Confiabilidad de activos Físicos en Python

Fuente: Gemini. 

¡Manos a la obra! Vamos a construir un Analizador de Confiabilidad básico. En ingeniería de activos, la métrica más importante es la Función de Confiabilidad $R(t)$, que nos dice qué probabilidad hay de que una máquina siga funcionando después de cierto tiempo.

Para este ejemplo, usaremos el modelo de Distribución Exponencial, que es el estándar para activos que tienen una tasa de falla constante (como componentes electrónicos o bombas bien mantenidas).

---

🐍 Script: Cálculo de Confiabilidad y Curva de Supervivencia

Copia este código en tu Google Colab (que ya sabes usar 😉) para ver la magia:

Python

import numpy as np
import matplotlib.pyplot as plt

# 1. Datos históricos: Horas de operación hasta que el activo falló (TBF)
tiempos_falla = [1200, 1500, 1100, 1800, 1350, 1600, 1450, 1250] 

# 2. Cálculo del MTBF (Mean Time Between Failures)
mtbf = np.mean(tiempos_falla)
# Cálculo de Lambda (Tasa de falla)
tasa_falla = 1 / mtbf

print(f"--- Reporte de Confiabilidad ---")
print(f"MTBF (Promedio de vida): {mtbf:.2f} horas")
print(f"Tasa de falla (λ): {tasa_falla:.6f} fallas/hora")

# 3. Función de Confiabilidad R(t) = e^(-λ * t)
def confiabilidad(t, lmbda):
    return np.exp(-lmbda * t)

# 4. Generar datos para la gráfica (de 0 a 5000 horas)
tiempo_eje = np.linspace(0, 5000, 100)
probabilidades = confiabilidad(tiempo_eje, tasa_falla)

# 5. Visualización
plt.figure(figsize=(10, 6))
plt.plot(tiempo_eje, probabilidades, label='Confiabilidad R(t)', color='red', lw=2)
plt.axvline(mtbf, color='gray', linestyle='--', label=f'MTBF ({mtbf:.0f} hrs)')
plt.title('Curva de Supervivencia del Activo', fontsize=14)
plt.xlabel('Horas de Operación (t)', fontsize=12)
plt.ylabel('Probabilidad de Funcionamiento (0 a 1)', fontsize=12)
plt.grid(True, alpha=0.3)
plt.legend()
plt.show()

---

💡 Explicación de la Ciencia detrás del Código

En este modelo, la probabilidad de que tu activo sobreviva hasta el tiempo $t$ se define por la fórmula:

$$R(t) = e^{-\lambda t}$$

• ¿Qué significa la curva? Verás que al principio (tiempo 0), la confiabilidad es 1.0 (100%). A medida que pasa el tiempo, la curva cae.

• El punto crítico: Cuando el tiempo es igual al MTBF, la probabilidad de que el activo siga vivo es de aproximadamente 36.8%. Si esperas hasta ese punto para hacer mantenimiento, ¡tienes un 63.2% de probabilidad de que ya haya fallado!

• Decisión de Ingeniero: Gracias a Python, puedes decirle a tu jefe: "Si queremos una confiabilidad del 90%, debemos intervenir la máquina a las X horas".

---

🚀 Tu siguiente nivel: La Distribución de Weibull

El código anterior asume que la máquina no "envejece" (tasa de falla constante). Pero en la vida real, las piezas se desgastan. Para eso se usa la Distribución de Weibull, que introduce un factor llamado Beta ($\beta$):

• Si $\beta < 1$: Falla infantil (defectos de fábrica).

• Si $\beta = 1$: Falla aleatoria (el modelo exponencial que hicimos arriba).

• Si $\beta > 1$: Desgaste por uso (envejecimiento).

Para calcular esto de forma profesional, te recomiendo instalar la librería especializada:

pip install reliability

¿Te gustaría que transformáramos este script simple en uno que use la librería reliability para analizar si tus activos están "envejeciendo" o si fallan por mala suerte? (Eso te daría el perfil exacto de un consultor Senior).