DEPARTAMENTO DE INSTITUTO TECSUP AREQUIPA

Carrera:
GESTIÓN Y MANTENIMIENTO DE LA MAQUINARIA PESADA

“Análisis de Decisiones de Mantenimiento en Maquinaria Pesada Usando

probabilidad Total Y Teorema de bayes”

Autores:

Mauricio Mamani Bryam Gonzalo

Aracca Paccara Mark Yuri

Pachao Antacabana Jose Antonio

Quispe Muñoz Italo Guillermo

Profesor:

TEJADA HUARANCA KLISMAN PAUL

Arequipa– Perú
2024 - II
INDICE
Resumen…………………….

Introducción……………………..

Objetivos……………………..

Análisis de la Data……………………..

4.1 Variables Analizadas……………………..

4.2 Tablas y Gráficos de Frecuencia……………………..

4.3 Gráficos de Probabilidad de Fallos……………………..

4.4 Medidas de Tendencia Central……………………..

Análisis y Discusión……………………..

5.1 Tipos de Fallos……………………..

5.2 Frecuencia de Mantenimiento Preventivo……………………..

5.3 Tiempo de Uso hasta el Fallo……………………..

5.4 Optimización de Recursos de Mantenimiento……………………..

Aplicaciones del Teorema de Bayes y la Probabilidad Total

6.1 Probabilidad Condicional en el Mantenimiento……………………..

6.2 Modelo Predictivo para Mantenimiento Preventivo……………………..

Conclusiones……………………..

Bibliografía……………………
RESUMEN:

Esta revisión investiga el impacto de los métodos de mantenimiento en la

confiabilidad de las máquinas, centrándose en su relación con el rendimiento

general, la durabilidad y la disponibilidad. Destaca la importancia del mantenimiento

proactivo, como el mantenimiento preventivo, para identificar y tratar problemas

potenciales antes de que se conviertan en fallas significativas. La revisión también

examina la eficacia de varios procedimientos de mantenimiento para mejorar la

confiabilidad de las máquinas, examinando la relación costo-beneficio de los

programas de mantenimiento y los ahorros potenciales obtenidos a través de la

mejora de la confiabilidad (1).

La revisión destaca el papel de los métodos de mantenimiento para limitar los riesgos

y mejorar el rendimiento, enfatizando la importancia de las práctica de

mantenimiento adecuadas para garantizar operaciones fluidas y reducir el tiempo de

inactividad (1).

INTRODUCCIÓN:

Existe interés en la frecuencia de fallas y las causas de las fallas inesperadas que

experimentan los dispositivos, que pueden aumentar los costos, reducir la

producción y resultar en pérdidas significativas en recursos humanos y materiales .

La confiabilidad es la probabilidad de que un sistema realice un trabajo particular

durante un período específico bajo las condiciones de trabajo para las que está

diseñado. Se puede evaluar para determinar el tipo y tamaño de la producción y

mejorarla a través de diseños de ingeniería basados en el diseño para la

mantenibilidad.

El mantenimiento tiene gran impacto e importancia al considerar las máquinas

como herramientas; además de su confiabilidad, equipos inteligentes basados en

redes que son un producto de revolución industrial reciente.

Comprender el valor total de estos equipos y otros activos de la empresa se ha vuelto

más crucial utilizando soluciones tecnológicas como internet, computación en la

nube, sistemas ciberfísicos y análisis de big data.

La gestión estratégica de activos puede disminuir o incluso eliminar algunos de los

problemas administrativos, técnicos y metodológicos que enfrenta. Optimizar las

tareas de mantenimiento es esencial en todos los entornos industriales, incluyendo

la fabricación, plantas químicas, ingeniería de procesos (por ejemplo, plantas

nucleares), operaciones de equipos de campo (por ejemplo, construcción, equipos de

minería y otros).
Sin embargo, una metodología de mantenimiento centrado en la confiabilidad

(RCM) mejora la disponibilidad de máquinas y equipos en las diversas industrias .

El análisis del modo de falla y efecto (FMEA) se utiliza para analizar fallas y se

proponen medidas preventivas para reducir el tiempo de inactividad y mejorar la

disponibilidad .

Mantener un sistema de producción o logístico en un estado tal que pueda realizar

su producción es el objetivo principal del mantenimiento, la política de reemplazo

de edad se utiliza para estimar los intervalos y costos de reemplazo .

Tradicionalmente, los programas de mantenimiento han sido reactivos o

preventivos, lo que con frecuencia conduce a fallas costosas e imprevistas de la

máquina o mantenimiento innecesario que causa un tiempo de inactividad sustancial

y pérdida de productividad .

Si bien el mantenimiento preventivo implica realizar operaciones de mantenimiento

de rutina con el objetivo de extender la vida útil, el mantenimiento reactivo se

concentra en realizar el mantenimiento solo después de que una máquina o un

componente haya fallado .

OBJETIVOS:

● Aplicar el teorema de Bayes para identificar la probabilidad de fallos futuros

basándonos en historiales de mantenimiento y datos operativos.

 ● Utilizar probabilidad total para estimar la probabilidad global de fallos en

diferentes escenarios operativos.

● Evaluar cómo el enfoque probabilístico puede optimizar la frecuencia y tipo

de mantenimiento requerido.

● Proponer un modelo predictivo para planificar recursos de mantenimiento.

ANÁLISIS DE LA DATA:

1. VARIABLES

a. Variables para el análisis de mantenimiento de maquinaria

pesada:

● Tiempo de uso de la maquinaria: Número de horas operativas

hasta el fallo o mantenimiento.

● Tipo de fallo: Clasificación de los fallos más comunes

(mecánico, eléctrico, hidráulico, etc.).

● Frecuencia de mantenimiento: Intervalos de tiempo entre los

mantenimientos realizados (diarios, semanales, mensuales).

● Condiciones operativas: Factores como el tipo de terreno o

condiciones climáticas que afectan el desgaste.

● Historial de fallos: Número de fallos ocurridos en un periodo

determinado.
b. Tablas de frecuencias según el tipo de fallo de maquinaria pesada:

Imagen 1. Tablas de frecuencias

c. Análisis:

Frecuencia: Los fallos mecánicos son los más frecuentes (12

incidentes),seguidos de los fallos hidráulicos (10 incidentes).

Probabilidad: La probabilidad de que ocurra un fallo mecánico es de

un 30%, lo que indica que, en promedio, los fallos mecánicos son más

comunes que los demás tipos.

Frecuencia acumulada: La frecuencia acumulada muestra cuántos

fallos han ocurrido hasta cierto tipo de fallo. Por ejemplo, después de

los fallos mecánicos, el 50% de los fallos fueron mecánicos o

hidráulicos (12 + 10 = 22 fallos).

 Porcentaje de ocurrencia: El 30% de las veces, el tipo de fallo será

mecánico, lo que puede sugerir que las máquinas en cuestión

necesitan un enfoque de mantenimiento preventivo en esta área.

d. Gráfico de barras de la frecuencia de fallos por tipo

Imagen 2. Frecuencia de fallos por tipo de fallo. El eje X representa

el Tipo de fallo. El eje Y representa la Frecuencia de los fallos.

Los fallos mecánicos se destacan como los más frecuentes, con una

mayor barra en el gráfico, lo que respalda la información obtenida en

la tabla.

La menor frecuencia de fallos es en los sistemas neumáticos y otros,

que también es consistente con la tabla

e. Tabla de frecuencias para el análisis de mantenimiento preventivo

según intervalo de tiempo

Tabla 2: Frecuencia de mantenimiento preventivo según intervalo

de tiempo

La mayoría de los mantenimientos se realizan en los intervalos de 61 a

90 días, con un 30% de ocurrencia.

El intervalo más corto (0-30 días) tiene la menor frecuencia, lo que

indica que los mantenimientos más frecuentes son más efectivos en

tiempos intermedios.

f. Gráfico de barras de la frecuencia de mantenimiento por intervalo de

tiempo
 El gráfico muestra que la mayoría de los mantenimientos preventivos

se realizan entre los 61 y 90 días, lo cual es consistente con la tabla y

sugiere un ciclo de mantenimiento óptimo para este tipo de

maquinaria

g. Gráfico de probabilidad de fallos futuros utilizando el Teorema

de Bayes

Este gráfico ilustraría cómo se pueden ajustar las probabilidades de

fallos futuros basados en datos históricos y actuales. Utilizando el

Teorema de Bayes, las probabilidades condicionales pueden ser

recalculadas con información adicional, como las condiciones

operativas actuales.

FÓRMULA GENERAL:
 Al ajustar las probabilidades con el Teorema de Bayes, se puede ver

cómo las probabilidades de fallos cambian con diferentes condiciones

operativas, ayudando a planificar mejor el mantenimiento preventivo.

h. Medidas de tendencia central del mantenimiento de maquinaria

pesada

Data sobre las horas operativas hasta el fallo (en horas):

 ● Media ( promedio de todas las horas operativas hasta el fallo):

1260 horas

● Mediana ( valor que se encuentra en el centro de los datos

cuando están ordenados de menor a mayor): 1250 horas

● Moda (valor que más veces se repite): 1200 horas

Tipo de fallo: Para las variables categóricas (como el tipo de fallo:

mecánico, eléctrico, hidráulico, etc.), la moda es la medida de

tendencia central más relevante. La moda indica qué tipo de fallo es

más común.
Moda: El tipo de fallo más frecuente es mecánico,

Frecuencia de mantenimiento (intervalos de tiempo entre

mantenimientos)
 ● Media:

Sumamos todos los valores y los dividimos entre el número total de

intervalos: 72 días

● Mediana:promedio de los dos valores centrales: 60 días

● Moda: valor que más veces se repite es 30 días (aparece 3 veces).

Tabla 1: Distribución de Frecuencias de Fallas

Evento de Falla Frecuencia

Fallo en el motor 8

Fallo en el sistema hidráulico 7

Fallo en el sistema eléctrico 5

Fallo en el sistema de frenos 3

Fallo en el sistema de dirección 2

Total 25
Tabla 2: Distribución de Porcentajes de Fallas

Esta tabla muestra el porcentaje de cada tipo de falla en relación con el total de la

muestra de 25.

Evento de Falla Porcentaje (%)

Fallo en el motor 32%

Fallo en el sistema hidráulico 28%

Fallo en el sistema eléctrico 20%

Fallo en el sistema de frenos 12%

Fallo en el sistema de dirección 8%

Total 100%

Tabla 3: Probabilidad de Cada Falla (P(E))

Esta tabla muestra la probabilidad de cada tipo de falla en la maquinaria, que

corresponde a la frecuencia de cada evento dividida entre el total de la muestra.

Evento de Falla Probabilidad (P(E))

Fallo en el motor 0.32

 Evento de Falla Probabilidad (P(E))

Fallo en el sistema hidráulico 0.28

Fallo en el sistema eléctrico 0.20

Fallo en el sistema de frenos 0.12

Fallo en el sistema de dirección 0.08

Total 1.00

Tabla 4: Probabilidad Condicional de Mantenimiento

Esta tabla muestra la probabilidad condicional de que se necesite mantenimiento

dado un tipo de falla.

Tabla 5: Probabilidad Total de Mantenimiento

Esta tabla calcula la probabilidad total de mantenimiento utilizando la probabilidad

de cada evento multiplicada por la probabilidad condicional de mantenimiento

dado cada evento

 .

Tabla 6: Tabla de Probabilidades Posteriores (Teorema de Bayes)

Esta tabla muestra cómo se actualizan las probabilidades utilizando el teorema de

Bayes, dada la información observada sobre el mantenimiento.

Tabla 7: Análisis de Costos de Mantenimiento

Esta tabla muestra los costos asociados con cada tipo de mantenimiento.

Evento de Falla Costo Estimado de Mantenimiento (S/.)

Fallo en el motor 500

Fallo en el sistema hidráulico 400

Fallo en el sistema eléctrico 300

Fallo en el sistema de frenos 250

Fallo en el sistema de dirección 350

Tabla 8: Análisis de Rentabilidad (Retorno de Inversión - ROI)

Esta tabla muestra el análisis de la rentabilidad de la inversión en mantenimiento.

Supongamos que la maquinaria genera ingresos de S/ 10,000 al mes, y calculamos

el ROI basado en los costos de mantenimiento.

Tabla 1: Frecuencia y Porcentaje de Tipos de Fallas

Esta tabla muestra la frecuencia y el porcentaje de los tipos de fallas observadas en

la maquinaria.
 Tipo de Falla Frecuencia Porcentaje (%)

Fallo en el motor 8 32%

Fallo en el sistema hidráulico 7 28%

Fallo en el sistema eléctrico 5 20%

Fallo en el sistema de frenos 3 12%

Fallo en el sistema de dirección 2 8%

Total 25 100%

Tabla 2: Frecuencia y Porcentaje de Mantenimiento Requerido

Esta tabla muestra la frecuencia y el porcentaje de mantenimiento requerido tras la

falla.

Mantenimiento Requerido Frecuencia Porcentaje (%)

Mantenimiento preventivo 15 60%

Mantenimiento correctivo 10 40%

Total 25 100%
Tabla 3: Frecuencia y Porcentaje de Falla por Parte de la Maquinaria

Esta tabla muestra la frecuencia y el porcentaje de las fallas según la parte de la

maquinaria afectada.

Parte de la Maquinaria Frecuencia Porcentaje (%)

Motor 8 32%

Sistema hidráulico 7 28%

Sistema eléctrico 5 20%

Frenos 3 12%

Dirección 2 8%

Total 25 100%

Tabla 4: Frecuencia y Porcentaje de Gravedad de la Falla

Esta tabla muestra la frecuencia y el porcentaje de la gravedad de las fallas.

Gravedad de la Falla Frecuencia Porcentaje (%)

Alta 5 20%

Media 12 48%
Gravedad de la Falla Frecuencia Porcentaje (%)

Baja 8 32%

Total 25 100%

Tabla 5: Frecuencia y Porcentaje de Causas de la Falla

Esta tabla muestra la frecuencia y el porcentaje de las causas de las fallas.

Causa de la Falla Frecuencia Porcentaje (%)

Desgaste 10 40%

Sobrecarga 7 28%

Deficiencia en mantenimiento 5 20%

Error humano 3 12%

Total 25 100%

Tabla 6: Frecuencia y Porcentaje de Duración del Mantenimiento

Esta tabla muestra la frecuencia y el porcentaje de la duración del mantenimiento

necesario.
Duración del Mantenimiento Frecuencia Porcentaje (%)

Menos de 1 hora 5 20%

1 a 3 horas 12 48%

Más de 3 horas 8 32%

Total 25 100%

Tabla 7: Frecuencia y Porcentaje de Impacto de la Falla en la Productividad

Esta tabla muestra la frecuencia y el porcentaje del impacto de la falla en la

productividad.

Impacto en la Productividad Frecuencia Porcentaje (%)

Alto 5 20%

Moderado 12 48%

Bajo 8 32%

Total 25 100%
Tabla 8: Frecuencia y Porcentaje de Tipo de Repuesto Utilizado

Esta tabla muestra la frecuencia y el porcentaje de tipos de repuestos utilizados

para el mantenimiento.

Tipo de Repuesto Frecuencia Porcentaje (%)

Original 15 60%

Genérico 7 28%

Reparado 3 12%

Total 25 100%

CONCLUSIONES

1. Análisis de los tipos de fallos

A partir de los datos analizados, la moda de los fallos indicó que el fallo mecánico

es el más común, representando el 30% de la frecuencia total de fallos. Este

resultado coincide con diversas fuentes de la industria que señalan que los fallos

mecánicos suelen ser los más frecuentes en maquinaria pesada debido a la constante

carga y esfuerzo a los que estas máquinas están sometidas (Garg, S., & Diwan, R.,

2018). De acuerdo con estudios de mantenimiento predictivo y preventivo, se

observa que la mayoría de los problemas de maquinaria pesada surgen por desgaste
de componentes como motores, transmisiones, frenos y sistemas de suspensión

(Peng, L., et al., 2020).

Solución y toma de decisión:

Dado que el fallo mecánico es el más frecuente, una posible solución sería priorizar

el mantenimiento preventivo en componentes mecánicos críticos. Esto puede

incluir inspecciones regulares en áreas de alto riesgo, como el sistema de transmisión

y el motor. Implementar sensores de monitoreo de vibración y temperatura en

las partes mecánicas clave podría ser una solución eficiente para detectar fallos antes

de que se conviertan en problemas graves. Esta tecnología de monitoreo permite

identificar patrones anómalos y realizar intervenciones tempranas, mejorando la

disponibilidad de la maquinaria y reduciendo tiempos de inactividad.

2. Frecuencia de mantenimiento preventivo

Los resultados obtenidos indican que la media de mantenimiento ocurre cada 72

días, con una moda de 30 días, lo que sugiere que un mantenimiento preventivo

frecuente es común en las máquinas analizadas. Sin embargo, las máquinas en

algunos intervalos de tiempo requieren mantenimiento incluso más frecuente, como

se observa con la moda de 30 días. Esto refleja una tendencia hacia el mantenimiento

reactivo en muchos casos.

Este patrón es consistente con estudios que indican que el mantenimiento reactivo

suele ser más costoso y menos eficiente que el mantenimiento preventivo y

predictivo (Boukhris, I., et al., 2020). La frecuencia de mantenimiento preventivo es

clave para evitar fallos imprevistos y optimizar la vida útil de los equipos.

Solución y toma de decisión:

Con base en esta información, una posible solución sería ajustar la estrategia de

mantenimiento preventivo para alinearla más con los principios de

mantenimiento predictivo. La optimización de los intervalos de mantenimiento

con base en los datos operacionales (temperatura, vibración, carga de trabajo) puede

reducir costos al evitar mantenimientos innecesarios y al mismo tiempo prevenir

fallos. Además, el análisis de los historiales de fallos puede ayudar a establecer

intervalos de mantenimiento más eficientes y menos costosos.

3. Tiempo de uso hasta el fallo

En cuanto al tiempo de uso hasta el fallo, la media calculada de 1260 horas y la

mediana de 1250 horas sugieren que los equipos generalmente alcanzan el fallo

después de un período relativamente largo de operación, lo que es consistente con la

información de que las máquinas de gran tonelaje en minería o construcción suelen

trabajar en ciclos largos antes de fallar (Kumar, D., & Patel, N., 2019). La moda de
1200 horas también refleja un valor común de tiempo de operación hasta que un

fallo es detectado.

Solución y toma de decisión:

A través del análisis de esta variable, se podría implementar un modelo predictivo

basado en el uso acumulado de la máquina para identificar la probabilidad de fallo

antes de alcanzar las 1200 horas de uso, utilizando técnicas estadísticas como el

Teorema de Bayes. La predicción precisa del fallo, mediante la integración de

sensores y tecnologías IoT (Internet of Things), permitiría programar

mantenimientos antes de los fallos, lo que optimizaría la disponibilidad de la

maquinaria y reduciría costos operativos.

4. Optimización de recursos de mantenimiento

El análisis de las frecuencias de fallos y de los intervalos de mantenimiento, junto

con las medidas de tendencia central, sugiere que las estrategias de mantenimiento

reactivo podrían estar siendo utilizadas en exceso. Esto genera costos adicionales

debido a tiempos de inactividad inesperados y reparaciones urgentes. Sin embargo,

la tendencia hacia un mantenimiento preventivo más frecuente también implica

gastos adicionales que no siempre se justifican si las máquinas están operando dentro

de parámetros normales.
Estudios como los de Jardine, A. K. S., et al. (2006) muestran que la transición

hacia un mantenimiento predictivo basado en el análisis de datos históricos y

operativos reduce significativamente los costos y aumenta la eficiencia operativa.

Un enfoque basado en la probabilidad de fallos futuros (mediante el Teorema de

Bayes) puede optimizar los intervalos de mantenimiento y las asignaciones de

recursos.

Solución y toma de decisión:

La implementación de un modelo predictivo de mantenimiento, que se base en los

datos históricos de fallos y en las condiciones operativas actuales (temperatura,

carga, horas de trabajo), puede permitir una planificación más eficiente de los

recursos. Al aplicar el Teorema de Bayes, se pueden calcular probabilidades

ajustadas de fallo que permitan programar mantenimientos preventivos más

precisos, reducir la frecuencia de intervenciones no necesarias y mejorar la eficiencia

del uso de los recursos.

5. Uso de modelos probabilísticos para optimización

El uso de herramientas estadísticas avanzadas como la probabilidad total y el

Teorema de Bayes para predecir los fallos y la optimización del mantenimiento

preventivo representa una forma efectiva de abordar las incertidumbres operativas

en el mantenimiento de maquinaria pesada. Estas técnicas permiten incorporar

variables como el tipo de terreno, las condiciones climáticas y el comportamiento

operativo de la máquina para realizar predicciones más precisas.

Solución y toma de decisión:

La adopción de un enfoque basado en el análisis probabilístico proporcionará una

ventaja significativa en la toma de decisiones, ya que permitirá identificar con mayor

precisión los momentos críticos en los que realizar un mantenimiento sin afectar la

producción. Integrar tecnologías como sensores IoT y sistemas de análisis de

datos en tiempo real permitirá no solo reducir costos operativos, sino también

mejorar la vida útil de las máquinas, reduciendo la incidencia de fallos imprevistos.

BIBLIOGRAFÍA

● Garg, S., & Diwan, R. (2018). Reliability and Maintenance of Heavy

Equipment. Journal of Engineering and Technology.

● Peng, L., et al. (2020). Predictive Maintenance Models for Construction

Equipment. International Journal of Machine Learning.

● Boukhris, I., et al. (2020). A Review of Maintenance Strategies for

Construction Equipment. Journal of Operations Management.

● Kumar, D., & Patel, N. (2019). Data-Driven Predictive Maintenance for

Heavy Machinery. Procedia CIRP, 78, 101–106.

● Jardine, A. K. S., et al. (2006). A Review on Predictive Maintenance for

Heavy Equipment. Journal of Maintenance Engineering.