Análisis de Weibull

¿Qué es el análisis de Weibull?

El análisis de Weibull es un método estadístico para estudiar la falla de equipos: toma los tiempos en que fallaron las unidades, ajusta a ellos una distribución de Weibull de dos parámetros y produce un modelo de tiempo hasta la falla. A partir de ese modelo, un ingeniero de confiabilidad puede pronosticar cuántas unidades de una población sobrevivirán a una edad determinada, estimar el riesgo de falla en los próximos meses y decidir cuándo está justificado el reemplazo. La forma de dos parámetros usa beta, un parámetro de forma adimensional, y eta, un parámetro de escala expresado en las mismas unidades que los tiempos de falla.

Los dos parámetros: beta y eta

Beta controla la forma de la curva de falla: si el riesgo de falla cae, se mantiene estable o sube a medida que las unidades envejecen. Es adimensional, por lo que una beta de 2.1 apunta al mismo patrón de envejecimiento en una bomba que en una caja de engranajes.

Eta controla la escala. Es la vida característica, definida como la edad para la cual se espera que haya fallado el 63.2% de la población. En t = eta la función de confiabilidad devuelve exp(-1) = 0.368, por lo que eta es fácil de leer en un gráfico de Weibull: encuentre la línea de falla acumulada del 63.2% y lea el tiempo correspondiente. Ambos parámetros provienen del propio ajuste, lo que hace que verificar el ajuste sea el primer trabajo del analista antes de actuar según los números.

Qué le dice beta

Beta es el resultado con las implicaciones de mantenimiento más directas, porque clasifica el patrón de fallas y señala una respuesta.

Una beta por debajo de 1 suele señalar un problema de mano de obra o calidad, que es donde las prácticas de mantenimiento de precisión rinden: la alineación, el par de apriete y la lubricación correctos eliminan muchos de los defectos que de otro modo aparecerían como fallas de mortalidad infantil. Una beta cercana a 1 advierte que el reemplazo basado en tiempo del componente está comprando poco, ya que las fallas no dependen de la edad. Una beta por encima de 1 es el caso donde la programación funciona, y es donde se concentra el resto de esta página.

Ejemplo práctico: pronóstico de confiabilidad de bombas

Considere 10 bombas idénticas que fallaron a estas horas de operación: 6,200; 8,100; 9,400; 10,500; 11,600; 12,700; 13,900; 15,400; 17,600 y 21,300. Ajustando una distribución de Weibull de dos parámetros a estos tiempos, con los métodos descritos a continuación, se obtiene beta = 2.1 y eta = 13,500 horas.

Con beta por encima de 1, estas bombas muestran un patrón de desgaste: el riesgo de falla sube con la edad. Eta indica que se espera que el 63.2% de una población de bombas haya fallado a las 13,500 horas, y cada falla en una línea de operación continua es también tiempo de inactividad del equipo. La función de confiabilidad de Weibull da la probabilidad de supervivencia a la edad t: R(t) = exp(-(t/eta)^beta).

Para hallar la proporción de bombas que se espera sobreviva a las 10,000 horas:

1. Divida la edad entre la vida característica: t / eta = 10,000 / 13,500 = 0.741.
2. Eleve el resultado a la potencia de beta: 0.741^2.1 ≈ 0.533.
3. Aplique el exponencial: R(10,000) = exp(-0.533) ≈ 0.59.

Se espera que alrededor del 59% de las bombas sobreviva a las 10,000 horas, y que el 41% haya fallado para entonces. Al ejecutar la misma función en eta se obtiene R(13,500) = exp(-1) ≈ 0.368, lo que confirma la vida característica. El ajuste también implica una vida mediana de unas 11,300 horas, la edad a la cual se espera que haya fallado la mitad de la población.

Cómo se hace el ajuste

Dos métodos de ajuste dominan la práctica. La regresión por rangos grafica cada tiempo de falla contra su rango mediano en papel probabilístico de Weibull y ajusta una línea recta: la pendiente estima beta, y el tiempo en la línea del 63.2% estima eta. El gráfico sirve además como verificación visual, ya que la curvatura sugiere que los datos mezclan modos de falla. La estimación de máxima verosimilitud (MLE) encuentra los valores de beta y eta que hacen más probables los tiempos de falla observados, y las implementaciones de software suelen preferirla para muestras pequeñas y conjuntos de datos fuertemente censurados.

Los estudios reales rara vez observan solo fallas. Las unidades que siguen operando cuando termina el estudio, o retiradas por una razón no relacionada, están censuradas a la derecha (suspendidas). Estas unidades aportan información: una bomba todavía sana a las 20,000 horas demuestra que la población puede alcanzar las 20,000 horas, y dejarla fuera sesga eta hacia abajo. Los métodos de rangos medianos ajustan las posiciones de graficación para tener en cuenta las unidades suspendidas, de modo que los datos censurados a la derecha contribuyen al ajuste en lugar de distorsionarlo.

Aplicaciones de mantenimiento

Un modelo de Weibull ajustado respalda cuatro decisiones de mantenimiento recurrentes:

• Establecer intervalos de reemplazo. La distribución muestra la probabilidad de falla a cada edad, por lo que el intervalo puede fijarse donde el riesgo sigue siendo aceptable. En el ejemplo de las bombas, la vida B10 (la edad a la cual se espera que haya fallado el 10%) resulta ser de unas 4,600 horas.
• Comparar modos de falla. Ajustar cada modo por separado muestra cuáles envejecen y cuáles son aleatorios, así que el esfuerzo va donde el patrón lo justifica.
• Justificar el monitoreo de condición. Cuando beta está por encima de 1 y la degradación es medible, el ajuste construye el caso de negocio para el mantenimiento predictivo: el desgaste del rodamiento aparece en los datos de vibración mucho antes de que el rodamiento se atasque, lo que convierte una falla inesperada en un reemplazo planificado.
• Dimensionar el inventario de repuestos. El modelo pronostica cuántas fallas esperar en un trimestre, lo que indica a los planificadores cuántos repuestos conservar y acorta el tiempo de inactividad no planificado cuando ocurre una falla.

Limitaciones

El análisis de Weibull es tan sólido como sus entradas, y tres limitaciones se repiten con frecuencia:

• Modos de falla mezclados. Un conjunto de datos que agrupa varios mecanismos produce un gráfico de Weibull curvo, y una sola beta entonces no describe nada real. Separar los modos antes del ajuste es práctica estándar.
• Muestras pequeñas. Diez unidades, como en el ejemplo de las bombas, producen estimaciones puntuales útiles pero intervalos de confianza amplios; trate beta y eta como rangos, no como constantes precisas.
• Datos de falla pobres. Las fechas de falla faltantes, las horas de operación desconocidas o los registros que no dicen qué se rompió dejan el ajuste sin nada confiable que modelar. La limpieza de datos precede al análisis.

Preguntas frecuentes

La conclusión

El análisis de Weibull convierte una columna de tiempos de falla en dos números sobre los que se puede actuar: beta identifica el patrón de fallas, y eta ancla la vida característica en unidades reales. Lea beta primero, porque decide la respuesta: correcciones de mano de obra para beta por debajo de 1, cambios de diseño para beta cercano a 1, y reemplazo programado o monitoreo de condición para beta por encima de 1. Ajuste un modo de falla a la vez, conserve las unidades suspendidas en el conjunto de datos y actualice el ajuste a medida que llegan nuevas fallas, de modo que el pronóstico siga a la flota.