CONFIABILIDAD
2024-11-05
# Cargar librería necesaria
# install.packages("dplyr") # Si no tienes dplyr instalado
library(dplyr)##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union# Parámetros del modelo Weibull
forma <- 1.5 # Parámetro de forma (beta)
escala <- 1000 # Parámetro de escala (eta)
# Generar tiempos de vida simulados con el modelo de Weibull
set.seed(123) # Para reproducibilidad
tiempos_vida <- rweibull(100, shape = forma, scale = escala)
# Calcular la confiabilidad para los tiempos simulados
confiabilidad <- 1 - pweibull(tiempos_vida, shape = forma, scale = escala)
# Crear tabla con los datos simulados
tabla_resultados <- data.frame(
ID = 1:1000,
Tiempo_de_Vida = tiempos_vida,
Confiabilidad = confiabilidad
)
# Mostrar los registros
head(tabla_resultados, 100)## ID Tiempo_de_Vida Confiabilidad
## 1 1 1158.08319 0.2875775201
## 2 2 383.90741 0.7883051354
## 3 3 928.08897 0.4089769218
## 4 4 249.21321 0.8830174040
## 5 5 155.60031 0.9404672843
## 6 6 2120.93184 0.0455564994
## 7 7 741.46180 0.5281054880
## 8 8 234.86108 0.8924190444
## 9 9 707.60436 0.5514350145
## 10 10 850.18365 0.4566147353
## 11 11 124.87150 0.9568333453
## 12 12 855.38905 0.4533341562
## 13 13 533.10498 0.6775706355
## 14 14 677.38391 0.5726334020
## 15 15 1729.13725 0.1029246827
## 16 16 223.34997 0.8998249704
## 17 17 1252.69654 0.2460877344
## 18 18 2157.33672 0.0420595335
## 19 19 1075.25698 0.3279207193
## 20 20 129.42923 0.9545036491
## 21 21 239.28648 0.8895393161
## 22 22 512.60694 0.6928034062
## 23 23 583.30481 0.6405068138
## 24 24 32.08331 0.9942697766
## 25 25 562.64938 0.6557057991
## 26 26 491.48670 0.7085304682
## 27 27 718.22675 0.5440660247
## 28 28 647.17733 0.5941420204
## 29 29 1154.68164 0.2891597373
## 30 30 1542.93187 0.1471136473
## 31 31 112.38679 0.9630242325
## 32 32 219.45975 0.9022990451
## 33 33 515.42727 0.6907052784
## 34 34 374.11301 0.7954674177
## 35 35 2394.13905 0.0246136845
## 36 36 817.07456 0.4777959711
## 37 37 424.38592 0.7584595375
## 38 38 1328.12594 0.2164079358
## 39 39 1094.55542 0.3181810076
## 40 40 1288.51681 0.2316257854
## 41 41 1558.86325 0.1428000224
## 42 42 918.70503 0.4145463358
## 43 43 920.08508 0.4137243263
## 44 44 998.25094 0.3688454509
## 45 45 1523.76726 0.1524447477
## 46 46 1573.97365 0.1388060634
## 47 47 1284.95427 0.2330340995
## 48 48 835.46769 0.4659624503
## 49 49 1205.97352 0.2659726404
## 50 50 286.50110 0.8578277153
## 51 51 2118.17928 0.0458311667
## 52 52 873.22112 0.4422000742
## 53 53 369.37083 0.7989248456
## 54 54 1642.25623 0.1218992600
## 55 55 693.98308 0.5609479838
## 56 56 1355.01279 0.2065313896
## 57 57 1618.67316 0.1275316502
## 58 58 431.33224 0.7533078643
## 59 59 230.80105 0.8950453592
## 60 60 988.14002 0.3744627759
## 61 61 549.91380 0.6651151946
## 62 62 1770.36338 0.0948406609
## 63 63 971.25361 0.3839696378
## 64 64 1186.99821 0.2743836446
## 65 65 347.68172 0.8146400389
## 66 66 863.07335 0.4485163414
## 67 67 354.02132 0.8100643530
## 68 68 350.80252 0.8123895095
## 69 69 375.65412 0.7943423211
## 70 70 877.04823 0.4398316876
## 71 71 429.75909 0.7544751586
## 72 72 598.72082 0.6292211316
## 73 73 489.26967 0.7101824014
## 74 74 3789.92435 0.0006247733
## 75 75 820.90723 0.4753165741
## 76 76 1318.27198 0.2201188852
## 77 77 978.59635 0.3798165377
## 78 78 621.33320 0.6127710033
## 79 79 1029.58123 0.3517979092
## 80 80 1690.00297 0.1111354243
## 81 81 1258.69383 0.2436194727
## 82 82 545.94099 0.6680555874
## 83 83 913.51504 0.4176467797
## 84 84 384.05659 0.7881958340
## 85 85 1729.43306 0.1028646443
## 86 86 885.06879 0.4348927415
## 87 87 61.24653 0.9849569800
## 88 88 233.88610 0.8930511144
## 89 89 243.97563 0.8864690608
## 90 90 1448.13768 0.1750526503
## 91 91 1605.80591 0.1306956916
## 92 92 566.18028 0.6531019250
## 93 93 1045.17375 0.3435164723
## 94 94 561.22325 0.6567581280
## 95 95 1090.17570 0.3203732425
## 96 96 1409.25623 0.1876911193
## 97 97 392.09949 0.7822943013
## 98 98 1776.98173 0.0935949867
## 99 99 834.19012 0.4667790416
## 100 100 765.98697 0.5115054599#Tabla de Resultados:
La tabla tabla_resultados incluye cada uno de los 100 datos simulados, el tiempo de vida simulado para cada dato, y su confiabilidad. La confiabilidad representa la probabilidad de que un componente siga funcionando correctamente hasta ese tiempo de vida específico.
En la tabla, uno de los componentes tiene un tiempo de uso de 383.907 horas con una confiabilidad de 0.7883, esto significa que hay un 78.83% de probabilidad de que el componente esté funcionando correctamente a las 383.907 horas de operación.
# Visualización: Curva de confiabilidad del modelo de Weibull
# Ordenar tiempos de vida y confiabilidad para graficar
datos_confiabilidad <- data.frame(tiempos_vida = sort(tiempos_vida),
confiabilidad = sort(confiabilidad, decreasing = TRUE))
# Instalar ggplot2 si es necesario
# install.packages("ggplot2")
library(ggplot2)
ggplot(datos_confiabilidad, aes(x = tiempos_vida, y = confiabilidad)) +
geom_line(color = "pink", linewidth = 1) +
labs(title = "Curva de Confiabilidad del Modelo de Weibull",
x = "Tiempo de Vida", y = "Confiabilidad") +
theme_minimal()
#Gráfica de Confiabilidad:
La Curva de Confiabilidad muestra cómo la probabilidad de que los componentes sigan en funcionamiento disminuye a medida que aumenta el tiempo de vida. En el modelo de Weibull, indica que los componentes están en una fase de desgaste, donde la tasa de fallas aumenta con el tiempo.
La curva tiene una pendiente descendente, lo que indica que conforme aumenta el tiempo de operación, la probabilidad de que los componentes sigan funcionando sin fallas disminuye progresivamente.
#Análisis:
Periodo de Alto Riesgo
La curva de confiabilidad indica que después de cierto tiempo crítico (aproximadamente 1000 horas en este caso), la confiabilidad disminuye notablemente. Esto sugiere que el riesgo de fallas aumenta considerablemente a partir de este punto, por lo que es ideal programar mantenimientos antes de alcanzar este tiempo.
Mantenimiento Predictivo
La información proporcionada por esta curva es valiosa para planificar el mantenimiento predictivo, permitiendo reemplazar o dar mantenimiento a componentes cuando la confiabilidad es aún alta, evitando tiempos de inactividad y reduciendo costos de fallas inesperadas.
Optimización de Recursos
Basado en el análisis, los gerentes de mantenimiento pueden priorizar intervenciones preventivas en los componentes que alcanzan los puntos de menor confiabilidad, optimizando el uso de recursos de manera eficiente.
Este modelo ayuda a identificar el momento óptimo para realizar mantenimientos preventivos en función de la confiabilidad, lo cual permite reducir los riesgos de fallas inesperadas y mejorar la eficiencia operativa de la planta.