Desarrollo de una metodología para el cálculo de la confiabilidad en una de las áreas de proceso de la empresa ensambladora de vehículos denominada Ciauto Cía. Ltda.
Contenido principal del artículo
Resumen
El análisis de confiabilidad de los sistemas críticos en el sector industrial es una herramienta de gran utilidad para mejorar la toma de decisiones en el departamento de mantenimiento. Generalmente, los métodos de análisis de confiabilidad tradicionales asumen restauraciones de los equipos a su condición original, pero en la práctica esto no sucede, pues generalmente se realizan intervenciones para corregir únicamente la falla que se presenta en ese momento; por este motivo, la presente investigación tuvo como objetivo el desarrollo de una metodología para conocer la confiabilidad actual de activos reparables en donde se ejecutan reparaciones mínimas, y su predicción a 5 años, con el cálculo de la intensidad de fallas y el tiempo medio entre fallas. La muestra se seleccionó a partir de los registros del historial de falla desde enero de 2022 a mayo de 2024 de la planta de soldadura de una ensambladora de vehículos, se realizó un diagrama Jack Knife para priorizar al análisis de los sistemas que más paradas productivas por reparación hayan generado. Se realizó un test de tendencia para determinar el sesgo que tienen los datos históricos y así poder ajustarlos a procesos estocásticos no-homogéneos de Poisson, se utilizó el modelo Crow Amsaa y Log-lineal para seleccionar aquel que mejor se ajuste a los datos y sea capaz de generar pronósticos con el menor error posible. Del estudio realizado, se determinó que los sistemas que más paradas productivas han ocasionado son las soldadoras SP-43 y SP-16, y el JIG MB-10. Para el sistema SP-43, el modelo que generó el menor error para un pronóstico dentro de 5 años fue Crow Amsaa con una estimación de 48 fallas y una falla cada 233 horas de trabajo, mientras que para los sistemas SP-16 y JIG MB-10, el modelo log-lineal presentó el mejor ajuste, pronosticando 19 fallas, una falla cada 987 horas y 22 fallas, una cada 822 horas de operación respectivamente.
Descargas
Metrics
Detalles del artículo
![Creative Commons License](http://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png)
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.
Citas
Alsultan, F. A., & Sulaiman, M. S. (2024). Bayesian Estimation of Power Law Function in Non-homogeneous Poisson Process Applied in Mosul Gas Power Plant - Iraq. Iraqi Journal of Science, 65(5), 2596–2604. https://doi.org/10.24996/ijs.2024.65.5.20
Bacha, S., & Bellaouar, A. (2023). Assessment of the Effectiveness of Maintenance Actions and the Influence of Covariates on the Reliability of Gas Turbines using the Extended Generalized Proportional Intensity Model. International Journal of Performability Engineering, 19(4), 283–290. https://doi.org/10.23940/ijpe.23.04.p7.283290
Brown, B., Liu, B., McIntyre, S., & Revie, M. (2023). Reliability evaluation of repairable systems considering component heterogeneity using frailty model. Proceedings of the Institution of Mechanical Engineers, Part O: Journal of Risk and Reliability, 237(4), 654–670. https://doi.org/10.1177/1748006X221109341
Carlos R Batista-Rodríguez, R. I. U.-S. (2017). Proposal of a bootstrapping methodology to calculate reliability indexes. Ingeniería y Competitividad, 19(2), 102–108.
Chávez-Cadena, M. I., Jiménez-Cargua, J. W., & Cucuri-Pushug, M. I. (2020). Análisis de confiabilidad, mantenibilidad y disponibilidad (CMD) del sistema de reinyección de agua de formación. Revista Arbitrada Interdisciplinaria Koinonía, 5(9), 249. https://doi.org/10.35381/r.k.v5i9.647
Chik, L., Albrecht, D., & Kodikara, J. (2018). Modeling Failures in Water Mains Using the Minimum Monthly Antecedent Precipitation Index. Journal of Water Resources Planning and Management, 144(4), 1–6. https://doi.org/10.1061/(asce)wr.1943-5452.0000926
Cruz, P., Echaveguren, T., & González, P. (2017). Estimación del potencial de rollover de vehículos pesados usando principios de confiabilidad. Revista Ingeniería de Construcción, 32(1), 5–14. https://doi.org/10.4067/s0718-50732017000100001
de Abreu, M. N. G., Esquerre, K. P. S. O. R., Massa, A. R. C. d. G., & Pessoa, R. W. S. (2018). Reliability analysis associated with maintenance of online analyzers. In Computer Aided Chemical Engineering (Vol. 44, Issue 2004). Elsevier Masson SAS. https://doi.org/10.1016/B978-0-444-64241-7.50220-2
Dias, P., Silva, F. J. G., Campilho, R. D. S. G., Ferreira, L. P., & Santos, T. (2019). Analysis and improvement of an assembly line in the automotive industry. Procedia Manufacturing, 38(2019), 1444–1452. https://doi.org/10.1016/j.promfg.2020.01.143
Echeverr, A. (2018). Análisis bibliográfico de la confiabilidad operacional en sistemas técnicos complejos.
Gasca, M. C., Camargo, L. L., & Medina, B. (2017). Sistema para Evaluar la Confiabilidad de Equipos Críticos en el Sector Industrial. Informacion Tecnologica, 28(4), 111–124. https://doi.org/10.4067/S0718-07642017000400014
Hashimoto, T., & Takizawa, S. (2021). Prediction of membrane failure in a water purification plant using nonhomogeneous poisson process models. Membranes, 11(11). https://doi.org/10.3390/membranes11110800
Hou, Y. F., Huang, C. Y., & Fang, C. C. (2022). Using the Methods of Statistical Data Analysis to Improve the Trustworthiness of Software Reliability Modeling. IEEE Access, 10, 25358–25375. https://doi.org/10.1109/ACCESS.2022.3154103
Hu, Z., Mansour, R., Olsson, M., & Du, X. (2021). Second-order reliability methods: a review and comparative study. Structural and Multidisciplinary Optimization, 64(6), 3233–3263. https://doi.org/10.1007/s00158-021-03013-y
Kim, K. S., & Kim, H. C. (2016). The performance analysis of the software reliability NHPP log-linear model depend on viewpoint of the learning effects. Indian Journal of Science and Technology, 9(37). https://doi.org/10.17485/ijst/2016/v9i37/101785
Krivtsov, V. V. (2007). Practical extensions to NHPP application in repairable system reliability analysis. Reliability Engineering and System Safety, 92(5), 560–562. https://doi.org/10.1016/j.ress.2006.05.002
Montalvo, R. B., Villar, L., Armando, L., Concepción, D., Alfonso, A., Ángel, A., Soto, R., & Rodríguez, A. (2022). Modificación de la metodología 6 Sigma para comprobación del rediseño de un filtro rotatorio de un producto biológico. 30, 124–133.
Mun, B. M., Kvam, P. H., & Bae, S. J. (2021). Mixed-Effects Nonhomogeneous Poisson Process Model for Multiple Repairable Systems. IEEE Access, 9, 71900–71908. https://doi.org/10.1109/ACCESS.2021.3077605
Orrantia Daniel, G., Sánchez Leal, J., De la Riva Rodríguez, J., Reyes Martínez, R. M., & Herrera Ríos, E. B. (2022). Metodología para medir la confiabilidad en líneas de ensamble. RIDE Revista Iberoamericana Para La Investigación y El Desarrollo Educativo, 12(24). https://doi.org/10.23913/ride.v12i24.1217
Paez Advincula, R. R. (2022). Importancia de la ingeniería de confiabilidad operacional para el desarrollo empresarial. Industrial Data, 25(1), 137–156. https://doi.org/10.15381/idata.v25i1.21224
Ramírez Montoya, J., Ramos Ramírez, E., & Martínez Salazar, J. L. (2022). Estimación de la función de confiabilidad usando remuestreo Jackknife y transformaciones. Ciencia e Ingeniería Neogranadina, 32(1), 71–82. https://doi.org/10.18359/rcin.5682
Slimacek, V., & Lindqvist, B. H. (2017). Nonhomogeneous Poisson process with nonparametric frailty and covariates. Reliability Engineering and System Safety, 167, 75–83. https://doi.org/10.1016/j.ress.2017.05.026
Soltanali, H., Garmabaki, A. H. S., Thaduri, A., Parida, A., Kumar, U., & Rohani, A. (2019). Sustainable production process: An application of reliability, availability, and maintainability methodologies in automotive manufacturing. Proceedings of the Institution of Mechanical Engineers, Part O: Journal of Risk and Reliability, 233(4), 682–697. https://doi.org/10.1177/1748006X18818266
Soltanali, H., Rohani, A., Tabasizadeh, M., Abbaspour-Fard, M. H., & Parida, A. (2020). Operational reliability evaluation-based maintenance planning for automotive production line. Quality Technology & Quantitative Management, 17(2), 186–202. https://doi.org/10.1080/16843703.2019.1567664
Srivastava, N. K., & Mondal, S. (2014). Predictive maintenance using FMECA method and NHPP models. International Journal of Services and Operations Management, 19(3), 319–337. https://doi.org/10.1504/IJSOM.2014.065367
Srivastava, P. W., & Jain, N. (2011). Reliability prediction during development phase of a system. Quality Technology and Quantitative Management, 8(2), 111–124. https://doi.org/10.1080/16843703.2011.11673251
Wu, J., Dohi, T., & Okamura, H. (2024). A novel lifetime analysis of repairable systems via Daubechies wavelets. Annals of Operations Research, 1–4. https://doi.org/10.1007/s10479-024-06074-6
Zuo, K., & Xiao, M. (2022). A repairable multi-state system with a general α-series process and an order-replacement policy. Communications in Statistics - Theory and Methods, 51(20), 7021–7037. https://doi.org/10.1080/03610926.2020.1869991