Análisis de históricos de fallas como instrumento para establecer fechas de mantenimiento preventivo
DOI:
https://doi.org/10.61799/2216-0388.1997Palabras clave:
Ciencia de Datos, Estrategia de mantenimiento, Modelo de probabilidad.Resumen
Los datos históricos de fallas en equipos industriales constituyen un insumo fundamental para el análisis estadístico orientado a la optimización de las estrategias de mantenimiento preventivo. Esta investigación es de enfoque cuantitativo y alcance correlacional, y se basa en el análisis de datos históricos de fallas de motores eléctricos con características operativas similares, obtenidos a partir de registros de mantenimiento en una planta industrial. La técnica de recolección de datos corresponde a la revisión documental de bases de datos históricas de mantenimiento. Los datos fueron ajustados a un modelo de probabilidad para variables continuas, específicamente la distribución Weibull, con el fin de estimar probabilidades de falla y niveles de confiabilidad en función del tiempo. Los resultados evidencian un adecuado ajuste de los datos a la distribución Weibull, con parámetros estimados β = 2,058 y α = 707,0037, lo que permitió calcular probabilidades de falla crecientes a lo largo del tiempo, alcanzando valores superiores al 90 % en periodos cercanos a la vida útil esperada del equipo. Como conclusión, el análisis estadístico del histórico de fallas permite establecer y ajustar de manera objetiva las frecuencias de mantenimiento preventivo, contribuyendo a la reducción de costos operativos y al mejoramiento de la confiabilidad de los equipos.
Descargas
Referencias
[1] R. B. Abernethy, The New Weibull Handbook, 5th ed. Tucson, AZ: ReliaSoft Publishing, 2006.
[2] R. K. Mobley, An Introduction to Predictive Maintenance, 2nd ed. Boston, MA: Butterworth-Heinemann, 2002. DOI: https://doi.org/10.1016/B978-075067531-4/50006-3
[3] L. Silva and R. Pinheiro, “Reliability applied to the Preventive Maintenance on Wind Farms using Weibull distribution with a Financial Approach,” Renewable Energy and Power Quality Journal, vol. 1, pp. 340–343, Apr. 2017, doi: 10.24084/repqj15.314. DOI: https://doi.org/10.24084/repqj15.314
[4] A. K. S. Jardine, D. Lin, and D. Banjevic, “A review on machinery diagnostics and prognostics implementing condition-based maintenance,” Mech Syst Signal Process, vol. 20, no. 7, pp. 1483–1510, 2006, doi: https://doi.org/10.1016/j.ymssp.2005.09.012. DOI: https://doi.org/10.1016/j.ymssp.2005.09.012
[5] H. Rinne, The Weibull Distribution: A Handbook. Boca Raton, FL: CRC Press, 2009.
[6] L. C. Blanco, Probabilidad. Bogotá, Colombia: Universidad Nacional de Colombia, 2004.
[7] J. Serrano, “Comparación de métodos para determinar los parámetros de Weibull para la generación de energía eólica,” Scientia et Technica, vol. 18, no. 2, pp. 384–389, 2013.
[8] D. A. Lind, W. G. Marchal, and S. A. Wathen, Estadística aplicada a los negocios y la economía. México: McGraw-Hill, 2012.
[9] P. D. T. O’Connor and A. V Kleyner, Practical Reliability Engineering. Wiley, 2025. [Online]. Available: https://books.google.com.co/books?id=-NpZEQAAQBAJ
[10] T. P. Carvalho, F. A. A. M. N. Soares, R. Vita, R. da P. Francisco, J. P. Basto, and S. G. S. Alcalá, “A systematic literature review of machine learning methods applied to predictive maintenance,” Comput Ind Eng, vol. 137, p. 106024, 2019, doi: https://doi.org/10.1016/j.cie.2019.106024. DOI: https://doi.org/10.1016/j.cie.2019.106024
[11] D. C. Montgomery and G. C. Runger, Applied Statistics and Probability for Engineers. Hoboken, NJ: John Wiley & Sons, Inc., 2018.
[12] A. M. Law, Simulation Modeling and Analysis. in McGraw-Hill series in industrial engineering and management science. McGraw-Hill Education, 2015. [Online]. Available: https://books.google.com.co/books?id=0qdNMAEACAAJ
[13] W. Q. Meeker, L. A. Escobar, and F. G. Pascual, Statistical Methods for Reliability Data. in Wiley Series in Probability and Statistics. Wiley, 2021. [Online]. Available: https://books.google.com.co/books?id=39ZKEAAAQBAJ
[14] N. Wayne, Applied Life Data Analysis. in Wiley Series in Probability and Statistics. Wiley, 2003. [Online]. Available: https://books.google.com.co/books?id=qyyjJIL40S0C
[15] J. D. Gibbons and S. Chakraborti, “Nonparametric Statistical Inference,” in International Encyclopedia of Statistical Science, M. Lovric, Ed., Berlin, Heidelberg: Springer Berlin Heidelberg, 2011, pp. 977–979. doi: 10.1007/978-3-642-04898-2_420. DOI: https://doi.org/10.1007/978-3-642-04898-2_420
[16] Y. Dodge, The Concise Encyclopedia of Statistics. in The Concise Encyclopedia of Statistics. Springer New York, 2008. [Online]. Available: https://books.google.com.co/books?id=k2zklGOBRDwC
[17] E. Castaño, L. Palmera, T. Velásquez, y D. Ríos, “Modelo de gestión de un cuadro de mando integral de servicios de TI para empresas del sector transporte”, Revista Temario Científico, 5(2), 2025. e25522. DOI: https://doi.org/10.47212/rtcAlinin.3.225.15 DOI: https://doi.org/10.47212/rtcAlinin.3.225.15
[18] U. Escalante-Manosalva, H. F. Noriega-Quintana, J. Flórez-Vergara and O. A. Numa “Estudio socioeconómico para la viabilidad de una plaza de mercado satélite en Aguachica, Cesar”, Mundo Fesc, vol. 14, no. 30, 2024, pp. 8-29 doi: 10.61799/2216-0388.1720. DOI: https://doi.org/10.61799/2216-0388.1720
[19] C. W. Zhang, “Weibull parameter estimation and reliability analysis with zero-failure data from high-quality products,” Reliab Eng Syst Saf, vol. 207, p. 107321, 2021, doi: https://doi.org/10.1016/j.ress.2020.107321. DOI: https://doi.org/10.1016/j.ress.2020.107321
[20] P. H. Tsarouhas, “Reliability, availability and maintainability analysis in food production lines: A review,” Int J Food Sci Technol, vol. 47, no. 11, pp. 2243–2251, 2012, doi: 10.1111/j.1365-2621.2012.03073.x. DOI: https://doi.org/10.1111/j.1365-2621.2012.03073.x
[21] R. K. Mobley, An Introduction to Predictive Maintenance. in Plant Engineering. Butterworth-Heinemann, 2002. [Online]. Available: https://books.google.com.co/books?id=SjqXzxpAzSQC
[22] Y. M. Gómez, D. I. Gallardo, C. Marchant, L. Sánchez, and M. Bourguignon, “An in-depth review of the Weibull model with a focus on various parameterizations,” Mathematics, vol. 12, no. 1, p. 56, 2024, doi: 10.3390/math12010056. DOI: https://doi.org/10.3390/math12010056
[23] M. G. M. Khan and M. R. Ahmed, “Bayesian method for estimating Weibull parameters for wind resource assessment in a tropical region: A comparison between two-parameter and three-parameter Weibull distributions,” Wind Energy Science, vol. 8, pp. 1277–1298, 2023, doi: 10.5194/wes-8-1277-20 DOI: https://doi.org/10.5194/wes-8-1277-2023
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Mundo FESC Journal
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
