Revisitando la Curva de la Bañera: Transformando la Falla Aleatoria en Confiabilidad Predecible

La "curva de la bañera" ha sido citada durante mucho tiempo como el referente para entender la falla de máquinas a lo largo del tiempo. Si bien la premisa básica es sólida, la representación convencional puede engañar si se toma como un modelo literal del ciclo de vida. Una comprensión más clara de cómo evolucionan realmente las tasas de falla permite estrategias de confiabilidad más efectivas.

En su esencia, la curva de la bañera es una herramienta conceptual que particiona el comportamiento de falla en tres fases – mortalidad infantil, un período estable y desgaste – basadas en tiempo, ciclos o kilometraje. La sección plana clásica a menudo pasa por alto el aumento lineal observado en muchos sistemas mecánicos, que puede reemplazar la supuesta zona de tasa constante.

Importante: la curva no debe interpretarse como una predicción precisa para ninguna máquina o sistema específico. En su lugar, ofrece un marco para anticipar los tipos de modos de falla que pueden surgir en diferentes etapas de vida.

Los expertos en confiabilidad frecuentemente afirman que la mayoría de los equipos experimentan una tasa de falla estable y "aleatoria" durante la mayor parte de su vida útil. Este período típicamente sigue una fase de mortalidad infantil, donde las fallas son más frecuentes. Para activos mecánicos, sin embargo, la tasa de falla puede aumentar linealmente con el tiempo.

Lo que a menudo se malinterpreta es que una tasa de falla constante no significa que las fallas sean verdaderamente aleatorias o incontrolables. La apariencia de aleatoriedad proviene de dos factores: un componente genuinamente aleatorio en algunos modos de falla y la superposición de muchos modos de falla no relacionados, que colectivamente enmascaran las relaciones temporales subyacentes (ver Figura 1).

Al desagregar las fallas por modo, puede descubrir dependencias temporales distintas – algunas pueden aumentar, otras disminuir y muchas pueden permanecer constantes. Cuando existe una clara tendencia temporal, intervenciones proactivas – ya sean cambios de diseño, ajustes operativos o mantenimiento programado – pueden desplazar la curva y mejorar la confiabilidad.

En casos donde el tiempo de falla de un modo sigue una distribución estrecha y no puede alterarse mediante cambios de diseño u operativos, una tarea de mantenimiento por tiempo fijo puede ser el enfoque más eficiente. Si bien el mantenimiento basado en condición (CBM) es la mejor práctica moderna, las acciones por tiempo fijo siguen siendo valiosas cuando la dependencia temporal del modo de falla está bien definida y es predecible.

Figura 1

Más allá de simplificar el mantenimiento, identificar modos de falla dependientes del tiempo abre numerosas vías para la mejora de la confiabilidad:

1) Mejoras de Diseño Dirigidas. Los datos de falla desglosados por modo proporcionan insights accionables para ingenieros de diseño. En lugar de metas genéricas de confiabilidad, los diseñadores reciben evidencia específica de puntos débiles, permitiendo modificaciones precisas que reducen fallas futuras.

2) Reducción de Fallas en Vida Temprana. Las fallas tempranas a menudo provienen de inexactitudes en la instalación o procedimientos de puesta en marcha inadecuados. Los datos a nivel de modo ayudan a identificar estos problemas, permitiéndole refinar prácticas de comisionado y reducir defectos costosos de vida temprana.

3) Intervalos de Monitoreo Optimizados. Si un modo de falla muestra una tendencia temporal moderada que no justifica un reemplazo por tiempo fijo, puede ajustar intervalos de CBM para que coincidan con el riesgo creciente, detectando así problemas antes de que se manifiesten como fallas.

Recopilar y analizar datos de falla a nivel de modo requiere disciplina pero se facilita mediante estándares establecidos. IEC 300-3-2 ofrece un marco robusto de recolección de datos de campo, mientras que IEC 812 proporciona una taxonomía estandarizada de modos de falla. Alimentar sus datos en un análisis de modos de falla y efectos (FMEA) le da una hoja de ruta estructurada para la acción.

Al abandonar el mito de que la curva de la bañera dicta un período de falla aleatoria inevitable, puede aprovecharla como guía conceptual para identificar, predecir y mitigar fallas proactivamente.

Drew Troyer, CRE y CMRP, cofundador y vicepresidente senior de operaciones de servicios globales en Noria Corporation, aporta décadas de experiencia en confiabilidad de máquinas. Su carrera abarca roles como gerente de producto para Entek/Rockwell Automation, director de aplicaciones técnicas para Diagnetics Inc., y amplia consultoría para clientes como International Paper, Cargill, Goodyear, Texas Utilities, Reliant Energy y Southern Companies.