Los seis patrones de fallo son las seis curvas de probabilidad condicional de fallo identificadas por Stanley Nowlan y Howard Heap en su estudio de fiabilidad de 1978 para United Airlines, que muestran que las probabilidades de que un activo falle no siguen una única forma universal de "desgaste".
Su trabajo, financiado por el Departamento de Defensa de EE. UU. y más tarde fundamental para el Mantenimiento Centrado en la Confiabilidad (RCM), rebatió una cómoda suposición: que la mayoría del equipo envejece de forma predecible y puede protegerse con revisiones programadas. Los datos dijeron lo contrario.
Para los planificadores de mantenimiento, esta es la razón más importante para alejar el gasto de las reconstrucciones ciegas basadas en el calendario y orientarlo hacia intervenciones basadas en la condición.
Nowlan y Heap trazaron, para grandes poblaciones de componentes aeronáuticos, cómo cambiaba la probabilidad condicional de fallo en función de la edad operativa. La probabilidad condicional es la posibilidad de que un artículo falle en el siguiente intervalo dado que ha sobrevivido hasta ahora.
Descubrieron que estas curvas se agrupaban en seis formas distintas y, de forma crítica, que solo tres de ellas muestran un aumento del riesgo de fallo con la edad.
Las otras tres son planas o disminuyen con el tiempo, lo que significa que las piezas más viejas no tienen más probabilidad de fallar que las más jóvenes.
Este hallazgo está estrechamente relacionado con, pero es más amplio que, la clásica curva de bañera , que es solo uno de los seis patrones. La curva de bañera es intuitiva y aún se enseña en todas partes, pero describía una minoría de los componentes estudiados.
Comprender los seis requiere un manejo práctico de la estadística de fallos; la distribución de Weibull es la herramienta habitual para ajustar estas curvas a datos reales.
Si sumas los tres patrones relacionados con la edad (A, B y C) llegas a aproximadamente un 11 por ciento. El 89 por ciento restante (D, E y F) está dominado por fallos aleatorios o de vida temprana donde una revisión programada no hace nada útil e incluso puede introducir nuevos defectos de mortalidad infantil.
Imagina una flota de 200 rodamientos de caja de cambios idénticos que siguen el Patrón F. En las primeras 500 horas de funcionamiento, defectos de mortalidad infantil (malas instalaciones, contaminación) provocan 12 fallos. Después de ese rodaje, la población se estabiliza a una tasa aleatoria baja de aproximadamente 1 fallo por cada 1.000 horas de funcionamiento por cojinete.
Un planificador fija un reemplazo programado "seguro" cada 4.000 horas. Dado que los rodamientos no se desgastan, cada uno de esos recambios sustituye un rodamiento sano por uno nuevo, y cada instalación nueva vuelve a entrar en la zona de mortalidad infantil de 500 horas.
Si incluso el 6 por ciento de las nuevas instalaciones llevan un defecto, has fabricado deliberadamente una nueva oleada de fallos tempranos en un componente que funcionaba bien. El mantenimiento por calendario no redujo el riesgo; lo recicló.
Un enfoque de mantenimiento basado en la condición que vigile vibración y temperatura dejaría los rodamientos sanos en paz y actuaría solo sobre los que realmente se estén degradando.
La conclusión práctica no es "deja de hacer mantenimiento preventivo". Es ajustar la táctica al patrón. El reemplazo por tiempo gana sentido solo en componentes que muestran de verdad un envejecimiento por desgaste (patrones A, B y C, y aun así solo cuando existe un punto de desgaste claro y dominante).
Para el resto, la respuesta del RCM son tareas basadas en la condición, comprobaciones para detectar fallos, rediseño o una decisión deliberada de operar hasta el fallo cuando las consecuencias sean tolerables.
Aquí es también donde el debate más amplio de mantenimiento reactivo versus proactivo se vuelve más claro: proactivo no tiene por qué significar impulsado por el calendario, y a menudo no debería.
La razón incómoda por la que muchas plantas recurren al PM por calendario es que carecen del historial de fallos para trazar estas curvas. Clasificar un componente como aleatorio o de desgaste requiere registros de fallos con marcas de tiempo, horas de funcionamiento y lecturas de condición.
Sin eso, los planificadores vuelven al calendario que suena más seguro. Un análisis de patrones fiable depende de un CMMS disciplinado que capture cada orden de trabajo con su modo de fallo, y de señales de condición en tiempo real en lugar de rondas manuales.
Datos más limpios también mejoran directamente tu efectividad global de los equipos , porque las paradas no planificadas disminuyen cuando el mantenimiento se dirige a los activos que realmente se están degradando.
Aplicar los seis patrones de fallo solo es tan bueno como los datos que hay debajo, y esa es la capa que proporciona Fabrico.
Fabrico es una plataforma de monitorización de producción y OEE en tiempo real emparejada con un CMMS listo para el campo, que te da el historial de fallos con marcas de tiempo, las horas de funcionamiento y el detalle de órdenes de trabajo necesarios para clasificar el comportamiento real de fallo de cada activo en lugar de adivinar.
Su monitorización por visión artificial lee el estado de la máquina incluso en equipos antiguos sin PLC, por lo que las señales de condición están disponibles en los activos heredados exactos que con más frecuencia siguen patrones aleatorios o de mortalidad infantil.
Órdenes de trabajo, registros de activos, programación preventiva y seguimiento de repuestos viven en un solo lugar, y Fabrico está desarrollado en la UE con residencia de datos en la UE.
Fabrico es la base de datos en tiempo real que permite a un equipo de fiabilidad decidir, con evidencia, qué activos merecen un calendario y cuáles deben ser vigilados.
No. Significa que el reemplazo programado por tiempo solo es efectivo para aproximadamente el 11 por ciento de los componentes cuyo riesgo de fallo realmente aumenta con la edad. Para esos activos es la táctica adecuada.
La cuestión es que aplicar un calendario al otro 89 por ciento malgasta mano de obra y piezas y puede introducir nuevos fallos de mortalidad infantil, así que la táctica debe ajustarse al patrón real de cada componente.
La curva de bañera es solo uno de los seis patrones (Patrón A). Nowlan y Heap demostraron que se aplicaba solo a una pequeña parte de los componentes que estudiaron. Tratar la curva de bañera como universal lleva a los planificadores a esperar una zona de desgaste que la mayoría del equipo nunca alcanza, que es precisamente la suposición que su investigación corrigió.
Necesitas historial de fallos por activo con fechas y horas de funcionamiento, el modo de fallo de cada evento y, idealmente, datos de condición como tendencias de vibración o temperatura. Con suficientes registros puedes ajustar una curva de Weibull por modo de fallo y ver cuál de los seis patrones predomina.
La mayoría de las plantas encuentran que el problema limitante es la disciplina en la captura de datos, no la estadística en sí.
¿Listo para dejar de programar revisiones en activos que nunca se desgastan? Descubre cómo Fabrico convierte datos de máquina en tiempo real e historial estructurado de órdenes de trabajo en la base de evidencia para decisiones de mantenimiento más inteligentes. Reserva una demo de Fabrico y pon tus datos de fallos a trabajar.
Iniciar sesión
Blog
