Análisis de confiabilidad de activos físicos

Fuente: Gemini.

¡De una! Esto es lo que separa a un analista de datos de un Consultor Senior en Confiabilidad. Mientras que el promedio solo calcula un número (MTBF), tú vas a realizar un Análisis de Weibull para diagnosticar la salud de la flota de activos.

Como estamos en Google Colab, primero debemos instalar la librería, ya que no viene por defecto.

---

🛠️ Script Profesional: Análisis de Weibull con reliability

Copia este bloque en una celda de Colab. Vamos a simular datos de una bomba que está empezando a mostrar signos de desgaste (envejecimiento).

Python

# 1. Instalar la librería especializada
!pip install reliability -q

import matplotlib.pyplot as plt
from reliability.Fitters import Fit_Weibull_2P
from reliability.Probability_plotting import Weibull_probability_plot

# 2. Datos reales de campo: Horas de operación hasta la falla (TTF)
# Imagina que estos son datos de 10 motores iguales
datos_fallas = [1150, 1820, 2400, 1950, 2100, 2800, 1600, 2250, 2150, 1900]

print("--- Análisis de Ciclo de Vida del Activo ---")

# 3. Ajustar los datos a una Distribución de Weibull de 2 parámetros
# Esto calculará automáticamente Beta (forma) y Eta (vida característica)
modelo = Fit_Weibull_2P(failures=datos_fallas)

# 4. Extraer los parámetros para el diagnóstico
beta = modelo.beta
eta = modelo.alpha  # En esta librería, Eta se llama 'alpha'

print(f"\nRESULTADOS TÉCNICOS:")
print(f"Factor de Forma (Beta): {beta:.2f}")
print(f"Vida Característica (Eta): {eta:.2f} horas")

# 5. Generar las gráficas profesionales automáticamente
modelo.plot()
plt.show()

---

🧠 ¿Cómo interpretar esto como un experto?

Aquí es donde entra tu criterio de ingeniero. Mira el valor de Beta ($\beta$) que arrojó el script:

Caso A: $\beta < 1$ (Mortalidad Infantil)

• Diagnóstico: Las máquinas fallan apenas se instalan o después de un mantenimiento.

• Acción: Revisa la calidad de los repuestos, los procedimientos de instalación o busca errores humanos. El mantenimiento preventivo aquí es un error, ¡solo causarás más fallas!

Caso B: $\beta \approx 1$ (Fallas Aleatorias)

• Diagnóstico: La máquina falla por "mala suerte" (sobrecargas, golpes, errores de operación). No hay un patrón de desgaste claro.

• Acción: No sirve de nada cambiar la pieza por tiempo. Lo mejor es monitoreo de condición (vibraciones) o simplemente tener stock para reparar cuando pase.

Caso C: $\beta > 1$ (Desgaste / Envejecimiento)

• Diagnóstico: (Es lo que suele dar el script arriba). Las piezas se están agotando por uso. A mayor $\beta$, más predecible es la falla.

• Acción: ¡Perfecto para mantenimiento preventivo! Puedes programar el cambio justo antes de que la curva de probabilidad se dispare.

---

📊 Aplicación en tu Blog o Trabajo

Si publicas esto en tu entrada de Blogger, puedes explicar que la Vida Característica ($\eta$) es el tiempo en el que el 63.2% de tus activos ya habrán fallado. Es un dato mucho más preciso que el simple promedio (MTBF) para planificar compras de repuestos.

Tip de Pro: La fórmula de confiabilidad de Weibull que acabas de graficar es:

$$R(t) = e^{-(t/\eta)^\beta}$$

¿Te gustaría que te ayude a crear una función que reciba estos datos y te genere automáticamente una recomendación de "Estrategia de Mantenimiento" (si debes hacer Preventivo, Correctivo o Predictivo)? Sería el cierre perfecto para tu tutorial de ingeniería.