Análisis RAM para la toma de decisiones en equipos eléctricos del
alimentador de subtransmisión Penipe de media tensión
|
1 |
César Gallegos-Londoño |
|
https://orcid.org/0000-0002-8685-7501 |
|
|
|
Escuela Superior Politécnica de
Chimborazo (ESPOCH), Riobamba, Ecuador. |
|||
|
2 |
Eduardo Hernández-Dávila |
|
https://orcid.org/0000-0003-4899-2371<= o:p> |
|
|
|
Escuela Superior Politécnica de
Chimborazo (ESPOCH), Riobamba, Ecuador. Maestría en Mantenimiento |
|||
|
3 |
José Vladimir Marzumillaga Vázconez<= o:p> |
|
https://orcid.org/0009-0006-39=
54-9836 |
|
|
|
Investigador independiente |
|||
|
4 |
Melany Daniela Viscarra Núñez |
|
https://orcid.org/0009-0003-23=
02-4080 |
|
|
|
Investigador independiente |
|
|
Artículo de Investigación Científica y Tecnológica Enviado: 10/05/2026 Revisado: 12/06/2026 Aceptado: 06/07/2026 Publicado: 20/07/2026 |
|||||||
|
|
|
|||||||
|
Cítese: |
Gallegos Londoño, C., Hernández
Dávila, E., Marzumillaga Vázconez,
J. V., & Viscarra Núñez, M. D. (2026). Análisis RAM para la toma de
decisiones en equipos eléctricos del alimentador de subtransmisión Penipe de media tensión . Conc=
ienciaDigital,
9(3), 78-97. https://doi.org/10.33262/concienciadigital.v9i3.3707 |
|
||||||
|
|
|
CONCI=
ENCIA
DIGITAL, =
es una
revista multidisciplinar, trimestral, que se publicará en soporte
electrónico tiene como misión contribuir a la formació=
n de
profesionales competentes con visión humanística y crítica que sean capac=
es
de exponer sus resultados investigativos y científicos en la misma medida=
que
se promueva mediante su intervención cambios positivos en la sociedad. https://concienciadigital.o=
rg =
La
revista es editada por la Editorial Ciencia Digital (Editorial de prestig=
io
registrada en la Cámara Ecuatoriana de Libro con No de Afiliación 663) www.celibro.org.ec |
|
|||||
|
|
|
Esta revista está protegida ba=
jo
una licencia Creative Commons en la 4.0
International. Copia de la licencia: http://creativecommons.org/licenses/by-n=
c-sa/4.0/ |
|
|||||
|
Palabr=
as
claves: Fiabilidad, distribución de Weibull, mantenibilidad, disponibilidad,
equipos no reparables. |
|
Resumen
Introducción: la confiabilidad del suministro eléctrico depende en buena medida =
del
comportamiento de los equipos no reparables instalados en las redes de
distribución, cuya condición de falla implica reemplazo directo. En la
Empresa Eléctrica, la ausencia de un análisis cuantitativo sistemático de
estos equipos limitaba la planificación del mantenimiento a un enfoque
mayormente reactivo. Objetiv=
o: este estudio tuvo como objetivo aplicar metodologías de ingeniería=
de
la fiabilidad en equipos no reparables del alimentador de media tensión d=
el
sector Penipe, para estimar indicadores que
respalden la planificación del mantenimiento y la gestión de activos. Metodología: la investigación siguió un enfoque mixto, descriptivo y aplicado, a
partir de una base de datos de más de 2500 eventos de falla registrados e=
ntre
noviembre de 2023 y octubre de 2025. Los tiempos hasta la falla se ajusta=
ron
mediante una distribución de Weibull de dos parámetros, y los tiempos de
reparación mediante una distribución Log.Normal,
para calcular fiabilidad, mantenibilidad, tasa de fallos y disponibilidad=
. ResultadosConclusiones: se concluye que el alimentador analizado presenta un comportamien=
to
de fallos identificable y una alta disponibilidad operativa, sostenida
principalmente por tiempos de reparación cortos más que por la ausencia de
fallas. El estudio aporta un procedimiento replicable para caracterizar
cuantitativamente equipos no reparables a partir de registros administrat=
ivos
existentes, sin necesidad de instrumentación adicional, y establece una l=
ínea
base metodológica aplicable a otros alimentadores de la red. Área de estudio general: Mantenimiento. Área de
estudio específica: Ingeniería de la Fiab=
ilidad.
Tipo de estudio: Artículo original. |
|
|||||
|
Keywords: Reliability, Weibull
distribution, maintainability, availability, non-repairable equipment. |
|
Abstract Introduction:
the reliability of electricity supply depends largely on the behavior of
non-repairable equipment installed in distribution networks, whose failure
condition requires direct replacement. At Empr=
esa
Eléctrica Rio, the lack of a systemat=
ic
quantitative analysis of this equipment limited maintenance planning to a
mostly reactive approach. Objective: this study aimed to apply
reliability engineering methodologies to non-repairable equipment on the
medium-voltage feeder in the Penipe sector, to
estimate indicators that support maintenance planning and asset managemen=
t. Methodology:
the research followed a mixed, descriptive, and applied approach, based o=
n a
database of more than 2500 failure events recorded between November 2023 =
and
October 2025. Times to failure were fitted using a two-parameter Weibull
distribution, and repair times using a Lognormal distribution, to calcula=
te
reliability, maintainability, failure rate, and availability. Results:=
the results show a shape parameter of β =3D 1.3, indicating a gradual
wear-out process rather than random failures. The average MTTF was 562 h,
with monthly dispersion below 4%, and the average MTTR was 13.9 h, result=
ing
in an average intrinsic availability of 98%. The availability projection =
as a
function of operating time confirmed this value, stabilizing above 95% af=
ter
300 hours. Conclusions: it is concluded that the analyzed feeder s=
hows
an identifiable wear-out behavior and high operational availability,
sustained mainly by short repair times rather than the absence of failure=
s.
The study contributes a replicable procedure for quantitatively
characterizing non-repairable equipment using existing administrative
records, without the need for additional instrumentation, and establishes=
a
methodological baseline applicable to other feeders in the network. Ge=
neral
field of study: Maintenance. Specific field of study: Reliabil=
ity
Engineering. Type of study: Original article. |
|
|||||
1.&n=
bsp;
Introducción
La
continuidad y calidad del servicio eléctrico son factores clave para el
desarrollo económico y social de una región. Por ello, las empresas
distribuidoras necesitan mantener niveles altos de fiabilidad en sus sistem=
as,
lo que exige metodologías que optimicen la gestión de sus activos físicos.
Entre ellas, el análisis RAM (Reliability=
, Availability and Maintainability=
)
es una de las principales herramientas en la ingeniería de fiabilidad: estos
indicadores nos ofrecen criterios para evaluar el comportamiento de los equ=
ipos
a lo largo de su ciclo de vida y respaldar decisiones técnicas, económicas y
operativas (Ebeling, 2019; Smith, 1993).
El enfoque
RAM no se limita al cálculo de indicadores estadísticos tradicionales como =
el MTBF
(Tiempo medio entre fallos), El MOTBF (Tiempo operativo medio entre
fallos), MTTF(tiempo medio hasta la falla se ocupa en equipos no
reparables), MTTR (tiempo medio para reparar), incorpora modelos
probabilísticos que permiten predecir el comportamiento futuro de los activ=
os,
permite estimar la probabilidad de falla, calcular el tiempo esperado de
funcionamiento esto hace posible estrategias para el mantenimiento, renovac=
ión
y restauración de equipos (Dhillon, 2006; O'Connor & Kleyner, 2011).
En el sec= tor eléctrico, la fiabilidad de las redes de distribución afecta directamente la continuidad del suministro de energía eléctrica y la satisfacción de los usuarios (Brown, 2009). Una falla inesperada en un componente crítico puede causar interrupciones prolongadas, pérdidas económicas, costos de emergenci= a, afectación a clientes industriales y residenciales, y riesgos para el perso= nal operativo (Billinton & Allan= , 1984).<= o:p>
En la emp=
resa
eléctrica, una buena parte de los equipos instalados en las redes de distri=
bución
son no reparables (cuando fallan, se reemplazan, no se reparan). Por esto es
necesario conocer con precisión el comportamiento estadístico de sus tiempos
hasta la falla (MTTF), para poder establecer políticas de reposición
preventiva.
Las empre=
sas
que cuentan con registros históricos de fallas y mantenimiento se podrían
usarse para construir modelos predictivos de fiabilidad, pero sin un anális=
is
cuantitativo sistemático esos datos no se traducen en información útil para=
la
toma de decisiones. En la práctica, esto mantiene un enfoque reactivo: más
mantenimiento correctivo, menor fiabilidad del sistema y peores indicadores=
de
calidad del servicio (Moubray, 1997).
Este estu=
dio
propone aplicar modelos probabilísticos de fiabilidad, mantenibilidad y
disponibilidad con esta metodología se pueden estimar la fiabilidad, la
probabilidad acumulada de falla, la densidad de probabilidad, la tasa de fa=
llas
y el Tiempo Medio para Fallar (MTTF), información que sirve para
planificar el mantenimiento y gestionar el ciclo de vida de los activos (Ab=
ernethy,
2006).
Las empre=
sas
distribuidoras de energía trabajan bajo exigencias técnicas, económicas y
regulatorias fuertes en torno a la continuidad del servicio que prestan. Si=
se
gestionan bien los activos físicos reducen la cantidad de fallas con esto
minimizar las interrupciones de servicio y se minimizan las pérdidas
económicas, en el plano técnico, este estudio caracterizará estadísticamente
los tiempos hasta la falla mediante la distribución que mejor se ajusta a l=
os
datos y con esta distribución se identificará las probabilidades de
supervivencia o las probabilidades de que un equipo este reparado, entre ot=
ros (Nelson,
1982; ReliaSoft, 2014). En el plano institucional, los resultados
aportan a la gestión de activos. En la actualidad no se cuenta con un análi=
sis
estadístico con los indicadores de la Ingeniería de la Fiabilidad.
El objeti=
vo
de esta investigación es aplicar metodologías de ingeniería de fiabilidad al
análisis de los equipos no reparables de las redes de distribución de la
Empresa Eléctrica, mediante modelos probabilísticos basados en las
distribuciones que mejor se ajustan a los datos, para estimar indicadores de
fiabilidad, mantenibilidad y disponibilidad que apoyen la planificación del
mantenimiento, la gestión de los activos y la toma de decisiones.
La ingeni=
ería
de fiabilidad ha crecido en las últimas décadas por la necesidad de aumenta=
r la
disponibilidad y seguridad de sistemas industriales complejos En sectores c=
omo
la generación eléctrica, el petróleo, la minería, la aviación y la manufact=
ura
usan metodologías RAM para gestionar mejor el mantenimiento y reducir costos
por fallas imprevistas (Kececioglu, 2002).
La
distribución de Weibull, propuesta por Weibull (1951) es uno de los modelos
estadísticos más usados en este campo. Su parámetro de forma (β) permi=
te
modelar distintos mecanismos de falla, y su parámetro de escala (α)
representa la vida característica del componente Sin embargo los satos pued=
en
acercarse a otras distribuciones como: la exponencial, normal, log-normal,
gamma, etc.
En los
sistemas eléctricos de potencia, distintos estudios muestran que el análisi=
s de
la fiabilidad aplicado a transformadores, interruptores, fusibles, reconect=
adores,
aisladores, etc. Esto permitirá mejorar la planificación del mantenimiento y
reduce las interrupciones (Billinton & Allan=
, 1984; B=
rown,
2009).
Esto va d=
e la
mano de la adopción de normas internacionales como la ISO 14224:2016=
para la
recopilación e intercambio de datos de la fiabilidad y mantenimiento y la
familia de gestión de activos (International Organizat=
ion
for Standardization=
[ISO], 2016)
Para el
cálculo de indicadores RAM lo principal es tener un adecuado registro de da=
tos
de los fallos, que inicia con el tiempo de inicio y fin del fallo (fecha y
hora), Modo de fallo, Mecanismo de fallo, Causa de fallo, Método de detecci=
ón
del fallo, consecuencias del fallo, acción correctiva inmediata, esto invol=
ucra
realizar un análisis forense de la falla (ISO, 2016).
Equipos no
reparables son aquellos que deben ser reparados al ocurrir un fallo (UNE Normalización
Española, 2018), los indicadores más utilizados para equip=
os
no reparables son: el tiempo medio hasta el fallo (MTTF), el tiempo medio p=
ara
la reparación, en este caso el recambio (MTTR) y la disponibilidad intrínse=
ca.
Cabe mencionar que los indicadores mencionados son calculados con datos
históricos los cuales nos indican que tan bien o mal estuvimos, el análisis=
RAM
va más allá podemos proyectar los datos de fiabilidad, mantenibilidad al fu=
turo
obteniendo estimaciones del probable desempeño de los equipos en un tiempo
futuro.
Una lista=
de
los equipos no reparables en líneas de distribución es:
· &nb=
sp;
disyuntores
· &nb=
sp;
reconectador
· &nb=
sp;
seccionador
· &nb=
sp;
seccionador fusible
· &nb=
sp;
aisladores
· &nb=
sp;
herrajes<=
span
style=3D'mso-bookmark:_Hlk81985521'>
· &nb=
sp;
cables eléctricos
· &nb=
sp;
postes de
hormigón
Con los tiempos de opera=
ción
hasta el fallo (TO) y los tiempos de recambio (TR) se inicia el cálculo de =
los
indicadores básicos de la fiabilidad.
Donde:
TO Tiempo operativo hasta el fallo
TR Tiempo de recambio
Di Disponibilidad intrínseca
Para las proyecciones de la fiabilidad,
mantenibilidad y disponibilidad se toma como base los tiempos hasta el fall=
o y
los tiempos de restauración, y el primer paso es realizar una prueba de aju=
ste
de bondad para encontrar cual es la mejor distribución que se ajusta a los
datos (Yanez et al., 2004; Fala, 2022). Las funciones para este estudio de la
finalidad son:
·
Función de la densidad de
probabilidad f(t).
·
Función de la densidad de
probabilidad acumulada o Infiabilidad F(t)
·
Función de la densidad de
probabilidad acumulada inversa R(t)
·
Función del Riego o Tasa=
de
fallas instantánea λ(t).
En la Figura1 se observa el comportamiento de las funciones de la fiabilidad para =
las
distintas distribuciones de probabilidad.
Las fórmulas de las funciones de la fiabilidad para cada las
distribuciones más utilizadas se las ve en la Tabla 1.
Distribuciones para el
estudio de la fiabilidad
|
Descripción |
Exponencial |
Weibull |
Normal |
Gamma |
|
Función de densidad de probabilidad de fallo f(t) |
|
|
|
|
Tabla 1
Distribuciones para el
estudio de la fiabilidad (continuación)
|
Descripción |
Exponencial |
Weibull |
Normal |
Gamma |
|
Función de distribución acumulada de probabilidad de fallo. F(t) |
|
|
|
|
|
Función de fiabilidad R(t) |
|
|
|
|
|
El riesgo λ(t) |
|
|
|
|
En la =
Figura 1 se observa el
comportamiento de las funciones de la fiabilidad para las distintas
distribuciones de probabilidad.
Funciones de la fiabilid=
ad y
su comportamiento para varias distribuciones Para las proyecciones de la disponibilidad es
necesario estimar la tasa instantánea de fallas λ(t) u la tasa de
reparaciones u(t) donde: Donde: D(t) Disponibilidad proyectada u(t) Tasa de reparaciones instantánea λ(t) Tasa de fallos instantánea 2.&n=
bsp;
Metodología Esta
investigación tiene un enfoque mixto, cuantitativo y cualitativo, de tipo
descriptivo y aplicado. Se basa en el análisis de datos históricos de fallas
registrados por la Empresa Eléctrica en sus líneas de distribución eléctric=
a,
sin intervención directa sobre los equipos analizados. El componente
cuantitativo se usó para aplicar herramientas estadísticas de fiabilidad,
disponibilidad, mantenibilidad y tasa de fallas. El componente cualitativo
sirvió para interpretar esos resultados se enfocan en el comportamiento
operativo de los equipos no reparables. El diseño=
y
aplicación correcta de las técnicas de la Ingeniería de la Fiabilidad es una
herramienta adecuada para generar indicadores que sirvan para la toma de
decisiones en equipos no reparables. La
investigación se centró en un alimentador de media tensión del sector de
Penipe, operado por la Empresa Eléctrica Riobamba S.A., en la provin=
cia
de Chimborazo, Ecuador. Este análisis abarcó únicamente unas líneas de
distribución en media tensión, considerando los equipos no reparables más
representativos y de mayor uso en este tipo de infraestructura. La base de
datos cubre registros históricos entre noviembre de 2023 y octubre de 2025,=
con
más de 2500 eventos de falla. Cada registro incluye la fecha y hora de inic=
io y
fin del evento, lo que permitió calcular los tiempos de indisponibilidad del
sistema. El proceso
realizado es el siguiente: · &nb=
sp;
adquisición de datos. · &nb=
sp;
análisis y filtración de los datos. · &nb=
sp;
revisión de las normativas aplicables · &nb=
sp;
cálculo de los indicadores básicos de la fiabilidad
(MTTF, MTTR, Disponibilidad intrínseca). · &nb=
sp;
realizar la prueba de ajuste de bondad · &nb=
sp;
cálculo de los indicadores probabilísticos · &nb=
sp;
toma de decisiones. Se tomaron
los datos de los tiempos hasta el fallo y los tiempos de recambio en un per=
íodo
de un año con ello se calcularon los indicadores presentados en la <=
/span>Tabla 2. Distribuciones para el
estudio de la fiabilidad MES MTTF (h)<=
o:p> MTTR (h)<=
o:p> D-Intríns=
eca Enero 567 15 97% Febrero 562 13 98% Marzo 554 21 96% Abril 572 4 99% Mayo 560 15 97% Junio 556 20 97% Julio 561 14 98% Agosto 564 11 98% Septiembre 560 13 98% Octubre 563 14.8 97% Noviembre 561 14.5 97% Diciembre 564 11.5 98% Media 562 13.9 98% Con los mismos datos históricos se realiza la prue=
ba
de ajuste de bondad con el método de Kolmogorov Smirnov la distribución
ganadora para los tiempos de operación hasta el fallo es la distribución de
Weibull, las funciones de la fiabilidad se muestran en la Figura 3<=
/span>. Para
los tiempos de reparación luego de realizar la prueba de ajuste de bondad la
distribución que mejor se ajustó a los datos también fue la distribución de
Log.Normal, obteniendo las gráficas de probabilidad de reparaciones M(t) y =
tasa
de reparaciones u (t) de la Figura 4<=
/a>. En la
3.&n=
bsp;
Resultados
Los
indicadores de fiabilidad, mantenibilidad y disponibilidad de los doce meses
evaluados muestran un comportamiento estable. La Tabla 1 resume l=
os
valores mensuales del Tiempo Medio Hasta el Fallo (MTTF), el Tiem=
po
Medio de Reparación (MTTR) y la disponibilidad intrínseca.
Se muestran las gráficas del MTTF, MTTR y disponib=
ilidad
intrínseca en la Figura 2.
Indicadores básicos de la
fiabilidad El MTTF osciló entre 554 h y 572 h, con un promedio
anual de 562 h. La diferencia entre el valor mínimo y el máximo fue de solo=
18
horas (3,2 % del promedio), lo que indica una frecuencia de fallas bastante
estable durante el período. El valor más alto se dio en abril (572 h) y el =
más
bajo en marzo (554 h), aunque esta diferencia es pequeña y no representa un
deterioro real del sistema. El MTTR varió entre 4 h=
y
21 h, con un promedio anual de 13,9 h. Este indicador tuvo más variación qu=
e el
MTTF: el valor más bajo fue en abril (4 h) y el más alto en marzo (21 h). El
resto del año, los tiempos de reparación se mantuvieron entre 11 h y 15 h, =
lo
que sugiere que el personal de mantenimiento restablece el servicio en plaz=
os
relativamente constantes. La Disponibilidad
Intrínseca promedió 98 %, con valores mensuales entre 96 % y 99 %. Abril tu=
vo
la disponibilidad máxima (99 %), coincidiendo con el mejor MTTF y el mejor
MTTR; marzo tuvo la mínima (96 %), coincidiendo con el peor MTTF y el peor
MTTR. Esto confirma que la disponibilidad depende de la combinación entre
frecuencia de fallas y tiempo de reparación. En promedio, el sistema opera 562 horas por cada ciclo y necesita 13=
,9
horas para recuperarse tras una falla: el tiempo de reparación representa
apenas 2,5 % del tiempo de operación, lo que explica la alta disponibilidad=
del
período. En conjunto, el activo
muestra alta fiabilidad y disponibilidad, con una mantenibilidad que limita=
el
impacto de las intervenciones correctivas sobre el servicio. La poca disper=
sión
del MTTF y de la disponibilidad indica condiciones de operación y estrategi=
as
de mantenimiento consistentes durante los doce meses. Una disponibilidad
intrínseca promedio de 98 % es un resultado sólido en ingeniería de fiabili=
dad:
indica que las fallas son poco frecuentes y que, cuando ocurren, se corrige=
n en
tiempos que no afectan de forma notable la continuidad del proceso. La
estabilidad del MTTF a lo largo del año sugiere además que el equipo no está
entrando en una etapa acelerada de desgaste, algo coherente con un programa=
de
mantenimiento efectivo. Estos resultados respaldan mantener las prácticas
actuales, con seguimiento puntual de los meses de menor fiabilidad (marzo y
junio) para identificar posibles causas operacionales o ambientales detrás =
del
aumento de fallas y tiempos de reparación. A continuación, se presenta el análisis de las curvas obtenidas medi=
ante
el ajuste de una distribución de Weibull de dos parámetros, con parámetro de
forma β =3D 1,3 y parámetro de escala η =3D 2,04. El valor de esc=
ala debe
interpretarse en las mismas unidades usadas en el ajuste; en las gráficas, =
el
tiempo se expresa en horas de operación, como referencia la =
Tabla
2. Funciones de la Fiabilid=
ad Curva de fiabilidad, R(t) en la Figura 3 se presenta la función de fiabilidad R(t), que representa la
probabilidad de que el equipo opere sin fallas hasta un tiempo t, esta curva
muestra una disminución continua de la fiabilidad conforme aumenta el tiemp=
o de
operación. Al inicio, la probabilidad de funcionamiento es cercana al 100 %;
hacia el final del período analizado (alrededor de 14 000 h) cae a valores
cercanos al 5 %. La pendiente es suave en las primeras horas y se vuelve más
pronunciada después, es decir, la pérdida de fiabilidad es progresiva, no
abrupta, este comportamiento es consistente con β =3D 1,3: cuando ^=
6;
> 1, la probabilidad de falla aumenta con el tiempo por el deterioro gra=
dual
de los componentes. Esto ubica al equipo en la etapa de desgaste inicial, d=
onde
las fallas empiezan a no ser aleatorias, esto significa que la caída de la
fiabilidad es predecible, lo que permite definir políticas de reemplazo o
mantenimiento preventivo antes de que la probabilidad de falla se vuelva al=
ta. Curva de tasa de fallos, λ(t) en la Figura 3 también se muestra la tasa instantánea de fallos λ(t), que ind=
ica
la velocidad con la que ocurren las fallas en función del tiempo de operaci=
ón,
la curva es creciente: parte de valores bajos en las primeras horas y aumen=
ta
de forma progresiva, con un incremento marcado hacia el final del período, =
lo
que indica una aceleración en la frecuencia esperada de fallas, este
comportamiento corresponde a una distribución de Weibull con β =3D 1,3,
donde la función de riesgo es creciente: El exponente positivo (β − 1 =3D 0,3) hace que la tasa de
fallos aumente con el tiempo, Esto indica que las fallas están asociadas a
procesos de degradación, el incremento acelerado de λ(t) en la etapa f=
inal
sugiere que seguir operando sin intervención preventiva aumentaría la
probabilidad de fallas correctivas, con el consiguiente costo adicional de
mantenimiento. En el estudio de la mantenibilidad de la Figura 4 presenta la función de mantenibilidad M(t), que representa la
probabilidad de que una reparación se complete antes de un tiempo, la curva=
es
creciente y asintótica, propia de la función de distribución acumulada de u=
na
Log.Normal. En la primera hora, la probabilidad acumulada de restablecer el
equipo es cercana al 40 %, es decir, buena parte de las intervenciones toma=
más
de una hora en completarse, entre las 2 y las 4 horas la mantenibilidad sube
con rapidez, llegando a cerca de 80 % alrededor de las tres horas la mayorí=
a de
las acciones correctivas se resuelve en ese rango. A partir de las 5 horas =
la
pendiente se reduce y la curva se estabiliza, alcanzando 95-98 % hacia las 7
horas; pasado ese punto, es poco probable que una reparación siga pendiente=
. Funciones de la
Mantenibilidad Esto refleja una
mantenibilidad alta, con la mayoría de las intervenciones resueltas en tiem=
pos
cortos. La forma de la curva también muestra la asimetría típica de la
Log.Normal pocas reparaciones complejas toman bastante más tiempo que el
promedio, y son las que estiran la cola de la distribución. La Figura 4 M(t) y μ(t)
describen un proceso de mantenimiento eficiente, la mantenibilidad sube ráp=
ido
en las primeras horas y la tasa de reparaciones también aumenta conforme av=
anza
la intervención, lo que confirma que la mayoría de las reparaciones se
resuelven rápido y con una probabilidad creciente de éxito a medida que
progresan. La proyec=
ción
de la disponibilidad de los alimentadores eléctricos que se presenta en la =
Figura 5<=
/span> muestra =
la
proyección de disponibilidad de los alimentadores en función del tiempo de
operación. La tendencia es creciente y estable, con valores que van de
aproximadamente 80 % a 99 % durante el intervalo analizado. En las
primeras horas (50 a 120 h), la disponibilidad muestra mayor dispersión, con
valores entre 80 % y 95 %, lo que apunta a la influencia de fallas iniciale=
s y
las actividades correctivas asociadas. A medida que avanza el tiempo de ope=
ración,
esa dispersión se reduce y los valores se concentran entre 95 % y 99 %. A
partir de las 300 h, la mayoría de los datos se mantiene por encima del 95 =
%,
señal de que el sistema entra en un régimen de operación con alta continuid=
ad
del servicio. Esta tendencia ascendente es coherente con los
resultados de fiabilidad y mantenibilidad ya descritos: un MTTF elevado, un
MTTR reducido y una disponibilidad intrínseca promedio de 98 %. En otras
palabras, las fallas siguen ocurriendo, pero los tiempos de reparación son =
lo
bastante cortos como para no afectar de forma significativa la operación de=
los
alimentadores se observa en la Figura 5<=
/a>. Proyecciones de la
disponibilidad En conjunto, la
proyección muestra que los alimentadores mantienen un nivel alto de
disponibilidad durante la mayor parte del período analizado, lo cual respal=
da
las estrategias de mantenimiento actuales. Bajo condiciones similares de
operación y mantenimiento, es razonable esperar que la disponibilidad futur=
a se
mantenga cercana al 98 %, un valor adecuado para sistemas de distribución
eléctrica. 4.&n=
bsp;
Discusión Los resultados son representativos del comportamie=
nto
de los equipos no reparables de un único alimentador de media tensión (sect=
or
Penipe), durante un período de veinticuatro meses de registro. Dentro de ese
alcance, los indicadores permiten: En conjunto, los resultados ofrecen una base
cuantitativa sólida para la gestión de mantenimiento del alimentador estudi=
ado,
pero su generalización a otros contextos de la red requeriría ampliar el
análisis a un mayor número de alimentadores y un horizonte temporal más
extenso. Respecto a las proyecciones de la Fiabilidad se ti=
ene:
El valor β =3D 1,3 obtenido coincide con lo reportado en la literatura=
para
componentes eléctricos de distribución sujetos a desgaste gradual (aislamie=
nto,
contactos, corrosión), y no con fallas infantiles ni con una tasa constante=
(Ebeling,
2019; O'Connor & Kleyner, 2011). Esto respalda técnicamente la
recomendación de mantenimiento preventivo, en línea con el enfoque RCM de M=
oubray
(1997). Los resultados son válidos para el alimentador de
Penipe y los equipos no reparables analizados, dentro del período de regist=
ro. Limitaciones: Los tiempos de reparación obtenidos (mantenibilidad
cercana al 80 % a las 3 h y 95-98 % a las 7 h) son consistentes con lo que =
Dhillon
(2006) describe para mantenimiento correctivo en redes de distribución, don=
de
el grueso de las intervenciones se concentra en unas pocas horas y una cola=
de
reparaciones complejas alarga la duración promedio. El ajuste a una
distribución Log.Normal. La asimetría de la curva presenta muchas reparacio=
nes
rápidas y pocas muy largas esto es coherente con lo reportado por para inte=
rvenciones
en media tensión, donde las fallas de fácil acceso se resuelven en poco tie=
mpo
mientras que las que requieren desplazamiento a zonas rurales o reemplazo de
componentes especializados generan la cola larga de la distribución. esto
sugiere que el comportamiento observado en el alimentador Penipe no es un c=
aso
aislado, sino un patrón típico del tipo de infraestructura analizada. Alcance: los resultados caracterizan el pro=
ceso
de reparación del alimentador de Penipe durante el período de registro, y s=
on útiles
para dimensionar recursos de mantenimiento (personal, herramientas, tiempos=
de
respuesta esperados). Limitaciones: ·
El ajuste a Log.Normal describe el conjunto de reparaciones, pero no
distingue entre tipos de falla; reparaciones muy distintas entre sí (falla =
de
aislador vs. falla de conductor, por ejemplo) podrían estar generando esa c=
ola
larga sin que el modelo lo diferencie. ·
Los tiempos de reparación dependen de factores logísticos (distancia,
disponibilidad de cuadrillas, acceso al sector) que no están modelados
explícitamente y pueden variar en el tiempo sin que el análisis lo capture.=
·
El período de dos años no permite evaluar si la eficiencia de repara=
ción
se mantiene estable o cambia con variaciones en la dotación de personal o en
los protocolos de la empresa. ·
Los valores no son directamente extrapolables a alimentadores con
distinta accesibilidad geográfica o tipo de equipo. La disponibilidad proyectada (80-99 %, estabilizán=
dose
cerca de 98 % después de las 300h es consistente con lo que Billinton &
Allan (1984) describen como comportamiento esperado en sistemas de distribu=
ción
bien mantenidos: una fase inicial de mayor variabilidad, seguida de un régi=
men
estable una vez que el sistema "absorbe" las fallas tempranas y l=
as
acciones correctivas asociadas. La dispersión observada entre 50 y 120 h es
coherente con esa lectura, más que con un problema de calidad del component=
e. El hecho de que la disponibilidad proyectada alcan=
za
el mismo valor que la disponibilidad intrínseca calculada directamente de l=
os
datos históricos (98 %) es una señal de consistencia interna del análisis: =
dos
caminos distintos del cálculo puntual y proyección temporal llegan al mismo
número. Esto respalda la robustez de la estimación, en línea con lo que O'C=
onnor
& Kleyner (2011) señalan sobre la importancia de validar los indicadore=
s de
fiabilidad mediante más de un enfoque metodológico. Alcance: la proyección describe el comportamiento
esperado de disponibilidad para el alimentador de Penipe bajo el supuesto d=
e que
las condiciones de operación y mantenimiento observadas en el período de
estudio se mantienen constantes. Es útil como referencia para justificar la
continuidad de las prácticas actuales de mantenimiento y como línea base pa=
ra
comparar con proyecciones futuras. Limitaciones: ·
El modelo asume condiciones de mantenimiento y operación constantes.
Cambios futuros en la dotación de personal, protocolos, o en las condiciones
ambientales del sector no están contemplados y podrían modificar la
disponibilidad real. ·
La dispersión inicial (80-95 % en las primeras 120 h) depende en par=
te
del tamaño de muestra disponible para ese tramo; si hubo pocos eventos
registrados en esa ventana, la variabilidad podría estar sobreestimada por =
el
efecto de muestra pequeña más que por un fenómeno físico real. ·
Al no incorporar variables ambientales, la proyección no distingue s=
i la
disponibilidad futura podría verse afectada por factores estacionales (époc=
a de
lluvias, descargas atmosféricas) que no se repiten de manera uniforme año a
año. <=
span
style=3D'mso-bookmark:_Hlk81985521'>5. Conclusiones ·
El análisis de la fiabilidad aplicado a los equipos no reparables del
alimentador de Penipe convirtió más de 2500 registros de falla en un modelo
cuantitativo capaz de describir y proyectar el comportamiento del sistema. =
Con
esto se cumple el objetivo general planteado para esta investigación. ·
El ajuste de Weibull, con β =3D 1,3, muestra que las fallas no =
son
aleatorias ni obedecen a defectos de fabricación: responden a un desgaste
gradual. En la práctica, esto significa que el mantenimiento no puede segui=
r un
enfoque reactivo o de sustitución al azar. Debe orientarse a intervalos de
reemplazo preventivo calculados a partir del comportamiento real del activo=
, no
de recomendaciones genéricas del fabricante. ·
Un MTTF estable (562 h en promedio, con dispersión mensual menor al =
4 %)
junto con un MTTR bajo (13,9 h) explica la disponibilidad intrínseca de 98 %
obtenida. Esto muestra algo importante: para este equipo, la disponibilidad
depende menos de evitar la falla y más de qué tan rápido se repara. ·
La proyección de disponibilidad converge al mismo valor calculado
directamente de los datos históricos. Dos caminos distintos llegan al mismo
número, lo que da soporte adicional al modelo más allá de un simple ajuste
estadístico. ·
El aporte central de este trabajo es mostrar que se puede caracteriz=
ar
el comportamiento de falla y reparación de equipos no reparables usando solo
registros administrativos existentes, sin instrumentación adicional ni
intervención directa sobre los equipos. Esto les da a las empresas con estr=
ucturas
de datos parecidas, un procedimiento replicable para pasar de un mantenimie=
nto
basado en la experiencia a uno basado en evidencia estadística, sin inversi=
ón
adicional en monitoreo. ·
Los resultados del alimentador de Penipe funcionan como línea base: =
el
mismo procedimiento (depuración de registros, ajuste de Weibull, ajuste de
Log.Normal, proyección de disponibilidad) puede aplicarse a otros alimentad=
ores
de la red. Eso abriría la puerta a comparar el desempeño entre circuitos y a
priorizar recursos de mantenimiento donde el análisis lo indique, en vez de
repartirlos de manera uniforme. 6. Conflicto de intereses Los autores declaran que no existe conflicto de intereses en relación
con el artículo presentado. 7. Derechos de autor (copy=
rigth) Los
autores son los titulares de los derechos de autor (patrimoniales y/=
o de
explotación) de los contenidos de la revista (copyright). <=
span
style=3D'mso-bookmark:_Hlk81985521'>8. Declaración de contribución de los autores Los autores declara=
n haber
participado de manera equitativa y sustancial en la realización de esta
investigación, bajo las responsabilidades según la Taxonomía
CRediT
para describir las contribuciones individuales de cada autor al trabajo. Conceptualización: Ga=
llegos,
C.M., Hernández, E. S., Marzumillaga, J. V. &am=
p;
Viscarra, M. D. Curación de datos: Ga=
llegos,
C.M., Hernández, E. S., Marzumillaga, J. V. &am=
p;
Viscarra, M. D. Análisis formal: Gall=
egos,
C.M., Hernández, E. S., Marzumillaga, J. V. &am=
p;
Viscarra, M. D. Adquisición de fondos:
Gallegos, C.M., Hernández, E. S., Marzumillaga,=
J. V.
& Viscarra, M. D. Investigación: Galleg=
os,
C.M., Hernández, E. S., Marzumillaga, J. V. &am=
p;
Viscarra, M. D. Metodología: Gallegos=
, C.M.,
Hernández, E. S., Marzumillaga, J. V. & Vis=
carra,
M. D. Administración del pr=
oyecto:
Gallegos, C.M., Hernández, E. S., Marzumillaga,=
J. V.
& Viscarra, M. D. Recursos: Gallegos, C=
.M.,
Hernández, E. S., Marzumillaga, J. V. & Vis=
carra,
M. D. Software: Gallegos, C=
.M.,
Hernández, E. S., Marzumillaga, J. V. & Vis=
carra,
M. D. Supervisión: Gallegos=
, C.M.,
Hernández, E. S., Marzumillaga, J. V. & Vis=
carra,
M. D. Validación: Gallegos,=
C.M.,
Hernández, E. S., Marzumillaga, J. V. & Vis=
carra,
M. D. Visualización: Galleg=
os, C.M.,
Hernández, E. S., Marzumillaga, J. V. & Vis=
carra,
M. D. Escritura borrador or=
iginal:
Gallegos, C.M., Hernández, E. S., Marzumillaga,=
J. V.
& Viscarra, M. D. Redacción revisión y =
edición:
Gallegos, C.M., Hernández, E. S., Marzumillaga,=
J. V.
& Viscarra, M. D. Discusión de resultados: todos los aut=
ores
participaron activamente en el análisis crítico e interpretación de los
hallazgos presentados. Revisión y aprobación: todos los autor=
es
revisaron minuciosamente el manuscrito, realizaron las correcciones pertine=
ntes
y otorgaron su aprobación formal para la versión final del trabajo.<=
/span> Divulgación
de la delegación a la IA generativa La responsabilidad del
manuscrito final recae íntegramente en los autores. Las herramientas GAI no
figuran como autores y no asumen responsabilidad por los resultados finales=
. Declaración
presentada por: La presente investigación fue financiada en su totalidad con fondos
propios de los autores. =
Abernethy, R. B. (2006). The new weibull handbook (5th ed.)=
. Published
by Robert B. Abernethy. https://dl.icdst.org/pdfs/files3/c64437fb3adfa5efa=
fd1cb89063cb323.pdf =
Billinton, R. & Allan, R. N. (1984). Reliability evaluation =
of
power systems. Springer. =
Brown, R. E. (2009). Electric power distribution reliability (2nd.edition). CRC Press. =
Dhillon, B. S. (2006). Maintainability, maintenance, and reliabi=
lity
for engineers. CRC Press. =
Ebeling, C. E. (2019). An introduction to reliability and
maintainability engineering. Waveland Press. =
Fala León, J. P. (2022). Desarrollo=
de un
plan de mantenimiento preventivo programado para la empresa de lácteos Campo
Fino de la ciudad de Salcedo utilizando la metodología del mantenimiento
centrado en la confiabilidad [Tr=
abajo
de pregrado, Escuela Superior Politécnica de Chimborazo, Riobam=
ba,
Ecuador]. http://dspace.espoch.edu.ec/handle/123456789/16222=
=
International Organization for Standardization [ISO]. (2016).=
ISO
14224:2016 - Industrias del petróleo, petroquímica y gas natural -
Recopilación e intercambio de datos de fiabilidad y mantenimiento de equipos
(3ra edición). https://www.iso.org/standard/64076.html International Organization for Standardization [IS=
O]. (202=
4). ISO
55000:2024 - Norma de Gestión de Activos. =
Kececioglu,
D. B. (2002). <=
span
lang=3DEN-US style=3D'mso-ansi-language:EN-US'>Reliability engineering hand=
book (Vol. 1). DEStech Publications. https:=
//books.google.com.ec/books/about/Reliability_Engineering_Handbook.html?id=
=3DIV6_GCFVWIQC&redir_esc=3Dy =
Moubray, J. (1997). Reliability-centered maintenance (2nd e=
d.).
Industrial Press. =
Nelson, W. B. (1982). Applied life data analysis. John Wiley
& Sons. https://books.google.com.ec/books?hl=3Des&lr=
=3D =
O'Connor, P. D. & Kleyner, A. (2011). Practical reliability
engineering (1st ed.). John Wiley & Sons. =
ReliaSoft. (2014). Life data analysis reference. ReliaSoft
Publishing. <=
span
style=3D'mso-bookmark:_Hlk81985521'>https:=
//es.scribd.com/doc/310085912/Life-Data-Analysis-Reference =
Smith, D. J. (1993). Reliability, maintainability and risk: practical methods for enginee=
rs
(4th edition). Butterworth-Heinemann. =
UNE Normalización Española. (2018). =
Weibull, W. (1951). A statistical distribution function of wide
applicability. Journal of Applied Mechanics,
18(3), 293-297. https:=
//doi.org/10.1115/1.4010337 =
Yanez Medina, M., Gómez de la Vega, H.,=
&
Valbuena Choururio, G. (2004). Ingeniería de confiabilidad y análisis
probabilístico del riesgo. Editor Reliability and Risk
Management S. A. https://www.passeidireto.com/es/content/132775977/=
lectura-libro-completo-r-2-m-confiabilidad? =
=
https://link.springer.com/book/10.1007/978-1-4615-=
7731-7
https://www.taylorfrancis.com/books/mono/10.1201/9=
780849375682/electric-power-distribution-reliability-lee-willis-richard-bro=
wn
https://books.google.com.ec/books/about/Maintainab=
ility_Maintenance_and_Reliabil.html?id=3Dv2HLBQAAQBAJ&redir_esc=3Dy
https://www.waveland.com/browse.php?t=3D392=
https://books.google.com.ec/books/about/Reliabilit=
y_centered_Maintenance.html?hl=3Des&id=3DbNCVF0B7vpIC&redir_esc=3Dy=
Esta revi=
sta
está protegida bajo una licencia Creative Commons<=
/span>
en la 4.0 International. Copia de la licencia: http://cr=
eativecommons.org/licenses/by-nc-sa/4.0/