You are on page 1of 16

Capturando la cantidad correcta de datos

Uno de los desafos clave que enfrentan los gerentes de mantenimiento y confiabilidad es determinar el nivel apropiado de tecnologa de de monitoreo de condicin para los activos de la planta que se encuentran en el medio del espectro, desde el punto de vista de la criticidad en general. La mayora de los activos de la planta, por lo general maquinaria de bajos caballos y menos critica, comnmente se monitorean con tecnologas predictivas porttiles. Del mismo modo, es una decisin fcil para seleccionar soluciones de monitoreo de condicin en-lnea para el equipo de gran caballaje que son altamente crticos para la operacin de la planta. El dilema, a menudo, es determinar el nivel adecuado de monitoreo de condicin de los activos que se encuentran en algn lugar entre estas dos clasificaciones. Por lo general, el ranking de criticidad se utiliza como un criterio en el desarrollo y aplicacin de programas preventivos y de prediccin en una poblacin amplia de los activos. Los factores ambientales y de seguridad solos a menudo proporcionan la justificacin necesaria para una solucin de monitoreo de condicin en particular. Sin embargo, cuando la seguridad y las consideraciones ambientales no son una preocupacin abrumadora, un verdadero anlisis de costo/beneficio puede ser til para apoyar el argumento empresarial para la correcta tecnologa del monitoreo de condicin para los activos que quedan en el medio del espectro de la criticidad. Este artculo demostrara los mtodos basados en el Anlisis de Modo de Falla y Efectos FMEA, por sus siglas en ingls) para el anlisis de costo/beneficio de las soluciones de monitoreo de condicin para activos y grupos especficos de equipos similares que entran en esta categora. Estos mtodos, especialmente cuando se realiza en conjunto con anlisis de RCM, ayudan a responder preguntas clave acerca de si o no una propuesta de solucin de monitoreo de condicin es tcnicamente factible y vale la pena. El Espectro de Criticalidad Prcticamente todas las operaciones industriales se basan en los equipos considerados fundamentales para sus procesos. Algunas de estas operaciones involucran maquinaria de gran potencia y activos fijos que tienen un impacto significativo en la produccin de la planta, y representan altos costos de reparacin o consideraciones de seguridad,

en el caso de un fracaso. Para estos activos, el monitoreo continuo del comportamiento de los equipos y los indicadores del estado con transductores fijos y los sistemas de proteccin en-lnea se han considerado las mejores prcticas durante dcadas. Con un canal dedicado de monitoreo para cada transductor, los sistemas continuos no solo proporcionan funciones de proteccin, sino permitir un anlisis profundo de los parmetros medidos y las capacidades de diagnstico. Las recomendaciones del Fabricante Original de los equipos (OEM, por sus siglas en ingles), las mejores prcticas del usuario final, las directrices del asegurador industrial, y las normas como API 670 han servido para reforzar estas aplicaciones como prctica estndar para los activos crticos. Adems del monitoreo continuo en-lnea, las mejores prcticas para los activos crticos tambin incorporan tcnicas peridicas fuera-de-lnea, tales como tcnicas de anlisis del aceite lubricante, termografa infrarroja, anlisis de la corriente del motor, y otros. Hacia el otro extremo del espectro de la criticidad, pero todava por encima del umbral en el que la estrategia de que trabaje hasta la falla (run to failure) podra ser considerada, los grupos colectivos de maquinaria de uso general de caballaje ms pequeo y los activos fijos se suelen manejar con programas que aplican estas tecnologas predictivas porttiles como la estrategia principal. Sobre una base peridica, los datos son recolectados y analizados con la ayuda de los recolectores de datos porttiles de vibraciones, cmaras de termografa infrarroja, muestreo del aceite lubricante y anlisis, equipos de deteccin de ultrasonidos y otras tcnicas que proporcionan las indicaciones de la condicin de los activos a un costo relativamente bajo por cada punto cuando se aplica a travs de una base de activos de tamao regular. Los datos de la evaluacin competitiva de una variedad de industrias dan prueba de que los programas de mantenimiento predictivo, cuando estn diseados e integrados con las operaciones y actividades de mantenimiento, paga dividendos importantes y recurrentes1. Una de las razones principales para esto es que el mantenimiento realizado segn las indicaciones del estado de la mquina suele ser ms eficaz y eficiente que el mantenimiento que se basa exclusivamente en las estrategias reactivas o basadas en el tiempo. La necesidad de Mtodos Basados en FMEA de justificacin de Costos Para los bienes de equipo que se sitan entre estas dos clasificaciones, el nivel adecuado de monitoreo de condicin puede no ser una alternativa tan clara. Una buena pregunta a la hora de evaluar una posible solucin es cul es el rendimiento

esperado de la inversin y el perodo de recuperacin? La siguiente discusin sobre los mtodos basados en FMEA se ofrece para ayudar a responder esta pregunta. La mayora de los programas de mantenimiento y confiabilidad exitosos han desarrollado una clasificacin de la criticidad global para todos los activos en sus instalaciones. Factores tpicos utilizados en la determinacin de la criticidad del impacto potencial que podran llevar a un fracaso: Seguridad Ambiental Produccin Costos Calidad del Producto Lo que generalmente resulta de este ejercicio es una lista de los activos clasificados en trminos de criticidad relativa usando una escala arbitraria como 0 a 10, A/B/C, u otro rgimen alfanumrico. Estas clasificaciones se utilizan normalmente para dar prioridad a la direccin de recursos limitados de la administracin de activos (tanto de personas como de tecnologa), a donde tendrn el mayor impacto. Aunque estas clasificaciones pueden incorporar puntuacin numrica y pueden ser ms o menos vinculados a las cantidades reales, como el coste, son en su mayor parte cualitativas, es decir, los nmeros se determinan con base en la interpretacin subjetiva de las caractersticas relativas a los criterios de clasificacin establecidos. Esto es totalmente apropiado cuando la tarea es determinar la criticidad relativa de varios miles de piezas individuales del equipo de la manera ms eficiente posible. Los resultados de criticidad desarrollados de esta manera, sin embargo, normalmente carecen de detalles precisos y fiables que puedan apoyar de forma cuantitativa o absoluta la determinacin de riesgo en trminos de probabilidad de un suceso real y la gravedad en trminos financieros. Un anlisis ms cientfico que determina el riesgo financiero anualizado o el costo probabilstico, es til para aquellos casos en donde los anlisis de costo-beneficio son necesarios para evaluar la viabilidad de las posibles soluciones. La necesidad del anlisis de coste/beneficio es tambin una parte importante del proceso de la toma de decisiones del anlisis del Mantenimiento Centrado en Confiabilidad. Medidas proactivas, incluida la aplicacin de monitoreo de condiciones, ha de ser tcnicamente viable y que valga la pena de hacer 2. La solucin debe ser

eficaz en la reduccin de riesgos y costes a un nivel adecuado, y capaz de generar beneficios que superan a los costos para su aplicacin. Mediante la aplicacin de conceptos de FMEA para ayudarnos a medir el grado de mitigacin del riesgo que puede lograrse por una solucin posible, y utilizando los resultados en la ecuacin costo/beneficio, podemos responder a estas preguntas con mucho ms seguridad. La cuantificacin de los costos y el riesgo El resto de este artculo examinar la forma de expresar el riesgo de tipo probabilstico, determinar el nivel de reduccin del riesgo de que se puede lograr mediante la aplicacin de soluciones de monitoreo de condicin, y pesar estos beneficios contra los costes de implementacin de solucin en una forma verdadera de un anlisis de costo/beneficio en valor presente neto. Los costos y riesgos que representa un activo para un negocio, en trminos financieros, se pueden derivar con varios mtodos distintos: Mtodo A Datos Histricos Si los datos histricos estn disponibles en un Sistema de Administracin de Mantenimiento (CMMS por sus siglas en ingls) que tenga suficiente granularidad para vincular la produccin perdida y los costes de mantenimiento de los modos de falla especficos, entonces la determinacin de costos de probabilidad puede ser simplemente una extrapolacin de la historia coste real de un activo especfico de una conjunto de datos, como se muestra en la Figura 1. Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador. Los Costos de la tabla pueden ser fcilmente ordenados por tipo de falla y convertirse en valores equivalentes de costo anual que puede ser utilizado en un anlisis de costo/beneficio en valor presente neto de posibles soluciones. Mtodo B Publicadas Estadsticas de Confiabilidad

Cuando el historial de costes no est disponible porque un registro exacto no se han

cumplido o tal vez la planta todava no est en operacin, el riesgo anual, en trminos financieros, todava se puede estimar a partir de estadsticas de confiabilidad elaboradas por una variedad de grupos de usuarios de la industria y disponible en un nmero de fuentes publicadas. El riesgo se define como sigue: Riesgo = Probabilidad x Severidad Donde: Probabilidad = la probabilidad estadstica de que ocurra el evento Severidad = consecuencias del evento si llega a ocurrir La probabilidad es un valor de porcentaje que representa la probabilidad estadstica de que ocurra un evento dentro de un tiempo de misin definido. Esto puede ser calculado a partir de la frmula: Probabilidad = 1 e-(t/MTBF) Donde: MTBF = Tiempo Medio Entre Fallas t = tiempo de misin Para simplificar, en la frmula anterior, estamos asumiendo una distribucin aleatoria de fallas es decir, las fallas no dependen del tiempo-de-operacin. Sin embargo, para los modos de fallo que son fuertemente dependientes del tiempo, como la mortalidad prematura o el desgaste, los parmetros de Weibull y Eta Beta se deben utilizar en la funcin exponencial como se muestra a continuacin para dar mayor precisin de clculo de probabilidad de falla por un tiempo de misin determinado: Probabilidad = 1 - e-(t/) Donde = vida caracterstica = parmetro de forma Como los valores para los parmetros de confiabilidad pueden variar ampliamente, algunas bases de datos de confiabilidad publicadas presentan parmetros de MTBF y Weibull, como valores de porcentajes superiores e inferiores as como valores medios. Los valores superiores e inferiores suelen representar el 5% y el 95% de puntos

porcentuales dentro del rango de valores de la base de datos. Dado que el 90% de los valores de las base de datos se encuentran entre esos dos lmites, los clculos de confiabilidad que utilizan tanto los lmites superiores como los inferiores producir un rango de probabilidad correspondiente a un intervalo de confianza del 90% o 90% de certeza. El factor de Severidad que se utiliza en la definicin de riesgos, se puede expresar en unidades financieras. Esta es la severidad o el coste esperado para el negocio en la prdida de produccin, mano de obra, gastos de reparacin, multas o penas, y la prdida de calidad de los productos que se producirn si se produce un fallo detectado. Si el tiempo de la misin utilizado en el clculo de probabilidad es de un ao, y luego multiplicar Severidad X Probabilidad se obtiene la probabilidad de gravedad del riesgo o el coste anual de probabilidad anual que representa para la empresa por ese activo o grupo de activos. Cuando la cuantificacin de los costes y riesgos asociados con un activo o un grupo de activos, lo mejor es mirar a los modos de falla dominante de forma independiente. Esto es porque cada modo de fallo tendr su propia probabilidad asociada y su severidad. El ejemplo de la Figura 2 se obtuvo a partir del anlisis de cuatro conjuntos de motores de impulsin de bombas que tenan un nivel intermedio de impacto en la produccin de la planta. La Probabilidad de fallo en cualquier ao dado (tiempo de misin = horas de funcionamiento necesarios en 1 ao) se calcularon de forma independiente para una breve lista de los modos de fallo dominantes utilizando estadsticas de MTBF calculadas por varias fuentes. Las estadsticas del Tiempo Medio de Reparacin (MTTR por sus siglas en ingles) se utilizaron para estimar la prdida de produccin y las horas de trabajo de reparacin. Multiplicando los valores de probabilidad por la suma de los costes previstos para la prdida de produccin, mano de obra, y las partes asociadas con una posible falla de los rendimientos de los costes conlleva a la probabilidad de costos, o a la exposicin anual, que estos activos representan para la empresa. Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador. Tenga en cuenta que varias hiptesis se utilizaron en este ejemplo para mantener los clculos relativamente simples. En primer lugar, la distribucin de los fallos aleatorios (parmetro de

Weibull Beta = 1) fue considerado, es decir, la probabilidad de fracaso no depende del tiempo y es bsicamente la misma ao tras ao. Este no ser el caso concreto de los modos de falla que presentan fuerte mortalidad prematura o caractersticas de desgaste. Adems, los valores medios de MTBF se utilizaron, los valores superiores e inferiores lmite que representan el 5% y 95% tambin podran haber sido utilizados, en su caso, llevando a la obtencin de una serie de riesgos anuales que representa el intervalo de confianza del 90%. Las consideraciones financieras debido a la seguridad y el medio ambiente podran haberse incluido, pero no se aplicaron en este ejemplo. Mtodo C Informacin del Equipo Cuando el historial de costos o las estadsticas de confiabilidad no estn disponibles, otro mtodo puede ser empleado que utiliza la aportacin colectiva de los miembros del equipo basndose en su experiencia para identificar los modos de fallo dominante y determinar los costes esperados asociados con ellos. El rango de costo se determina para las tres categoras de fallas tales como menores, moderada y severa en trminos de prdida de produccin, piezas y mano de obra. Los Modos de falla se clasifican por equipo en trminos de ocurrencia, a continuacin, las tres clasificaciones de los costos se asignan a cada modo de fallo con coeficientes determinados por el equipo. Se completa el ejercicio de matemticas al multiplicar los valores y factores de ponderacin se obtiene un costo anual para cada uno de los modos de falla identificados que reflejan los datos aportados por el equipo colectivo.3 Una variante de este mtodo, que tambin se basa en la experiencia colectiva y las aportaciones de los miembros del equipo puede ser usado para estimar el tiempo de reparacin. Tres rangos de tiempo estn determinados por el equipo, y las probabilidades se asignan a cada intervalo de tiempo para cada modo de falla.4 Desarrollando Factores de Mejora Ahora que los costos y riesgos de los modos de falla dominante se han determinado y expresados en valores anuales, el siguiente paso es estimar con la mayor precisin posible el nivel de mejora que se

puede esperar sobre la base de la capacidad de las soluciones recomendadas para reducir los riesgos. El concepto del Nmero de Prioridad de Riesgo (RPN, por sus siglas en ingles) es de uso comn en FMEA y puede ser empleado en un anlisis de antes/despus para determinar un factor de mejora para cada modo de falla analizado. RPN = factor de Ocurrencia x factor de Severidad x factor de Detectabilidad Donde: - factor de Ocurrencia describe la frecuencia relativa o la probabilidad de un evento, esencialmente relacionados con el MTBF - factor de Severidad describe la severidad relativa de los eventos - factor de Detectabilidad describe la capacidad relativa para detectar el evento de antemano El clculo RPN es similar a la expresin de riesgo descrito anteriormente, con excepcin del tercer factor de Detectabilidad que es utilizado como un modificador. El factor de Detectabilidad es un indicador de lo bien que podemos detectar el evento con antelacin y reducir las consecuencias a travs de una accin oportuna. Esto hace el uso del factor de Severidad ms directo, clasificndolo basado en las consecuencias de un evento que pudiera pasar sin ser detectados. Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador. Una escala de clasificacin genrica de 1 a 10 se utiliza comnmente para cada uno de los tres factores de RPN con 10 siendo el riesgo ms alto, pero la ampliacin puede ser personalizada para satisfacer las necesidades especficas de la organizacin o un anlisis particular. La escala de clasificacin utilizada debe ser cotejada con las cantidades fsicas reales cuando sea posible, como se muestra en la Figura 3. Una nota importante en este momento es que los factores de mejora son una proporcin sin dimensin calculado dividiendo el riesgo inicial o valor de RPN por el valor final o esperado de RPN para

un tipo de falla en particular. Para seguir siendo vlida, el clculo requiere que los criterios de clasificacin se aplicarn de manera uniforme en todo el anlisis. Adems, la escala de clasificacin debe ser diseada de forma que un cambio proporcional en uno de los factores RPN equivalga a la misma variacin proporcional en una cantidad fsica, como los costes (Severidad), tasa de fracaso (Ocurrencia), o el porcentaje de fracasos que no son detectadas (Detectabilidad). Para ampliar la imagen haga clic sobre ella, regrese utilizando su navegador. Los pasos siguientes describen el proceso para determinar factores de mejora y completar el anlisis: 1) Determinar el RPN Inicial El RPN inicial debe ser calculado observando los modos de falla dominantes para el sistema/activo en cuestin. Para los cuatro conjuntos de bomba revisados en la figura 4, se desarrollaron los FMEA abreviada y unos valores iniciales RPN basados en los modos de fallo dominante. Los valores iniciales RPN mostrados se basan en las consecuencias, la frecuencia y la detectabilidad de falla basados en el mantenimiento que se aplica actualmente y la estrategia de confiabilidad de estas mquinas. 2) Calcular los RPN revisados En el ejemplo de los cuatro grupos de bombas, los valores de RPN revisados se calcularon sobre la base de los beneficios de la aplicacin de un escaneo de una condicin de monitoreo en lnea. Esta tecnologa aprovecha la instalacin permanente de transductores de bajo costo y procesa entradas variables conectadas a un sistema anfitrin a travs de una arquitectura de red distribuida con capacidad inalmbrica. El sistema circula automticamente a travs de la arquitectura de punto, recolectando datos a intervalos de tiempo lo suficientemente corto como para ser considerado casi continuo en la mayora de los casos. Aplicado a una variedad de maquinaria de rotacin y fija, la tecnologa de escaneo representa una solucin menos costosa donde se requiere un seguimiento permanente y aporta muchos beneficios normalmente asociados con los sistemas continuos en-lnea:

Deteccin temprana de fallas potenciales Repetibilidad de datos Monitoreo en tiempo real de la condicin y de los parmetros del proceso por los Operadores Toma de muestras automatizada segura de datos de puntos de medicin peligrosos o de difcil acceso Capacidad de diagnostico profundo Cada uno de los factores que componen el clculo de RPN fue re-clasificados para cada modo de falla basado en la mejora de la situacin. Como se muestra en la tabla en la figura 5, la reduccin ms pronunciada en RPN se puede ver en los factores de detectabilidad para fallas de cojinetes y sellos. Tambin note una mejora gradual en el factor de Ocurrencia, as como para estos mismos modos de fallo dominante. Severidad - Como se muestra en la Figura 5, el factor de Severidad permanece sin cambios. Tenga en cuenta que el factor de Severidad, tal como se aplica aqu, es una clasificacin de las consecuencias relativas de falla si permanece sin ser detectada. La capacidad para reducir el riesgo general a travs de la deteccin temprana es plenamente representada por el factor de detectabilidad. Algunos ejemplos de acciones que pueden mejorar el factor de Severidad, aunque no considerados en este modelo en particular, es el de agregar redundancia de equipos para minimizar el impacto sobre las operaciones y la optimizacin de planes de reparacin y procedimientos para minimizar el costo y la duracin de tiempo de inactividad forzado. Ocurrencia - Este ejemplo tambin muestra cmo los beneficios de la tecnologa del escaneo del monitoreo de condicin en-lnea no se limita a la detectabilidad. Mejoras incrementales en los factores de Ocurrencia de estas mismas fallas dominantes se muestran en la Figura 5. El factor de Ocurrencia est directamente relacionado con MTBF. Hay una serie de factores que repercuten MTBF, incluyendo el diseo de los activos, servicios y prcticas de mantenimiento. Una buena alineacin, balanceo, y las prcticas de lubricacin en general, contribuyen al MTBF extendido. Las Prcticas del operador tambin pueden impactar dramticamente en MTBF. El funcionamiento de una mquina en una carga o un rgimen de velocidad en detrimento del estado de la mquina acortaran su vida - algo que normalmente ocurre cuando los operadores no pueden ver en tiempo real cmo sus acciones afectan el comportamiento de la mquina. Esto es especialmente cierto con los conjuntos de

bombas, donde los operadores pueden ejecutar inadvertidamente una bomba mas all de su punto de diseo y, sin saberlo, inducir a la cavitacin que acelerar al impulsor, cojinetes, y desgaste del sello (como en el ejemplo de la bomba mostrado en la Figura 5). La tecnologa del escaneo en-lnea del monitoreo de condicin, permite una observacin en tiempo cuasi-real, permitiendo a los operadores ver los resultados de sus acciones y aprender a manejar sus activos de manera ms segura y saludable. Al igual que la mejora del balanceo, la alineacin y las prcticas de lubricacin hacen, el mejorar las prcticas de Operaciones extienden la vida de la maquinaria, lo que resulta en un cambio positivo en MTBF con en el tiempo. Otra ventaja de permitir a los operadores que puedan observar el comportamiento de la maquinaria en tiempo real, es evidente cuando una mquina arranca despus de una revisin. Los Operadores reciben notificacin casi instantnea de la nueva referencia de condicin de esa mquina tan pronto como se presione el botn de arranque. En el caso de un problema con la alineacin, balanceo, o problemas generados por el montaje incorrecto de la maquina, los operadores de inmediato sabrn que hay un problema. Sin tener que confiar en el equipo de mantenimiento predictivo para tomar datos sobre arranque de mquinas, los operadores pueden empezar a adoptar medidas para evitar poner horas de operacin en una mquina problemtica y que la situacin sea corregida rpidamente. El resultado final es que las mquinas estarn operando con menos fallas de funcionamiento, aumentando an ms MTBF de la poblacin a travs del tiempo. Esto es mucho mejor que la alternativa de operar una mquina con un mal funcionamiento, como la alineacin o un problema de acoplamiento de montaje, que conducir a un fracaso prematuro. Detectabilidad - Este ejemplo tambin muestra que cuando los riesgos asociados a los modos de falla del activo demanda un monitoreo ms profundo del que puede ofrecer un programa tpico de recolector de datos porttil, la tecnologa del escaneo del monitoreo de condicin en-lnea ofrece varias ventajas: Recoleccin de datos Cuasi-continua Repetibilidad de Datos Correlacin de datos y capacidad de diagnstico a profundidad

Un breve anlisis del intervalo de P-F es til para entender estos beneficios y el nivel de mejora que se puede lograr con la tecnologa de monitoreo de condicin en-lnea. El intervalo P-F suele interpretarse como el tiempo (u otra unidad de medida tal como horas de operacin) de cuando una posible falla (P) se puede detectar primero a cuando una falla funcional real (F) occure5. Como se muestra en la Figura 7, la regla de oro para el muestreo de datos peridico es que no debe ser mayor que la mitad del intervalo de P-F. El peor caso deja tiempo para el muestreo de datos peridico de esta manera no sera mayor que la mitad del intervalo P-F. El plazo medio sera aproximadamente del intervalo P-F. El Error en la comprensin del intervalo de P-F y la variabilidad natural debido a circunstancias fuera del control del analista/recolector de datos hace que este enfoque sea una ciencia imperfecta. Para la mayora de las aplicaciones de maquinaria de uso general, alguna perdida puede ser aceptable. Sin embargo, cuando las fallas no detectadas son demasiado costosas e inaceptables para el negocio, los beneficios proporcionados por la tecnologa en-lnea es mucho ms visible. La Vibracin y los datos variables del proceso se muestran casi continuamente con esta tecnologa, por lo que la deteccin de las fallas potenciales ser casi siempre en el punto P. Todo lo dems es igual, esto representa una mejora del 33% en el tiempo de espera promedio contra el muestreo de datos porttil de programas de caminatas de reconocimiento (ver Figura 8). Esto tambin elimina la preocupacin sobre que tan bien el intervalo PF fue estimado en primer lugar y la desviacin de tiempo de falla real del intervalo estimado. Otra consideracin importante es que los transductores fijos utilizados por la tecnologa del escaneo en-lnea tambin ofrece datos muy precisos y constantes para propsitos de tendencias. Esto elimina datos anmalos que resultan de la lectura altamente variable de los aparatos porttiles, mejorando entonces la detectabilidad. En este ejemplo, en comparacin con una estrategia peridica de recoleccin de datos o en

una mquina totalmente sin monitoreo, la suma total de los beneficios proporcionados por la tecnologa del escaneo de monitoreo de condicin en-lnea en gran medida disminuye el factor de detectabilidad en el clculo RPN. El factor de detectabilidad inicial (y los otros dos tambin) debe basarse en el escenario de referencia deseado con el fin de hacer comparaciones. Por ejemplo, la detectabilidad inicial puede basarse en una mquina no monitoreada. O podra ser sobre la base de una mquina ya cubierta por un programa de muestreo de datos peridicos, por lo tanto, este enfoque dara directamente el anlisis coste-beneficio de la solucin del escaneo en-lnea sobre el programa peridico actual para esa mquina. 3) Calcular los Factores de Mejora Los Factores de Mejora se calculan como sigue para cada modo de fallo dominante (vea la Figura 5): Factor de Mejora = RPNinicial/RPNrevisado El factor de mejora es una cantidad adimensional. Como se dijo antes, las escalas de clasificacin utilizada para el clculo de RPN debe aplicarse de manera consistente durante todo el anlisis para que resulte en Factores de Mejora vlidos. Las escalas de clasificacin deben ser lineales, significando un cambio proporcional en cualquiera de los factores RPN debe corresponder a un cambio correspondiente equivalente a una mtrica cuantitativa (por ejemplo, una reduccin en el factor de Ocurrencia 8-4 corresponde a una reduccin del 50% en la tasa de fracaso, o una mejora de 2X de MTBF mirando a la inversa). 4) Ahorros Derivados del Costo Anualizado y reduccin de riesgos Ya que los factores de mejora se calculan individualmente para cada uno de los modos de falla dominante, pueden ser aplicados al perfil de costo/riesgo desarrollado previamente para cada modo de fallo. El costo original o el valor de riesgo anual se divide por el factor de mejora para calcular un nuevo costo o valor de riesgo que

representa el costo probabilstico nuevo. La diferencia entre el valor de costo/riesgo original y el nuevo valor de costo/riesgo representa el ahorro anual o la reduccin del riesgo que se puede esperar por la aplicacin de la solucin propuesta (vase la Figura 9). 5) Desarrollar el anlisis del Valor Presente Neto Ahora que el estimado de la reduccin de ahorros/riesgo anual se han calculado, la comparacin del coste de aplicacin de la solucin con beneficios estimados se puede realizar en un anlisis de Valor Presente Neto (NPV, por sus siglas en ingls). Este es un clculo sencillo que da valor actual neto, tasa de rendimiento, y el periodo de recuperacin, teniendo en cuenta el valor temporal del dinero (costo de capital). El costo de la aplicacin de la solucin debe basarse en el suministro de una solucin que coincida con el nivel de costo/riesgo y la reduccin utilizada en RPN y los clculos del Factor de Mejora. En otras palabras, la solucin debe centrarse en los modos de falla dominantes determinados y reducir los costos y riesgos, modelado en el FMEA. Una solucin de bajo precio, que no aborda adecuadamente los modos de falla dominante tendr una recuperacin pobre. Del mismo modo, una solucin de alto precio que ofrece, a un costo adicional, ms caractersticas y funciones que no afectan los factores de RPN tambin pueden tener resultados ms pobres de recuperacin. La justificacin de costo basada en mtodos de FMEA descritos en este artculo permite el anlisis que pasara si y la capacidad de hacer comparaciones para determinar el nivel de la solucin que proporciona rendimiento ptimo de la inversin. El diagrama de flujo de efectivo en la Figura 10 es un ejemplo de parte de la produccin de un anlisis NPV. El diagrama muestra un perodo de amortizacin de 1.7 aos, basado en el costo anualizado de reduccin de riesgos de aproximadamente 20.000 dlares y una inversin inicial de alrededor de 30.000 dlares para implementar la solucin. Conclusion Los mtodos de anlisis costo/beneficio basados en FMEA descritos en este artculo ayudan a articular la justificacin financiera, cuando existe, para implementar las soluciones de monitoreo de condicin para reducir costes y mitigar los riesgos. Como se pide en el proceso de toma de decisiones del anlisis de RCM, la adopcin de

medidas proactivas, tales como soluciones de monitoreo de condicin deben ser tanto tcnicamente viables como que valgan la pena. Al mirar el costo inicial y el riesgo asociado con los modos de falla dominante, y abordar la cuestin de los costos y la reduccin del riesgo que se puede lograr por la tecnologa, un anlisis vlido de costo/beneficio puede ser realizado que ayuda a responder preguntas acerca de la efectividad de la solucin y el valor, y hacerlo en las unidades financieras que se utilizan habitualmente para evaluar proyectos competitivos. El ejemplo utilizado en este artculo tambin trae a la luz muchos de los beneficios de la tecnologa del escaneo del monitoreo de condicin en-lnea. Esto incluye la Detectabilidad mejorada sobre los programas de rondines de inspeccin donde un monitoreo del estado de la maquinaria necesita ser ms profundo del que puede proporcionar un programa peridico de muestreo de datos peridicos. El ejemplo utilizado mejora la Ocurrencia (reducida), basndose en que los operadores puedan mejorar las prcticas de Operacin y prolongar la vida de la maquinaria, dndoles tiempo real de los indicadores de comportamiento de la mquina y la condicin. Para reflexionar: Los mtodos de justificacin de costos basados en FMEA descritos en este artculo pueden ser extendidos y ampliados para evaluar otras soluciones, independientemente de si estn basados en la tecnologa, mejores prcticas, o combinaciones de ambos. Rob Bloomquist tiene ms de 20 aos de experiencia en la entrega de soluciones de confiabilidad y cuidado de activos para las industrias de la generacin de energa y de procesos, y actualmente es Gerente de Capacitacin de Servicios de confiabilidad para GE Energy. Su experiencia incluye la especificacin y desarrollo de programas de monitoreo de condicin, el desarrollo de soluciones de confiabilidad y ejecucin, anlisis de vibraciones, alineacin y balanceo de la maquinaria, y la capacitacin de los clientes en confiabilidad y monitoreo de condicin. Rob tiene una licenciatura en Ingeniera Mecnica otorgado por la Universidad Estatal de California, Chico y es un ingeniero profesional en el Estado de Colorado. Rob es un profesional certificado de mantenimiento y confiabilidad por la organizacin SMRP. Referencias: 1. DiStefano, Robert, The Business Case for Reliability 2. Moubray, John, Reliability-centered Maintenance RCM-II, 2nd Edition, Industrial Press, 1997.

3. Troyer, Drew, Demonstrating Financial Benefits from Equipment Reliability Projects, Process and Power Plant Reliability Conference, Houston, TX, 2001 4. Andrews and Moss, Reliability and Risk Assessment, 2nd Edition, ASME Press 5. op. cit. 2