelven más precisas.

La probabilidad condicional funciona mejor para el deterioro gradual (desgaste de rodamientos, fuga de sellos). Es menos precisa para fallas repentinas y aleatorias (cortocircuito eléctrico, propagación de grietas por fatiga).

Probabilidad condicional y confiabilidad de activos

Al responder a la probabilidad condicional de falla, mejoras la confiabilidad de los activos. El mantenimiento ocurre antes de la falla y no después, reduciendo el tiempo de paro no planeado y las fallas de equipos. Con el tiempo, una flota gestionada de esta manera tiene mayor disponibilidad y menores costos de mantenimiento.

Preguntas frecuentes

La conclusión

La probabilidad condicional de falla transforma el mantenimiento de los calendarios fijos o la respuesta ante emergencias a una programación óptima basada en datos. Al medir continuamente el estado de los activos y estimar la probabilidad de falla, el mantenimiento se programa cuando más importa: después de detectar el deterioro pero antes de la falla catastrófica.

Comienza recopilando datos detallados de condición de los activos críticos, aplica modelos predictivos y actúa sobre los resultados. Con el tiempo, tu organización transitará hacia el mantenimiento predictivo, reduciendo el tiempo de paro no planeado y los costos globales de mantenimiento, mientras mejora la seguridad y la disponibilidad de los activos.