Navas Alvarez Miguelangel Tesis

TESIS DOCTORAL
AÑO 2017
Estudio de la fiabilidad de los sistemas reparables

y desarrollo de un procedimiento de análisis
multivariante
MIGUEL ANGEL NAVAS ALVAREZ

Ingeniero en Organización Industrial
DEPARTAMENTO DE INGENIERÍA DE ELÉCTRICA, ELECTRÓNICA,

CONTROL, TELEMÁTICA Y QUÍMICA APLICADA A LA INGENIERÍA
ESCUELA TÉCNICA SUPERIOR DE INGENIEROS INDUSTRIALES
Dr. D. José Carpio Ibáñez
Dr. D. Carlos Sancho de Mingo

ii
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
DEPARTAMENTO DE INGENIERÍA DE ELÉCTRICA, ELECTRÓNICA,

CONTROL, TELEMÁTICA Y QUÍMICA APLICADA A LA INGENIERÍA
ESCUELA TÉCNICA SUPERIOR DE INGENIEROS INDUSTRIALES
Estudio de la fiabilidad de los sistemas reparables y

desarrollo de un procedimiento de análisis
multivariante
Autor:
Miguel Ángel Navas Alvarez
Máster Universitario en Investigación en Ingeniería Eléctrica,
Electrónica y Control Industrial
Ingeniero en Organización Industrial
Ingeniero Técnico en Telecomunicaciones
Director:
Dr. D. José Carpio Ibáñez
Catedrático de Ingeniería Eléctrica de la E.T.S.
de Ingenieros Industriales de la UNED
Codirector:
Dr. D. Carlos Sancho de Mingo
Profesor Asociado en el Departamento de Ingeniería Eléctrica,
Electrónica, Control, Telemática y Química aplicada a la Ingeniería
de la E.T.S de Ingenieros Industriales de la UNED
i
A mi familia Nuria, Arturo y

Gonzalo, por haberme apoyado y
permitido realizar esta investigación.
ii
Agradecimientos
En primer lugar quisiera agradecer a Metro de Madrid, S.A. el apoyo recibido y la

autorización de acceso a su documentación técnica, bases de datos y sistema de gestión
del mantenimiento, sin la cual hubiera sido imposible efectuar esta investigación.
También a todos mis compañeros de trabajo, y en especial a Jesús Gormaz y Juan
Navalón que me han ayudado en el estudio y la compresión técnica de los sistemas
reparables objeto de estos estudios.
Al caluroso acogimiento de mi propuesta de doctorado en la Universidad Nacional de
Educación a Distancia, en su Escuela Técnica Superior de Ingenieros Industriales, y en
especial a todo el Departamento de Ingeniería Eléctrica, Electrónica y de Control.
Y por supuesto, al Director y Codirector de la investigación, Dr. D. José Carpio Ibáñez y

Dr. D. Carlos Sancho de Mingo, por sus inestimables aportaciones y consejos en la
orientación de los estudios, redacción de artículos y elaboración de esta tesis Doctoral.
Miguel Ángel Navas Alvarez

Madrid, 2017
iii
Resumen
Para el análisis y modelado de la fiabilidad de sistemas reparables la comunidad

científica dispone diversas metodologías estadísticas desarrolladas en las últimas
décadas. Los métodos de mayor aceptación y empleo han sido recogidos por la
Comisión Electrotécnica Internacional (IEC) en su Comité Técnico TC56
“Dependability” mediante la emisión de normas para el espacio europeo,
teniendo en cuenta los manuales militares (MIL-HDBK) emitidos por el
Departamento de Defensa de los Estados Unidos de América.
La norma IEC 60300-3-5 recoge los métodos estadísticos y procedimientos de

análisis aplicables. La intensidad de fallo de un elemento reparable se puede
estimar empleando los sucesivos tiempos entre fallos, mediante un Proceso
Puntual Estocástico. Si los tiempos entre fallos se distribuyen exponencialmente,
entonces la intensidad de fallo es constante. En este caso se puede modelar por
una Proceso de Poisson Homogéneo. En los casos en los que existe una tendencia
en la intensidad de fallo, puede ser de aplicación el Proceso de Poisson No
Homogéneo y se aplica la Ley de Potencia.
La norma IEC 60605-6 desarrolla los contrastes para comprobar la existencia o no

de tendencia en la intensidad de fallo mediante el Estadístico U, tanto para un
sistema reparable, como para un conjunto idéntico de sistemas reparables. En el
caso de no existir tendencia, se procede a la estimación puntual de parámetros e
intervalos de confianza para la distribución exponencial con la norma IEC 60605-
4. Si existe tendencia en la intensidad de fallo, se realiza la estimación de los
parámetros del modelo de la Ley de Potencia con la norma IEC 61710.
Se ha aplicado la metodología propuesta por IEC al sistema de tracción eléctrica

ferroviario en 3 series de trenes de Metro de Madrid, de los que se dispone los
datos de explotación para un periodo superior a 10 años, y al objeto de contrastar
los resultados obtenidos, se ha efectuado el mismo estudio a un grupo de
escaleras mecánicas de Metro de Madrid con 10 años de datos de explotación,
proponiéndose a continuación un análisis complementario y multivariante para
caracterizar las intensidades de fallo obtenidas y la influencia de los fallos
repetitivos.
iv
Abstract
For the modeling and analysis of the reliability of repairable systems the scientific
community provides various statistical methodologies developed in the last few
decades. The methods of greater acceptance and employment have been
collected by the International Electrotechnical Commission (IEC) in its Technical
Committee TC56 Dependability, through the issuance of standards for the
European space, taking into account the military handbooks (MIL-HDBK) issued
by the U.S. Department of Defense.
IEC 60300-3-5 collects statistical methods and analysis procedures applicable. The
failure intensity of a repairable system can be estimated using the successive
times between failures, using a Stochastic Point Process. If there is no trend and
the times between failures are distributed exponentially, then failure intensity is
constant and in this case can be modeled by a Homogeneous Poisson Process. In
cases where there is a tendency in the failure intensity, is modeled with a Non-
Homogeneous Poisson Process (NHPP) and the standard includes applying the
Power Law Process.
IEC 60605-6 develops the contrasts to verify the existence or not of trend in the
failure intensity by means of the statistic U, both for a repairable system, such as
for an identical set of repairable systems. In the event that there are no trend, is
the point estimate of parameters and confidence intervals, alleged an exponential
distribution with the standard IEC 60605-4. If there is a trend in the failure
intensity the estimate is made of the model parameters of the Power Law Process
with IEC 61710.
It has been applied the methodology proposed by IEC to the electric traction
system in 3 series of railway trains of Metro de Madrid, on the available data of
operation for a period exceeding 10 years, and in order to compare the results
obtained, has been made on the same study of a group of 40 escalators of Metro
de Madrid with 10 years of operating data, propose below a complementary and
multivariate analysis to characterize the failure intensity obtained and the
influence of repetitive failures.
v
Índice General
Agradecimientos iii
Resumen iv
Abstract v
Índice General vi
Índice de Figuras ix
Índice de Tablas xii
Abreviaturas xv
1 Introducción 19
1.1 Motivación 19
1.2 Objetivos 20
1.3 Metodología 21
1.4 Estructura 24
2. Estado del Arte 26
2.1. Introducción 26
2.2. Expresiones matemáticas básicas para términos de fiabilidad 27
2.2.1. Elementos no reparables 27
2.2.2. Elementos reparables con tiempo hasta la restauración nulo 31
2.2.3. Elementos reparables con tiempo hasta la restauración no nulo 32
2.3. Definiciones y tipos de métodos en el análisis de la fiabilidad 34
2.4. Métodos generales de ingeniería que apoyan los análisis de la fiabilidad 35
2.5. Métodos específicos para el análisis de la fiabilidad 38
2.5.1. Predicción de la tasa de fallo en condiciones de referencia y operativas 38
2.5.2. Predicción de la tasa de fallo usando análisis de semejanzas 44
2.5.3. Análisis por árbol de fallos (AAF) 45
2.5.4. Análisis por árbol de sucesos (AAS) 46
2.5.5. Análisis por diagramas de bloques de fiabilidad (DBF) 47
2.5.6. Análisis de Markov 49
2.5.7. Análisis por redes de Petri 50
2.5.8. Análisis de los modos de fallos y de sus efectos (AMFE) 52
2.5.9. Estudios de peligros y operatividad (HAZOP) 53
2.5.10. Análisis de fiabilidad humana (HRA) 54
2.5.11. Análisis de esfuerzo-resistencia 55
2.5.12. Tabla de verdad (MTV) 55
2.5.13. Métodos estadísticos de fiabilidad 57
2.6. Métodos estadísticos para elementos no reparables 59
2.6.1. Métodos paramétricos para elementos no reparables 60
2.6.2. Métodos no paramétricos para elementos no reparables 65
2.6.3. Métodos semi-paramétricos para elementos no reparables 66
2.7. Métodos estadísticos para elementos reparables 66
2.7.1. Postulado de Duane 67
2.7.2. Métodos gráficos de tendencia 69
2.7.3. Procesos estocásticos 71
2.7.4. Métodos basados en cadenas estocásticas 75
2.7.5. Métodos basados en procesos de Poisson homogéneos (HPP) 78
2.7.6. Métodos basados en procesos de Poisson no homogéneos (NHPP) 81
2.7.7. Métodos basados en procesos de renovación (RP) 84
2.7.8. Métodos basados en procesos estocásticos imperfectos y otros 85
vi
2.7.9. Procedimiento para la selección del método estadístico 91

3. Normativa Europea de Fiabilidad 93
3.1. Referencias cruzadas de normas de fiabilidad EIC y AENOR 94
3.2. Aplicación de la Norma IEC 60300-3-1 103
3.3. Aplicación de la Norma IEC 61703 106
3.4. Aplicación de la norma IEC 60300-3-2 108
3.5. Aplicación de la norma IEC 60300-3-5 109
3.6. Aplicación de la norma IEC 60605-6 112
3.7. Aplicación de la norma IEC 60605-4 115
3.8. Aplicación de la norma IEC 61710 116
3.9. Procedimiento metodológico en aplicación de normas IEC 121
4. Sistemas de Tracción Eléctrica Ferroviaria 122
4.1. Las técnicas de tracción eléctrica ferroviaria 123
4.1.1. Técnica reostática 123
4.1.2. Técnica Chopper 126
4.1.3. Técnica trifásica - ondulador de corriente 129
4.1.4. Técnica trifásica - ondulador de tensión 132
4.2. Bloques constructivos de los sistemas de tracción eléctrica ferroviaria 135
4.3. Trenes serie 5000-1ª 140
4.4. Trenes serie 5000-4ª 141
4.5. Trenes serie 2000-B 142
4.6. Trenes serie 8000 144
5. Escaleras Mecánicas 146
5.1. Las escaleras mecánicas TNE 148
6. Estudio Normativo de la Fiabilidad de los Sistemas Reparables 152
6.1. Preparación y tratamiento de los datos 154
6.2. Calcular el estadístico U para test de tendencia de z(t) para múltiples items 158
6.3. Aplicar el modelo de PLP 160
6.4. Aplicar el test de tendencia U para z(t) en cada ítem 162
6.5. Estimar λ constante para cada ítem sin tendencia 170
6.6. Aplicar el modelo PLP a cada ítem con tendencia 177
6.7. Resumen de resultados del estudio normativo IEC de la fiabilidad 183
7. Estudio Complementario de la Fiabilidad de los Sistemas Reparables 185
7.1. Selección de modelos alternativos a los estándares IEC 185
7.2. Análisis de los TBF y la naturaleza de los fallos 187
7.3. Aplicar modelos RP a cada ítem sin tendencia 214
7.4. Aplicar modelos NHPP a cada ítem con tendencia 224
7.5. Aplicación de modelos de “reparación imperfecta” y otros 230
7.6. Resumen de resultados del estudio complementario de la fiabilidad 240
8. Propuestas de Análisis Multivariante 244
8.1. Representación gráfica tridimensional de z(t) del sistema reparable 244
8.2. Potenciales aplicaciones multivariante para el análisis de fiabilidad de sistemas reparables 249
8.3. Caracterización y creación de clústeres de sistemas reparables 256
8.4. Procedimiento metodológico complementario a IEC 262
9. Conclusiones y líneas de investigación 264
9.1. Resumen de los resultados obtenidos en los ensayos 264
9.2. Principales resultados de la investigación 268
9.3. Aportaciones originales al conocimiento general en el campo de la fiabilidad 270
9.4. Conclusiones 271
9.5. Conclusions 272
9.6. Potenciales futuras líneas de investigación 273
vii
Bibliografía 277
Apéndices 299
viii
Índice de Figuras
Figura 1 - Distribución exponencial aplicada a la fiabilidad ..................................................................................... 29

Figura 2 – Formas de f(t) para la familia de distribuciones de Weibull para = 1 ............................................... 30
Figura 3 – Esquema general de un árbol de sucesos ................................................................................................... 47
Figura 4 – Modelos elementales para análisis DBF ..................................................................................................... 48
Figura 5 – Diagrama de transición de estados en análisis de Markov .................................................................... 50
Figura 6 – Tabla de verdad para sistemas simples ...................................................................................................... 56
Figura 7 – Curva de la bañera de λ(t) .............................................................................................................................. 61
Figura 8 – Clasificación de observaciones censuradas o truncadas ......................................................................... 62
Figura 9 – Forma de λ(t) para varias distribuciones de probabilidad...................................................................... 64
Figura 10 – Tiempo de funcionamiento entre fallos para un solo elemento reparable ....................................... 66
Figura 11 – Ejemplo de tendencia creciente del tiempo entre fallos de un solo elemento reparable ............... 68
Figura 12 – Ejemplo sin tendencia del tiempo entre fallos de un solo elemento reparable................................ 69
Figura 13 – Gráficos de Duane para tres sistemas con tendencias dispares en los tiempos entre fallos ......... 70
Figura 14 – Gráfica de representación de un proceso estocástico ............................................................................ 71
Figura 15 – El proceso de Poisson y los tiempos de ocurrencia de eventos ........................................................... 73
Figura 16 – Diagrama de estados y secuencia operativa ............................................................................................ 75
Figura 17 – Modelo de cadena de Markov de dos estados para elementos reparables ...................................... 76
Figura 18 – Ejemplo de cadena de Markov multi-estado para elementos reparables ......................................... 77
Figura 19 – Gráfico de N(t) para un elemento reparable sin tendencia .................................................................. 79
Figura 20 – Gráfico de R(t) para un elemento modelado HPP. ................................................................................ 80
Figura 21 – Gráfico de N(t) para dos elementos modelado NHPP (tendencia creciente y decreciente). ........ 82
Figura 22 – Supuestos de reparación y modelos de edad virtual de un elemento reparable. ........................... 89
Figura 23 – Procedimiento básico para la selección del método estadístico en elementos reparables. ........... 92
Figura 24 – Ejemplo de un sistema con tiempo hasta la restauración nulo ......................................................... 108
Figura 25 –Métodos disponibles para la estimación de la fiabilidad bajo IEC 60300-3-5 ................................. 111
Figura 26 – Pruebas de tendencia para elementos no reparables IEC 60605-6 .................................................... 112
Figura 27 – Pruebas de tendencia para elementos reparables IEC 60605-6.......................................................... 113
Figura 28 – Estimación de parámetros en distribución exponencial según IEC 60605-4 .................................. 115
Figura 29 – Procedimiento metodológico para análisis de la fiabilidad según normas IEC ............................ 121
Figura 30 – Motor de corriente continua en excitación serie ................................................................................... 123
Figura 31 – Configuración simplificada serie de arranque de motores de tracción .......................................... 124
Figura 32 – Configuración simplificada paralelo de motores de tracción ........................................................... 124
Figura 33 – Configuración simplificada de frenado de motores de tracción ...................................................... 125
Figura 34 – Esquema básico de la técnica chopper ................................................................................................... 126
ix
Figura 35 – Circuitos de corriente con interruptor chopper cerrado y abierto................................................... 127

Figura 36 – Tensión de entrada y salida en la técnica chopper .............................................................................. 128
Figura 37 – Esquema eléctrico de la técnica chopper con tiristores ...................................................................... 128
Figura 38 – Circuito de apagado en la técnica chopper con tiristores .................................................................. 129
Figura 39 – Curva par/velocidad de un motor de corriente alterna ..................................................................... 131
Figura 40 – Esquema de bloques de técnica trifásica – ondulador de corriente ................................................ 131
Figura 41 – Esquema básico de un ondulador de tensión (inversor PWM) ....................................................... 133
Figura 42 – Esquema básico de un ondulador de tensión (inversor PWM) ferroviario................................... 134
Figura 43 – Tensión (V) modulada PWM y densidad de flujo magnético (B) obtenido en un motor. ........ 135
Figura 44 – Elementos constructivos de un pantógrafo .......................................................................................... 136
Figura 45 – Elementos constructivos de un disyuntor ............................................................................................. 136
Figura 46 – Ejemplo de cofre de aparellaje eléctrico de tracción ........................................................................... 137
Figura 47 – Bloques principales del cofre de un ondulador de tensión ferroviario .......................................... 138
Figura 48 – Estructura modular por tarjetas electrónicas de un regulador de marcha .................................... 138
Figura 49 – Detalle constructivo de un conjunto de resistencias de frenado ...................................................... 139
Figura 50 – Detalle constructivo de un motor de corriente alterna con rotor de jaula ..................................... 139
Figura 51 – Características básicas de los trenes de la serie 5000-1ª ...................................................................... 140
Figura 52 – Características básicas de los trenes de la serie 5000-4ª ...................................................................... 142
Figura 53 – Características básicas de los trenes de la serie 2000-B....................................................................... 143
Figura 54 – Características básicas de los trenes de la serie 8000........................................................................... 144
Figura 55 – Dimensiones constructivas de escaleras mecánicas TNE .................................................................. 148
Figura 56 – Bloques constructivos de escaleras mecánicas TNE ........................................................................... 149
Figura 57 – Bloques de reparación de un sistema de tracción eléctrico y una escalera mecánica.................. 154
Figura 58 – Distribución de resultados del test de tendencia U de cada ítem por sistema ............................. 169
Figura 59 – Distribución de los TBF del tren 53 de la serie 2000-B ........................................................................ 174
Figura 60 – Fallos acumulados por el tren 9 de la serie 8000 (sin tendencia)...................................................... 176
Figura 61 – Gráfica de dispersión de de sistemas de tracción serie 2000-B con modelo HPP aceptado .. 176
Figura 62 – Distribución de los TBF del tren 54 de la serie 2000-B ........................................................................ 177
Figura 63 – Fallos acumulados por el tren 6 de la serie 8000 (tendencia decreciente) ...................................... 182
Figura 64 – Fallos acumulados por el tren 17 de la serie 5000-4ª (tendencia creciente).................................... 183
Figura 65 – Menú de análisis de sistemas reparables (Tiempos) de STATGRAPHICS Centurion ............... 186
Figura 66 – Construcción gráfica de la estimación de z(km) instantánea del tren 1 de la serie 8000 ............. 188
Figura 67 – Gráficos de densidad de los TBF de los sistemas de tracción y escaleras mecánicas .................. 189
Figura 68 – Gráfico de densidad de los grupos de TBF de los sistemas de tracción en trenes 5000-4ª ......... 202
Figura 69 – Gráfico de densidad de los grupos de TBF de los sistemas de tracción en trenes 2000-B .......... 203
Figura 70 – Gráfico de densidad de los grupos de TBF de los sistemas de tracción en trenes 8000 .............. 204
Figura 71 – Gráfico de densidad de los grupos de TBF de las escaleras mecánicas TNE ................................ 205
Figura 72 – Histograma de fallos acumulados en sistemas de los tracción de trenes 5000-4ª ........................ 206
x
Figura 73 – Gráfico de fallos en 32 sistemas de los sistemas tracción de trenes 5000-4ª................................... 208
Figura 74 – Histograma de fallos acumulados en sistemas de los tracción de trenes 2000-B ......................... 209
Figura 75 – Histograma de fallos acumulados en sistemas de los tracción de trenes 8000 ............................. 210
Figura 76 – Gráfico de fallos de los 23 sistemas de los sistemas tracción de trenes 8000 ................................. 212
Figura 77 – Histograma de fallos acumulados en escaleras mecánicas TNE ..................................................... 212
Figura 78 – Gráfico de fallos de 32 escaleras mecánicas TNE ................................................................................ 214
Figura 79 – Menú de selección de distribuciones STATGRAPHICS Centurion para ajuste de los TBF ...... 216
Figura 80 – Histograma de los TBF y distribución logística generalizada en tren 19 de 5000-4ª ................... 221
Figura 81 – Histograma de los TBF y distribución log-normal 3 parámetros de la escalera mecánica 8 ..... 221
Figura 82 – Fallos acumulados por el tren 1 de la serie 8000 .................................................................................. 223
Figura 83 – Menú de selección de modelos NHPP en STATGRAPHICS Centurion ....................................... 225
Figura 84 – Fallos acumulados por el tren 20 de la serie 2000-B ............................................................................ 230
Figura 85 – Modelo de regresión simple lineal del tren 20 de la serie 5000-4ª ................................................... 237
Figura 86 – Modelo de regresión simple cuadrado de x del tren 1 de la serie 5000-4ª ..................................... 237
Figura 87 – Modelo de regresión simple raíz cuadrada de x de la escalera mecánica TNE número 33 ....... 239
Figura 88 – Representación gráfica 3D de z(km) del sistema de tracción de trenes 5000-4ª ............................ 245
Figura 89 – Representación gráfica 3D de z(km) del sistema de tracción de trenes 2000-B ............................. 246
Figura 90 – Representación gráfica 3D de z(km) del sistema de tracción de trenes 8000 ................................. 247
Figura 91 – Representación gráfica 3D de z(t) de las escaleras mecánicas TNE................................................. 248
Figura 92 – Dendograma de los clústeres de los sistemas de tracción de trenes 2000-B con modelo RP..... 258
Figura 93 – Dendograma de los clústeres de los sistemas de tracción de trenes 8000 con modelo RP......... 259
Figura 94 – Dendograma de los clústeres de las escaleras mecánicas TNE con modelo RP ........................... 260
Figura 95 – Dendograma de los clústeres de trenes 2000-B con modelo NHPP decreciente .......................... 261
Figura 96 – Procedimiento complementario a IEC de análisis de la fiabilidad de sistemas reparables ....... 263
Figura 97 – El futuro análisis de la fiabilidad de sistemas reparables. ................................................................. 275
xi
Índice de Tablas
Tabla 1 – Símbolos que se utilizan en la representación del árbol de fallos. .......................................................... 46

Tabla 2 – Símbolos de redes de Petri no temporizadas .............................................................................................. 51
Tabla 3 – Ejemplo del formato de una hoja de trabajo de AMFE ............................................................................. 52
Tabla 4 – Modelos estadísticos clásicos apropiados para el análisis de datos de fallos ...................................... 59
Tabla 5 – Clasificación de los procesos estocásticos .................................................................................................... 72
Tabla 6 – Guía para la selección del método de análisis de la fiabilidad IEC 60300-3-1 ................................... 104
Tabla 7 – Modelos apropiados para análisis de datos según IEC 60300-3-5 ....................................................... 110
Tabla 8 – Valores críticos estadístico U ......................................................................................................................... 114
Tabla 9 – Resumen de datos de los fallos de los sistemas de tracción en trenes 5000-4ª ................................... 155
Tabla 10 – Resumen de datos de los fallos de los sistemas de tracción en trenes 2000-B.................................. 156
Tabla 11 – Resumen de datos de los fallos de los sistemas de tracción en trenes 8000 ..................................... 157
Tabla 12 – Resumen de datos de los fallos en escaleras mecánicas TNE .............................................................. 157
Tabla 13 – Resultados del test de tendencia U al conjunto de items de cada sistema ....................................... 159
Tabla 14 – Resultados de la estimación de parámetros de cada sistema con el modelo PLP .......................... 160
Tabla 15 – Resultados de las prueba de bondad de ajuste de cada sistema con el modelo PLP ..................... 161
Tabla 16 – Resultados del test de tendencia U de cada sistema de tracción de trenes 5000-4ª ........................ 163
Tabla 17 – Resultados del test de tendencia U de cada sistema de tracción de trenes 2000-B (I) .................... 164
Tabla 18 – Resultados del test de tendencia U de cada sistema de tracción de trenes 2000-B (II)................... 165
Tabla 19 – Resultados del test de tendencia U de cada sistema de tracción de trenes 8000 ............................. 166
Tabla 20 – Resultados del test de tendencia U de cada escalera mecánica TNE ................................................. 167
Tabla 21 – Resumen de resultados del test de tendencia U de cada ítem por sistema ...................................... 168
Tabla 22 – Estimación de constantes de items de cada sistema de tracción de trenes 5000-4ª ..................... 170
Tabla 23 – Estimación de constantes de items de cada sistema de tracción de trenes 2000-B (I) ................. 171
Tabla 24 – Estimación de constantes de items de cada sistema de tracción de trenes 2000-B (II) ............... 172
Tabla 25 – Estimación de constantes de items de cada sistema de tracción de trenes 8000 .......................... 173
Tabla 26 – Estimación de constantes de items de cada escalera mecánica TNE .............................................. 173
Tabla 27 – Resumen de aceptación y rechazo del modelo HPP por sistema e items......................................... 174
Tabla 28 – de items con modelo HPP aceptado con valores del intervalo de confianza bilateral .............. 175
Tabla 29 – Estimación de y de modelo PLP de cada sistema de tracción de trenes 5000-4ª.................... 178
Tabla 30 – Estimación de y de modelo PLP de cada sistema de tracción de trenes 2000-B..................... 179
Tabla 31 – Estimación de y de modelo PLP de cada sistema de tracción de trenes 8000 ........................ 180
Tabla 32 – Estimación de y de modelo PLP de cada escalera mecánica TNE ............................................ 180
Tabla 33 – Resumen de aceptación y rechazo del modelo PLP por sistema e items.......................................... 181
Tabla 34 - Parámetros y de items con modelo PLP aceptado ......................................................................... 181
Tabla 35 - Parámetros básicos de los TBF de los sistemas ........................................................................................ 189
xii
Tabla 36 - Correlaciones de los TBF con variables de contexto en trenes 5000-4ª............................................... 191
Tabla 37- Correlaciones de los TBF con variables de contexto en trenes 2000-B (I) ........................................... 192
Tabla 38 - Correlaciones de los TBF con variables de contexto en trenes 2000-B (II) ......................................... 193
Tabla 39 - Correlaciones de los TBF con variables de contexto en trenes 8000 ................................................... 194
Tabla 40 - Correlaciones de los TBF con variables de contexto en escaleras mecánicas TNE .......................... 195
Tabla 41 – Leyenda de los subsistemas que componen los sistemas de tracción de trenes ............................. 196
Tabla 42 - Correlaciones de los TBF total y subsistemas en trenes 5000-4ª .......................................................... 197
Tabla 43 - Correlaciones de los TBF total y subsistemas en trenes 2000-B (I) ...................................................... 198
Tabla 44 - Correlaciones de los TBF total y subsistemas en trenes 2000-B (II) ..................................................... 199
Tabla 45 - Correlaciones de los TBF total y subsistemas en trenes 8000 ............................................................... 200
Tabla 46 - Correlaciones de los TBF total y subsistemas en escaleras mecánicas TNE...................................... 201
Tabla 47 – Parámetros básicos de los grupos de TBF de los trenes 5000-4ª ......................................................... 202
Tabla 48 – Parámetros básicos de los grupos de TBF de los trenes 2000-B .......................................................... 203
Tabla 49 – Parámetros básicos de los grupos de TBF de los trenes 8000 .............................................................. 204
Tabla 50 – Parámetros básicos de los grupos de TBF de las escaleras mecánicas TNE ..................................... 205
Tabla 51 – Fallos acumulados en intervalos de 15.000 km en trenes 5000-4ª ....................................................... 207
Tabla 52 – Fallos acumulados en intervalos de 15.000 km en trenes 2000-B........................................................ 209
Tabla 53 – Fallos acumulados en intervalos de 15.000 km en trenes 8000............................................................ 211
Tabla 54 – Fallos acumulados en intervalos de 300 horas en escaleras mecánicas TNE ................................... 213
Tabla 55 – Tabla de distribuciones ensayadas sobre los TBF para los modelos RP ........................................... 217
Tabla 56 – Estimación de constantes para modelos RP en sistemas de tracción de trenes 5000-4ª ............. 218
Tabla 57 – Estimación de constantes para modelos RP en sistemas de tracción de trenes 2000-B (I) ......... 218
Tabla 58 – Estimación de constantes para modelos RP en sistemas de tracción de trenes 2000-B (II) ....... 219
Tabla 59 – Estimación de constantes para modelos RP en sistemas de tracción de trenes 8000 .................. 219
Tabla 60 – Estimación de constantes para modelos RP en escaleras mecánicas TNE .................................... 220
Tabla 61 – Resumen de aceptación y rechazo del modelo RP por sistema e items ............................................ 220
Tabla 62 – de items con modelo RP aceptado (I) .................................................................................................. 222
Tabla 63 – de items con modelo RP aceptado (II) ................................................................................................. 223
Tabla 64 – Resultados de aceptación de modelos NHPP en sistemas de tracción de trenes 5000-4ª ............ 226
Tabla 65 – Resultados de aceptación de modelos NHPP en sistemas de tracción de trenes 2000-B ............. 227
Tabla 66 – Resultados de aceptación de modelos NHPP en sistemas de tracción de trenes 8000 ................. 228
Tabla 67 – Resultados de aceptación de modelos NHPP en sistemas de tracción de trenes 8000 ................. 228
Tabla 68 – Resumen de aceptación y rechazo del modelo NHPP por sistema e items ..................................... 229
Tabla 69 – Parámetros de items con modelo NHPP aceptado ................................................................................ 229
Tabla 70 – Modelos de regresión simple de STATGRAPHICS para estimación de E[N(t)]............................. 235
Tabla 71 – Modelos de regresión simple estimados de E[N(t)] en trenes 5000-4ª............................................... 236
Tabla 72 – Modelos de regresión simple estimados de E[N(t)] en escaleras mecánicas TNE .......................... 238
Tabla 73 – Correlaciones entre variables de contexto de las escaleras mecánicas TNE .................................... 250
xiii
Tabla 74 – Métodos multivariantes. Aplicación a la fiabilidad de sistemas reparables .................................... 255

Tabla 75 – Clústeres de los sistemas de tracción de trenes 2000-B con modelo RP aceptado .......................... 257
Tabla 76 – Clústeres de los sistemas de tracción de trenes 8000 con modelo RP aceptado .............................. 258
Tabla 77 – Clústeres de las escaleras mecánicas TNE con modelo RP aceptado ................................................ 259
Tabla 78 – Clúster creciente de los sistemas de tracción de trenes 2000-B con modelo NHPP aceptado...... 260
Tabla 79 – Clústeres decrecientes de los s. de tracción de trenes 2000-B con modelo NHPP aceptado ........ 261
xiv
Abreviaturas
F(t) Función acumulada de la probabilidad de fallo
R(t) Función de fiabilidad
Λ(t) Función de renovación (= E[N(t)])
f(t) Función densidad de probabilidad de fallo
z(t) Función intensidad de fallo
H0 Hipótesis nula
N(t) Numero acumulado de fallos
E[N(t)] Numero acumulado esperado de fallos
α Parámetro de escala
β Parámetro de forma
γ Parámetro de localización
μ(t) Tasa de aparación de fallos (ROCOF)
λ Tasa de fallo constante
Tasa de fallo constante estimada
μ(t) Tasa de reparación
μ Tasa de reparación constante
λ(t) Tasa instantánea de fallo
A2 Test Anderson-Darling
χ2 Test Chi-cuadrado
C2 Test Cramer-von-Mises
K-S Test Kolmogorov-Smirnov
V Test Kuiper
U2 Test Watson
 Tiende a
v.a. Variables Aleatorias
xv
3D 3 Dimensiones
AAF Análisis por Árbol de Fallos
AAS Análisis por Árbol de Sucesos
ACP Análisis del Caso Peor
AENOR Asociación Española de Normalización y Certificación
AG Modelo Andersen–Gill
AIFAC Análisis por Informe de Fallos y Acciones Correctoras
AMFE Análisis de los Modos de Fallos y de sus Efectos
AMFEC Análisis de los Modos de Fallos, de sus Efectos y de su Criticidad
AMSAA Army Materiel Systems Analysis Activity
ANOVA Análisis de la Varianza (ANalysis Of Variance)
Modelo autorregresivo integrado de promedio móvil (Autoregressive Integrated
ARIMA
Moving Average Process)
ATO Operación Automática del Tren (Automatic Train Operation)
ATP Protección Automática de Tren (Automatic Train Protection)
BBS Modelo Block-Borges-Savits
BIP Proceso de intensidad encerrada (Bounded Intensity process)
BP Modelo Brown-Proschan
BPP Proceso de Poisson de ramificación (Branching Poisson Process)
CA Corriente Alterna
CC Corriente Continua
CDF Función acumulada de la probabilidad de fallo (Cumulative Distribution Function)
CEI Comisión Electrotécnica Internacional
CEN Comité Europeo de Normalización (Comité Européen de Normalisation)
Comité Europeo de Normalización Electrotécnica (Comité Européen de Normalisation
CENELEC
Electrotechnique)
CNET Centre National d'Études des Télécommunication
DBF Análisis por Diagramas de Bloques de Fiabilidad
EBP Proceso Engelhardt-Bain ( Engelhardt-Bain Process)
ES Suavización exponencial (Exponential Smoothing)
G1-RP Proceso de renovación geométrico G1 (Geometric G1-Renewal Process)
GRP, G-RP Procesos de renovación generalizados (Generalized- Renewal Process)
GTO Tiristor GTO (Gate Turn-Off Thyristor)
HAZOP Estudios de peligros y operatividad (HAZard and OPerability studies)
HPP Proceso de Poisson homogéneo (Homogeneous Poisson Process)
HRA Análisis de fiabilidad humana (Human Reliability Aspects)
HTRP Modelo heterogéneo de renovación con tendencia (Heterogeneous TRP)
Variable independiente e idénticamente distribuida (independent and identically
i.i.d.
distributed)
IEC Comisión Electrotécnica Internacional (International Electrotechnical Commission)
IFS Ingeniería de Fiabilidad del Software
IGBT Transistor bipolar de puerta aislada (Insulated Gate Bipolar Transistor)
MA Media Móvil (Moving Average)
IoT Internet de las cosas (Internet of Things)
MATLAB MATrix LABoratory
MCF Función Acumulativa Media (Mean Cumulative Function)
MIL-HDBK MILiraty-HanDBooK. United States Defense Standard
MLE Estimador de máxima verosimilitud (Maximum Likelihood Estimation)
MOSFET Transitor MOSFET (Metal-Oxide-Semiconductor Field-Effect Transistor)
xvi
MPLP Ley de potencia modulada (Modulated Power Law Process)

MRP Proceso de renovación modulado (Modulated Renewal Process)
MTBF Tiempo Medio Entre Fallo (Mean Time Between Failure)
MTTF Tiempo Medio Hasta el Fallo (Mean Time To Failure)
MTV Método de la Tabla de Verdad
NHPP Procesos de Poisson No Homogéneo (Non Homogeneous Poisson Process)
ORP Proceso de renovación normal (Ordinary Renewal Process)
Test no paramétrico "pair-wise comparison" (Pair-wise Comparison Nonparametric
PCNT
Test)
PDF Función de densidad de probabilidad del fallo (Probability Density Function)
PEXP Modelo exponencial por tramos (Piecewise Exponential Model)
PH Modelo de riesgos proporcionales (Proportional Hazards)
PI Modelo de intensidad proporcional (Proportional Intensity)
Controlador lógico programable/Autómata programable (Programmable Logic
PLC
Controller)
PLP Ley de potencia (Power Law Process)
PWM Modulación de ancho de pulso (Pulse Width Modulation)
PWP-GT Modelo Prentice–Williams–Peterson-Gap Time
PWP-TT Modelo Prentice–Williams–Peterson-Total Time
RAT Test de disposición inversa (Reverse Arrangement Test)
RGA Análisis del crecimiento de la fiabilidad (Reliability Growth Analysis)
ROCOF Tasa de aparición de fallos (Rate of OCurrence Of Failures)
RP Procesos de Renovación (Renewal Processes)
Modelo autorregresivo integrado de promedio móvil estacional (Seasonal
SARIMA
Autoregressive Integrated Moving Average Process)
SP Proceso Estocástico (Stochastic Process)
SPP Proceso Puntual Estocástico (Stochastic Point Process)
SRP Proceso de renovación superpuesto (Superimposed Renewal Process)
TBF Tiempos Entre Fallos (Time Between Failure)
TRP Procesos de renovación con tendencia (Trend Renewal Process)
TCP/IP Protocolo de red TCP/IP (Transmission Control Protocol / Internet Protocol)
TTT Test en Tiempo Total (Total Time on Test)
UNE Una Norma Española
Sistema Universal de Telecomunicaciones Móviles (Universal Mobile
UMTS
Telecommunications System)
UNE-EN Una Norma Española - European Norm
UTEC Union Technique de l’electricité et de la Communication
Federación Alemana de Industrias Electrotécnicas, Electrónicas y de Tecnologías de la
VDE
Información
WIFI Estándar de comunicaciones inalámbricas IEEE 802.11
WLW Modelo Wei–Lin–Weissfeld
xvii
1 INTRODUCCIÓN
L
os sistemas industriales son un activo de las empresas que en muchos sectores
suponen el mayor coste de inversión sostenido al que tiene que hacer frente
ejercicio tras ejercicio. Es muy conveniente que dichos sistemas se mantengan
adecuadamente y cumplan sus ciclos teóricos de vida útil, con adecuados indicadores de
servicio: seguridad, fiabilidad y disponibilidad.
Los países y empresas que prestan la adecuada atención al mantenimiento de sus
sistemas industriales presentan una mayor eficacia y eficiencia en sus procesos
productivos, y por ende unos mejores resultados económicos y financieros, ya que no se
producen paradas indeseadas de las plantas, y los bienes mantienen sus condiciones
operativas de diseño durante prolongados periodos de tiempo.
Los países con una mayor tradición y desarrollo en la ingeniería de mantenimiento son
por este orden: Japón, Estados Unidos, Alemania, Reino Unido y Francia. No es
casualidad que ocupen los primeros puestos como potencias mundiales, siendo los
referentes en la investigación y el desarrollo en amplias áreas del conocimiento técnico.
Desgraciadamente en España la ingeniería de mantenimiento es tratada, tanto en el
mundo académico como empresarial, como una ingeniería “menor”, siendo relegada en
los planes de estudio universitarios a un segundo plano e ignorada como disciplina
técnica con entidad propia en la mayoría de empresas.
1.1 Motivación
Después de más de treinta años dedicados casi en su totalidad al mantenimiento de
sistemas industriales, la experiencia acumulada y los datos de campo generan una serie
de preguntas cuyas respuestas no son evidentes y no responden a los tópicos que
tenemos en relación al comportamiento esperado en la operación de sistemas.
Las preguntas deberían tener una sencilla contestación:
- ¿Varios sistemas idénticos en el mismo contexto de operación tiene la misma (o
muy parecida) fiabilidad?
- ¿La fiabilidad de los sistemas está determinada básicamente por su diseño técnico
y constructivo?
- ¿Los sistemas empeoran su fiabilidad con el paso del tiempo?
Evidentemente las tres preguntas tienen un sí por respuesta en la ortodoxia de la
ingeniería de mantenimiento. El problema es que los datos de campo de cualquier
sistema industrial complejo no permiten corroborar ninguna de estas hipótesis, más bien
al contrario, las rebaten con un no rotundo.
20 Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
Todos tenemos la impresión subjetiva, correcta por otro lado, de que sistemas idénticos,
por ejemplo los automóviles fabricados en serie, tienen una fiabilidad operacional
distinta y en muchos casos incluso dispar. Las explicaciones que se nos ocurren tienden
al anecdotario: “me vendieron el primero de la serie…”, “lo fabricaron un lunes después
de un puente…”, “tengo muy mala suerte, sólo se avería el mío...”.
Hace ya más de 10 años en mi empresa Metro de Madrid S.A., tuve la oportunidad de
realizar un primer estudio estadístico de la fiabilidad de una serie de trenes
metropolitanos, cuyos resultados fueron muy inquietantes:
- Trenes constructivamente idénticos y operando en las mismas condiciones
presentaban fiabilidades muy distintas.
- Había trenes cuya fiabilidad no respondía a lo esperado de su diseño
constructivo.
- Un número no despreciable de trenes mejoraban o empeoraban su fiabilidad
con el paso de los meses sin explicación aparente.
Se analizó la correlación de la fiabilidad obtenida de cada tren con múltiples variables
técnicas y operacionales si ningún resultado: orden de fabricación, temperaturas, línea
de operación, centro mantenedor, etc.
No obstante, se manifestó un comportamiento en la evolución de la fiabilidad de los
trenes con un patrón muy definido (que se desvelará en el análisis complementario) que
me ha servido como motor de búsqueda para afrontar esta investigación, para la
formulación de respuestas con el debido contraste estadístico y metodológico, y
demostrar los modelos de comportamiento demostrados en los sistemas objeto del
estudio.
Sirva esta investigación como una humilde contribución a la profundización en el
conocimiento y divulgación a la comunidad científica de los hallazgos más relevantes
obtenidos en los estudios de la fiabilidad de sistemas industriales desarrollados durante
5 años por este equipo de investigación, y que se resumen y cristalizan en esta tesis
doctoral.
1.2 Objetivos
El objetivo central de esta investigación es la profundización en el conocimiento de la
fiabilidad real obtenida en los sistemas industriales una vez transcurridos largos
periodos de operación.
Para ello, este equipo de investigación se ha planteado como objetivos principales del
doctorado:
- Identificar y clasificar adecuadamente el tipo de sistemas industriales objeto de
los estudios de fiabilidad.
- Tener un profundo conocimiento del estado del arte del modelado de la
fiabilidad de los sistemas industriales.
UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA

Introducción 21
- Aplicar los métodos para el cálculo de la fiabilidad de sistemas industriales

mayoritariamente aceptados por la comunidad científica, y recogidos en las
normas de la Comisión Electrotécnica Internacional (IEC).
- Analizar los resultados obtenidos en el modelado de la fiabilidad de los sistemas
de acuerdo a las normas IEC.
- Desarrollar y aplicar un procedimiento metodológico de análisis complementario
y multivariante, al objeto de analizar la fiabilidad obtenida en operación por los
sistemas industriales.
- Presentar los resultados más relevantes de los análisis multivariantes
exploratorios efectuados, dando respuestas a las hipótesis planteadas con el
suficiente soporte y contraste estadístico.
Se procede a redactar esta tesis doctoral de síntesis, al objeto de que contribuya al
modelado, conocimiento e interpretación de la fiabilidad obtenida en la operación de los
sistemas industriales.
1.3 Metodología
La metodología empleada ha supuesto uno de los mayores retos para este equipo de
investigación. En una primera fase se barajó la posibilidad de desarrollar una
metodología desarrollada desde cero para el modelado de la fiabilidad de los sistemas
industriales partiendo de los datos de operación, que permitiera representar
adecuadamente el comportamiento de la fiabilidad de los mismos en largos periodos de
operación.
Las dificultades técnicas para su cálculo estadístico son muy altas y los resultados que se
fueron obteniendo carecían de la robustez necesaria, ya que las pruebas de bondad de
ajuste e hipótesis nula no permitían tomar en consideración conclusión alguna.
Hay que tener en cuenta la casi nula publicación de libros y artículos en castellano en
este campo, y en el vehicular idioma inglés están restringidos a contadas monografías y
artículos científicos de limitada divulgación internacional, incluso académica.
Es entonces cuando nos centramos en analizar y profundizar los andamiajes
matemáticos empleados en las publicaciones científicas para modelar la fiabilidad de
sistemas industriales, llegando a la conclusión de que gran parte de los modelos
publicados discernían desde el origen en aplicar unos tipos de modelos matemáticos
para los sistemas no reparables y otros tipos de modelos para los sistemas reparables,
resultando:
– Gran parte de los modelos de fiabilidad de mayor uso para sistemas no
reparables se basan en encontrar un modelo de distribución estadística ya
existentes que se asemeje a la función real de la densidad de probabilidad de fallo
.

– Y una buena parte de los modelos estadísticos aceptados mayoritariamente para

sistemas reparables se basan en emplear los tiempos sucesivos entre fallos,
modelando la intensidad de fallo con un Proceso Puntual Estocástico (SPP)
que se asemeje a los datos reales.
Tanto para los sistemas no reparables, como para los sistemas reparables, existen
publicados un buen número de métodos matemáticos alternativos a los citados, y que
se analizarán en detalle en el capítulo del estado del arte, pero se anticipa que cuentan
con un respaldo y empleo limitado en el sector del mantenimiento.
Lo verdaderamente desconcertante ha sido detectar en una parte nada despreciable de
los análisis y modelados de la fiabilidad sistemas industriales recogidos en publicaciones
y herramientas de gestión del sector empresarial de mantenimiento, el grave error
conceptual de base que consistente en emplear los resultados de operación de los
sistemas reparables, para caracterizarlos como un único individuo “tipo”, calculado
como “promedio de fallos” de los “n” sistemas idénticos, así como emplear métodos
estadísticos inadecuados, como son la distribución exponencial y la distribución de
Weibull aplicados a la función de la densidad de probabilidad de fallo, cuyo uso debe
de estar limitado a los sistemas no reparables.
En este proceso de análisis y selección de las diferentes metodologías existentes,
finalmente se ha optado por aplicar, y siempre que sea posible, las normas
internacionales en vigor en esta materia, al objeto de dotar a los estudios y análisis que
se presentan en esta tesis del máximo rigor en los métodos, métricas y formulaciones
matemáticas empleados, y con criterios de aceptación y/o rechazo de las hipótesis
efectuadas, que cuentan con el respaldo más amplio de la comunidad científica
internacional.
La IEC cuenta con un Comité Técnico, el TC56 cuya denominación actual es
"dependability". El propósito del TC56 es preparar normas internacionales en materia de
fiabilidad, de aplicación en todas las áreas tecnológicas. En España AENOR ha
traducido una parte importante de las normas editadas por el IEC, por medio de su
Comité Técnico AEN/CTN 200/SC56 “Confiabilidad”.
Por lo tanto la metodología seleccionada para modelar la fiabilidad en los sistemas
industriales reparables con los datos de reales de operación es la normalizada por la IEC.
Sin embargo, las normas IEC no contemplan ningún análisis complementario en los
sistemas que fracasan sus modelos o análisis multivariante para su aplicación a la
fiabilidad de los sistemas reparables.
La fase de análisis complementario y multivariante de la fiabilidad de los sistemas
reparables es exploratoria, efectuando este equipo de investigación diferentes ensayos
multivariante, y en esta tesis se presentan los resultados de los análisis que han
concluido de forma satisfactoria en algún grado.

Introducción 23
Por lo tanto, la metodología aplicada consta de tres fases y se desarrollará

posteriormente de forma detallada:
– 1ª Fase: Modelado de la fiabilidad de los sistemas reparables bajo normativa
IEC.
– 2ª Fase: Análisis complementario de modelado de la fiabilidad de cada sistema
reparable alternativo al de las normas IEC.
– 3ª Fase: Ensayos multivariantes exploratorios de la fiabilidad modelada de
cada sistema.
Una vez seleccionada la metodología, se tuvo que decidir las herramientas de apoyo y
soporte para la aplicación de los métodos estadísticos, al universo de datos disponibles
en la operación de los cuatro sistemas reparables objeto de estudio.
Para la 1ª Fase se analizó el sector del software de programas específicos para el estudio
y modelado de la fiabilidad, resultando el más completo del mercado el módulo RGA
“Reliability Growth Analysis and Repairable System Analysis” de ReliaSoft. Sin
embargo, ni RGA ni el resto de módulos y programas de software comercializados para
el tratamiento de datos y modelado de la fiabilidad de sistemas reparables incluyen los
métodos estadísticos de las normas IEC, empleando otros métodos estadísticos similares
y alternativos, que no son los expresamente recogidos en la norma.
Es por ello, que se han tenido que crear sobre la hoja de cálculo Excel, los métodos
estadísticos de las norma IEC. A tal efecto y a partir de las formulaciones de cada
método, se ha creado una hoja Excel patrón de cada método estadístico de las normas
IEC sobre la que se ha comprobado que los resultados de los ejemplos de los anexos de
las normas, tienen los mismos resultados la hoja Excel patrón, como prueba de contraste
de su correcta formulación.
Para la 2ª y 3ª Fase, es decir el modelado alternativo al de las normas IEC y el análisis
multivariante, igualmente se ha sondeado el mercado del software de apoyo, resultado
el programa más conveniente para esta investigación STATGRAPHICS Centurion, ya
que aúna potentes herramientas de análisis multivariante, con la posibilidad de aplicar
métodos estadísticos para sistemas reparables, que si bien no corresponden a los
recogidos en las normas IEC, nos permiten establecer análisis complementarios, e
incluso comparar los resultados obtenidos aplicando diferentes metodologías.
Por lo tanto, el software de apoyo seleccionado para implementar los métodos
estadísticos requeridos en los estudios son:
– 1ª Fase: Hoja Excel patrón (formulada) para cada método estadístico de las
normas IEC. STATGRAPHICS Centurion para métodos estadísticos
alternativos a los de las normas IEC.
– 2ª Fase: STATGRAPHICS Centurion para el modelado de la fiabilidad
alternativo a las normas EIC.
– 3ª Fase: STATGRAPHICS Centurion para el análisis multivariante
exploratorio.

Con el objetivo marcado para que los hallazgos y conclusiones obtenidos en la

investigación sean extensibles al mayor campo de aplicación posible, y al mismo tiempo
cuenten con la mayor robustez y espectro de datos posible, se han seleccionado cuatros
tipos de sistemas reparables de los que se dispone de una completa base de datos de
fallos con más de 10 años de operación y con un número destacado de sistemas por cada
tipo:
1. Sistema de tracción eléctrica ferroviaria tipo “chopper” en 36 trenes de la serie
5.000-4ª de Metro de Madrid.
2. Sistema de tracción eléctrica ferroviaria técnica trifásica con ondulador de
corriente en 88 trenes de la serie 2.000-B de Metro de Madrid.
3. Sistema de tracción eléctrica ferroviaria técnica trifásica con ondulador de tensión
en 23 trenes de la serie 8.000 de Metro de Madrid.
4. 40 escaleras mecánicas de la serie TNE20XX de Metro de Madrid.
Los tres primeros tipos de sistemas reparables son principalmente electro-electrónicos, y
como contraste el cuarto es esencialmente electromecánico. Por todo ello, se estima que
los resultados de esta investigación son de aplicación general a todo tipo de sistemas
reparables, con independencia de la tecnología de base constructiva.
En relación a la metodología empleada para la elaboración de esta tesis, se han seguido
las instrucciones y formatos recomendados en:
– La norma UNE 50136:1997 “Documentación, tesis, presentación”, así como el
resto de normas de apoyo a las que ésta hace referencia.
– El documento “Tesis Doctoral. Elaboración: Idioma, Estructura, Redacción,
Formato/Soporte” de 28 de mayo de 2013 del Vicerrectorado de Investigación de
la UNED.
– El formato de publicación para tesis doctorales por la Escuela Técnica Superior
de Ingeniería de la Universidad de Sevilla.
1.4 Estructura
La estructura seleccionada para este documento tiene como objetivo presentar de una
forma ordenada, clara y concisa los trabajos de la investigación efectuados y que se
desarrollan en los siguientes capítulos:
 Capítulo 2 - Estado del arte: Se presentan los resultados de la investigación en
relación al estado actual de desarrollo de los métodos estadísticos de modelado
de la fiabilidad de sistemas, y en particular de los sistemas reparables.
 Capítulo 3 – Normativa europea de fiabilidad: Presentación de las normas
europeas en materia de fiabilidad, desarrollando las que se emplearán como
metodología de análisis en la investigación.

Introducción 25
 Capítulo 4 – Sistemas de tracción eléctrica ferroviaria: Sucinta introducción

técnica a la evolución histórica de sistemas de tracción eléctrica ferroviaria, siendo
tres de ellos objeto del modelado de la fiabilidad con los datos de operación
históricos.
 Capítulo 5 – Escaleras mecánicas: Somera descripción técnica de las escaleras
mecánicas de la serie TNE20XX objeto de estudio de su fiabilidad modelada
mediante sus datos de operación.
 Capítulo 6 – Estudio normativo de la fiabilidad de los sistemas reparables:
Aplicación de la normativa IEC para el modelado de la fiabilidad de los cuatro
tipos de sistemas reparables, según el procedimiento normativo que de una
forma simplificada consta de seis fases:
1) Aplicar el test de intensidad de fallo constante al conjunto de items de
cada tipo de sistema reparable.
2) Si no hay tendencia modelar como constante para el conjunto de
items de cada tipo de sistema reparable.
3) En caso de tendencia, aplicar la ley de potencia para modelar del
conjunto de items. Comprobar la bondad de ajuste del modelo.
4) Si se rechaza el modelado con la ley de potencia de del conjunto de
items, se aplica el test de constante a cada ítem de cada sistema
reparable.
5) Para los items sin tendencia modelar como constante.
6) Para los items con tendencia aplicar la ley de potencia para modelar .
Comprobar la bondad de ajuste del modelo a cada ítem.
 Capítulo 7 - Estudio complementario de la fiabilidad de los sistemas reparables:
Análisis de la naturaleza de los tiempos entre fallos y aplicación de los modelos
estadísticos seleccionados para el modelado de la fiabilidad de los cuatro tipos de
sistemas reparables y contraste con los resultados con los modelos de IEC.
 Capítulo 8 - Propuestas de análisis multivariante: Presentación de los resultados
de la investigación más relevantes en el análisis multivariante efectuado sobre los
modelos de fiabilidad obtenidos mediante la aplicación de la normativa IEC:
1. Representación gráfica de de de los ítems con modelado aceptado.
2. Aplicación de las herramientas estadísticas multivariantes de análisis.
3. Análisis, caracterización y modelado de clústeres para cada grupo de
ítems con fiabilidades homogéneas.
 Capítulo 9 – Conclusiones: Presentación y resumen de los hallazgos más
relevantes de la investigación, así como de las principales aportaciones al
conocimiento en el campo de la fiabilidad de sistemas reparables, y las
potenciales nuevas líneas de investigación.

2. ESTADO DEL ARTE
Todos los hombres tienen por

naturaleza el deseo de saber.
- Aristóteles -
E l estudio de la fiabilidad de los sistemas industriales es uno de los retos más

complejos a los que se enfrenta un ingeniero cuya actividad se desarrolle en el
sector del mantenimiento. Los sistemas se averían, y en su operación real no se
ajustan habitualmente a los modelos estimados en la fase de diseño, y tampoco
responden a los modelos que habitualmente se estudian y desarrollan en los planes de
estudios académicos y monografías de mantenimiento industrial.
2.1. Introducción
La fiabilidad según definición de la norma UNE-EN 13306:2011 de terminología de
mantenimiento es la “aptitud de un elemento de realizar una función requerida bajo
unas condiciones determinadas durante un intervalo de tiempo dado”.
En la norma se aclara que se asume que el elemento está en estado de poder funcionar
como se requiere desde el inicio del intervalo de tiempo dado. La fiabilidad se puede
cuantificar como una probabilidad o mediante indicadores de desempeño utilizando
medidas apropiadas, y entonces se menciona como desempeño de la fiabilidad. En
algunos casos se puede considerar un determinado número de unidades de utilización
en vez de un intervalo de tiempo dado (número de ciclos, número de horas de
funcionamiento, número de kilómetros, etc.).
También define como elemento a la “parte, componente, dispositivo, subsistema,
unidad funcional, equipo o sistema que puede describirse y considerarse de forma
individual”.
Un determinado número de elementos, por ejemplo, un conjunto de elementos o una
muestra, pueden considerarse por sí mismos un elemento. Un elemento puede consistir
en hardware, software, o en ambos. El software consiste en programas, procedimientos,
reglas, documentación y datos de un sistema de proceso de información.
Es importante también atender a la clasificación de elementos que se realiza en la norma
UNE-EN 13306:2011, ya que en general se confunden los términos:
– Elemento reparable: elemento que, después de un fallo y bajo condiciones dadas,
se puede devolver a un estado en el que pueda realizar una función requerida.
Las condiciones dadas pueden ser económicas, ecológicas, técnicas y/o de otro
tipo.
Estado del Arte 27
– Elemento consumible: elemento o material que es fungible, que puede ser

sustituido de forma regular y que generalmente no es un elemento específico.
Normalmente, los elementos consumibles son de un coste relativamente bajo
comparado con el elemento en sí.
– Repuesto: elemento destinado a sustituir a un elemento análogo, con objeto de
conservar o mantener la función original requerida del elemento. El elemento
original se puede reparar posteriormente. En inglés, un elemento que sea
dedicado y/o intercambiable con un elemento específico, con frecuencia se
denomina “replacement item”.
Cabe destacar, desde un primer momento, las diferencias que conllevan el estudio y
análisis de la fiabilidad en los sistemas compuestos por elementos reparables, respecto
de los sistemas no reparables (consumibles), ya que la metodología estadística a aplicar
es muy distinta.
2.2. Expresiones matemáticas básicas para términos de fiabilidad

Siguiendo las recomendaciones de la norma UNE-EN 61703:2003 que recoge las
expresiones matemáticas para los términos de fiabilidad, disponibilidad, mantenibilidad
y de logística de mantenimiento, se deben emplear separadamente expresiones
matemáticas diferentes atendiendo a las siguientes clases de elementos: elementos no
reparables, elementos reparables con tiempo hasta la restauración nulo y elementos
reparables con tiempo hasta la restauración no nulo:
– Para elementos no reparables se emplean los modelos matemáticos basados en
la variable aleatoria (tiempo hasta el fallo).
– En el caso de elementos reparables con tiempo hasta la restauración nulo, los
modelos matemáticos son procesos de renovación simple (ordinario).
– Y por último para elementos reparables con tiempo hasta la restauración no
nulo, se emplean procesos de renovación alternativo simple (ordinario).
2.2.1. Elementos no reparables
Se procede a enumerar y desarrollar las expresiones matemáticas básicas para elementos

no reparables, así como la relación entre las mismas. Se denomina a la función de
fiabilidad (o supervivencia), que representa la probabilidad de supervivencia hasta el
instante t de un elemento no reparable, y se expresa como:
(1)
Donde es la función de densidad de probabilidad del tiempo hasta el fallo

del elemento.

La función de densidad de probabilidad del fallo (PDF) , representa la

probabilidad de que un elemento falle entre el instante t y el instante t + dt:
(2)
La función acumulada de la probabilidad de fallo (CDF) representa la

probabilidad de que el elemento falle al cabo del tiempo t:
(3)
(4)
La tasa instantánea de fallo representa la probabilidad de fallo de un determinado

elemento entre el instante t y el instante t + dt.
(5)
(6)
El tiempo medio hasta el fallo MTTF se calcula como:
(7)
Siempre se intenta ajustar a la fiabilidad esperada u obtenida de un elemento no

reparable, a alguna de las distribuciones estadísticas existentes que se asemeje a ƒ(t).
Entre las distribuciones estadísticas continuas más aplicadas en análisis de la fiabilidad
destacan la exponencial y Weibull.
Otras funciones de distribución también empleadas, pero con menor profusión en la
modelización de la fiabilidad de elementos no reparables son la gamma, Erlang,
Rayleigh, normal, log-normal. Para aplicar correctamente las funciones de distribución
estadística, es necesario efectuar:
a. Pruebas de significación (si se estudian muestras): para determinar si los
resultados que da una muestra son coherentes con las características hipotéticas
de la población total. Se suelen efectuar las pruebas de distribución normal, Chi2
o de F de Snedecor-Fischer.

Estado del Arte 29
b. Bondad del ajuste: para determinar si los datos disponibles se ajustan realmente a
una función distribución determinada. Se realizan normalmente el test de ajuste
Chi2, ensayo Kolmogorov-Smirnov, ensayo de mínimos cuadrados, recta de
regresión o curva de regresión.
La distribución exponencial es, probablemente, la distribución más utilizada en los
análisis de fiabilidad, y concretamente en los análisis de elementos no reparables. Al
aplicarla a (2), (6) y (5) se obtienen:
(8)
(9)
(10)
El valor de se mantiene constante durante toda la vida útil del elemento. La

profusión con la que se utiliza este modelo, está justificada por su facilidad de
estimación de su único parámetro , su facilidad de su tratamiento matemático y que es
una distribución reproductiva, es decir, la suma de variables independientes
exponencialmente distribuidas, se distribuye también según un modelo exponencial. La
aplicabilidad práctica de esta distribución ha sido y sigue siendo muy discutida, dado
que para fallar exponencialmente, un elemento ha de ser insensible a la edad y al uso,
cuestión real sólo en una parte de los componentes eléctricos y electrónicos, pero más
cuestionable si se trata de analizar la fiabilidad de elementos complejos o mecánicos.
Figura 1 - Distribución exponencial aplicada a la fiabilidad

Cuando la tasa instantánea de fallos no tiene un comportamiento constante en el tiempo,

se suele intentar emplear la distribución de Weibull, que aplicada a (2), (6) y (5) se
obtiene:
(11)
(12)
(13)
Siendo el parámetro de escala y el parámetro de forma.
La distribución de Weibull se emplea para modelar datos sin tener en cuenta si la tasa de
fallo es creciente, decreciente o constante. La distribución de Weibull es flexible y se
puede adaptar a una gran variedad de datos.
Figura 2 – Formas de f(t) para la familia de distribuciones de Weibull para =1

Estado del Arte 31
2.2.2. Elementos reparables con tiempo hasta la restauración nulo
Para elementos reparables, el modelo matemático básico es un proceso de renovación

simple, cuando se puede despreciar el tiempo hasta la restauración del elemento. Una
característica de fiabilidad del elemento reparable ampliamente utilizada es la
intensidad de fallo, que equivale a la densidad de renovación.
La función de fiabilidad de un elemento no reparable se puede escribir como:
(14)
Donde es la función de densidad de probabilidad (también denominada

función de densidad de fallos) de los tiempos hasta el fallo del elemento.
Por definición, la intensidad instantánea de fallo , es la derivada del número

esperado de fallos, en el intervalo de tiempo (0, t) donde N(t) es el
número de fallos durante el intervalo de tiempo (0, t) y E indica la esperanza
matemática:
(15)
De la teoría de procesos de renovación, se concluye que , se puede escribir como:
(16)
Donde es la función de densidad de probabilidad de los tiempos reales

hasta el enésimo fallo del componente.
Esto se puede calcular mediante la siguiente relación recurrente:
(17)
(18)

Para n > 1 y donde es la función de densidad de probabilidad de los

tiempos de disponibilidad del elemento, es decir, es aproximadamente la
probabilidad de que un tiempo dado de disponibilidad termine en el intervalo de
tiempo suponiendo que el tiempo de disponibilidad empezara en el
instante t = 0.
(19)
2.2.3. Elementos reparables con tiempo hasta la restauración no nulo
Para elementos reparables, el modelo matemático básico es un proceso de renovación

alternativo simple cuando el tiempo hasta la restauración del elemento no es nulo. En
este caso elemento reparable alterna entre un estado de disponibilidad y otro de
indisponibilidad y una característica de fiabilidad del elemento ampliamente utilizada
es la intensidad de fallo, que equivale a la densidad de renovación.
La función de fiabilidad de un elemento no reparable se puede escribir como:
(20)
Donde es la función de densidad de probabilidad (también denominada

función de densidad de fallos) de los tiempos hasta el fallo del elemento.
Por definición la intensidad instantánea de fallo , es la derivada del número

esperado de fallos, en el intervalo de tiempo (0, t) donde N(t) es el
número de fallos durante el intervalo de tiempo (0, t) y E indica la esperanza
matemática:
(21)
De la teoría de procesos de renovación, se concluye que , se puede escribir como:
(22)

Estado del Arte 33
Donde es la función de densidad de probabilidad de los tiempos reales

hasta el enésimo fallo del componente.
Esto se puede calcular mediante la siguiente relación recurrente:
(23)
(24)
Para n > 1 y donde es la función de densidad de probabilidad de los

tiempos de disponibilidad del elemento (incluyendo sus tiempos de
funcionamiento, reposo, espera e inhabilitaciones externas). es
aproximadamente la probabilidad de que un tiempo dado de disponibilidad
termine en el intervalo de tiempo suponiendo que el tiempo de
disponibilidad empezara en el instante t = 0.
es la función de densidad de probabilidad de la suma de los tiempos de
disponibilidad y el correspondiente tiempo hasta la restauración (ξR) y está
dada por:
(25)
Donde es la función de densidad de probabilidad de los tiempos hasta la

restauración del elemento, es decir, es aproximadamente la probabilidad
de que un elemento se restaure de un estado de avería a uno de disponibilidad en
el intervalo de tiempo (t, t + Δt), suponiendo que el fallo que produjera la avería
sucediera en el instante t = 0. La magnitud es aproximadamente la
probabilidad (incondicional) de que el fallo del elemento suceda durante
(t, t + Δt).
(26)

2.3. Definiciones y tipos de métodos en el análisis de la fiabilidad

Los métodos de análisis de la fiabilidad de un elemento se utilizan tanto para la
predicción, revisión y la mejora de los valores alcanzados.
Estos análisis se realizan durante las fases de concepción y definición, de diseño y
desarrollo y de operación y mantenimiento, a diferentes niveles del sistema y con
diferentes grados de detalle, con el fin de evaluar, determinar y mejorar las
características de fiabilidad de un elemento.
También se pueden emplear para comparar los resultados del análisis con los requisitos
especificados.
Además, se utilizan en la logística y planificación del mantenimiento, para estimar las
frecuencias de mantenimiento y de sustitución de piezas. Estas estimaciones
determinan, a menudo, los elementos que más contribuyen al coste del ciclo de vida y se
deberían aplicar con precaución en el desarrollo de estudios del coste del ciclo de vida y
la realización de análisis comparativos.
Para proporcionar resultados significativos, el análisis debe tener en cuenta todas las
posibles contribuciones a la fiabilidad de un sistema: hardware, software, así como
factores humanos y aspectos organizativos.
Es importante remarcar la definición de los siguientes conceptos:
– Elemento: Cualquier parte, componente, dispositivo, subsistema, unidad
funcional, equipo o sistema que puede considerarse individualmente. Un
elemento puede constar de hardware, software o ambos y puede incluir, en casos
particulares, personas.
– Sistema: Conjunto de elementos interrelacionados o que interactúan. El concepto
de sistema es jerárquico. En el contexto de la fiabilidad, un sistema tendrá:
a) un propósito definido que se expresa en términos de funciones
requeridas y
b) condiciones establecidas de uso u operación.
– Componente: Es el elemento de más bajo nivel que se considera en el análisis.
– Fallo: Terminación de la capacidad de un elemento para realizar una función
requerida. Después de un fallo, el elemento tiene una avería. "Fallo" es un suceso,
a diferencia de "avería" que es un estado.
– Avería: Estado de un elemento que se caracteriza por la incapacidad para realizar
una función requerida, excluyendo la incapacidad por mantenimiento preventivo
u otras acciones planificadas por la falta de recursos externos. Una avería es, a
menudo, el resultado de un fallo del propio elemento, pero puede ocurrir sin un
fallo previo.

Estado del Arte 35
Los métodos de análisis de la fiabilidad se clasifican en dos categorías principales:

1. Métodos generales de ingeniería que apoyan los análisis de la fiabilidad o añaden
valor al proceso de diseño en función de la fiabilidad.
2. Métodos específicos para análisis de la fiabilidad.
2.4. Métodos generales de ingeniería que apoyan los análisis de la fiabilidad

Entre los métodos de ingeniería generales o de apoyo, se destacan:
− Análisis de circuitos ocultos: es un planteamiento informatizado para encontrar
los circuitos “ocultos” que se definen como los caminos latentes que pueden
causar una funcionalidad no deseada o inhibir una funcionalidad deseada sin
considerar el fallo de los componentes. El camino puede consistir en cables,
partes, interfaces software y fuentes de energía. El análisis de los circuitos ocultos
se emplea para descubrir condiciones de circuitos latentes que pueden provocar
modos imprevistos de operación. El análisis de los circuitos ocultos se utiliza
ampliamente en sistemas aeroespaciales, en las industrias de desarrollo espacial y
en las de generación de energía y centrales nucleares.
− Análisis del caso peor (ACP): es un planteamiento no estadístico que se utiliza
para confirmar y determinar si el funcionamiento del sistema se encuentra dentro
o fuera de especificaciones, en todas las combinaciones de los límites de
tolerancia dados de los parámetros del sistema. Se utiliza generalmente para los
sistemas compuestos de varios componentes y principalmente durante el diseño
y la fase de desarrollo. Por ejemplo, cualquier mecanismo, circuito o red
diseñados puede considerarse como un sistema. Las características de
funcionamiento de los componentes, como los parámetros del sistema, pueden
afectar a las características de funcionamiento del sistema y se combinan con
expresiones matemáticas o con funciones lógicas.
− Modelado por simulación de las variaciones: El modelado por simulación de las
variaciones consiste en un conjunto de planteamientos estadísticos que se utilizan
para confirmar y determinar si el funcionamiento del sistema está dentro o no de
especificaciones en todas las combinaciones de los límites dados de tolerancia de
los parámetros del sistema. Hay dos métodos estadísticos típicos: el método de
los momentos y el método de Monte Carlo.
El primero, diseñado para la variable que representa el funcionamiento del
sistema, está basado en la aproximación lineal de una función de los parámetros
de diseño mediante series de Taylor para los valores nominales. El segundo
modelo se basa en la simulación por métodos estadísticos donde cada parámetro
de diseño se selecciona aleatoriamente de una distribución dada de probabilidad.
El modelado por simulación de las variaciones se utiliza generalmente para
sistemas compuestos por varios componentes y conjuntamente con el método del
caso peor principalmente durante la fase de diseño y de desarrollo.

Por ejemplo, cualquier mecanismo, circuito o red se puede considerar como un

sistema. Las características de funcionamiento de los componentes, así como los
parámetros de diseño del sistema, pueden afectar a las características de
funcionamiento del sistema. La simulación de Monte Carlo se realiza
frecuentemente en los procesos de diseño asistido por ordenador.
− Ingeniería de fiabilidad del software (IFS): El propósito de la IFS es predecir la
fiabilidad del software mediante métodos estadísticos. El problema es que, en
principio, el software no falla, sino que proporciona de forma determinista un
resultado correcto o erróneo para una entrada dada. El modelo subyacente no
supone, por tanto, que el software actúa aleatoriamente, sino que la configuración
del sistema y el perfil de operación (por ejemplo, los datos de entrada) pueden
verse como un entorno aleatorio. La IFS se puede aplicar tanto durante las
pruebas para decidir cuándo finalizar éstas (suponiendo que se ha establecido un
criterio de aceptación) o para predecir la fiabilidad en la explotación.
Normalmente los datos se muestrean en grupos, por ejemplo como número de
fallos por tiempo de ejecución acumulado, ya que es muy difícil obtener tiempos
entre apariciones de fallos reales. Existen desarrollados múltiples modelos IFS,
siendo los más reconocidos por la comunidad científica:
o Modelos de Predicción:
 Modelo de Colección de Datos Históricos Internos.
 Modelo de Tiempo de Ejecución de Musa.
 Modelo de Putnam.
 Modelos de Predicción del Laboratorio Rome.
o Modelos de Estimación:
 Modelos de Distribución Exponencial:
 Modelo Exponencial General.
 Lloyd-Lipow Model.
 Modelo Básico de Musa.
 Modelo Logarítmico de Musa.
 Modelo de Shooman.
 Modelo Goel-Okumoto.
 Modelo de Distribución de Weibull.
 Modelo de Estimación del Ratio de Fallo Bayesiano; fórmula de
Bayes, modelos de distribución previos y posteriores, modelos de
distribución previos conjugados.

Estado del Arte 37
− Análisis por elementos finitos: es un método numérico por ordenador utilizado

para analizar los efectos de aplicar cargas a elementos físicos. Las cargas pueden
ser mecánicas, térmicas, electromagnéticas, de carácter fluido o combinaciones de
éstas. Normalmente el problema acometido es demasiado complejo para
resolverlo por los métodos clásicos.
Esta técnica difiere fundamentalmente de los métodos clásicos en la forma de
tratamiento de un dispositivo. Los elementos diferenciales infinitesimales que se
utilizan en el cálculo, las ecuaciones diferenciales y en derivadas parciales
consideran al dispositivo como un todo continuo. Para el análisis por elementos
finitos, el dispositivo se divide en bloques constituyentes simples
interrelacionados que se denominan elementos. Los elementos se caracterizan
por funciones de forma. Colectivamente, forman un modelo geométrico del
dispositivo. Los elementos se interconectan en nodos. La información fluye de un
elemento a otro sólo a través de nodos comunes. Se utiliza la interpolación para
asegurar la continuidad dentro de los elementos y más allá de sus límites. De este
modo, los efectos en cualquier punto dentro de la unidad pueden expresarse en
términos de desplazamientos de los nodos.
El análisis por elementos finitos es un método efectivo para predecir el
comportamiento y los modos de fallo de estructuras complejas. Puede utilizarse
para analizar tipos de problemas muy diferentes, incluyendo análisis de
esfuerzos mecánicos, vibración, circulación de fluidos, transferencia de calor,
campos electromagnéticos y otros.
− Selección de componentes y reducción de esfuerzos: Los componentes se
seleccionan, teniendo en cuenta dos criterios, su fiabilidad y su capacidad para
resistir los esfuerzos operacionales y ambientales esperados cuando se utilizan
como integrantes de un producto. La selección de componentes contempla
ambos, es decir la fiabilidad requerida a un componente así como su valor
nominal mecánico o eléctrico junto con la descripción de los entornos de trabajo
en los que los componentes deben funcionar sin experimentar un fallo.
− Análisis de Pareto: Basado en el principio de Pareto, desarrollado por Vilfredo
Pareto (un economista italiano), es una de las siete herramientas básicas de
control de calidad (hojas de comprobación, diagramas de Pareto, diagramas de
Ishikawa, diagramas de flujo, histogramas, gráficos de dispersión y gráficos de
control). La aplicación de estas herramientas, desarrolladas y ampliamente
utilizadas en el campo del control de calidad, puede resultar útil en el campo de
la ingeniería de fiabilidad. El principio de Pareto establece que un pequeño
conjunto de problemas (los pocos vitales) que afectan a un resultado común
tienden a suceder mucho más frecuentemente que el resto (los muchos triviales).
Este principio puede enunciarse también como que el 20% de las causas causan el
80% de los problemas. El propósito del análisis de Pareto es concentrar los
esfuerzos en aquellos problemas que tengan mayor potencial de mejora y ayudar
en la priorización y asignación de los recursos allí donde sean más efectivos.

− Diagramas causa-efecto: El diagrama causa-efecto, también denominado

diagrama de Ishikawa (por su creador, Kaoru Ishikawa de Japón) o diagrama de
la espina de pez (debido a su forma), proporciona una representación gráfica y
organizada de una lista de posibles causas de problemas o factores necesarios
para asegurar el éxito o el fallo. Es una herramienta efectiva que permite ver
rápidamente la relación entre factores cuando se estudian procesos y situaciones
así como para planificación. Los diagramas causa-efecto se construyen
típicamente mediante técnicas de tormenta de ideas. Como consecuencia de ello,
a menudo se dibujan a mano en papel. Sin embargo, existen aplicaciones
informáticas capaces de representar profesionalmente el diagrama. El diagrama
causa efecto se utiliza para los análisis preliminares durante la fase de diseño y
para el análisis de los efectos que se encuentran durante la operación.
− Análisis por informe de fallos y acciones correctoras (AIFAC): Es un sistema de
bucle cerrado para la identificación, evaluación y corrección de problemas
derivados de fallos de una manera conveniente. Se documentan los fallos que
ocurren durante la fase de pruebas y evaluación. Los datos se recopilan a
múltiples niveles. El sistema se utiliza para rastrear, analizar e identificar
ulteriormente problemas de los componentes, errores de diseño, defectos de
manipulación y deficiencias del proceso que requieren una acción correctora. El
desarrollo de acciones correctoras se deriva de la determinación de la causa raíz
del fallo. Se verifica la efectividad de las acciones correctoras antes de su
implantación.
Un AIFAC se debería realizar tan pronto como el hardware y el software estén
disponibles. Todo el personal implicado en la fase de pruebas y evaluación es
responsable de la documentación de fallos. Los fallos se justifican y localizan en
toda la extensión posible.
2.5. Métodos específicos para el análisis de la fiabilidad

Existe una gran proliferación de métodos desarrollados específicamente para el análisis
de la fiabilidad o que se emplean principalmente para realizar estos análisis. Se
presentan en este apartado los que cuentan con un empleo habitual y la adecuada
aceptación por la comunidad científica.
2.5.1. Predicción de la tasa de fallo en condiciones de referencia y operativas
La predicción de la tasa de fallo es un método que se aplica principalmente durante las

fases de concepción y diseño inicial para estimar la tasa de fallo de los equipos y del
sistema. Se puede utilizar también en la fase de fabricación para mejorar el producto.

Estado del Arte 39
Se pueden adoptar tres técnicas básicas:

− Predicción de la tasa de fallo en las condiciones de referencia, también se
denomina análisis por relación de componentes.
− Predicción de la tasa de fallo en las condiciones operativas, también se denomina
análisis de esfuerzo de componentes.
− Predicción de la tasa de fallo usando análisis de semejanzas.
La elección de qué técnica se debe usar depende del nivel de conocimiento que se tenga
del sistema en el momento en que se realiza la predicción de la fiabilidad y también del
grado de aproximación que se considera aceptable.
Tanto para la predicción de la tasa de fallo en las condiciones de referencia y predicción
de la tasa de fallo en las condiciones operativas, el analista necesita saber el número y
tipo de componentes que constituyen el sistema. El analista también precisa conocer las
condiciones de operación para las que se realiza la predicción de la tasa de fallo. Si las
condiciones operativas coinciden con las de referencia para los componentes, entonces
no es necesario tener en cuenta las condiciones de operación.
Sin embargo, cuando la predicción de la tasa de fallo es para unas condiciones de
operación que difieren de las de referencia, entonces sí que se deben tener en cuenta las
condiciones específicas de aplicación del componente (eléctricas, térmicas, ambientales)
utilizando modelos desarrollados para tal propósito.
Para predicciones más exactas, se necesita una base de datos fiable de tasas de fallo por
componente y se proporcionan recomendaciones en diversas normas internacionales de
cómo se pueden determinar las tasas de fallo para las denominadas condiciones de
referencia, a partir de dicha base de datos.
Se han desarrollado algunos manuales con datos de tasas de fallo y algunos de ellos
están disponibles comercialmente. Sin embargo, los cálculos de fiabilidad pueden
consumir mucho tiempo y, por ello, existen herramientas comerciales de software para
realizar estos cálculos. La predicción de la tasa de fallos está basada en las suposiciones
siguientes:
− los componentes están conectados lógicamente en serie (es decir, cada uno es
necesario para el sistema);
− las tasas de fallo de los componentes son constantes en el tiempo;
− los fallos de los componentes son independientes.
Deben analizarse estos supuestos en relación con el sistema bajo estudio ya que pueden
conducir a una estimación pesimista si existen redundancias en los niveles superiores de
agregación.
La suposición de que las tasas de fallo son constantes reduce considerablemente el
esfuerzo de cálculo, ya que la tasa de fallo total es simplemente la suma de las tasas de
fallo de las partes. Esto no implica necesariamente que la tasa de fallo total sea una
característica significativa de la fiabilidad: no todos los fallos afectarán al sistema de la
misma manera.

Los fallos de los elementos de diagnóstico, así como algunos modos de averías puede
que no afecten a la funcionalidad del sistema. En este caso, la tasa de fallo total sólo
proporciona una medida del número de acciones de mantenimiento correctivo,
independientemente de si guardan relación o no con los fallos funcionales del sistema La
predicción de la fiabilidad de un sistema producirá las predicciones con un nivel de
precisión aceptable, dependiendo de los modelos disponibles de fallo de los
componentes. Lo mismo aplica cuando la predicción de la tasa de fallos se realiza en
condiciones de operación.
Este método está muy extendido para la predicción de la fiabilidad de un sistema,
elemento o componente eléctrico o electrónico.
Entre las bases de datos más empleadas destaca la de la norma MIL-HDBK-217, que es
la más conocida y reconocida mundialmente, desarrollada por el Departamento de
Defensa de los EE.UU. Define dos métodos complementarios; recuento de partes y
solicitantes de partes. Se parte de la base de que los componentes tienen una tasa de
fallo constante , que se ve modificada por las condiciones ambientales con el
método solicitante de partes y estas se agregan mediante el método de recuento de
partes.
El método solicitante de partes, permite calcular la tasa de fallos de un componente a
partir de:
(27)
Siendo;
λb= Tasa de fallo básica.
πT = Factor Temperatura.
πA = Factor Aplicaciones.
πR = Factor Potencia.
πS = Factor Tensión.
πC = Factor Construcción.
πQ = Factor Calidad.
πE = Factor Ambiente.
El método de recuento de partes, emplea la fórmula para un sistema de i componentes:
(28)
Siendo;
Ni = Número de componentes i.
λg = Tasa de fallo del componente i.
ΠQ = Factor de ajuste de la calidad del componente.

Estado del Arte 41
Los valores de tasa de fallo básica y los factores están recogidos en tablas de la norma
MIL-HDBK-217 para cada tipo de componente electrónico y eléctrico, cuyos valores han
sido recopilados durante años, sometiendo cada componente a programas de pruebas y
ensayo.
Otra norma de amplio uso para la predicción de la tasa de fallo es la europea IEC/TR
62380:2004 “Reliability data handbook - Universal model for reliability prediction of
electronics components, PCBs and equipment”. Esta norma incluye una guía de cálculo
de la fiabilidad esperada de una tarjeta electrónica.
La norma europea incluye modelos de cálculo para tener en cuenta la influencia de las
condiciones ambientales. Estos modelos tienen en cuenta si la placa electrónica opera en
trabajo permanente, en ciclos de encendido/apagado o en aplicaciones inactivas de
reserva. Por otra parte, la tasa de fallo de la soldadura de componentes también es
incluida como una tasa de fallo de un componente.
La norma IEC 61709:2011 desarrolla las condiciones de referencia para tasas de fallo y
modelos de conversión en función de los esfuerzos para componentes electrónicos, si
bien no cuenta con las bases de datos de los valores de tasa de fallo básica para cada tipo
de componente.
Esta norma internacional está pensada para la predicción de fiabilidad de componentes
utilizados en equipos y está dirigida a las organizaciones que disponen de sus propios
datos, describiendo cómo establecer y utilizar dichos datos para realizar predicciones de
fiabilidad. La tasa de fallo de un componente en condiciones de funcionamiento se
calcula de la forma siguiente:
(29)
Siendo;
λb= Tasa de fallo en las condiciones de referencia.
ΠU = Factor de dependencia con la tensión.
ΠI = Factor de dependencia con la corriente.
ΠT = Factor de dependencia con la temperatura.
ΠE = Factor de aplicación ambiental.
ΠS = Factor de dependencia con la frecuencia de conmutación.
ΠES = Factor de dependencia con el esfuerzo eléctrico.
Por lo tanto, la tasa de fallo para conjuntos de componentes en condiciones de

funcionamiento se calcula como agregación de la forma siguiente:
(30)

La norma desarrolla modelos de esfuerzo específicos y valores de los factores π

aplicables a los distintos tipos de componentes que deben emplearse para convertir las
tasas de fallo de referencia a tasas de fallo en las condiciones de funcionamiento en la
explotación. Los factores π son modificadores de la tasa de fallo asociado a una
condición o esfuerzo específico. Proporcionan una medida de la modificación de la tasa
de fallo como consecuencia de cambios en dicho esfuerzo o condición.
Gran parte de estos modelos emplean como base de cálculo de la tasa de fallo intrínseca
de un componente, la degradación mecánica de los semiconductores por influencia de
los factores ambientales y de operación. Entre estas fórmulas destacan:
− Arrhenius.
− Eyring.
− Tensión.
− Tensión Exponencial.
− Temperatura/Voltaje.
− Electromigración.
− Temperatura/Voltaje/Humedad.
− Coffin-Manson (stress mecánico).
Como ejemplo, la ecuación de Arrhenius es una expresión matemática que se utiliza

para comprobar la dependencia de la constante de velocidad (o cinética) de una reacción
química con la temperatura a la que se lleva a cabo esa reacción, de acuerdo con la
expresión:
(31)
Siendo;
k(T): constante cinética (dependiente de la temperatura)
A: factor pre-exponencial de cada componente
Ea: energía de activación
R: constante universal de los gases
T: temperatura absoluta [K]
Si se toma como hipótesis de partida que los fallos del componente son generados por
las reacciones químicas la tasa de fallos λ sería igual a k(T):
(32)

Estado del Arte 43
Por otra parte, los datos de tasas de fallo de componentes o se publican en una
serie de manuales de diferente índole y origen de elaboración. Normalmente, los datos
publicados son datos de componentes obtenidos de equipos en aplicaciones específicas,
por ejemplo, centrales telefónicas. En ocasiones, la fuente de los datos no está
especificada y pueden no proceder de datos de la explotación.
Por esta razón, las predicciones de tasas de fallo, a menudo difieren significativamente
de las observaciones en la explotación y pueden llevar a conclusiones erróneas. La lista
adjunta proporciona información relativa a fuentes de datos para la determinación de
las tasas de fallo de componentes más empleadas.
− PRISM: La base de datos del manual de datos de fiabilidad de componentes
electrónicos RAC (EPRD) es la misma que la utilizada previamente como base de
la MIL-HDBK-217 y está apoyada por una aplicación informática que se
comercializa con el nombre de PRISM.
− BELLCORE: Módulo de predicción de la fiabilidad desarrollado por Bellcore en
el documento TR-NWT-000332 en revisión 6.
− GJB/Z 299: Estándar de fiabilidad chino que incluye los métodos de recuento de
partes y solicitantes de partes.
− BRITISH TELECOM HRD5: Es una norma sobre fiabilidad desarrollada por
British Telecommunications plc que proporciona también modelos para una
amplia gama de componentes. En general HRD5 es similar a CNET RDF, pero
proporciona unos modelos más sencillos y requiere para el análisis menos
parámetros de datos.
− IEEE Gold Book: El Gold Book del IEEE contiene las prácticas recomendadas
para el diseño de equipos de potencia industriales y comerciales fiables;
proporciona datos relativos a la fiabilidad de equipos utilizados en equipos de
distribución de energía industriales y comerciales.
− CNET RDF 2003: Es la última versión del manual del CNET. Este manual ha sido
adoptado por UTEC y se conoce como manual de datos de fiabilidad UTEC
80810. El manual cubre la mayoría de los componentes de la MIL-HDBK-217.
− FIDES Guide 2009: Es un manual desarrollado por un consorcio de la industria
francesa bajo la supervisión del Departamento de Defensa francés (DGA). La
metodología FIDES se basa en la física de los fallos y está soportada por el
análisis de datos de ensayos, devoluciones de la explotación y los modelos
existentes.
− ITALTEL IRPH2003: El manual de predicción de Italtel se publicó, inicialmente,
en 1993 como resultado de la colaboración entre muchas organizaciones y
compañías europeas, en particular de un grupo de estudio con la participación de
British Telecom, Italtel y CNET. IRPH 2003 adopta los modelos de tasas de fallo
de la norma IEC 61709:2011 con algunas simplificaciones para facilitar su empleo.

− NPRD-95: Proporciona tasas de fallo para una amplia gama de elementos,

incluyendo componentes y conjuntos mecánicos y electromecánicos. El
documento proporciona datos detallados de tasas de fallo para más de 25.000
componentes de numerosos tipos, agrupados por ambiente y nivel de calidad.
− Telcordia SR-332: El procedimiento de predicción de fiabilidad de componentes
electrónicos SR-232 documenta los métodos recomendados para predecir la
fiabilidad de dispositivos y unidades hardware.
− Siemens SN 29500: El método Siemens de tasas de fallo de componentes y valores
esperados lo desarrolló Siemens AG para uso propio de sus empresas asociadas
como una base uniforme para la realización de predicciones de fiabilidad. SN
29500 se basa en la norma IEC 61709:2011 y establece tasas de fallo en condiciones
de referencia, según se describe en esta norma.
2.5.2. Predicción de la tasa de fallo usando análisis de semejanzas
El análisis de semejanzas incluye el uso de datos sobre las prestaciones de los equipos
instalados (en servicio) para efectuar la comparación entre equipos con un nuevo diseño
y equipos ya existentes para predecir la fiabilidad final del elemento.
Las comparaciones de equipos similares se pueden hacer a los niveles de elemento final,
subconjunto o componente utilizando los mismos datos de campo, pero empleando
algoritmos y factores de cálculo distintos para los diferentes elementos. Los elementos
que se compararán pueden incluir:
− condiciones operativas y ambientales (medidas y especificadas);
− características de diseño;
− procesos de diseño;
− procesos de aseguramiento de la fiabilidad;
− procesos de fabricación;
− procesos de mantenimiento;
− componentes y materiales.
Para cada uno de los elementos anteriores, se debe comparar un número de sub-
elementos. A título de ejemplo, las condiciones operativas y ambientales pueden incluir
la temperatura en el estado estacionario, la humedad, las variaciones de temperatura, la
potencia eléctrica, el ciclo de trabajo, la vibración mecánica, etc.; las características del
diseño de un equipo pueden incluir un número de componentes (separados de acuerdo
con las principales familias de componentes), número de tarjetas electrónicas, tamaño,
peso, materiales, etc.
El análisis de semejanza debe incluir los algoritmos o métodos de cálculo necesarios
para cuantificar las semejanzas y diferencias existentes entre los equipos que se están
evaluando y los equipos anteriores.

Estado del Arte 45
El análisis de semejanza entre elementos o partes se utiliza cuando no es posible llevar a

cabo un análisis de semejanza ya que ningún equipo anterior es suficientemente similar
o está disponible para realizar una comparación “uno a uno con el equipo que se diseña
nuevamente y que se está evaluando. El análisis de semejanzas entre elementos es la
comparación estructurada de elementos del nuevo equipo con elementos similares de
un número de diferentes equipos anteriores, para los que existen datos de fiabilidad.
2.5.3. Análisis por árbol de fallos (AAF)
El análisis por árbol de fallo es un planteamiento arriba − abajo para el análisis de la

fiabilidad de un producto. Persigue la identificación y análisis de las condiciones y
factores que causan, o contribuyen a, la ocurrencia de un suceso determinado no
deseado y que puede afectar al funcionamiento, seguridad, economía o a otras
características especificadas del producto.
El AAF puede realizarse también para proporcionar un modelo de predicción de la
fiabilidad de un sistema y permitir estudios coste-beneficio en la fase de diseño de un
producto. Utilizado como una herramienta para la detección y evaluación cuantitativa
de una causa de fallo, el AAF representa un método eficiente que identifica y evalúa los
modos y causas de fallo de efectos conocidos o sospechados.
Tomando en consideración los efectos conocidos desfavorables y la capacidad de
encontrar los respectivos modos y causas de fallo, el análisis por árbol de fallos permite
la mitigación oportuna de los modos potenciales de fallo, permitiendo la mejora de la
fiabilidad del producto en su fase de diseño.
Construido para representar la arquitectura hardware y software además de analizar la
funcionalidad, el AAF, desarrollado para tratar sucesos básicos, se convierte en una
técnica sistemática de modelado de la fiabilidad que tiene en cuenta las interacciones
complejas existentes entre las partes de un sistema mediante el modelado de sus
dependencias funcionales o de fallo, de los sucesos que activan fallos y de los sucesos de
causa común y permitiendo la representación de redes.
Para estimar la fiabilidad y disponibilidad de un sistema utilizando la técnica del AAF,
se emplean métodos tales como la reducción Booleana y el análisis de los conjuntos de
corte. Los datos básicos que se requieren son las tasas de fallo de los componentes, tasas
de reparación, probabilidad de ocurrencia de los modos de fallo, etc.
El análisis por árbol de fallos tiene una doble aplicación, como medio para la
identificación de una causa de un fallo conocido y como una herramienta de análisis de
los modos de fallo y modelización y predicción de la fiabilidad. Los elementos clave de
un árbol de fallos son:
− puertas y sucesos;
− conjuntos de corte.

Las puertas representan resultados y los sucesos representan entradas a las puertas. La
representación simbólica de algunas puertas específicas puede variar de un libro de
texto o software de análisis a otro; sin embargo, la representación de las puertas básicas
es claramente universal.
[UNE-EN 61025:2011]
Tabla 1 – Símbolos que se utilizan en la representación del árbol de fallos.
Los conjuntos de corte son grupos de sucesos que, si todos ocurren, provocarían el fallo
del sistema. Los conjuntos mínimos de corte contienen el mínimo número de sucesos
que son requeridos para el fallo. Cualquier eliminación de uno de ellos provocaría que el
sistema no fallara.
Los siguientes métodos no se han incluido como métodos distintos al AAF porque
derivan o están muy relacionados con este método primario:
− el análisis de causa/consecuencia es una combinación de los análisis por árbol de
sucesos y árbol de fallos;
− el análisis por árbol de fallos dinámico es una extensión del análisis por árbol de
fallos, donde ciertos sucesos se expresan mediante sub-modelos de Markov;
− los diagramas de decisión binarios se utilizan principalmente como una
representación eficiente de los árboles de fallos.
2.5.4. Análisis por árbol de sucesos (AAS)
El árbol de sucesos considera un número de posibles consecuencias de un suceso

iniciador o fallo del sistema. Así, el árbol de sucesos se puede combinar muy
eficientemente con el árbol de fallos. La raíz de un árbol de sucesos puede verse como el
suceso principal de un árbol de fallos. Esta combinación se denomina, a veces, análisis
de causas y consecuencias, donde el AAF se utiliza para analizar las causas y el AAS se
utiliza para analizar las consecuencias de un suceso iniciador.

Estado del Arte 47
Para evaluar la gravedad de determinadas consecuencias que se derivan del suceso

iniciador, se deberían identificar e investigar todos los posibles caminos de
consecuencias y determinar sus probabilidades.
El análisis por árbol de sucesos se utiliza cuando es esencial investigar todos los posibles
caminos de sucesos consecuentes, sus secuencias y las consecuencias o resultados más
probables del suceso iniciador. Después de un suceso iniciador, hay algunos primeros
sucesos o consecuencias posteriores que pueden seguir. La probabilidad asociada a la
ocurrencia de un camino específico (secuencia de sucesos) representa el producto de las
probabilidades condicionadas de todos los sucesos de ese camino.
Suceso Suceso Suceso Consecuencia

Iniciador Subsiguiente 1 Subsiguiente 2 de Sucesos
Prob. SI=0,c
Estado 1. Prob.= 0,a x 0,c
Prob. SI=0,a
Fallo
Prob. NO=0,d
Estado 2. Prob.= 0,a x 0,d
Fallo
Prob. NO=0,b
Estado 3. Prob.= 0,b
Figura 3 – Esquema general de un árbol de sucesos
Los elementos clave en la aplicación del árbol de sucesos son:

− el iniciador (suceso iniciador);
− los sucesos subsiguientes:
− y las consecuencias de los sucesos.
2.5.5. Análisis por diagramas de bloques de fiabilidad (DBF)
El análisis por diagramas de bloques de fiabilidad (DBF) es un método de análisis de un

sistema mediante la representación gráfica de una estructura lógica de un sistema en
términos de subsistemas o componentes. Esto permite que los caminos de éxito del
sistema se representen mediante el camino en el que los bloques
(subsistemas/componentes) se conectan lógicamente.
Los diagramas de bloques se encuentran entre las primeras tareas que se completan
durante la definición del producto. Deberían construirse como parte del desarrollo
conceptual inicial. Deberían arrancarse tan pronto como exista la definición del
programa, completarse como parte del análisis de requisitos, y extenderse
continuamente a un mayor nivel de detalle, a medida que los datos estén disponibles
con el fin de tomar decisiones y hacer estudios coste-beneficio.

Para construir un DBF, se pueden emplear varias técnicas de análisis cualitativo.

− Establecer la definición del éxito del sistema.
− Dividir el sistema en bloques funcionales apropiados para el propósito del
análisis de fiabilidad. Algunos bloques pueden representar subestructuras del
sistema que, a su vez, pueden representarse por otros DBF (reducción del
sistema).
− Efectuar el análisis cualitativo; hay varios métodos para la evaluación
cuantitativa de un DBF. Dependiendo del tipo de estructura (reducible o
irreducible), se pueden emplear técnicas booleanas sencillas, tablas de verdad o
análisis de conjuntos de corte o de camino para la predicción de los valores de
fiabilidad y disponibilidad del sistema a partir de los datos de los componentes
básicos.
Se pueden evaluar modelos más complejos en los que el mismo bloque aparece más de
una vez en el diagrama mediante el uso de:
− El teorema de la probabilidad total;
− Tablas booleanas de verdad.
Figura 4 – Modelos elementales para análisis DBF

Estado del Arte 49
2.5.6. Análisis de Markov
El modelo de Markov es un método probabilista que permite adaptar la dependencia

estadística de las características de fallo o reparación de los componentes individuales al
estado del sistema. Por tanto, el modelo de Markov puede considerar los efectos tanto de
los fallos de los componentes dependientes del orden como de las tasas de transición
variables que cambian como consecuencia de esfuerzos u otros factores.
Por esta razón, el análisis de Markov es un método adecuado para la evaluación de la
fiabilidad de estructuras de sistemas funcionalmente complejos y con estrategias
complejas de reparación y mantenimiento.
El método se basa en la teoría de las cadenas de Markov. Para aplicaciones de fiabilidad,
el modelo de referencia normal es el modelo de Markov homogéneo en el tiempo que
requiere que las tasas de transición (fallo y reparación) sean constantes. A expensas del
incremento del espacio de estados, las transiciones no exponenciales pueden
aproximarse por una secuencia de transiciones exponenciales. Para este modelo, se
dispone de técnicas generales y eficientes de métodos numéricos y su única limitación
para su aplicación es la dimensión del espacio de estados.
La representación del comportamiento del sistema por medio de un modelo de Markov
requiere la determinación de todos los estados posibles del sistema, preferiblemente
representados de forma gráfica mediante un diagrama de transición de estados.
Además, tienen que especificarse las tasas de transición (constantes) de un estado a otro
(tasas de fallo o de reparación de un componente, tasas de sucesos, etc.). El resultado
típico de un modelo de Markov es la probabilidad de estar en un conjunto dado de
estados (normalmente esta probabilidad es la medida de disponibilidad).
El campo adecuado de aplicación de esta técnica es cuando las tasas de transición (fallo o
reparación) dependen del estado del sistema o varían con la carga, el nivel de esfuerzo,
la estructura del sistema (por ejemplo, en espera), la política de mantenimiento u otros
factores. En particular, la estructura del sistema (espera fría o en caliente, repuestos) y la
política de mantenimiento (equipos de reparación simple o múltiple) inducen
dependencias que no se pueden considerar con otras técnicas menos intensivas
computacionalmente. Las aplicaciones típicas son las predicciones de
fiabilidad/disponibilidad.
Para la aplicación de esta metodología, hay que tener en cuenta los siguientes pasos
clave:
− Definición del espacio de los estados del sistema;
− Asignación de las tasas de transición entre estados (independientes del tiempo);
− Definición de las medidas de salida (grupo de estados que conducen a un fallo
del sistema);
− Generación del modelo matemático (matriz de tasas de transición) y resolución
de los modelos de Markov mediante la utilización de un paquete de software
adecuado;
− Análisis de resultados.

[IEC 61165:2006]
Figura 5 – Diagrama de transición de estados en análisis de Markov
En la f8igura adjunta de ejemplo los círculos blancos representan estados "operativos",

mientras que los círculos grises representan estados "no operativos". son las tasas de
fallo de transición de un estado a otro y son las tasas de reparación de paso de un
estado a otro.
2.5.7. Análisis por redes de Petri
Las redes de Petri son una herramienta gráfica para la representación y análisis de
interacciones lógicas complejas entre los componentes o sucesos de un sistema. Las
interacciones complejas típicas que se incluyen de forma natural en el lenguaje de la red
de Petri son concurrencia, conflicto, sincronización, exclusión mutua y limitación de
recursos.
La estructura estática del sistema que se modela se representa por un grafo de red de
Petri, que se compone de tres elementos primarios:
− Nodos (normalmente dibujados como círculos) que representan las condiciones
en las que el sistema puede encontrarse;
− Transiciones (normalmente dibujados como barras) que representan los sucesos
que pueden cambiar una condición en otra;
− Arcos (dibujados como flechas) que conectan nodos con transiciones y
transiciones con nodos y que representan las conexiones lógicas admisibles entre
condiciones y sucesos.

Estado del Arte 51
Una condición es válida en una situación dada si el nodo correspondiente está marcado,
es decir, contiene al menos una marca “•” (dibujado como un punto negro). La
dinámica del sistema se representa mediante el movimiento de las marcas en el grafo. Se
permite una transición si sus nodos de entrada contienen al menos una marca.
Una transición permitida puede dispararse y dicho disparo quita una marca de cada
nodo de entrada y pone una marca en cada nodo de salida. La distribución de las marcas
en los nodos se denomina “marcado”.
Comenzando desde un el marcado inicial, la aplicación de las reglas de activación y
disparo produce todos los marcados posibles que constituyen el conjunto alcanzable de
las redes de Petri. Este conjunto alcanzable proporciona todos los estados que el sistema
puede alcanzar a partir del estado inicial.
Las redes de Petri estándares no contemplan la noción del tiempo. Sin embargo, han
aparecido muchas extensiones en las que aspectos temporales se superponen a la red de
Petri. Si se asigna una tasa de disparo (constante) a cada transición, la dinámica de las
redes de Petri puede analizarse mediante una cadena de Markov de tiempo continuo
cuyo espacio de estados es isomórfico con el conjunto alcanzable de la correspondiente
red de Petri.
La red de Petri puede utilizarse como un lenguaje de alto nivel para generar modelos de
Markov y algunas herramientas utilizadas para el de análisis de la fiabilidad se basan en
esta metodología. Las redes de Petri proporcionan también un entorno natural para
simulación.
El uso de las redes de Petri se recomienda cuando se deben tener en cuenta interacciones
lógicas complejas (concurrencia, conflicto, sincronización, exclusión mutua, limitación
de recursos). Además, las redes de Petri son normalmente un lenguaje más fácil y más
natural para describir un modelo de Markov.
[UNE-EN 62551:2014]
Tabla 2 – Símbolos de redes de Petri no temporizadas
El elemento clave de un análisis por red de Petri es la descripción de la estructura del

sistema, y de su comportamiento dinámico en términos de elementos primarios (nodos,
transiciones, arcos y marcas) propios del lenguaje de la red de Petri; este paso requiere el
uso de herramientas de software “ad hoc”:

1. análisis cualitativo estructural;

2. análisis cuantitativo: si se asignan tasas de disparo constantes a las transiciones
de la red de Petri el análisis cuantitativo se puede realizar mediante la solución
numérica del correspondiente modelo de Markov, en otro caso la simulación es la
única técnica viable.
2.5.8. Análisis de los modos de fallos y de sus efectos (AMFE)
El análisis de los modos de fallos y de sus efectos (AMFE) es un método abajo-arriba y

cualitativo de análisis de la fiabilidad que es particularmente adecuado para el estudio
de los fallos de los materiales, componentes y equipamiento y de sus efectos sobre el
siguiente nivel funcional más alto. Las iteraciones de este paso (identificación de los
modos de fallo único y la evaluación de sus efectos sobre el siguiente nivel más alto)
producen la identificación de todos los modos de fallo único del sistema.
El AMFE se presta para el análisis de sistemas de diferentes tecnologías (eléctrica,
mecánica, hidráulica, software, etc.) con estructuras funcionales simples. El análisis de
los modos de fallos, de sus efectos y de su criticidad (AMFEC) extiende el AMFE para
incluir el análisis de criticidad, cuantificando los efectos de los fallos en términos de
probabilidad de ocurrencia y la gravedad de los mismos. La gravedad de los efectos se
asigna con respecto a una escala específica.
Tanto el AMFEC como el AMFE se llevan a cabo normalmente cuando se prevé un
cierto riesgo en el programa correspondiente al inicio del desarrollo de un proceso o
producto. Los factores que se pueden considerar son nueva tecnología, nuevos procesos,
nuevos diseños o cambios en el entorno, cargas o regulaciones. Los AMFE y AMFEC
pueden realizarse sobre componentes o sistemas que formen parte de productos,
procesos o equipamiento de fabricación. Se pueden también llevar a cabo sobre sistemas
software.
[UNE-EN 60812:2008]
Tabla 3 – Ejemplo del formato de una hoja de trabajo de AMFE

Estado del Arte 53
Los análisis AMFE y AMFEC siguen generalmente los pasos siguientes:

− Identificación de cómo debería funcionar el componente de un sistema;
− Identificación de sus potenciales modos de fallo, causas y efectos;
− Identificación del riesgo relativo a los modos de fallo y sus efectos;
− Identificación de las acciones recomendadas para eliminar o reducir el riesgo;
− Seguimiento de actividades para cerrar las acciones recomendadas.
El método de análisis de fallos funcionales es un caso particular del AMFE, por lo que no
se ha incluido como un método específico diferenciado.
2.5.9. Estudios de peligros y operatividad (HAZOP)
Un estudio HAZOP es un proceso detallado de identificación de peligros y problemas

de operatividad, llevado a cabo por un equipo. Un HAZOP trata de la identificación de
desviaciones potenciales en la propuesta de diseño, examen de sus posibles causas y
evaluación de sus consecuencias.
La base de un HAZOP es un examen de palabras-guía que constituye una búsqueda
deliberada de desviaciones en la propuesta de diseño. El diseño planteado contempla el
comportamiento de un sistema, sus elementos y características deseados, o
especificados, por el diseñador. Para facilitar el examen, el sistema se divide en partes de
modo que la propuesta de diseño de cada una de las partes pueda definirse
adecuadamente. La propuesta de diseño de una parte dada de un sistema se expresa en
términos de elementos que trasmiten las prestaciones esenciales de dicha parte y que
representan sus divisiones naturales. Los elementos pueden ser pasos o etapas de un
procedimiento, señales individuales y elementos de equipamiento en un sistema de
control, equipos o componentes en un proceso o sistema electrónico, etc.
La identificación de las desviaciones en la propuesta de diseño se obtiene mediante un
proceso de preguntas utilizando palabras-guía predeterminadas. El papel de la palabra
guía es estimular el pensamiento imaginativo, para focalizar el estudio y provocar ideas
y discusión, de este modo se maximizan las oportunidades de conseguir un estudio más
completo.
El HAZOP es muy adecuado en las últimas etapas del diseño detallado para examinar
las capacidades operativas y cuando se hacen cambios en las instalaciones existentes. El
mejor momento para llevar a cabo un estudio HAZOP es justo antes de que el diseño se
congele. Los estudios HAZOP consisten en cuatro pasos secuenciales básicos:
− Definición de alcances, objetivos, responsabilidades y equipos;
− Preparación del estudio, formato de registro y recopilar datos;
− Examen dividiendo en partes el sistema e identificando problemas, causas y
consecuencias. Identificar mecanismos y medidas de protección;
− Documentación y seguimiento con informe de conclusiones iniciales, acciones
preventivas y correctivas tomadas e informe final de resultados.

2.5.10. Análisis de fiabilidad humana (HRA)
El análisis de fiabilidad humana es una sub-tarea del análisis más general del factor
humano, que es un nombre colectivo para la asignación de funciones, tareas y recursos
entre personas y máquinas y la evaluación de la fiabilidad humana. El análisis del factor
humano no es una disciplina en sí misma, sino una actividad que supone la aplicación
de varias disciplinas a la problemática relacionada con la actuación fiable de personas y
máquinas.
Incluye las disciplinas de psicología, fisiología, sociología, medicina e ingeniería. Un
propósito particular del análisis del factor humano es evaluar los factores que pueden
influir en la fiabilidad humana durante la operación de un sistema; a menudo se
denomina análisis de fiabilidad humana. Un comportamiento humano fiable es
necesario para garantizar el éxito de los sistemas hombre-máquina, viéndose influido
por múltiples factores.
Estos factores pueden ser internos como el estrés, el estado emocional, el entrenamiento,
la motivación y la experiencia, o externos como las horas de trabajo, el entorno, la
realización de acciones supervisadas o con procedimientos y las interfaces hardware.
La aplicación más efectiva de la perspectiva del factor humano se consigue mediante su
implicación activa en todas las fases del desarrollo del sistema, desde el diseño hasta el
entrenamiento, la operación y la retirada. Su foco de atención se extiende desde las
consideraciones del sistema global (incluyendo la gestión de la operación) hasta la
interacción de un elemento individual al nivel operativo más bajo.
En principio, cualquier tarea realizada por las personas representa una oportunidad de
error humano; esto es, cada una de estas tareas se deberían realizar fiablemente.
Después de identificar aquellas tareas, se analiza cada una de ellas para detectar
cualquier situación posible de error que pueda causar el fallo del operador. Esto puede
compararse con un tipo de AMFE para las tareas humanas.
A menudo, estas tareas se analizan creando árboles de sucesos para cada una de ellas. El
árbol de sucesos contiene la información del análisis de tareas y determina un esquema
para evaluar cuantitativamente la combinación de fallos. Los siguientes elementos son
típicos en un análisis de fiabilidad humana:
− Descripción del personal, del entorno de trabajo y las tareas realizadas;
− Análisis de las interfaces hombre/máquina;
− Realización del análisis de las tareas de las funciones previstas del operador;
− Realización del análisis de los errores humanos en la función prevista del
operador;
− Documentación de los resultados.

Estado del Arte 55
2.5.11. Análisis de esfuerzo-resistencia
El análisis de esfuerzo-resistencia es un método para determinar la capacidad de un

componente o un elemento para resistir el esfuerzo eléctrico, mecánico, ambiental o de
otra clase que podría causar su fallo. Este análisis determina el efecto físico de los
esfuerzos sobre un componente, así como la resistencia mecánica o física del
componente. La probabilidad de fallo de un componente es directamente proporcional a
los esfuerzos aplicados. La relación específica entre los esfuerzos y la resistencia de un
componte determina su fiabilidad.
El análisis de esfuerzo-resistencia se utiliza fundamentalmente para la determinación de
la fiabilidad o de la tasa de fallo equivalente de componentes mecánicos. Se usa también
en la física del fallo para determinar la posibilidad de ocurrencia de un modo de fallo
particular en un componente debido a causas individuales específicas.
La fiabilidad estructural de un componente, es decir su capacidad para resistir esfuerzos
eléctricos o de otro tipo, depende de su resistencia a la capacidad de carga, donde la
fiabilidad es la medida probabilista del aseguramiento del funcionamiento del
componente. La determinación de esta capacidad de carga supone incertidumbre, por
consiguiente, esta capacidad se modela como una variable aleatoria, que se opone al
esfuerzo aplicado, el cual, por la misma razón de incertidumbre, se modela como otra
variable aleatoria. El solapamiento entre estas variables aleatorias, cuando se
representan por una distribución, representa el grado de probabilidad con que el
esfuerzo excederá a la resistencia; esto es, el área de solapamiento de las respectivas
funciones de densidad de probabilidad representa la probabilidad de ocurrencia del
fallo.
La evaluación del esfuerzo frente a la resistencia y de la fiabilidad resultante de las
partes depende de la evaluación de los momentos de orden dos, los valores medios y la
varianza de las variables aleatorias del esfuerzo y la resistencia esperados. Esta
evaluación se simplifica a menudo considerando una variable de esfuerzo que se
compara con la resistencia del componente.
De forma general, la resistencia y el esfuerzo se deben representar por la función de
operación o por la función de estado, que es representativa de una multitud de variables
de diseño que incluyen capacidades y esfuerzos. Los valores positivos de esta función
representan los estados seguros y los negativos los de fallo.
Los elementos clave incluyen un conocimiento detallado de los materiales de los
componentes y de la construcción, así como otras propiedades de interés y una
modelización apropiada de los esfuerzos esperados.
2.5.12. Tabla de verdad (MTV)
Las cualidades matemáticas del método de la tabla de verdad (MTV) (también llamado
análisis de la función de estructura) son muy apreciados en varios campos, en particular
en las áreas de ingeniería eléctrica y la electrónica. El método consiste en enumerar todas
las combinaciones de estados posibles (estado de operación, estado de fallo) para los
distintos componentes que constituyen un sistema y estudiar sus efectos.

Los primeros pasos en la aplicación del método son similares a los que se dan en el
AMFEC. Los modos de fallo de los componentes así como sus estados de fallo se
deberán numerar una vez que el sistema se halla dividido en partes de un tamaño
manejable. Generalmente cada componente se caracteriza por un estado de operación y
otro de fallo. La definición del vector de estado es, por tanto, una combinación de los
estados de los componentes, cada componente se representa bien por su estado de
operación o por su estado de fallo.
La tabla de verdad se resuelve analizando los efectos de todos los vectores de estado de
los componentes. Se identificarán así todos los fallos del sistema. Los resultados se
resumen entonces en una tabla llamada la “tabla de verdad”, donde “0” representa el
estado en operación y “1” el estado de fallo. El estudio de cada vector de estado debería
también incluir un análisis de fallo (o avería) para averiguar las posibles causas de fallo
común.
La probabilidad del estado de fallo del sistema se obtiene calculando la probabilidad de
ocurrencia de cada vector de estado que lleve al sistema a un estado de fallo. Esto puede
hacerse ya que los vectores de estado son excluyentes cuando los componentes son
independientes. El MTV supone el estudio de todas las posibles combinaciones de los
estados de operación y fallo de los componentes. Es, en teoría, el método más riguroso
hasta la fecha. Para obtener las combinaciones pertinentes, la tabla de verdad puede
reducirse mediante un método booleano. Puede ser difícil aplicar el método a un sistema
complejo, ya que el número de estados puede hacerse rápidamente muy grande y, por
tanto, difícil de tratar.
Figura 6 – Tabla de verdad para sistemas simples

Estado del Arte 57
2.5.13. Métodos estadísticos de fiabilidad
La fiabilidad es un aspecto de la incertidumbre en la ingeniería que puede cuantificarse

como una probabilidad. La necesidad de medir y gestionar la incertidumbre en los
análisis de fiabilidad implica el uso de métodos estadísticos.
Los métodos estadísticos se usan para cuantificar la fiabilidad por un número de razones
entre las que se incluyen las siguientes:
− Estimación y predicción de la fiabilidad del producto;
− Evaluación de las características de los materiales durante un período de garantía
o durante la vida de diseño del producto;
− Predicción de los costes de garantía;
− Evaluación del efecto e un cambio de diseño propuesto;
− Evaluación del cumplimiento de los requisitos del cliente y las regulaciones del
gobierno;
− Seguimiento del producto en campo para obtener información sobre causas de
fallo y métodos para mejorar la
− Fiabilidad del producto;
− Comparación de componentes de dos o más fabricantes, materiales, períodos de
producción, entornos de operación, etc.
Para aplicar cualquier método estadístico, se deben reunir datos. Estos datos dependen
del problema que se quiere resolver y del tipo de análisis que se va a realizar. Los datos
utilizados para el análisis de fiabilidad tienen por objetivo recoger información sobre el
funcionamiento de los elementos expuestos a riesgo (por ejemplo, dentro de un entorno
operativo).
Los tipos de datos variarán dependiendo del tipo de elemento bajo investigación. Por
ejemplo, los datos básicos para dispositivos de un solo uso son el número de pruebas y
el número de operaciones satisfactorias; los datos básicos para elementos no reparables
son los tiempos hasta los sucesos de fallo para elementos de la población en riesgo,
mientras que los datos básicos para elementos reparables son los tiempos acumulados
hasta los sucesos de fallo a lo largo de toda la vida del elemento.
Normalmente, no todos los elementos en riesgo fallarán durante el período de
observación. Por consiguiente, el tiempo hasta los sucesos de fallo se registra sólo para
aquellos elementos que fallen y los tiempos de funcionamiento se registran para los que
no fallen. Estas denominadas estructuras truncadas pueden ser bastante complejas y
dependerán de los objetivos del estudio de fiabilidad y del elemento de interés.
Además de los datos básicos se puede recopilar información sobre factores que influyen
en la fiabilidad e incluirse en un análisis estadístico para medir su influencia sobre el
funcionamiento.

Los métodos estadísticos clásicos utilizan solamente los datos cuantitativos sobre
sucesos como se ha descrito anteriormente. Sin embargo, los datos de fiabilidad
procedentes de la experiencia pasada o de pruebas pueden estar limitados, siendo no
obstante necesario disponer de algunas medidas estadísticas de fiabilidad. Por esta
razón, se pueden recoger y combinar datos procedentes del criterio de expertos con
datos cuantitativos para producir estimaciones de fiabilidad utilizando métodos
bayesianos.
Los métodos bayesianos permiten combinar datos de diferentes fuentes con el fin de
estimar la fiabilidad. Su aplicación implica la elaboración de un modelo de fiabilidad y la
utilización posterior de los datos disponibles para formular una distribución a priori. La
distribución a priori es una distribución de probabilidad que representa la
incertidumbre existente en los parámetros del modelo o en la fiabilidad con anterioridad
a la recogida de las observaciones sobre la fiabilidad.
La distribución a priori debería recoger todos los datos disponibles, por ejemplo, datos
históricos sobre la fiabilidad en servicio de los elementos, datos sobre las capacidades de
los procesos de fabricación y datos sobre la efectividad percibida de las pruebas. Los
datos utilizados pueden servir como criterio técnico subjetivo de ingeniería. La
combinación de todos los datos en una única distribución a priori puede constituir una
tarea difícil. Los métodos bayesianos proporcionan un marco en el que las estimaciones
de fiabilidad se pueden actualizar a medida que se dispone de nuevos datos. La
distribución a priori se combina con el modelo de fiabilidad original para producir la
distribución a posteriori, desde la que se obtiene una estimación actualizada de la
fiabilidad. Por ejemplo, una estimación inicial de la fiabilidad durante el diseño podría
actualizarse durante el desarrollo, a medida que los datos de las pruebas están
disponibles. Puede cuantificarse la incertidumbre en las estimaciones proporcionando
los límites superior e inferior de la fiabilidad.
Los modelos de fiabilidad que se utilizan varían de acuerdo con la aplicación, por
ejemplo, distribuciones de tiempo de vida como la exponencial, Weibull; procesos
estocásticos como el modelo de ley de potencia; modelos de crecimiento de la fiabilidad;
modelos de degradación; modelos de mantenimiento y muchos otros. Cada tipo de
modelo se puede estimar utilizando métodos clásicos o bayesianos. Ambos
proporcionan estimaciones de fiabilidad, incluyendo bandas de incertidumbre.
Los métodos estadísticos clásicos de fiabilidad constan generalmente de los siguientes
pasos:
− Identificación del modelo de fiabilidad que se va a utilizar para el problema
considerado;
− Identificación de los datos requeridos para proporcionar información sobre los
parámetros del modelo de fiabilidad;
− Recogida de los datos de los sucesos a considerar;
− Estimación del modelo estadístico utilizando métodos clásicos;
− Extracción de las estimaciones de fiabilidad a considerar a partir del modelo;

Estado del Arte 59
− Repetición de los pasos anteriores cuando la estimación de la fiabilidad se vaya a

actualizar.
[UNE 200001-3-5:2002]
Tabla 4 – Modelos estadísticos clásicos apropiados para el análisis de datos de fallos
Los métodos bayesianos de fiabilidad constan generalmente de los pasos siguientes:

− Identificación del modelo de fiabilidad que se va a utilizar para el problema
considerado;
− Identificación de los datos requeridos para proporcionar información sobre los
parámetros del modelo de fiabilidad;
− Combinación de criterios técnicos subjetivos en la distribución a priori a
considerar;
− Combinación de la distribución a priori con el modelo para generar la
distribución a posteriori;
− Extracción de las estimaciones de fiabilidad a considerar a partir de la
distribución a posteriori;
− Repetición de los pasos anteriores cuando la estimación de la fiabilidad se vaya a
actualizar.
2.6. Métodos estadísticos para elementos no reparables

Los métodos tradicionalmente utilizados en análisis estadístico para elementos no
reparables, pueden dividirse en tres grupos:
− Paramétricos.
− No paramétricos.
− Semi-paramétricos.

Los más extendidos son los paramétricos, y las estimaciones que se obtienen con los
métodos semi-paramétricos, sirven de gran apoyo a posteriores análisis estadísticos más
detallados y elaborados.
Los métodos no paramétricos tienden a ser más sencillos. Éstos métodos son menos
eficientes que los métodos paramétricos, pero resultan de gran utilidad cuando no se
conoce ningún modelo paramétrico que se ajuste adecuadamente a los datos. La
elección de un determinado modelo es en función de su flexibilidad para reproducir las
características de las funciones de fiabilidad y su ajuste a los datos.
2.6.1. Métodos paramétricos para elementos no reparables
Estos métodos intentan ajustar a la fiabilidad esperada u obtenida de un elemento no

reparable, a alguna de las distribuciones estadísticas existentes para que se asemeje a la
función de densidad de probabilidad del fallo ƒ(t).
El problema consiste en suponer que la función puede modelarse por una distribución
concreta, que depende de un número finito de parámetros que será necesario estimar a
partir de muestras de datos reales o simulados.
Debido a que los valores observados en este tipo de problemas son positivos, la
modelización usualmente supone una distribución de tipo no normal. Así, es común el
empleo de distribuciones como la exponencial, la log-normal o la Weibull. Existen
también modelos paramétricos específicos, como la relación de Arrhenius, que permiten
modelar procesos en donde la duración de un material depende de la temperatura u
otra variable, que son usados en problemas de pruebas aceleradas.
Sin duda, entre todas las distribuciones disponibles para la modelización de datos de
tiempos de vida, sigue siendo la distribución denominada de Weibull y que hace honor
Waloddi Weibull, profesor del Royal Institute of Technology en Suiza, que la propuso
para describir la duración de aceros. Un caso particular, sería la propia distribución
exponencial, que puede obtenerse como la Weibull para el caso en el que el parámetro
de escala sea 1, y que sigue usando para la estimación de la fiabilidad de muchos
elementos no reparables, espacialmente electrónicos.
Históricamente se ha empleado para la representación función tasa instantánea de fallo
la forma de “bañera”, la mundialmente conocida como “curva de la bañera”:
− Cuando se inicia la vida de un elemento, resulta ser relativamente alta (es lo
que se denomina "mortalidad infantil");
− Una vez que los componentes y partes electromecánicas se han acoplado, ,
es relativamente constante y baja (etapa de “vida útil”);
− Más adelante, tras un tiempo de funcionamiento, vuelve a incrementarse
hasta que, finalmente, todos los dispositivos habrán fallado (“efecto
envejecimiento”).

Estado del Arte 61
La profusa difusión de curva de la bañera como modelo único del comportamiento de

elementos no reparables es un grave error ya que se ha contrastado que menos de un
10% de los elementos no reparables responden a este modelo y su empleo masivo es
generatriz de muchos errores en estudios fiabilidad presentados, que no contrastan los
resultados mediante las adecuadas pruebas de bondad de ajuste.
Mortalidad
λ Infantil
λ(t)
Vida Útil
Envejecimiento
t
Figura 7 – Curva de la bañera de λ(t)
En general, la mayoría de distribuciones usadas en fiabilidad tienen, a lo sumo, tres

parámetros:
− Parámetro de escala α: este es el parámetro que caracteriza a las distribuciones
uni-paramétricas. El parámetro de escala define cuán dispersa se encuentra la
distribución (en el caso de la distribución normal, el parámetro de escala es la
desviación típica).
− Parámetro de forma β: este parámetro define la forma de la distribución. Algunas
distribuciones (como la exponencial o la normal) carecen de este parámetro pues
tienen una forma predeterminada que nunca varía (en el caso de la normal, ésta
tiene siempre forma de campana).
− Parámetro de localización γ: se usa para desplazar una distribución hacia un lado
u otro. Esto significa que, dada una distribución cuyo dominio habitual sea [0,
+∞), la inclusión de un parámetro de localización γ cambiará el dominio a [γ, +∞).
En el caso de la normal, el parámetro de localización es la media.
Normalmente, los estudios de fiabilidad tienen una duración predeterminada, por lo
que no todos los elementos analizados habrán fallado a su conclusión. Por tanto, el
investigador sabrá que un cierto número de elementos han “sobrevivido” durante el
período de tiempo que ha durado el test, pero desconocerá el momento exacto en que
hubieran fallado si el estudio se hubiese prolongado de forma indefinida. Este tipo de
datos se llaman observaciones censuradas o truncadas.

Las observaciones de censura por tiempo o de tipo I aparecen al finalizar un test de

duración predeterminada: de los elementos “supervivientes” sólo se sabe que no han
fallado hasta ese momento. En este caso, el tiempo de duración del test es fijo, mientras
que el número de elementos que fallan es una variable aleatoria.
Por contra, las observaciones de censura por fallos o de tipo II aparecen cuando el test
continúa hasta que una proporción predeterminada de elementos hayan fallado. Ahora,
el número de elementos que fallan es fijo, siendo el tiempo de duración del test una
variable aleatoria.
Por otra parte, cuando la censura ocurre para un t > 0 (siendo t = 0 el instante en que se
inicia el test de fiabilidad) estaremos ante lo que se conoce como censura a la derecha.
También podría ocurrir también que la censura tuviera lugar para t < 0 (censura a la
izquierda), en casos en que el test se realiza a posteriori del inicio de operación de los
elementos.
Los métodos estadísticos paramétricos para elementos no reparables deben de tener en
cuenta si los datos con los que se trabaja son censurados y el tipo concreto, ya que los
resultados pueden variar de forma notable si no se tienen en cuenta adecuadamente el
tratamiento de las censuras.
Figura 8 – Clasificación de observaciones censuradas o truncadas

Estado del Arte 63
Las distribuciones paramétricas uni-variantes han venido jugando un importante papel

en la modelización de un amplio rango de comportamientos. Dentro de estos modelos,
los más utilizados son:
− Distribución Exponencial: Se utiliza comúnmente para elementos que presentan
una λ constante. Debido a su simplicidad, se ha empleado ampliamente, incluso
en casos en que no se debe aplicar. Su desarrollo matemático ya se ha presentado
en 2.2.1.
− Distribución de Weibull: Es una distribución general fiabilidad propósito
utilizado para modelar de elementos electrónicos y mecánicos, equipos o
sistemas. En su caso más general, se emplea la Weibull 3 parámetros. Su
desarrollo matemático ya se ha presentado en 2.2.1.
− Distribución normal: se utiliza comúnmente para el análisis general de la
fiabilidad, y modelar de elementos electrónicos y componentes mecánicos
simples.
(33)
Donde μ es la media de los tiempos hasta el fallo y σ es la desviación estándar de

los tiempos hasta el fallo.
− Distribución log-normal: Se utiliza comúnmente para el análisis de la fiabilidad

general, los ciclos hasta el fallo en la fatiga y carga de variables en el diseño
probabilístico. Cuando el logaritmo de los tiempos hasta el fallo es normalmente
distribuido, entonces se puede decir que los datos se ajustan a esta distribución.
(34)
(35)
Donde μ’ es la media del logaritmo de los tiempos hasta el fallo y σ’ es la

desviación estándar del logaritmo los tiempos hasta el fallo.

[Zapata (2011) ]
Figura 9 – Forma de λ(t) para varias distribuciones de probabilidad
Además de las distribuciones mencionadas anteriormente, que se utilizan con mayor

frecuencia en el análisis de la fiabilidad, las siguientes distribuciones también tienen una
variedad de aplicaciones y se pueden encontrar en muchas referencias y estudios
estadísticos:
− Distribución Gamma.
− Distribución Gamma Generalizada.
− Distribución Logística.
− Distribución Log-logística.
− Distribución Gumbel.
− Distribución Uniforme.
− Distribución Pareto.

Estado del Arte 65
2.6.2. Métodos no paramétricos para elementos no reparables
La otra filosofía en la estimación de los modelos, la estimación no paramétrica, no

presupone ningún modelo a priori para la distribución, se basa en la filosofía que
algunos autores han llamado “dejar que los datos decidan por sí mismos”. Estas
técnicas, que durante mucho tiempo se han utilizado en el análisis tanto de datos
completos, como en el análisis de datos con censura han demostrado ser herramientas
empíricas simples y efectivas. Se destacan el papel probabilístico y el papel de riesgo,
que para su utilización requieren de antemano de una estimación no paramétrica de la
función .
En los estudios no paramétricos, no se asume ningún tipo concreto de modelo
probabilístico para los tiempos de fallo y las funciones básicas (fiabilidad, probabilidad
del fallo) se estiman directamente de los datos. En algunos casos, estos métodos no
paramétricos serán suficientes para realizar el análisis de los datos. Sin embargo, en otras
circunstancias, son un paso intermedio hacia un modelo más estructurado
(paramétrico), que permita profundizar más en el análisis de las observaciones.
Los métodos estadísticos no paramétricos para elementos no reparables más empleados
son los adjuntos:
− Tablas de Vida: Tienen como objetivo describir y establecer previsiones sobre la
mortalidad, fiabilidad o supervivencia de una población de interés, a partir de la
consideración de una cohorte, o conjunto de datos procedentes de un estudio (o
ensayo clínico), a los cuales se les hace un seguimiento en un período de tiempo
determinado, comprobando si se registra en cada uno de sus miembros o
elementos, la presencia o ausencia de una característica o evento de interés
(aprendizaje de un método, recuperación física de un paciente, mortalidad de un
enfermo, fallo de un dispositivo, etc.) en la población. La validez de éste método
exige que la distribución del tiempo de fallo de todos los individuos, censurados
y no censurados, sea la misma.
Este es uno de los métodos más clásicos y directos para describir la fiabilidad de
una muestra a través de la llamada Tabla de Supervivencia o Actuarial, la cual no
es más que una tabla de frecuencias mejorada y ampliada. A partir de ella, es
posible hacer una primera estimación sobre los comportamientos de las funciones
f(t), R(t), F(t) y λ(t).
− Estimador Kaplan-Meier: El impulso de las técnicas de estimación no paramétricas
con datos censurados se inician con los aportes de Kaplan y Meier en 1958, quienes
publican algunos resultados obtenidos en ese momento para observaciones
censuradas a la derecha y añaden un estudio de las propiedades básicas de un nuevo
estimador, que se conocerá más tarde con el nombre de sus creadores. De los
métodos no paramétricos, desarrollados para estimar la función de fiabilidad con
datos no agrupados en presencia de censura, el más utilizado es el estimador producto
límite de Kaplan-Meier. Dicho método descompone la supervivencia o fiabilidad de un
elemento al cabo de t tiempo, en un producto de probabilidades condicionadas, que
deben ser previamente estimadas, antes del cálculo del estimador.

− Estimador de Nelson-Aalen: Fue propuesto por primera vez en el ámbito de la

fiabilidad por Nelson, W. A partir del estimado propuesto por Nelson y de la
relación logarítmica entre F(t) y R(t), se obtiene un estimador alternativo de ,
conocido comúnmente como el estimador de Nelson-Aalen.
2.6.3. Métodos semi-paramétricos para elementos no reparables
Varías aproximaciones han sido propuestas para modelar los efectos de las variables
explicativas o sobre el tiempo de vida T. Una de estas modalidades corresponde a los
modelos de riesgo proporcional, basados en el hecho de que, de las diferentes funciones
que pueden describir la distribución de T, la más sencilla de modelar es λ(t). En
consecuencia, una buena aproximación para analizar los efectos de las variables
explicativas sobre el tiempo de vida de un elemento, puede ser considerar modelar
dado un vector de covariables Z.
El método estadístico semi-paramétricos aplicado a la fiabilidad más extendido es:
− Modelo de riesgo proporcional de Cox: Introducido inicialmente por Cox, es el
modelo de regresión más utilizado en análisis de supervivencia, sin embargo no
fue sino a partir del desarrollo del enfoque basado en los procesos de conteo, que
este modelo logra su completa madurez, este enfoque ha permitido la
verificación de los supuestos de riesgos proporcionales y el estudio de los
residuos. El modelo de riesgos proporcionales, ofrece una representación más
unificada de la relación entre el entorno y el proceso de fallos, dado que nos
permite modelar no sólo la relación entre λ y el tiempo, sino también la posible
relación con diferentes variables registradas para cada sujeto. Se trata por tanto
de calcular y las variables pronóstico o de predicción.
2.7. Métodos estadísticos para elementos reparables

Los elementos reparables se reparan cuando fallan y puede continuar con la operación
del sistema. Después del fallo, un elemento que es devuelto a la capacidad de realizar
todas sus funciones requeridas por cualquier método excepto sustitución se llama
reparado. Dado que un elemento reparado puede fallar más de una vez, es de interés el
modelado del tiempo entre fallos del elemento.
Figura 10 – Tiempo de funcionamiento entre fallos para un solo elemento reparable

Estado del Arte 67
La mayor parte de las magnitudes que se observan en conexión con la evaluación de la

fiabilidad, son variables aleatorias. Esto quiere decir que cada fallo será imprevisto pero
la probabilidad de que ocurra, dentro de un intervalo dado de tiempo, puede ser
estimada. El verdadero valor de esta probabilidad puede no llegar a ser conocido, pero
puede estimarse en base a observaciones.
Ejemplos típicos de variables aleatorias son: tiempo hasta el fallo, tiempo entre fallos,
número de fallos en un intervalo de tiempo, número de fallos entre un número de
intentos o elementos.
En principio, la tasa instantánea de fallo λ(t) se refiere a cualquier clase de elemento,
reparable o no reparable. Sin embargo, en la práctica, λ(t) se utiliza para elementos no
reparables, tales como componentes o piezas. λ(t) está asociada con una distribución de
tiempo hasta el fallo.
La intensidad de fallo z(t) se refiere exclusivamente a elementos reparables, por
ejemplo, un sistema. Esto significa que z(t) de un elemento único reparable se puede
estimar empleando los sucesivos tiempos entre fallos. Se estima por el número de fallos
por unidad de tiempo elementos reparables.
Por lo tanto la naturaleza estadística de los fallos en elementos reparables no tiene un
comportamiento asimilable a los elementos no reparables. El tiempo hasta el fallo de
elementos no reparables se modela por una distribución, como se han desarrollado en
puntos anteriores, y los datos sobre tiempos entre fallos sucesivos de elementos
reparables se modelan utilizando otros modelos matemáticos que se desarrollan a
continuación.
2.7.1. Postulado de Duane
El primer patrón matemático aceptado más comúnmente para estudio de la fiabilidad

de elementos reparables fue establecido en un artículo por J. T. Duane (1964). En este
artículo, Duane planteaba sus observaciones sobre datos de fallo para un número de
productos durante los ensayos de desarrollo. Observó que el número de fallos
acumulado por unidad de tiempo N(T) dividido por el tiempo de ensayo acumulado, T,
iba decreciendo y tendía casi a una línea recta cuando se representaba en función del
tiempo en una escala logarítmica doble. Esto es, aproximadamente:
δ>0 α>0 (36)
Duane interpretó estos gráficos y concluyó que el número acumulado de fallos puede
aproximarse por la función de la ley de potencia:
λ > 0, β 1- α (37)

Basado en esta observación, Duane expresó la intensidad instantánea de fallos z(t) en el

instante t como:
T>0 (38)
Que da el Tiempo Medio Entre Fallos MTBF instantáneo:
T>0 (39)
El postulado de Duane es determinista, en el sentido de que proporciona el patrón

esperado para la evolución de la fiabilidad de un elemento reparable, pero no aborda la
variabilidad de los datos asociada a la misma.
La Figura 11 muestra el número acumulado de fallos en función del tiempo N(T) de
funcionamiento de un elemento reparable. Los tiempos entre fallos sucesivos aumentan
con el tiempo de funcionamiento, es decir la intensidad de fallo decrece con el tiempo de
funcionamiento. La pendiente desde el origen a cualquier punto del gráfico es la
estimación de la intensidad media de fallos, mientras que la pendiente de la tangente a
la curva en cualquier punto es la estimación de la intensidad instantánea de fallos z(t).
En este caso en existe una tendencia en z(t) y se puede aplicar la ley de potencia.
[UNE 200001-3-5:2002]
Figura 11 – Ejemplo de tendencia creciente del tiempo entre fallos de un solo elemento reparable

Estado del Arte 69
La Figura 12 también muestra el número acumulado de fallos en función del tiempo

N(T) de funcionamiento de un elemento reparable. Sin embargo, en este caso, los
tiempos entre fallos sucesivos no tienen ninguna tendencia, es decir la intensidad de
fallo z(t) es constante, y por lo tanto no hay ninguna tendencia y no se puede aplicar la
ley de potencia.
[UNE 200001-3-5:2002]
Figura 12 – Ejemplo sin tendencia del tiempo entre fallos de un solo elemento reparable
2.7.2. Métodos gráficos de tendencia
Los métodos gráficos están orientados básicamente a determinar si hay o no tendencia

en el número acumulado de fallos N(T) en uno elemento reparable o un conjunto de
elementos reparables idénticos. Los métodos gráficos no proporcionan herramientas
matemáticas para la estimación de los valores de N(T) o z(t), limitándose a orientar sobre
la conveniencia aplicar un modelo de crecimiento/decrecimiento del tiempo entre fallos
o un modelo sin tendencia para el tiempo entre fallos.
Por lo tanto, se deben emplear complementariamente con otros métodos de estimación
que de desarrollan en los apartados siguientes. Se presentan los tres modelos gráficos
más extendidos:
− Gráfico de Duane: Es un gráfico de dispersión que representa en el eje de
ordenadas N(ti)/ti y en el eje de abscisas ti, , siendo ambos ejes
representados en escala logarítmica.

[Rigdon y Basu (2000)]
Figura 13 – Gráficos de Duane para tres sistemas con tendencias dispares en los tiempos entre fallos
− Gráfico TTT: El grafico “Total Time on Test” fue desarrollado por Barlow y
Campo al objeto de ayudar a seleccionar la distribución más adecuada para λ(t)
en elementos no reparables, si bien puede ser aplicada para detectar la tendencia
de los tiempos entre fallos en elementos reparables. Conlleva la transformación
del eje de ordenadas y de abscisas con ayudas de estadísticos lineales, que en caso
de aplicación para elementos reparables conlleva la transformación del eje de
abscisas a escala logarítmica.

Estado del Arte 71
– Gráfico M(t): Este gráfico es apropiado cuando se disponen de datos de uno o

más elementos reparables incluso cuando se han observado en diferentes
espacios de tiempo. Permite identificar los diferentes patrones de tendencia de
z(t), siendo complementario a los métodos paramétricos que se analizan en los
puntos posteriores. El eje de ordenadas se representa el estadístico M(t) siendo su
valor en cada t el número de fallos en t dividido entre el número de elementos del
ensayo en t. El eje de abscisas representa a t sin ninguna transformación.
Para determinar la tendencia del tiempo entre fallos también se puede usar el
directamente el gráfico N(T) o de MTBF. Nelson (2003) desarrolló un gráfico conocido
como función acumulativa media (MCF) para fallos repetitivos. Otra alternativa es
graficar el tiempo entre fallos consecutivos “Interevent Time".
2.7.3. Procesos estocásticos
La teoría de los procesos estocásticos se centra en el estudio y modelización de sistemas

que evolucionan a lo largo del tiempo, o del espacio, de acuerdo a unas leyes no
deterministas, esto es, de carácter aleatorio. La forma habitual de describir la evolución
del sistema es mediante sucesiones o colecciones de variables aleatorias v.a. De esta
manera, se puede estudiar cómo evoluciona una variable aleatoria a lo largo del tiempo.
Un proceso estocástico es una colección o familia de variables aleatorias {Xt, con t ∈ T},
ordenadas según el subíndice t que en general se suele identificar con el tiempo. Por
tanto, para cada instante t tendremos una variable aleatoria distinta representada por Xt,
con lo que un proceso estocástico puede interpretarse como una sucesión de variables
aleatorias cuyas características pueden variar a lo largo del tiempo. Por ejemplo, si
observamos sólo unos pocos valores de t, tendríamos una imagen similar a la de la
Figura adjunta, en la que se representa para cada t la función de densidad
correspondiente a Xt.
[Departamento de Matemática Aplicada y Estadística - UPCT]
Figura 14 – Gráfica de representación de un proceso estocástico

Aunque en la Figura se han representado unas funciones de densidad variables, un

proceso estocástico no tiene por que presentar esas diferencias en la función de densidad
a lo largo del tiempo.
Se denomina conjunto de estados E, al conjunto de los posibles valores que pueden
tomar las variables aleatorias {Xt}. Al conjunto de subíndices se le denomina conjunto
paramétrico T y puede ser continuo o numerable. Los procesos estocásticos se pueden
clasificar según la estructura del conjunto paramétrico T y del conjunto de estados E.
E\T Discreto Continuo
Discreto Cadena Proceso Puntual
Continuo Sucesión v.a. Proceso Continuo
Tabla 5 – Clasificación de los procesos estocásticos
Asimismo los procesos estocásticos también se tipifican según las características

probabilísticas de las v.a.:
— Procesos Markovianos: La característica principal de los procesos estocásticos
markovianos es que la distribución de Xn+1 sólo depende de la distribución de Xn y
no de las anteriores (Xn−1, Xn−2, . . .). Se puede resumir diciendo que el estado futuro
del proceso, sólo depende del estado presente, y no del resto de estados pasados.
— Procesos estacionarios: Un proceso es estacionario en sentido estricto si la función
de distribución conjunta de cualquier subconjunto de variables es constante
respecto a un desplazamiento en el tiempo.
— Procesos de incrementos independientes: Se dice que un proceso {Xt tal que t ∈ T }
es de incrementos independientes si ∀n ∈ N, ∀t1, . . . tn ∈ T, con t1 < . . . < tn las v.a.
son independientes.
Los métodos estadísticos desarrollados para el estudio de la fiabilidad de elementos
reparables se basan en la aplicación de procesos estocásticos, en los que un fallo de un
elemento es una variable aleatoria, y una vez reparado el siguiente fallo es otra variable
aleatoria, que puede o no tener funciones de densidades de probabilidad iguales. Los
métodos estocásticos más empleados son:
– Cadenas de Markov: Tanto el conjunto de estados E, como el de conjunto
paramétrico T son discretos y las v.a. sólo depende del estado actual y no de los
anteriores. También se emplean para el análisis de elementos no reparables. Una
cadena de Markov es un proceso estocástico a tiempo discreto {Xn : n = 0, 1, . . . },
con espacio de estados discreto, y que satisface la propiedad de Markov, esto es,
para cualquier entero n ≥ 0, y para cualesquiera estados x0, . . . , xn+1, se cumple:
(40)

Estado del Arte 73
Si el tiempo n+1 se considera como un tiempo futuro, el tiempo n como el presente

y los tiempos 0, 1, . . . , n−1 como el pasado, entonces la condición (40) establece que
la distribución de probabilidad del estado del proceso al tiempo futuro n+1
depende únicamente del estado del proceso al tiempo n, y no depende de los
estados en los tiempos pasados 0, 1, . . . , n−1.
– Procesos de Poisson Homogéneo (HPP): El conjunto de estados E es discreto, el
conjunto paramétrico T es continuo y las v.a. son de incrementos independientes y
estacionarios (i.i.d.) con distribución exponencial. Un proceso {Xt; t ≥ 0} es un HPP
con parámetro λ > 0, si:
1. X0 = 0
2. X1 – X0, X2 – X1, ..., Xn − Xn-1 son variables aleatorias independientes
(proceso de incrementos independientes).
3. Para cualquier t ≥ 0, y cuando h 0; ;
.
El adjetivo homogéneo se refiere a que el parámetro λ no cambia con el tiempo, es
decir, es homogéneo en el tiempo. Una trayectoria típica de este proceso puede
observarse en la Figura 15, la cual es no decreciente, constante por partes, continua
por la derecha y con límite por la izquierda. A los tiempos T1, T2, . . . corresponden
a los tiempos que transcurren entre un salto del proceso y el siguiente salto. Estos
tiempos son independientes y que todos tienen distribución exponencial λ. La
variable Wn representa el tiempo real en el que se observa la ocurrencia del n-ésimo
evento. Se observa la igualdad de eventos (Xt ≥ n) = (Wn ≤ t), esto equivale a decir
que al tiempo t han ocurrido por lo menos n eventos si, y sólo si, el n- ésimo evento
ocurrió antes de t.
[Rincón (2011)]
Figura 15 – El proceso de Poisson y los tiempos de ocurrencia de eventos

Una de las características de este proceso es que puede encontrarse explícitamente

la distribución de probabilidad de la variable Xt para cualquier valor de t. La
respuesta es la distribución Poisson, y es de allí de donde el proceso adquiere su
nombre. La variable Xt tiene distribución Poisson (λt), es decir, para cualquier t > 0,
y para n = 0, 1, . . . :
(41)
– Procesos de Poisson No Homogéneo (NHPP): El conjunto de estados E es discreto,

el conjunto paramétrico T es continuo y las v.a. son de incrementos independientes
y no son estacionarios homogéneos. Un proceso {Xt; t ≥ 0} es un NHPP con función
localmente integrable λ(t) si:
– 1. X0 = 0
– 2. X1 – X0, X2 – X1, ..., Xn − Xn-1 son variables aleatorias independientes
(proceso de incrementos independientes).
– 3. Para cualquier t ≥ 0, y cuando h 0;
; .
En este caso el parámetro λ(t) varía con el tiempo, generalmente de manera

decreciente. Es decir, la distribución de probabilidad de la variable incremento
Xt+s − Xs depende de los valores de la función λ en el intervalo (s, s + t]. Sin embargo,
y en completa analogía con el HPP, la variable Xt continúa teniendo distribución
Poisson.
– Procesos de renovación (RP): El conjunto de estados E es discreto, el de conjunto
paramétrico T es continuo y las v.a. son de incrementos independientes y
estacionarias (i.i.d.), pero su distribución puede no ser exponencial. Dado un
proceso de renovación {T1, T2, . . .}, se definen los tiempos reales de renovación
como W0 = 0 y Wn = T1+· · ·+Tn, para n ≥ 1. El proceso de puntual de renovaciones es:
0 0 (42)
La variable aleatoria Wn representa el tiempo real en el que se realiza la n-ésima

renovación, mientras que Nt indica el número de renovaciones realizadas hasta el
tiempo t. Se denota en los procesos de renovación por F(t) a la función de
distribución de los tiempos de vida o tiempos entre fallos (TBF). Por lo tanto, la
función de distribución de Wn es la convolución de F(t) consigo misma n veces, es
decir, FWn(t) = P(T1 + · · · + Tn ≤ t) = F*n(t) = (F * · · · * F)(t). Una de las primeras
necesidades de un proceso de renovación es la de conocer la distribución de la
variable Nt.

Estado del Arte 75
La respuesta no es fácil de encontrar pues la distribución de esta variable depende

de la distribución de TBF como indica la siguiente fórmula, para cualquier n ≥ 0:
(43)
La función de renovación, y se le denota por Λ(t) = E[N(t)] , en general no es fácil

encontrar una forma explícita para esta función. Sin embargo, se cuenta con la
siguiente ecuación integral general:
(44)
La tasa de aparición de fallos ROCOF μ(t), se puede calcular si Λ(t) es diferenciable

como:
(45)
ROCOF se puede interpretar como la tasa instantánea de cambio en el número de

fallos esperado. Si no ocurren (o pueden ocurrir) dos fallos de forma simultánea,
ROCOF y son dos funciones idénticas.
2.7.4. Métodos basados en cadenas estocásticas
El modelo clásico para componentes reparables es el de dos estados que se muestra en la

Figura. También se muestra la secuencia operativa del elemento que es definida por los
fallos y reparaciones; esta es una secuencia de estados de disponibilidad e
indisponibilidad.
[Zapata (2011)]
Figura 16 – Diagrama de estados y secuencia operativa
Cada fallo (fi) tiene asociado un tiempo para fallo (ttfi) y un tiempo para reparación (ttri),
los cuales son aleatorios e independientes entre sí, en cuanto a su duración. Otra medida
en la secuencia operativa es el tiempo entre fallos (tbfi). El número de fallos nf en un
periodo de tiempo T es aleatorio. Por consiguiente, el número de reparaciones nr en un
periodo de tiempo T también lo es.

El cero, en la secuencia operativa, es el momento en el cual el componente inicia su

operación “nuevo”. La secuencia de fallos y reparaciones de un elemento reparable
define un proceso aleatorio que se puede representar como una cadena estocástica de
Markov de dos estados discretos y tiempo continuo cuya representación se muestra en
la Figura adjunta.
[Zapata (2011)]
Figura 17 – Modelo de cadena de Markov de dos estados para elementos reparables
El modelo matemático se basa en el cálculo de la tasa de fallos λ(t) y la tasa de reparación

μ(t) como:
λ (46)
(47)
Para definir cómo se resuelve el modelo matemático de la cadena de Markov de dos

estados, antes es necesario analizar la tendencia e independencia de los datos de tiempos
entre fallo y de tiempos de reparación:
− Cadena de Markov homogénea exponencial: Los tiempos entre fallo y de

reparación son estacionarios, independientes y exponencialmente distribuidos.
Por lo tanto λ(t) constante y μ(t) constante. Requiere de la aplicación de métodos
de solución analítica, métodos numéricos o de simulación de Montecarlo.
− Cadena de Markov homogénea general: Los tiempos entre fallos y de reparación
son estacionarios, independientes, pero ambos no están exponencialmente
distribuidos. Por lo tanto λ(t) constante y μ(t) constante. Los métodos de solución
para este tipo de cadenas son; simulación de Montecarlo, mecanismo de las
etapas y adición de variables.
− Cadena de Markov no homogénea: Los tiempos entre fallos o los de reparación
son no estacionarios. En este caso λ(t) y/o μ(t) no son constantes. Los métodos de
solución matemáticos son analíticos (sólo para algunos casos) y numéricos.

Estado del Arte 77
También han definido modelos multi-estado para elementos reparables. En este caso,
los estados se refieren a situaciones de desgaste o estados operativos relacionados con la
capacidad de producción del elemento. Todos los estados no tienen que estar conectados
entre sí.
[Zapata (2011)]
Figura 18 – Ejemplo de cadena de Markov multi-estado para elementos reparables
Las tasas de transición hij(t) entre estados i y j se refieren a diversos tipos de fallos y
reparaciones y se definen en forma general como:
(48)
Tres casos aparecen en el estudio de este proceso estocástico multi-estado:

− Cadena de Markov homogénea exponencial: Los tij son estacionarios,
independientes y exponencialmente distribuidos. Por lo tanto los hij son
constantes. Requiere de la aplicación de métodos de solución analítica, métodos
numéricos o de simulación de Montecarlo.
− Cadena de Markov homogénea general: Los tij son estacionarios pero no todos
están exponencialmente distribuidos. Por lo tanto los hij son constantes. Los
métodos de solución para este tipo de cadenas son: simulación de Montecarlo,
mecanismo de las etapas y adición de variables.
− Cadena de Markov no homogénea: Algún o varios tij no es estacionario. En este
caso algún o varios hij no es constante. Los métodos son simulación de
Montecarlo, mecanismo de las etapas y adición de variables.
Se puede profundizar en los métodos desarrollados en cadenas de Markov de dos
estados en ejemplos de Kumamoto (1980), Simpson (2002), Zheng (2006) o Xiao (2008).
Se recomienda la lectura de Narváez (2012) para cadenas de Markov multi-estado.

2.7.5. Métodos basados en procesos de Poisson homogéneos (HPP)
El modelar en un elemento reparable los fallos mediante un proceso estocástico puntual

HPP implica:
– Los fallos ocurren sólo uno a la vez (algunos investigadores argumentan que esto
es válido pues en términos prácticos es difícil probar que dos fallos realmente
ocurren en el mismo instante de tiempo).
– La indisponibilidad del componente es despreciable (esto se cumple para muchos
elementos; sin embargo, se recomienda verificarlo para cada caso bajo estudio).
– Las reparaciones del elemento o sistema son “como nuevo” (Perfect Repair), es
decir, la reparación lleva al elemento a un estado de operación equivalente al
inicial.
En un HPP el tiempo entre fallos TBF es la v.a. con incrementos independientes y

estacionarios (i.i.d.) con distribución exponencial. Es necesario comprobar que la v.a.
tiene incrementos independientes, es decir, que los TBF no muestran relación o
correlación con ninguna otra variable (fallo previo, temperatura, etc.), mediante análisis
de correlación, covarianza, etc.
Asimismo los TBF deben de ser estacionarios, es decir, no muestran tendencia, al objeto
de aceptarse o no que se trata de un proceso HPP. Los test de tendencia más empleados
son:
– Test de Laplace, también denominado estadístico U.
– Test MIL-HDBK-189 también conocido como AMSAA/Crow (Army Materiel
Systems Analysis Activity) o Military Handbook Test.
– Test RAT (Reverse Arrangement Test).
– Test PCNT (Pair-wise Comparison Nonparametric Test).
– Test Lewis-Robinson.
– Test de Mann.
– Y los métodos gráficos del apartado 2.7.2.
Se puede profundizar en este campo en los artículos de Wang (2005), Bain (1985),
Schilling (1988) y Garmabaki (2016), donde se comparan diferentes test de tendencia
sobre datos y ensayos, comparándose la robustez y mejor conveniencia de empleo de los
mismos. Si se demuestra tendencia en los datos de TBF, se debe intentar modelar
mediante un NHPP.

Estado del Arte 79
4
N(t)
3
0
0 2 4 6 8 10
t
Figura 19 – Gráfico de N(t) para un elemento reparable sin tendencia
Una vez que se ha aceptado que los datos responden a un proceso puntual estacionario,
se debe comprobar que los datos de TBF tiene una distribución exponencial, para ello se
tiene que emplear un test de bondad de ajuste a la citada distribución, siendo los más
habituales que se emplean:
– Chi-cuadrado χ2.
– Kolmogorov-Smirnov (K-S).
– Kuiper V.
– Cramer-von-Mises C2.
– Watson U2.
– Anderson-Darling A2.
Sólo en el caso de que no sea rechazada la hipótesis de que los datos de TBF se
distribuyen exponencialmente, se pueden emplear el modelo HPP para estimar la
fiabilidad del elemento reparable. En caso de ser rechazada la hipótesis, se debe emplear
un RP. Si se acepta el modelo HPP se aplica (15), (14) y (2), y se obtienen z(t), R(t) y f(t)
que se realiza para el punto de fin del ensayo con r el número total de fallos a considerar
en el ensayo y T* el tiempo total del ensayo terminado por tiempo o por fallo:
(49)
(50)
(51)

Señalar que es la tasa de fallo constante estimada para el punto final del estudio, y
asumir este valor para predicciones de z(t) debe de tomarse con cautela, ya que
matemáticamente el modelo HPP no predice valores futuros.
Asimismo, y una vez aplicado el modelo HPP para la estimación de parámetros, se han
desarrollado métodos estadísticos complementarios para:
– Establecer intervalos de confianza lateral y bilateral de la estimación de λ.
– Predecir los intervalos futuros del número de fallos acumulados r.
– Estimación bayesiana del parámetro .
– Estimación bayesiana del futuro número de fallos acumulados N(t).
0,8
0,7
0,6
0,5
R(t)
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10
t
Figura 20 – Gráfico de R(t) para un elemento modelado HPP.
En Rigdon y Basu (2000) se compendian y desarrollan diversas fuentes primarias de

métodos estadísticos de HPP. Esta obra es una de las mejores recopilaciones de métodos
estadísticos para la fiabilidad de elementos reparables.
Para profundizar en la estimación bayesiana de parámetros y número de fallos
acumulado futuros se recomienda la lectura de Beiser (1997), Krivtsov (2000), Hall
(2009) y Ghosh (2011).
Es necesario volver a resaltar que el modelo HPP sólo se puede aplicar si se demuestra
que los datos de TBF del elemento o sistema reparable son independientes, estacionarios
y con distribución exponencial, ver Tang y otros (2008) y Wu y otros (2011).

Estado del Arte 81
2.7.6. Métodos basados en procesos de Poisson no homogéneos (NHPP)
Estos métodos se deben ensayar si el resultado de la aplicación de las pruebas

estadísticas de tendencia, se rechaza la hipótesis de la no existencia de tendencia. Sí
existe una tendencia (intensidad de fallo creciente o decreciente), puede ser de aplicación
el denominado Proceso de Poisson No Homogéneo (NHPP).
Los fallos en un elemento reparable a modelar mediante un proceso estocástico puntual
NHPP implica:
– Las reparaciones del elemento o sistema son “como viejo” (Minimal Repair), es
decir, la reparación lleva al elemento a un estado de operación equivalente justo
al momento anterior a la reparación.
En un NHPP el tiempo entre fallos TBF es la v.a. con incrementos independientes y no
estacionarios. Es necesario comprobar que la v.a. tiene incrementos independientes, es
decir, que los TBF no muestran relación o correlación con ninguna otra variable (fallo
previo, temperatura, etc.).
Asimismo los TBF deben de ser no estacionarios, es decir que muestran tendencia, al
objeto de aceptarse (o no) que se trata de un proceso NHPP. Los test de tendencia
empleados son los ya comentados en el apartado del proceso HPP.
L. H. Crow (1974) consideró el patrón de la ley de potencia (PLP) para crecimiento de la
fiabilidad y formuló el modelo probabilístico subyacente para fallos como un proceso de
Poisson no homogéneo (NHPP), {N(t), t > 0}, con función valor medio;
(52)
y función intensidad de fallo;
(53)
Siendo;
E[N(t)] el número acumulado de fallos esperado hasta tiempo de fallo T
λ es el parámetro de escala
β es el parámetro de forma
z(t) la intensidad de fallo actual tras T tiempo de ensayo

El modelo NHPP con la probabilidad de Poisson de que N(t) tomará un valor

particular;
con n = 0, 1, 2,… (54)
También, con este modelo;
con j = 0, 1, 2,… (55)
Siendo tj el tiempo acumulado hasta el fallo de orden j. Esto da la útil aproximación

de primer orden, para el tiempo esperado hasta el fallo j;
con j = 0, 1, 2,… (56)
Cuando β = 1, entonces z(t) = λ y los tiempos entre fallos sucesivos siguen una
distribución exponencial de media 1/λ (proceso homogéneo de Poisson), indicando una
intensidad de fallo constante. La función intensidad z(t) es decreciente para β < 1
(crecimiento de la fiabilidad) y creciente para β > 1 (deterioro de la fiabilidad).
12
10
8
N(t)
6
N(t) Cre.
4 N(t) Decr.
0
1 2 3 4 5 6 7 8 9 10
t
Figura 21 – Gráfico de N(t) para dos elementos modelado NHPP (tendencia creciente y decreciente).

Estado del Arte 83
Existen múltiples modelos alternativos a la PLP en NHPP, del que se han publicado
numerosas aportaciones para su desarrollo y mejora, ver Attardi (2005) y Bettini (2007).
Se describen los más destacados:
Función potencia; (57)
Función exponencial; (58)
Modelo IBM; (59)
Modelo BIP; (60)
Modelo Gomperzt; (61)
Logística (S-Shaped); (62)
Otros modelos NHPP que se han empleado en diferentes estudios son los modelos log-
normal, log-logística, log-cuadrática, EBP (Engelhardt-Bain Process), 2-EBP 2
parámetros, Gomperzt modificado, exponencial 2º orden y exponencial 3º orden.
También se pueden aplicar modelos NHPP desarrollados para fiabilidad del software
(IFS): Musa, Goel-Okumoto, distribución de Weibull, etc.
Una vez estimados los parámetros del modelo NHPP se debe efectuar una prueba de
bondad de ajuste, al objeto de validar el ajuste de modelo a los datos reales de cada
elemento reparable. Las pruebas de bondad de ajuste más extendidas son:
– Chi-cuadrado χ2.
– Kolmogorov-Smirnov K-S.
– Kolmogorov-Smirnov modificada D.
– Kuiper V.
– Cramer-von-Mises C2.
– Watson U2.
– Anderson-Darling A2.
Asimismo, y una vez aplicado el modelo NHPP para la estimación de parámetros, se
han desarrollado métodos estadísticos complementarios para:
– Establecer intervalos de confianza lateral y bilateral de la estimación de
parámetros.

– Predecir los intervalos futuros del número de fallos acumulados r.

– Estimación bayesiana del parámetros.
– Estimación bayesiana del futuro número de fallos acumulados N(t).
En Rigdon y Basu (2000) se compendian y desarrollan diversas fuentes primarias de

métodos estadísticos de NHPP. Para profundizar en la estimación bayesiana de
parámetros ver Beiser (1997), Krivtsov (2000), Hall (2009) y Ghosh (2011).
2.7.7. Métodos basados en procesos de renovación (RP)
El modelar un elemento reparable los fallos mediante un proceso de renovación (RP)

implica:
– Las reparaciones del elemento o sistema son “como nuevo” (Perfect Repair), es
decir, la reparación lleva al elemento a un estado de operación equivalente al
inicial.
En un RP el tiempo entre fallos TBF es la v.a. con incrementos independientes y
estacionarios (i.i.d.) con cualquier distribución. Por lo tanto, el modelo HPP realmente
una particularización de un proceso RP en el que los TBF tiene una distribución
exponencial.
Es necesario comprobar que la v.a. tiene incrementos independientes, es decir, que los
TBF no muestran relación o correlación con ninguna otra variable (fallo previo,
temperatura, etc.).
Asimismo los TBF deben de ser estacionarios, es decir, no muestran tendencia, al objeto
de aceptarse o no que se trata de un proceso RP. Los test de tendencia empleados son
los ya comentados en el apartado del proceso HPP.
Para la selección de la distribución que mejor se ajusta a los datos de TBF, se tienen que
emplear un test de bondad de ajuste para cada distribución ensayada, siendo los más
habituales que se emplean: χ2, K-S, V, C2, U2, A2.
El desarrollo de la ecuación integral general es:
(63)

Estado del Arte 85
La solución matemática para esta ecuación integral con convolución es compleja y se

debe particularizar a cada distribución que presenten los TBF, ver Gámiz (2011), Baxter
(1982), Andronov (2014), Maghsoodloo (2014). Se enumeran algunos de los estimadores
empleados para el cálculo del parámetro :
− Transformada de Laplace.
− Algoritmo splines cúbicos generalizado.
− Teorema del valor medio para integrales.
− Re-muestro.
− No paramétricos:
o Empírico.
o Tipo-histograma.
o Simulaciones Monte Carlo.
o Parámetros de ancho de banda.
o Tipo Kernel.
Sólo en el caso de que no sea rechazada la hipótesis de que los datos de TBF se
distribuyen con alguna distribución conocida (Weibull, gamma, log-normal, etc.), se
pueden emplear el modelo RP.
Con ayuda de software de fiabilidad-estadístico (que incorporan estimadores) o
implementando algún estimador en MATLAB se calcula λ, valor contante de la
intensidad de fallo, en los modelos RP.
Los modelos RP en sistemas reparables tienen una amplia difusión, ver Baxter y otros
(1982), Smeitink and Dekker (1990), Rigdon and Basu (2000), Rausand and Hoyland
(2004), Fajardo y otros (2010), Tobias and Trindade (2011) y Maghsoodloo and Helvaci
(2014).
2.7.8. Métodos basados en procesos estocásticos imperfectos y otros
En muchos casos datos de fallo de los elementos reparables a menudo desafían

cualquier modelo simple, como son el HPP, el NHPP y los RP. El comportamiento de los
fallos en los elementos a veces es aparentemente errático; durante ciertos periodos son
de tendencia creciente, estacionarios o de tendencia decreciente.
Uno de los fenómenos más observado por los investigadores es la tendencia a la
acumulación de varios fallos consecutivos durante cortos periodos temporales, a los que
preceden y anteceden largos periodos temporales sin fallos acumulados. Este fenómeno
es bien conocido por los responsables de mantenimiento de sistemas reparables, son los
conocidos como “fallos repetitivos”, ver Hatton (1999) y Karanikas (2013).

De forma subjetiva, todos tenemos la percepción de que series fabricadas de forma

idéntica de sistemas reparables complejos (por ejemplo, los automóviles), tienen una
fiabilidad en su explotación diferentes, y en algunos casos con valores dispares, y los
datos obtenidos en la toma de datos en operación corroboran esta percepción subjetiva
en múltiples estudios. Por lo tanto, en un conjunto de sistemas reparables complejos, se
suele observar que cada elemento no se comporta como un modelo simple de fiabilidad
(HPP, NHPP o RP) y que entre elementos reparables idénticos no se obtienen los
mismos valores de fiabilidad, presentando en algunos casos diferencias notables.
Es por ello que los profesores matemáticos y estadísticos han diversificado las
investigaciones para el desarrollo de modelos que puedan representar adecuadamente
la fiabilidad de los sistemas reparables.
Fueron iniciados por Lewis (1964) que presentó el proceso de Poisson de ramificación
(BPP) y Cox (1972) con el proceso de renovación modulado (MRP). En los modelos de
“reparación imperfecta” destacan BP de Brown y Proschan (1983), BBS de Block y otros
(1985), los procesos de renovación con tendencia (TRP) de Lindqvist y otros (2003), los
procesos de renovación generalizados (GRP) iniciados por Kijima (1989) y los modelos
de intensidad proporcional (PI), ver comparativas de Jiang (2005) y Peña (2006). Otra vía
de desarrollo se basa en modelos de fragilidad para datos correlacionados, ver Peña y
Hollander (2004).
En estos momentos el número de modelos desarrollados supera ampliamente el
centenar, ver Ascher y Feingold (1984), Pham y Wang (1996), Rigdon y Basu (2000), Guo
(2000), Rausand y Hoyland (2004), y Peña (2006).
Se presentan a continuación los modelos basados en procesos estocásticos (SP)
agrupados bajo el concepto de “imperfectos” y otros modelos, que intentan modelar los
datos de los elementos reparables teniendo en cuenta que la reparación no ha sido
“como nueva” (Perfect Repair), ni tampoco ha sido “como vieja” (Minimal Repair), por
lo tanto incluyen un parámetro o parámetros adicionales para modular el estado de
restauración al que cada reparación lleva al elemento reparable.
En la mayoría de estos modelos el tiempo entre fallos TBF es la v.a. con incrementos
dependientes, es decir manifiestan algún grado de relación con otra v.a. que puede ser la
reparación anterior, una intervención de mantenimiento preventivo, condiciones
ambientales, etc. Si se demuestra dependencia de TBF con alguna v.a. se invalida
estadísticamente la conveniencia del empleo de los modelos HPP, HNPP y RP.
Dada la profusión de modelos existentes se compendian los tipos de modelos de mayor
impacto científico internacional y sus características básicas, al objeto de poner de
manifiesto su diversidad y la complejidad de aparamenta matemática asociada.
− Modelo de proceso de Poisson de ramificación (Branching Poisson Process, BPP):
Desarrollado por Lewis (1964) tiene en cuenta que un elemento puede no ser
reparado correctamente y que posteriormente se generan fallos recurrentes. Se
supone que cada fallo primario tiene el modelo HPP y existe una probabilidad 1 -
r de que la reparación sea correcta. Por lo tanto con probabilidad r la reparación
no es correcta y se genera un proceso de renovación RP en los fallos recurrentes.

Estado del Arte 87
Su desarrollo matemático completo se ha presentando para los casos en que los

fallos recurrentes S presentan una distribución S -1 geométrica, binomial negativa
y Poisson.
− Modelo de proceso de renovación superpuesto (Superimposed Renewal Process,
SRP): Se trata de modelar un elemento reparable ficticio n mediante la
superposición de los fallos de un grupo de elementos idénticos que responden a
un modelo RP (aún con diferente distribución de TBF). El modelo resultante de la
superposición de los fallos en el elemento n no resultar a su vez un modelo RP,
ver Blumenthal (1993) y Tian (2013).
− Modelos de proceso de renovación modulado (Modulated Renewal Process,
MRP): Propuesto por Cox (1972) modula la intensidad de fallo en el tiempo t
a un tiempo Bt de recurrencia hacia atrás. Si Bt es igual a 0 el modelo se comporta
como un modelo RP perfecto y la restauración es “como nuevo”. De esta forma
el modelo MRP es una generalización de ambos modelos RP y HNPP. Cox
sugiere que la modulación de modelo RP se puede realizar por un modelo de
tendencia HNPP, por fenómenos periódicos (cos ωt) o por factores de carga
(temperatura, etc.). Berman (1981) desarrolla un modelo RP con distribución
gamma de los TBF con modulación HNPP, conocido como “inhomogeneous
gamma processes”. Una variante es el MPLP (Modulated Power Law Process)
que sobre un modelo RP con distribución gamma se realiza una modulación PLP.
− Modelo exponencial por tramos (Piecewise Exponential Model, PEXP): Este
modelo plantea la posibilidad de que los TBF sean independientes, con tendencia
y distribución exponencial, pero que no implica necesariamente que sean un
proceso de Poisson no homogéneo NHPP, abriendo la posibilidad a otras
distribuciones cuando se demuestra tendencia. El modelo propone que la
fiabilidad de un elemento permanece sin cambios entre los fallos y da un “salto”
cada vez que se produce un fallo, ver aportaciones al modelo de Arab (2012).
− Modelo Brown-Proschan (BP): Iniciado por Nakagawa (1979), a través del
modelo de Brown y Proschan (1983) se introduce el concepto de reparación
“imperfecta”. Un elemento falla con reposición “como nuevo” con probabilidad p
y con reposición “como viejo” con probabilidad 1 – p. En los casos extremos, p = 0
el modelo se comporta como un NHPP, y p = 1 el modelo se comporta como un
RP. En los valores intermedios el modelo permite ajustar p a los valores de
reparación “imperfecta”, es decir “mejor que viejo” pero no “como nuevo”.
− Modelo Block-Borges-Savits (BBS): Es una extensión del modelo BP que permite
que la probabilidad de la reposición “como nuevo” dependa del tiempo. Se
supone que un elemento que falla con reposición “como nuevo” tiene una
probabilidad p(t) y con reposición “como viejo” con probabilidad q(t) = 1 – p(t),
ver Block, Borges y Savits (1985).

− Método de factor de mejora (Improvement factor method): Malik (1979) y Stadje

y Zuckerman (1991) introducen el concepto de factor de mejora. El
mantenimiento correctivo (reparación de un fallo) mejora en su reposición “como
viejo”, pero sin llegar a reposición “como nuevo”, es decir reposición
“imperfecta”. Este método mantenimiento “imperfecto” también incluye las
intervenciones de mantenimiento preventivo (sin que ocurra fallo) con
reposición “imperfecta”. El grado de mejora de z(t) se denomina “factor de
mejora”. El modelo supone que dado que los sistemas necesitan un
mantenimiento más frecuente con el aumento de la edad, el mantenimiento
preventivo debe de disminuir sus intervalos para contener los fallos, y propone
un algoritmo para determinar estos intervalos sucesivos de mantenimiento
preventivo.
− Procesos de edad virtual (“virtual age”)/ Procesos de renovación generalizados
(GRP): Kijima y Sumita (1986) introduce el concepto de “edad virtual” e inician
los desarrollos de los procesos de renovación bajo la denominación de
“generalizados”(GRP). Kijima (1989) desarrolla dos posibles modelos
probabilísticos; Kijima I que asume que las reparaciones sólo corrigen el desgaste
y daños creados en el último período de funcionamiento y Kijima II asume que
las reparaciones “fijan” los desgastes y el daño acumulado hasta el momento
actual. A partir de este concepto, se han desarrollado diferentes modelos que
emplean el concepto de “edad virtual”, entre los que destacan:
o Modelo I – Kijima (1989).
o Modelo II – Kijima (1989).
o Modelo General - Finkelstein (1993).
o Modelo Unificado - Guo, Love y Bradley (1995).
o Modelo Generalizado - Makis (1995), Dagpunar (1998).
o Modelo Geométrico G1 - Kaminskiy y Krivtsov (2010).
El desarrollo matemático, la estimación de parámetros, intervalos de confianza,
etc. de estos modelos es muy complejo.
Destacan los trabajos de Kaminskiy y Krivtsov (1998) para la solución de los
modelos GRP con el método Monte Carlo y las soluciones con estimadores de
máxima verosimilitud (MLE) propuestas por Yañez (2002) y Mettas y Zhao
(2005).
En la Figura adjunta se representan las diferentes posibilidades de estado de un
elemento reparable después de una reparación (restauración) y modelos
apropiados para su estudio:
 “como nuevo” = Modelos RP (se incluye HPP), algunos autores los
denominan como RP normal o simples ORP (Ordinary Renewal Process).
 “como viejo” = Modelos NHPP.
 ”mejor que viejo” pero “peor que nuevo” = Modelos GRP.

Estado del Arte 89
 “peor que viejo” = Modelos GRP.

 “mejor que nuevo” = Modelo G1-RP.
“mejor que nuevo” (G1-RP)
“como nuevo” (RP) “como viejo” (NHPP)
“mejor que viejo”

pero “peor que “peor que viejo” (GRP)
nuevo” (GRP)
0 Fallo Edad del

Componente (t)
[Traducción de Kaminskiy y Krivtsov (2015)]
Figura 22 – Supuestos de reparación y modelos de edad virtual de un elemento reparable.
– Modelos de procesos de renovación con tendencia (Trend Renewal Process, TRP):

sobre la idea del modelo de Berman (1981) “inhomogeneous gamma processes”,
Lindqvist y otros (2003) generalizaron la idea, llamando al nuevo modelo como
proceso de renovación con tendencia. Se basa en especificar una función de
distribución F sobre los TBF que se modelan con un modelo RP. Los modelos
desarrollados son:
o Modelo TRP - Lindqvist y otros (2003).
o Modelo Heterogeneous TRP, HTRP - Lindqvist y otros (2003).
o Modelo Multi-level TRP, MTRP – Xu y otros (2015).
− Modelos de intensidad proporcional (Proportional Intensity, PI): Cox (1972)

propuso el modelo de distribución libre (semi-paramétrico) de riesgos
proporcionales (PH) aplicable a elementos no reparables. El modelo no busca
tanto estimar la función de fallo, que es idéntica para todos los elementos, como
la relación entre los riesgos de fallos entre dos individuos expuestos a factores
distintos y para ello, el modelo parte de una hipótesis fundamental; que los
riesgos son proporcionales. La idea de su aplicación a los sistemas reparables
mediante modelos PH transformados en intensidad proporcional PI fue
presentada por Kumar (1995).
Estos modelos requieren de la identificación de una o varias variables que
influyen en los TBF de los elementos reparables. Los modelos PH y PI más
destacados son:
o Modelo Cox-Lewis, PH log-lineal (1978).
o Modelo PWP-GT - Prentice–Williams–Peterson-Gap Time (1981).
o Modelo PWP-TT - Prentice–Williams–Peterson-Total Time (1981).

o Modelo AG - Andersen–Gill (1982).

o Modelo WLW - Wei–Lin–Weissfeld (1989).
– Modelos de fragilidad para datos correlacionados: Estos modelos han iniciado su
aplicación para el análisis de supervivencia multivariante (medicina, economía,
etc.), debido principalmente a la falta de independencia entre los tiempos de
supervivencia. Su aplicación inicial en el campo de la fiabilidad se restringe a
elementos no reparables, si bien se están iniciando el desarrollo de modelos con
posibilidades de empleo en elementos reparables, ver Peña y Hollander (2004).
– Modelos de predicción basados en el análisis de series de tiempo: Se trata
básicamente de un enfoque orientado a los datos, que no requiere la
especificación del modelo a priori. Esta técnica de series de tiempo tiene la
flexibilidad de ajuste de un modelo empírico apropiado, que es una adaptación
de la estructura de los datos en sí. Por lo tanto, la naturaleza estocástica de la serie
de tiempo se puede modelar con mayor precisión, si bien es necesario emplear
herramientas de auto-correlación, correlación parcial y análisis espectral para
examinar las propiedades subyacentes de los datos, tales como la existencia de no
estacionalidad, tendencia, etc. Los modelos más empleados han sido
consolidados en diferentes estudios aplicados, ver Liang (2011):
o Modelo de suavización exponencial (ES, Exponential Smoothing).
o Modelo de la media móvil (MA, Moving Average).
o Modelo autorregresivo integrado de promedio móvil, Box-Jenkins ARIMA
(Autoregressive Integrated Moving Average Process) – Box y otros (1994).
o Modelo Box-Jenkins SARIMA (Seasonal Autoregressive Integrated Moving
Average Process) – Box y otros (1994).
− Otros modelos: Se destacan otros modelos para el modelado de la fiabilidad de
elementos reparables:
o Modelos de ecuaciones diferenciales: Lloyd-Lipow (fase de diseño), Aroef,
IBM, etc. La mayoría se desarrollaron en los años 60.
o Procesos de desgaste y daño acumulado: Modelo Kijima y Nakagawa
(1991), modelo Christer and Wong (1995), etc. Son modelos más
adecuados para componentes mecánicos.
o Modelo Monte Carlo: Kaminskiy y Krivtsov (1998).
o No paramétricos: Nelson (2003), Block y otros (2013) para MCF, ver
compendio en Gámiz y otros (2011).
o Modelos de predicción basados en redes neuronales: Tong y Liang (2005),
Liang (2008).
o Modelos con dependencia multivariantes: Ma y Krings (2008), Yang y
otros (2013).

Estado del Arte 91
El desarrollo intensivo durante décadas de modelos estadísticos para la fiabilidad de

elementos reparables denota la gran complejidad del tratamiento y modelado de los
datos reales que se obtienen en los sistemas en operación. Mayoritariamente estos
modelos se basan en procesos estocásticos, pero no todos.
La dificultad reside en elegir el modelo más apropiado para los datos de los elementos
reparables objeto de estudio, y si bien la comunidad científica ha llegado a algunos
puntos de encuentro en relación a la aplicabilidad de los modelos HPP, NHPP y RP, a la
fecha no existe consenso respecto a qué modelos imperfectos (u otros) son los más
adecuados para intentar modelar aquellos elementos reparables que no son de
aplicación los modelos HPP, NHPP o RP.
2.7.9. Procedimiento para la selección del método estadístico
El procedimiento metodológico más extendido para la selección de modelo de fiabilidad

de elementos reparables, se basa en la aplicación de los procesos puntuales estocásticos
aplicados a los tiempos entre fallos TBF con la siguiente prelación:
1. Efectuar una prueba de tendencia sobre los TBF (ver 2.7.5).
2. Si los datos no muestran tendencia:
2.1. Realizar pruebas de independencia sobre los TBF:
2.1.1. Si no se demuestra dependencia, los TBF pueden considerarse
como i.i.d. y son de aplicación:
2.1.1.1. Modelo HPP si los TBF se distribuyen exponencialmente
(ver 2.7.5).
2.1.1.2. Modelos RP si los TBF se ajustan a alguna distribución
estadística (ver 2.7.7).
2.1.1.3. Modelos imperfectos y otros, si los TBF no se ajustan a
ninguna distribución (ver 2.7.8).
2.1.2. Si se demuestra dependencia son de aplicación los Modelos
imperfectos y otros (ver 2.7.8).
3. Si los datos muestran tendencia son de aplicación los Modelos NHPP (ver 2.7.6):
3.1. Si se rechaza el ajuste del modelo HNPP con la prueba de bondad de ajuste,
son de aplicación Modelos imperfectos y otros (ver 2.7.8).
En la Figura adjunta se representa el flujograma del procedimiento básico de selección

del modelo de fiabilidad más apropiado a cada elemento reparable mediante el análisis
de los datos de los TBF.

Toma de
datos y
cálculo de
TBF
No tendencia Independencia
No se rechaza
Prueba de bondad de
Prueba de
Prueba de Tendencia ajuste a distribución
Independencia
exponencial
Si tendencia Dependencia Se rechaza
Seleccionar y aplicar
Seleccionar y aplicar Seleccionar y aplicar
Modelo Imperfecto u
modelo NHPP Modelo RP
Otro
Se rechazan Se rechazan
todos todos
Prueba de bondad de
Prueba de bondad de ajuste Modelo Prueba de bondad de
Se rechaza ajuste Modelo NHPP Imperfecto u Otro Se rechaza ajuste de Modelo RP Se rechaza
(si la tiene)
No se rechaza No se rechaza (o no tiene) No se rechaza
Modelo aceptado Modelo aceptado

Modelo aceptado RP Modelo aceptado HPP
NHPP Imperfecto u Otro
Figura 23 – Procedimiento básico para la selección del método estadístico en elementos reparables.
Una vez profundizado en el conocimiento de los métodos para el modelado de la

fiabilidad, y en particular en los métodos estadísticos para la fiabilidad de elementos
reparables (objeto de este estudio), y dada la cantidad y diversidad de propuestas
publicadas, se estima conveniente analizar la normativa europea existente en esta
materia, al objeto de objetivar y seleccionar los procedimientos y métodos que
actualmente cuentan con el respaldo de los organismos internacionales de
normalización, y en particular los del espacio europeo de aplicación al Estado español.

3. NORMATIVA EUROPEA DE FIABILIDAD
El europeo no puede vivir a no ser que se

embarque en una empresa unificadora.
- José Ortega y Gasset-
L a Comisión Electrotécnica Internacional (CEI o IEC por sus siglas en inglés,

International Electrotechnical Commission) es una organización de normalización
en los campos eléctrico, electrónico y tecnologías relacionadas. Integrada por los
organismos nacionales de normalización, en las áreas indicadas de los países miembros,
a la IEC pertenecen más de 60 países, incluyendo los de la Unión Europea, Japón y
EE.UU. España está representada por AENOR (Asociación Española de Normalización
y Certificación) y numerosas normas se desarrollan y trasladan a las normas españolas
UNE (Una Norma Española), UNE-EN (Una Norma Española - European Norm) y CEI.
La Comisión Electrotécnica Internacional cuenta con un Comité Técnico, el TC56 cuya
denominación actual es "Dependability". El propósito del TC 56 es preparar normas
internacionales en materia de fiabilidad, de aplicación en todas las áreas tecnológicas. La
fiabilidad puede ser expresada en términos de los atributos esenciales de apoyo como la
disponibilidad, mantenibilidad, etc. Las normas proporcionan sistemática de métodos y
herramientas para la evaluación de la fiabilidad y la gestión de equipos, servicios y
sistemas a lo largo de sus ciclos de vida. A Mayo de 2016 el TC56 cuenta con 54 normas
en vigor en esta materia.
En España AENOR ha traducido una parte importante de las normas editadas por el
CEI, por medio de su Comité Técnico AEN/CTN 200/SC56 “Confiabilidad”. Las normas
trasladadas a Mayo de 2016 son un total de 49. Cabe destacar, asimismo, la escasa
repercusión, análisis y aplicación de la normativa citada en la bibliografía de fiabilidad
existente en castellano, que en muchos casos es ignorada y en otros su indicación es
meramente testimonial.
A la hora de efectuar un ensayo o análisis de la fiabilidad de “Sistemas No Reparables” o
de “Sistemas Reparables” se debe intentar aplicar las normas internacionales en vigor en
esta materia, al objeto de dotar a los estudios del máximo rigor en los métodos, métricas
y formulaciones matemáticas empleadas, y con criterios de aceptación y/o rechazo de las
hipótesis efectuadas que cuentan con el respaldo de la comunidad científica
internacional.
3.1. Referencias cruzadas de normas de fiabilidad EIC y AENOR

Como ya se ha indicado la traslación de las normas europeas EIC en el Estado español es
efectuado por AENOR, y a la fecha no todas las normas europeas de fiabilidad han sido
trasladadas y otras han sido trasladadas sin traducción. A continuación se enumeran y
se y relacionan las normas EIC con las normas AENOR:
I. IEC/ISO 31010:2009: Risk management - Risk assessment techniques

(Edition 1.0).
UNE-EN 31010:2011: Gestión del riesgo. Técnicas de apreciación del riesgo.
II. IEC 60300-1:2014: Dependability management - Part 1: Guidance for

management and application (Edition 3.0).
UNE-EN 60300-1:2015: Gestión de la confiabilidad. Parte 1: Directrices para
su gestión y aplicación.
III. IEC 60300-3-1:2003: Dependability management - Part 3-1: Application

guide - Analysis techniques for dependability - Guide on methodology
(Edition 2.0).
UNE-EN 60300-3-1:2005: Gestión de la confiabilidad. Parte 3-1: Guía de
aplicación. Técnicas de análisis de la confiabilidad. Guía metodológica.
IV. IEC 60300-3-2:2004: Dependability management - Part 3-2: Application

guide - Collection of dependability data from the field (Edition 2.0).
aplicación. Recogida de datos de confiabilidad en la explotación.
V. IEC 60300-3-3:2004: Dependability management - Part 3-3: Application

guide - Life cycle costing (Edition 2.0).
aplicación. Cálculo del coste del ciclo de vida.
VI. IEC 60300-3-4:2007: Dependability management - Part 3-4: Application

guide - Guide to the specification of dependability requirements (Edition 2.0).
aplicación. Guía para la especificación de los requisitos de confiabilidad.

Normativa Europea de Fiabilidad 95
VII. IEC 60300-3-5:2001: Dependability management - Part 3-5: Application

guide - Reliability test conditions and statistical test principles (Edition
1.0).
UNE 200001-3-5:2002: Gestión de la confiabilidad. Parte 3-5: Guía de
aplicación. Condiciones para los ensayos de fiabilidad y principios para la
realización de contrastes estadísticos.
VIII. IEC 60300-3-10:2001 : Dependability management - Part 3-10: Application

guide - Maintainability (Edition 1.0 ).
UNE-IEC 60300-3-10:2007: Gestión de la confiabilidad. Parte 3-10: Guía de
aplicación. Mantenibilidad (IEC 60300-3-10:2001).
IX. IEC 60300-3-11:2009 : Dependability management - Part 3-11: Application

guide - Reliability centred maintenance (Edition 2.0).
aplicación. Mantenimiento centrado en la fiabilidad.
X. IEC 60300-3-12:2011: Dependability management - Part 3-12: Application

guide - Integrated logistic support (Edition 2.0).
aplicación. Soporte logístico integrado.
XI. IEC 60300-3-14:2004 : Dependability management - Part 3-14: Application

guide - Maintenance and maintenance support (Edition 1.0).
aplicación. Mantenimiento y logística de mantenimiento (IEC 60300-3-
14:2004).
XII. IEC 60300-3-15:2009: Dependability management - Part 3-15: Application

guide - Engineering of system dependability (Edition 1.0).
aplicación. Ingeniería de la confiabilidad de sistemas.

XIII. IEC 60300-3-16:2008: Dependability management - Part 3-16: Application

guide - Guidelines for specification of maintenance support services (Edition
1.0).
aplicación. Directrices para la especificación de los servicios de logística de
mantenimiento.
XIV. IEC 60319:1999: Presentation and specification of reliability data for electronic
components (Edition 3.0).
UNE 20512-6:2001: Presentación y especificación de datos de fiabilidad de
componentes electrónicos.
XV. IEC 60605-2:1994: Equipment reliability testing - Part 2: Design of test cycles
(Edition 1.0).
UNE 20608-2:1999: Pruebas de fiabilidad de equipos. Parte 2: Diseño de
los ciclos de prueba.
XVI. IEC 60605-4:2001: Equipment reliability testing - Part 4: Statistical procedures

for exponential distribution - Point estimates, confidence intervals, prediction
intervals and tolerance intervals (Edition 2.0).
NO HAY NORMA AENOR
XVII. IEC 60605-6:2007: Equipment reliability testing - Part 6: Tests for the validity
and estimation of the constant failure rate and constant failure intensity
(Edition3.0).
NO HAY NORMA AENOR
XVIII. IEC 60706-2:2006: Maintainability of equipment - Part 2: Maintainability

requirements and studies during the design and development phase (Edition
2.0).
UNE-EN 60706-2:2009: Mantenibilidad de equipos. Parte 2: Requisitos y
estudios de mantenibilidad durante la fase de diseño y desarrollo.
XIX. IEC 60706-3:2006: Maintainability of equipment - Part 3: Verification and

collection, analysis and presentation of data (Edition 2.0).
UNE-EN 60706-3:2009: Mantenibilidad de equipos. Parte 3: Verificación y
recogida, análisis y presentación de datos.

XX. IEC 60706-5:2007: Maintainability of equipment - Part 5: Testability and

diagnostic testing (Edition 2.0).
UNE-EN 60706-5:2011: Mantenibilidad de equipos. Parte 5: Facilidad de
ensayo y ensayos de diagnóstico.
XXI. IEC 60812:2006: Analysis techniques for system reliability - Procedure for
failure mode and effects analysis (FMEA) (Edition 2.0).
UNE-EN 60812:2008: Técnicas de análisis de la fiabilidad de sistemas.
Procedimiento de análisis de los modos de fallo y de sus efectos (AMFE).
XXII. IEC 61014:2003: Programmes for reliability growth (Edition 2.0).

UNE-EN 61014:2004: Programas de crecimiento de fiabilidad.
XXIII. IEC 61025:2006: Fault tree analysis (FTA) (Edition 2.0)

UNE-EN 61025:2011: Análisis por árbol de fallos (AAF).
XXIV. IEC 61070:1991: Compliance test procedures for steady-state availability

(Edition 1.0).
UNE 20970:1999: Procedimientos de ensayo de conformidad con la
disponibilidad en régimen permanente.
XXV. IEC 61078:2006: Analysis techniques for dependability - Reliability block

diagram and boolean methods (Edition 2.0).
UNE-EN 61078:2006 : Técnicas de análisis de la confiabilidad. Método del
diagrama de bloques de la fiabilidad y métodos booleanos (IEC 61078:2006).
XXVI. IEC 61123:1991: Reliability testing - Compliance test plans for success ratio
(Edition 1.0).
UNE 20932:1996: Ensayos de fiabilidad. Planes de ensayo de conformidad
con una proporción de éxitos.
XXVII. IEC 61124:2012: Reliability testing - Compliance tests for constant failure rate
and constant failure intensity (Edition 3.0).
UNE-EN 61124:2014: Ensayos de fiabilidad. Planes de ensayos de
conformidad para tasa de fallo constante y para intensidad de fallo constante.

XXVIII. IEC 61160:2005: Design review (Edition 2.0).

UNE-EN 61160:2007 : Revisión de diseño (IEC 61160:2005).
XXIX. IEC 61163-1:2006: Reliability stress screening - Part 1: Repairable assemblies

manufactured in lots (Edition 2.0).
UNE-EN 61163-1:2010: Cribado de elementos mediante esfuerzos. Parte 1:
Elementos reparables fabricados en lotes.
XXX. IEC 61163-2:1998: Reliability stress screening - Part 2: Electronic components

(Edition 1.0).
CEI 61163-2:1998: Selección mediante pruebas de vida bajo condiciones de
esfuerzo. Parte 2: Componentes electrónicos.
XXXI. IEC 61164:2004: Reliability growth - Statistical test and estimation methods
(Edition 2.0).
UNE-EN 61164:2005: Crecimiento de la fiabilidad. Ensayos estadísticos y
métodos de estimación.
XXXII. IEC 61165:2006: Application of Markov techniques (Edition 2.0).

EN 61165:2006: Application of Markov techniques (IEC 61165:2006).
XXXIII. IEC 61649:2008: Weibull analysis ( Edition 2.0).

UNE-EN 61649:2012: Análisis de Weibull.
XXXIV. IEC 61650:1997: Reliability data analysis techniques - Procedures for

comparison of two constant failure rates and two constant failure (event)
intensities (Edition 1.0).
NO HAY NORMA AENOR
XXXV. IEC 61703:2001: Mathematical expressions for reliability, availability,

maintainability and maintenance support terms (Edition 1.0).
UNE-EN 61703:2003: Expresiones matemáticas para los términos de
fiabilidad, disponibilidad, mantenibilidad y de logística de mantenimiento.

XXXVI. IEC 61709:2011: Electric components - Reliability - Reference conditions for

failure rates and stress models for conversion (Edition 2.0).
UNE-EN 61709:2014 : Componentes electrónicos. Fiabilidad. Condiciones
de referencia para tasas de fallo y modelos de conversión en función de los
esfuerzos.
XXXVII. IEC 61710:2013: Power law model - Goodness-of-fit tests and estimation
methods (Edition 2.0).
UNE-EN 61710:2014: Modelo de ley de potencia. Ensayos de bondad de
ajuste y métodos de estimación.
XXXVIII. IEC 61882:2001: Hazard and operability studies (HAZOP studies) -

Application guide (Edition 1.0 ).
NO HAY NORMA AENOR
XXXIX. IEC 61907:2009: Communication network dependability engineering

(Edition 1.0).
UNE-EN 61907:2013: Ingeniería de confiabilidad de las redes de
comunicación.
XL. IEC 62198:2013: Managing risk in projects - Application guidelines (Edition

2.0).
UNE-EN 62198:2015 Gestión de riesgos del proyecto. Directrices de
aplicación.
XLI. IEC 62308:2006: Equipment reliability - Reliability assessment methods

(Edition 1.0).
UNE-EN 62308:2010: Fiabilidad de los equipos. Métodos de evaluación de la
fiabilidad.
XLII. IEC 62309:2004: Dependability of products containing reused parts -

Requirements for functionality and tests (Edition 1.0).
UNE-EN 62309:2005: Confiabilidad de productos que contienen
componentes reutilizados. Requisitos para funcionabilidad y ensayos.

XLIII. IEC 62347:2006: Guidance on system dependability specifications (Edition

1.0).
UNE-EN 62347:2010: Directrices para especificaciones de confiabilidad de
sistemas.
XLIV. IEC TR 62380:2004: Reliability data handbook - Universal model for

reliability prediction of electronics components, PCBs and equipment
(Edition 1.0)
NO HAY NORMA AENOR
XLV. IEC 62402:2007: Obsolescence management - Application guide (Edition

1.0).
UNE-EN 62402:2011: Gestión de la obsolescencia. Guía de aplicación.
XLVI. IEC 62429:2007: Reliability growth - Stress testing for early failures in unique
complex systems (Edition 1.0).
UNE-EN 62429:2012: Crecimiento de la fiabilidad. Ensayos de esfuerzo para
revelar fallos infantiles en sistemas complejos únicos.
XLVII. IEC 62502:2010: Analysis techniques for dependability - Event tree analysis
(ETA) (Edition 1.0).
EN 62502:2010: Analysis techniques for dependability - Event tree analysis
(ETA).
XLVIII. IEC 62506:2013: Methods for product accelerated testing ( Edition 1.0).
EN 62506:2013: Methods for product accelerated testing.
XLIX. IEC 62508:2010: Guidance on human aspects of dependability (Edition

1.0).
EN 62508:2010: Guidance on human aspects of dependability.
L. IEC 62551:2012: Analysis techniques for dependability - Petri net techniques

(Edition 1.0).
UNE-EN 62551:2014 Técnicas de análisis de la confiabilidad. Técnicas de
redes de Petri.

LI. IEC 62628:2012: Guidance on software aspects of dependability (Edition

1.0).
UNE-EN 62628:2015: Guía sobre la confiabilidad del software.
LII. IEC 62673:2013: Methodology for communication network dependability

assessment and assurance (Edition 1.0).
EN 62673:2013: Methodology for communication network dependability
assessment and assurance.
LIII. IEC 62740:2015: Root cause analysis (RCA) (Edition 1.0).

UNE-EN 62740:2015: Análisis de causa raíz (RCA).
LIV. IEC 62741:2015: Demonstration of dependability requirements - The

dependability case (Edition 1.0).
UNE-EN 62741:2015: Demostración de los requisitos de confiabilidad. El caso
de confiabilidad.
La norma IEC 60300-3-9 :1995: Dependability management - Part 3: Application guide -

Section 9: Risk analysis of technological systems (Edition 1.0) ha sido recientemente
anulada por el IEC. Sin embargo AENOR aún no lo ha realizado estando en vigor su
trasposición CEI 60300-3-9:1995: Gestión de la confiabilidad. Parte 3: Guía de aplicación.
Sección 9: Análisis del riesgo de sistemas tecnológicos.
Antes de iniciar los ensayos de esta investigación se han analizado todas las normas,
revisando en primera instancia la versión de norma AENOR en vigor traducida del IEC,
y en caso de que no estuviese disponible en castellano se han empleado las normas IEC
en su versión en inglés.
En primer lugar se deben de descartar para esta investigación todas aquellas normas
orientadas a predecir la fiabilidad de un diseño o medir la fiabilidad mediante ensayos
controlados, ya que en este caso se disponen de los datos reales de operación durante
gran parte de su vida útil y la investigación está orientada a obtener modelos
matemáticos que representen adecuadamente la evolución de la fiabilidad real de los
sistemas objeto del estudio.
Del resultado del análisis y estudio de las normas aplicables a esta investigación, cobran
especial relevancia las siguientes:
i. IEC 60300-3-1:2003: Dependability management - Part 3-1: Application guide -
Analysis techniques for dependability - Guide on methodology (Edition 2.0).
aplicación. Técnicas de análisis de la confiabilidad. Guía metodológica.

ii. IEC 61703:2001: Mathematical expressions for reliability, availability,

maintainability and maintenance support terms (Edition 1.0).
UNE-EN 61703:2003: Expresiones matemáticas para los términos de fiabilidad,
disponibilidad, mantenibilidad y de logística de mantenimiento.
iii. IEC 60300-3-2:2004: Dependability management - Part 3-2: Application guide -

Collection of dependability data from the field (Edition 2.0).
aplicación. Recogida de datos de confiabilidad en la explotación.
iv. IEC 60300-3-5:2001: Dependability management - Part 3-5: Application guide -

Reliability test conditions and statistical test principles (Edition 1.0).
UNE 200001-3-5:2002: Gestión de la confiabilidad. Parte 3-5: Guía de aplicación.
Condiciones para los ensayos de fiabilidad y principios para la realización de
contrastes estadísticos.
v. IEC 60605-6:2007: Equipment reliability testing - Part 6: Tests for the validity and
estimation of the constant failure rate and constant failure intensity (Edition3.0).
NO HAY NORMA AENOR
vi. IEC 60605-4:2001: Equipment reliability testing - Part 4: Statistical procedures for
exponential distribution - Point estimates, confidence intervals, prediction
intervals and tolerance intervals (Edition 2.0).
NO HAY NORMA AENOR
vii. IEC 61710:2013: Power law model - Goodness-of-fit tests and estimation methods
(Edition 2.0).
UNE-EN 61710:2014: Modelo de ley de potencia. Ensayos de bondad de ajuste y
Estas siete normas, como se detalla en los apartados posteriores, son las de aplicación a
los sistemas reparables objeto de los ensayos en este estudio. Se ha decidido que durante
el desarrollo de los siguientes apartados de la tesis se realizará siempre mención a la
norma europea IEC, en lugar de su equivalente AENOR por dos motivos
fundamentales:
– Facilitar su lectura y comprensión a futuros lectores ajenos al Estado español del
documento, al referenciarse la norma IEC en idioma inglés.

– Hay dos normas fundamentales que no cuentan con transposición por AENOR,
por lo que obligatoriamente en estos dos casos hay que referenciar las normas
IEC. Al objeto de homogeneizar la presentación de las normas se referencias las
emitidas por IEC.
–
3.2. Aplicación de la Norma IEC 60300-3-1

La norma IEC 60300-3-1:2003, Dependability management - Part 3-1: Application guide -
Analysis techniques for dependability - Guide on methodology (Edition 2.0) ha sido
trasladada por AENOR mediante la norma UNE-EN 60300-3-1:2005: Gestión de la
confiabilidad. Parte 3-1: Guía de aplicación. Técnicas de análisis de la confiabilidad. Guía
metodológica.
Las técnicas de análisis se describen en esta parte del conjunto de normas IEC 60300 y se
utilizan para la predicción, revisión y mejora de la fiabilidad, disponibilidad y
mantenibilidad de un elemento.
Estos análisis se realizan durante las fases de concepción y definición, de diseño y
desarrollo y de operación y mantenimiento, a diferentes niveles del sistema y con
diferentes grados de detalle, con el fin de evaluar, determinar y mejorar las
características de confiabilidad de un elemento. También se pueden emplear para
comparar los resultados del análisis con los requisitos especificados.
Los métodos recogidos en esta norma se clasifican en dos categorías principales:
− Métodos que se utilizan principalmente para análisis de la confiabilidad;
− Métodos generales de ingeniería que apoyan los análisis de la confiabilidad o
añaden valor al proceso de diseño en función de la confiabilidad.
El ámbito de utilización de los métodos de análisis de la confiabilidad dentro de las

tareas generales de análisis de la confiabilidad consideradas en el procedimiento general
de análisis se recoge en la tabla adjunta de la página siguiente.
Los métodos se explican brevemente en el anexo A de la norma IEC 60300-3-1 y se
referencia la norma IEC que desarrolla cada método, en el caso de que exista.
La selección de métodos a implantar en un programa de confiabilidad es un proceso
muy individualizado, tanto que no es posible realizar una sugerencia genérica para la
selección de uno o más de los métodos específicos. La elección del método apropiado
debería hacerse con el esfuerzo conjunto de expertos en confiabilidad y en el campo de
la ingeniería de sistemas. La selección se debería realizar al principio del desarrollo del
programa y debería revisarse su aplicabilidad.

Tabla 6 – Guía para la selección del método de análisis de la fiabilidad IEC 60300-3-1
Está norma incluye una guía para la selección del método de análisis apropiado, que
aplicada a esta investigación de sistemas de tracción eléctrica ferroviaria y escaleras
mecánicas, se obtiene;
a. La complejidad del sistema:
Se trata de sistemas complejos, con gran número de subsistemas, equipos y

componentes.

b. Novedad del sistema:
Se trata de sistemas consolidados técnicamente, sin gran novedad técnica.
c. Análisis cuantitativo vs análisis cualitativo:
Se pretende efectuar un análisis cuantitativo.
d. Fallo único frente a fallos múltiples:
No son relevantes los efectos del fallo múltiple.
e. Comportamiento dependiente de tiempo o de una secuencia:
No es relevante la secuencia de fallos, su orden y de potencial relación

concatenada.
f. Uso en sucesos dependientes:
Los sucesos no son dependientes del estado del sistema.
g. Análisis abajo – arriba o arriba-abajo:
No se pretende efectuar un análisis de arriba-abajo o de abajo-arriba, se trata de

estimar la fiabilidad del sistema en su conjunto.
h. Adecuado para asignación de la confiabilidad:
No se requiere asignar unos requisitos de fiabilidad previos o de diseño, se trata

de estimar la fiabilidad de los sistemas a partir de los datos de operación
i. Dominio requerido:
Se requiere un alto dominio de conocimiento de los sistemas y de los métodos a

emplear.
j. Aceptación y uso común:
Se prefiere un método aceptado por la comunidad científica.
k. Necesidad de apoyo de herramientas:
Se disponen de herramientas de apoyo en caso necesario.
l. Comprobaciones de credibilidad:
Se prefiere un método que incluya comprobaciones de credibilidad.
m. Disponibilidad de herramientas:
Se prefiere un método que disponga de herramientas de apoyo.
n. Normalización:
Se prefiere un método Normalizado para garantizar la validez de los resultados

obtenidos.

Los únicos métodos que cuentan con norma IEC, para sistemas complejos y análisis
cuantitativo son: Análisis por Árbol de Fallos, Análisis de Markov y Métodos
Estadísticos de Fiabilidad.
El Análisis por Árbol de Fallos tiene una doble aplicación básica; identificar la causa de
un fallo conocido y/o analizar los modos de fallo y su modelización, empleando
intensidades de fallo constantes, extremo que no se conoce a priori en esta investigación.
Por lo tanto, no es la norma apropiada para esta investigación, ya que lo que se investiga
justamente es si las intensidades de fallo de los sistemas son realmente constantes o tiene
una dependencia temporal o de uso.
El Análisis de Markov es un método probabilístico que permite adaptar la dependencia
estadística de las características de fallo o reparación de los componentes individuales
del sistema, empleando intensidades de fallo constantes, extremo que no se conoce a
priori en esta investigación. Por lo tanto, no es la norma apropiada para esta
investigación, como ya se ha indicado anteriormente.
Los Métodos Estadísticos de Fiabilidad se emplean para cuantificar la fiabilidad de un
Componente o Sistema, y en particular para el seguimiento de sistemas en operación
para determinar la evolución y tendencia de la intensidad de fallo. Son por tanto, los
Métodos Estadísticos de Fiabilidad los apropiados para efectuar la investigación
propuesta.
3.3. Aplicación de la Norma IEC 61703

La norma IEC 61703:2001, Mathematical expressions for reliability, availability,
maintainability and maintenance support terms (Edition 1.0), ha sido trasladada por
AENOR mediante la norma UNE-EN 61703:2003: Expresiones matemáticas para los
términos de fiabilidad, disponibilidad, mantenibilidad y de logística de mantenimiento.
Esta norma recoge las expresiones matemáticas para los términos de fiabilidad,
disponibilidad, mantenibilidad y de logística de mantenimiento. En esta norma se
proporcionan las definiciones relacionadas con la fiabilidad, así como las expresiones
matemáticas que se deben emplear en los cálculos de las variables principales. En esta
norma se consideran separadamente las siguientes clases de elementos:
− elementos no reparables;
− elementos reparables con tiempo hasta la restauración nulo;
− elementos reparables con tiempo hasta la restauración no nulo.
Para elementos no reparables, elementos reparables con tiempo hasta la restauración
nulo y elementos reparables con tiempo hasta la restauración no nulo, se desarrollan y
formulan las expresiones matemáticas de:
a. Fiabilidad; R(t)
b. Tasa instantánea de fallo; λ(t) (elementos no reparables)
c. Intensidad instantánea de fallo; z(t) (elementos reparables)
d. Tasa media de fallo; (elementos no reparables)

e. Intensidad media de fallo; (elementos reparables)

f. Tiempo medio hasta el fallo: MTTF
g. Tiempo medio de disponibilidad: MUT (elementos reparables)
h. Tiempo medio de funcionamiento entre fallos: MTBF (elementos reparables)
Asimismo, y para los elementos reparables con tiempo hasta la restauración no nulo, se
incluyen las expresiones matemáticas para el cálculo de disponibilidades e
indisponibilidades instantánea, media y asintótica. También la mantenibilidad, tasa
media de reparación, tiempo medio de reparación, etc.
Los sistemas de tracción eléctrica ferroviaria y escaleras mecánicas se tratan de

elementos reparables, dado que casi la totalidad de sus bloques constructivos y
componentes de un alto valor económico unitario, son desmontados del tren o de la
escalera mecánica en caso de avería, reparados y vueltos a ser utilizados.
La fiabilidad en el sector del ferrocarril de los equipamientos embarcados en un tren se
relaciona, no con las horas (h) de funcionamiento de los sistemas, sino con los kilómetros
(km) recorridos por el tren, ya que esta es la variable principal de desgaste y utilización y
envejecimiento de los sistemas embarcados.
Nótese, por ejemplo, que un tren estacionado 36 horas en un andén en estado de reposo
no somete a un gran desgaste al sistema de tracción, ya que casi la totalidad de los
componentes de los equipos se encuentran desconectados o en un régimen de trabajo
“stand-by”. Por lo tanto, la investigación se centrará en determinar la fiabilidad de los
sistemas de tracción eléctrica ferroviaria en función de los kilómetros recorridos y su
intensidad de fallo z(km), mientras que en las escaleras mecánicas se empleará la variable
tiempo z(t).
Hay que determinar si el tiempo de restauración del sistema es nulo o no, al objeto de
aplicar correctamente las expresiones matemáticas relacionadas con la fiabilidad
recogidas en la norma.
Un tren con una avería en el sistema de tracción queda inmovilizado en muchos casos y
no recorre kilómetro alguno con el sistema operativo, por lo que debe ser remolcado. En
los casos en los que puede funcionar en modo degradado es retirado inmediatamente de
la circulación, recorriendo en el caso de trenes los de Metro de Madrid un máximo de 20
km hasta el taller más cercano.
Estos valores son despreciables frente a los más de 40.000 km medios entre fallos de los
sistemas, por lo que se debe clasificar a los sistemas de tracción eléctrica ferroviaria como
elementos reparables con kilómetros (“tiempo”) hasta la restauración nulo.
En el caso de las escaleras mecánicas un fallo conlleva la paralización de la escalera
mecánica de forma inmediata por motivos de seguridad operacional. El tiempo medio
de parada es de 2,5 horas en las escaleras mecánicas objeto del estudio, que comparadas
con las más de 316 horas de tiempo medio entre fallos puede considerarse como
despreciable y clasificar a las escaleras mecánicas como elementos reparables con tiempo
hasta la restauración nulo.

[UNE-EN 61703:2003]
Figura 24 – Ejemplo de un sistema con tiempo hasta la restauración nulo
Las expresiones matemáticas adecuadas para elementos reparables con tiempos hasta la
restauración nulo vienen desarrolladas en el apartado de la norma 6.2, siendo el aspecto
más reseñable, que se debe emplear la intensidad instantánea de fallo z(t) como
magnitud adecuada de representación y cálculo de la fiabilidad, en lugar de la tasa de
fallo λ(t) magnitud reservada sólo para elementos no reparables.
3.4. Aplicación de la norma IEC 60300-3-2

Collection of dependability data from the field (Edition 2.0) se ha trasladado por
AENOR mediante la norma UNE-EN 60300-3-2:2008: Gestión de la confiabilidad. Parte
3-2: Guía de aplicación. Recogida de datos de confiabilidad en la explotación.
Bajo las recomendaciones de esta norma se realiza en la investigación el tratamiento de
los datos disponibles de la fiabilidad de los sistemas, al objeto de obtener datos lo más
íntegros posibles. La base de datos de averías de trenes de 25 años (1988-2012) cuenta
con unos 384.000 registros (filas) y con 72 atributos (columnas), por lo que se disponen
de unos 27.648.000 datos. En el caso de las escaleras mecánicas se parte de una base de
datos de más de 10 años (2005-2015) con más de 10.000 registros (filas) y con 25 atributos
(columnas).

Son datos recogidos en la operación de los sistemas, y según la norma IEC 60300-3-2 se
pueden clasificar con la “filosofía” del apartado 12 de la norma como:
– Recogida de datos continua; no hay periodos sin datos.
– Recogida de datos completa; existen datos de todos los ítems.
– Tipo de población finita.
– Sin muestreo; se analizan todos los trenes de cada serie.
– Datos cuantitativos.
– Datos sin censura; son datos completos sin censuras por intervalos, inicio o fin.
– Datos validados en origen; los registros de averías sólo recogen aquellas que
realmente han sido clasificadas como tal por los técnicos de mantenimiento.
– Datos sin cribado; no se elimina ningún registro de avería, aunque la
distribución parezca inicialmente anómala o fuera de los valores esperados del
sistema.
Por lo tanto, se dispone de una inmejorable y completa base de datos de averías, ya que
la investigación se realiza sobre datos cuantitativos, continuos, completos, sin censura,
sin cribado y validados en origen, sobre una población finita y sin muestreo. La
investigación se basa en unos datos de operación de los sistemas de tracción eléctrica
ferroviaria y escaleras mecánicas de excelente calidad, lo que permite adelantar que las
hipótesis y resultados que se obtienen tienen un alto grado de integridad.
3.5. Aplicación de la norma IEC 60300-3-5

Reliability test conditions and statistical test principles (Edition 1.0), se ha trasladado
por AENOR como la norma UNE 200001-3-5:2002: Gestión de la confiabilidad. Parte 3-5:
Guía de aplicación. Condiciones para los ensayos de fiabilidad y principios para la
realización de contrastes estadísticos.
Esta norma establece los métodos y las condiciones para los ensayos de fiabilidad y
principios para la realización de contrastes estadísticos. Incluye una detallada guía para
la selección de los métodos estadísticos empleados para analizar los datos procedentes
de ensayos de fiabilidad de elementos reparables o no reparables.
De acuerdo al apartado 4 de la norma de “Consideraciones Generales” la investigación
sobre los sistemas de tracción eléctrica ferroviaria y escaleras mecánicas se debe efectuar
con la guía de esta norma ya que contempla que:
– Se puede aplicar a la fase del ciclo de vida de “explotación”.
– Incluye métodos para sistemas reparables.
– Se puede sustituir el término “tiempo” (t), por otra variable de magnitud
apropiada para cada sistema, en nuestro caso también la distancia (km).

En la norma se establecen los requisitos para una correcta especificación del ensayo de
fiabilidad a ejecutar, con objeto de que todas las variables que pueden afectar al ensayo
queden determinadas y acotadas de forma previa a la aplicación de los métodos
estadísticos de ensayo y contraste.
De acuerdo a la “Categoría de Ensayo” según el apartado 5 de la norma el objetivo de la
investigación se clasifica como “Ensayo de Estimación de la Fiabilidad”, al tratarse de
cuantificar la fiabilidad de los sistemas de tracción de los trenes en explotación,
utilizando valores numéricos.
En el apartado 8.4 se describe la naturaleza estadística de los modos de fallo en
elementos reparables como un proceso puntual estocástico. La intensidad de fallo z(t) se
refiere exclusivamente a elementos reparables. Esto significa que la intensidad de fallo
de un elemento único reparable se puede estimar empleando los sucesivos tiempos
entre fallos. Se estima por el número de fallos por unidad de tiempo u otra variable.
En este caso, los fallos de cada elemento suceden secuencialmente y esto se conoce como
un “proceso puntual estocástico”. Es importante mantener la trazabilidad de la
secuencia de los tiempos entre fallos. Si los tiempos entre fallos se distribuyen
exponencialmente, entonces la intensidad de fallo es constante. Por lo tanto, el tiempo
entre fallos se puede modelar por una distribución exponencial. En este caso, el número
de fallos por unidad de tiempo se puede modelar por un proceso de Poisson homogéneo
(HPP).
En muchos casos en los que existe una tendencia en la intensidad de fallo, se puede
aplicar la ley de potencia. Esto conduce a un modelo a partir del cual se puede estimar la
tendencia. Si existe una tendencia (intensidad de fallo creciente o decreciente) puede ser
de aplicación un proceso de Poisson no homogéneo (NHPP).
Tabla 7 – Modelos apropiados para análisis de datos según IEC 60300-3-5
Los métodos normalizados existentes para la estimación de la fiabilidad se deben

seleccionar según el proceso del diagrama adjunto.

Figura 25 –Métodos disponibles para la estimación de la fiabilidad bajo IEC 60300-3-5
Se adjunta relación de normas para la estimación de la fiabilidad en elementos no

reparables (no objeto de esta investigación) según norma IEC 60300-3-5:
– Contrastes de las hipótesis de tasa de fallo constante: IEC 60605-6.
– Estimación puntual e intervalos de confianza para la distribución exponencial:
CEI 60605-4.
– Contraste de bondad de ajuste para la distribución de Weibull: IEC 61649.
– Estimación puntual e intervalos de confianza para la distribución de Weibull: IEC
61649.
– Estimación puntual e intervalos de confianza para la distribución binomial: ISO
11453.
Se adjunta relación de normas para la estimación de la fiabilidad en elementos
reparables (de aplicación en esta investigación) según norma IEC 60300-3-5:
– Contrastes para la intensidad de fallo constante: IEC 60605-6.
– Estimación puntual e intervalos de confianza para la distribución exponencial:
IEC 60605-4.
– Estimación de los parámetros y contraste estadístico del modelo de la ley de
Potencia: IEC 61710.
A continuación se analizan los aspectos principales de las normas aplicables para
elementos reparables.

3.6. Aplicación de la norma IEC 60605-6

Para la norma IEC 60605-6:2007, Equipment reliability testing - Part 6: Tests for the
validity and estimation of the constant failure rate and constant failure intensity
(Edition3.0), no hay traslado realizado a la fecha por AENOR.
La norma desarrolla las pruebas para comprobar la hipótesis de tasa de fallo constante
λ(t) para elementos no reparables y las pruebas para comprobar la hipótesis de
intensidad de fallo constante z(t) para elementos reparables (objeto de esta
investigación).
En su apartado 6.2 se desarrolla el test estadístico U para analizar si los equipos no
reparables objeto de estudio presentan o no tendencia en su tasa de fallo, Figura 26. La
norma también incluye tres métodos gráficos de ensayo de tendencia en los apartados
6.3, 6.4 y 6.5 como apoyo al investigador, al objeto de que evalúe si se puede asumir que
los elementos no reparables en estudio presentan o no tendencia.
Figura 26 – Pruebas de tendencia para elementos no reparables IEC 60605-6
En el apartado 7.2 de la Norma se desarrolla el procedimiento para comprobar si un

elemento reparable tiene una intensidad de fallo z(t) constante, basado en el cálculo del
estadístico U (test de Laplace), Figura 27.

Figura 27 – Pruebas de tendencia para elementos reparables IEC 60605-6
Para ensayo terminado por tiempo;
(64)
Para ensayo terminado por fallo;
(65)
Siendo:
r el número total de fallos a considerar
T* el tiempo total del ensayo terminado por tiempo
Tr el tiempo total del ensayo terminado por fallo
Ti el tiempo acumulado del ensayo a considerar en el fallo i-enésimo
Con la hipótesis de crecimiento cero (es decir, los tiempos de fallo siguen un proceso
homogéneo de Poisson, HPP), el estadístico U se distribuye aproximadamente según
una distribución exponencial tipificada de media 0 y desviación 1. El estadístico U
puede usarse para probar si hay evidencia de crecimiento de la fiabilidad, positivo o
negativo, independiente del modelo de crecimiento de la fiabilidad.
Un ensayo bilateral para crecimiento positivo o negativo con el nivel de significación α
tiene los valores críticos u1-α/2 y -u1-α/2 , donde u1-α/2 es el percentil (1-α/2)x100% de la
distribución normal tipificada. Si:
(66)

entonces no hay evidencia de crecimiento de la fiabilidad positivo o negativo al nivel de

significación α. En este caso se acepta la hipótesis de distribución exponencial de los
tiempos entre fallos sucesivos (o un proceso de Poisson homogéneo HPP) con el nivel de
significación α. Los valores críticos u1-α/2 y -u1-α/2 corresponden a un ensayo unilateral
para crecimiento positivo o negativo, respectivamente, con el nivel de significación α/2.
Para los niveles de significación requeridos hay que elegir los valores críticos adecuados
de la tabla de percentiles de la distribución normal tipificada:
α Valor de Uα
0,025 2,24
0,050 1,96
0,100 1,64
Tabla 8 – Valores críticos estadístico U
En el apartado 7.3 de la norma se desarrolla el procedimiento para comprobar si un

conjunto elementos reparables de las mismas características tiene una intensidad de fallo
constante, basado en el cálculo del estadístico U:
(67)
Siendo:
ri el número total de fallos a considerar del ítem i-enésimo
Ti* el tiempo total del ensayo terminado por tiempo del ítem i-enésimo
Tij el tiempo acumulado del ensayo a considerar en el fallo j-enésimo del ítem i-
enésimo.
k el número total de items
una distribución exponencial tipificada de media 0 y desviación 1. El estadístico U
puede usarse para probar si hay evidencia de crecimiento de la fiabilidad, positivo o
negativo, independiente del modelo de crecimiento de la fiabilidad.
Como en el caso del apartado 7.2 se incluye un ensayo bilateral para crecimiento
positivo o negativo con el nivel de significación α tiene los valores críticos u1-α/2 y -u1-α/2 ,
donde u1-α/2 es el percentil (1-α/2)x100% de la distribución normal tipificada.

En el Apartado 7.4 de la norma se desarrolla el procedimiento gráfico denominado “M

(t) plot” para comprobar si uno o un conjunto elementos reparables de las mismas
características tiene una intensidad de fallo constante. Se trata de un prueba más
cualitativa que cuantitativa, por lo en esta investigación se emplearan preferentemente
las pruebas de tendencia de los apartados 7.2 y 7.3 de la norma IEC 60605-6.
3.7. Aplicación de la norma IEC 60605-4

La norma IEC 60605-4:2001: Equipment reliability testing - Part 4: Statistical procedures
for exponential distribution - Point estimates, confidence intervals, prediction intervals
and tolerance intervals (Edition 2.0) no cuenta con equivalente trasladado por AENOR.
La introducción modelo HPP se ha efectuado en el apartado 2.7.5. Esta norma desarrolla
el procedimiento estadístico para la distribución exponencial y permite estimar el valor
de tasa de fallo constante para elementos no reparables y el valor de intensidad de fallo
constante para elementos no reparables. También incluye la formulación para el cálculo
de los intervalos de confianza, tolerancias, etc.
Esta norma debe aplicar de forma complementaria a la IEC 60605-6, de tal forma que si
del resultado de la aplicación del estadístico U se acepta la hipótesis de distribución
exponencial de los tiempos entre fallos sucesivos (o un proceso de Poisson homogéneo
HPP), se puede calcular directamente el valor de tasa de fallo constante λ(t) o intensidad
de fallo constante z(t).
Figura 28 – Estimación de parámetros en distribución exponencial según IEC 60605-4

Para ensayo terminado por tiempo y elementos reparables, la estimación puntual de la

intensidad de fallos;
(68)
(69)
Siendo:
r el número total de fallos a considerar en el ensayo
T* el tiempo total del ensayo terminado por tiempo o por fallo
Para ensayos terminados por tiempo con reemplazo de elementos (de aplicación en esta
investigación), el intervalo de confianza bilateral es;
(70)
(71)
Siendo:
Χ2 Valor de la tabla de fractiles de la Χ2 distribución para un intervalo de confianza
del 90%.
3.8. Aplicación de la norma IEC 61710

La norma IEC 61710:2013: Power law model - Goodness-of-fit tests and estimation
methods (Edition 2.0) ha sido trasladada por AENOR bajo la norma UNE-EN 61710:
2014: Modelo de ley de potencia. Ensayos de bondad de ajuste y métodos de estimación.
La introducción a los modelos NHPP se ha efectuado en el apartado 2.7.6. Esta norma
desarrolla el procedimiento estadístico para el modelo de la ley de potencia y permite
estimar el valor de la intensidad de fallo para ensayos de uno o varios elementos
reparables en ensayos terminados por tiempo o por fallo. También permite la estimación
de la intensidad de fallo en ensayos para grupos de fallos en intervalos de tiempo.

Esta norma debe aplicar de forma complementaria a la IEC 60605-6, de tal forma que si
del resultado de la aplicación del estadístico U se rechaza, sí existe una tendencia
(intensidad de fallo creciente o decreciente) y puede ser de aplicación el denominado
proceso de Poisson no homogéneo (NHPP), y en particular el modelo de la ley de
Potencia.
Se recuerda la ley de potencia (ver 2.7.6);
(52)
(53)
Siendo;
E[N(t)] el número acumulado de fallos esperado hasta tiempo de fallo T
λ es el parámetro de escala
β es el parámetro de forma
z(t) la intensidad de fallo actual tras T tiempo de ensayo
Los métodos de estimación estadística de la intensidad de fallo difieren según el tipo de

ensayo efectuado:
a. Uno o múltiples elementos reparables observados en el mismo espacio de

tiempo; se aplican los estadísticos del apartado 7.2.1 de la norma.
b. Múltiples elementos reparables observados en diferentes intervalos de tiempo;
se aplican los estadísticos del apartado 7.2.2 de la norma.
c. Grupos de fallos en intervalos de tiempo; se aplican los estadísticos del apartado
7.2.3 de la norma.
Para uno o múltiples elementos reparables observados en el mismo espacio de tiempo,

apartado 7.2.1 se calcula el sumatorio;
; para ensayos terminados a tiempo (72)

; para ensayos terminados a fallo (73)
Siendo:
tN el tiempo total del ensayo terminado por fallo
tj el tiempo acumulado del ensayo en el fallo j-enésimo
Se calcula la estimación no sesgada del parámetro de forma β;
para ensayos terminados a tiempo (74)
para ensayos terminados a fallo (75)
Se calcula la estimación del parámetro de escala λ;
; para ensayos terminados a tiempo (76)
para ensayos terminados a tiempo (77)
Siendo;
N el número total de fallos acumulados en el ensayo.
k el número total de ítems del ensayo.
La intensidad de fallo estimada, por lo tanto, según la ley de potencia:
(78)

Para múltiples elementos reparables observados en diferentes espacios de tiempo,

apartado 7.2.2 se calcula de forma iterativa el parámetro de forma β;
0 (79)
(80)
Siendo;
N el número total de fallos acumulados en el ensayo.
k el número total de ítems del ensayo.
ti el tiempo al fallo ti, i = 1,2,….N.
Tj el tiempo total de observación Tj desde el ítem j=1,2,…k.
El ensayo de bondad de ajuste para los casos de la norma 7.2.1 y 7.2.2, requiere calcula el
estadístico Cramer-von-Mises C2, de acuerdo al apartado 7.3.1.1;
(81)
Siendo:
M = N y T = T* para ensayos terminados a tiempo.
M = N-1 y T =tN para ensayos terminados a fallo.
A continuación se selecciona el valor crítico C2 0,90 (M) para un nivel de significación del
10% de la tabla que se adjunta;
>
Si el estadístico C2 excede del valor crítico de la tabla , entonces debe rechazarse

la hipótesis de que el modelo de la ley de potencia ajusta adecuadamente los datos del
ensayo.

En su anexo C la norma IEC 61710 de 2013 incluye una estimación Bayesiana para el
modelo de ley potencial. Los métodos reflejados en el cuerpo principal de esta norma se
basan en el planteamiento clásico para realizar estimaciones estadísticas. Esto significa
que los parámetros de la ley potencial λ y β se supone que son fijos, pero desconocidos y
se emplea un método clásico como el de "máxima verosimilitud" para estimar los
valores de ambos parámetros utilizando los datos observados de los tiempos
acumulados hasta el fallo de un elemento reparable.
Un planteamiento alternativo es el de la estimación Bayesiana. Este planteamiento trata
los parámetros de la ley potencial, λ y β como variables aleatorias no observadas. Esto
afecta a las etapas del proceso de estimación. Un enfoque Bayesiano para la estimación
del proceso de la ley potencial puede resumirse en los siguientes pasos:
a. elegir una distribución de probabilidad que refleje el grado de conocimiento de

cada uno de los parámetros, λ y β antes de recoger ningún dato. A esta
distribución se la denomina la distribución a priori;
b. recopilar los datos observados de los tiempos de fallo acumulados para el
elemento reparable de que se trate;
c. estimar los parámetros del modelo de ley potencial a partir de la distribución a
posteriori que se calcula empleando el teorema de Bayes y que refleja lo que se
conoce sobre los parámetros tras la observación de los datos.

3.9. Procedimiento metodológico en aplicación de normas IEC

Se adjunta el flujograma del procedimiento metodológico para el análisis de la fiabilidad
aplicado a la investigación de elementos reparables, de acuerdo a las normas IEC.
Selección de la Técnica
de Análisis de la
Fiabilidad IEC 60300-3-1
Expresiones Matemáticas
Aplicables para Sistemas IEC 61703
Reparables
Recogida de Datos en
Explotación IEC 60300-3-2
Selección del Análisis

Estadístico Aplicable al
Ensayo IEC 60300-3-5
Test de Intensidad de
IEC 60605-6
Fallo Constante
A
IEC 60605-6 ¿z(t) cte.? ¿z(t) cte.? IEC 60605-6

Apartado 7.3 Múltiples ítem Para cada ítem Apartado 7.2
SI NO SI NO
IEC 61710 IEC 61710
Apartado 7.3.1.1 Apartado 7.3.1.1
Estimar la constante ¿Aplica el Modelo de Ley Estimar la constante ¿Aplica el Modelo de Ley
z(t) = λ Potencial ? z(t) = λ de Potencia ?
IEC 60605-4 IEC 60605-4

Apartado 5.1 SI NO Apartado 5.1 SI NO
Estimar los parámetros No se puede modelar f(t) Estimar los parámetros No se puede modelar f(t)
λy β para el conjunto de ítem λy β para el ítem
IEC 61710 IEC 61710

Apartado 7.2.2 A Apartado 7.2.1
Figura 29 – Procedimiento metodológico para análisis de la fiabilidad según normas IEC
Este flujograma está personalizado al tipo de elementos reparables y datos objeto de la

investigación, de los que se disponen los tiempos (y kilómetros) exactos de cada fallo y
son ensayos terminados a tiempo (no a fallo).

4. SISTEMAS DE TRACCIÓN ELÉCTRICA
FERROVIARIA
Las máquinas me sorprenden con mucha frecuencia.
-Alan Turing-
L
a evolución de las técnicas aplicadas a la tracción eléctrica ferroviaria está ligada al
desarrollo e implantación comercial de los componentes de electrónica de
potencia; tiristores, GTO’s (Gate Turn-Off Thyristor), IGBT’s (Insulated Gate
Bipolar Transistor), que posibilitan el control y regulación de los motores de tracción de
los trenes.
Desde el inicio del ferrocarril eléctrico a finales del siglo XIX, hasta mediados de la
década de los 70, la técnica básica aplicada fue la reostática, basada en intercalar
resistencias para la regulación de los motores de tracción de corriente continua.
Con el desarrollo en los años 70, de tiristores de potencia suficiente para controlar la
alimentación de motores de tracción de corriente continua mediante la técnica chopper,
se da el primer paso en la evolución de los sistemas de tracción, que se acelera en los
años 80 y 90 con la aparición de nuevos semiconductores como los GTO’s e IGBT’s y la
consolidación de sistemas de control basados en microprocesadores, lo que ha permitido
la implantación de las técnicas trifásicas con ondulador de corriente y con ondulador de
tensión.
En primer lugar se analizaran y presentan de forma resumida, los principios de
funcionamiento de las cuatro técnicas de tracción eléctrica ferroviaria con mayor
implantación comercial a nivel mundial; reostática, chopper, trifásica – ondulador de
corriente y trifásica – ondulador de tensión.
A continuación se presentan los bloques constructivos de implantación en el ferrocarril
de los sistemas de tracción eléctrica ferroviaria.
Finalmente se presentan los sistemas de tracción eléctrica ferroviaria, implantados en las
series de trenes de Metro de Madrid; 5000-1ª (reostática), 5000-4ª (chopper), 2000-B
(trifásica – ondulador de corriente) y 8000 (trifásica – ondulador de tensión).
Sistemas de Tracción Eléctrica Ferroviaria 123
4.1. Las técnicas de tracción eléctrica ferroviaria
4.1.1. Técnica reostática
Se denomina como técnica reostática de tracción a aquellos trenes alimentados en

corriente continua, que intercalando resistencias para el control del arranque y el freno,
alimentan a motores de tracción de corriente continua.
Un motor de corriente continua está constituido por una parte fija (estator ó carcasa)
compuesta por la carcasa y los inductores, y de una parte móvil giratoria (rotor ó
inducido) compuesta por el inducido y el colector.
La velocidad de giro del motor es función de la tensión de alimentación, aumentando
o disminuyendo, en el mismo sentido que lo hace la intensidad que recorre al
inducido. En aplicaciones ferroviarias en los motores de tracción la excitación es
generalmente en serie. La corriente atraviesa primero el devanado del inductor y
después el devanado del inducido, ó al inversa.
Se utiliza esta excitación cuando es necesaria una gran potencia en el arranque, ya que
proporciona una regulación constante de la velocidad, estos motores son susceptibles
de convertirse en generadores alimentando únicamente al estator. El principal
inconveniente es su exposición al embalamiento cuando disminuye la adherencia
rueda-carril.
ESTATOR INDUCIDO
EXCITACIÓN SERIE
+ -
Figura 30 – Motor de corriente continua en excitación serie
La utilización y evolución de esta técnica se mantuvo desde el inicio del tren eléctrico a
finales del siglo XIX, hasta los años 70 del siglo pasado, y se basa en ir intercalando
resistencias, que se van cortocircuitando, entre la tensión de alimentación y los motores
de tracción, de forma que la tensión aplicada a los motores va aumentando
progresivamente.

+ 600 Vcc
M2 M1
1 2
C A J
C
B
M4 M3
4 3
Figura 31 – Configuración simplificada serie de arranque de motores de tracción
En el ejemplo de la Figura 31, los cuatro motores (M1, M2, M3 y M4) se conectan, en
principio, en serie con las resistencias A y B. Esta configuración consigue que la tensión
en bornes de cada motor, en la primera fase de arranque sea baja. A continuación, y
controladas por los relés de aceleración C, las resistencias A y B poco a poco van
disminuyendo su resistencia. Finalmente se produce el puenteo total de las resistencias
A y B con el contactor J, quedando los cuatro motores en serie alimentados de la tensión
principal a 600V, lo que implica que cada motor se le aplican 150 V.
+ 600 Vcc
M2 M1 A
1 2
C
J
S
SH
B M4 M3
4 3
C
S
SH
Figura 32 – Configuración simplificada paralelo de motores de tracción

Finalizada la primera etapa, se procede a poner dos motores en paralelo con los otros
dos, de nuevo mediante intercalación de resistencias, según el circuito de la Figura 32,
para continuar con su proceso de arranque. A continuación, y controladas por los relés
de aceleración C, las resistencias A y B poco a poco van disminuyendo su resistencia.
Una vez puenteadas de nuevo ambas resistencias, dos motores quedan alimentados de
la tensión de 600 V, por lo que a cada motor se le aplican 300 V.
Por último, y una vez configurados en paralelo, se pueden “shuntar” los campos de los
motores de tracción, con la debilitación del campo inductor se consigue así mayor
aceleración, mediante la bobina SH y el contactor S, representado en la Figura 32.
En los inicios de la técnica reostática, los trenes no incorporaban frenado eléctrico,
recurriéndose a frenados mecánicos, normalmente sobre zapatas aplicadas a la propia
llanta de la rueda. Dado el importante mantenimiento que esto suponía, se desarrollaron
circuitos eléctricos de potencia diseñados de forma que, en la fase de freno, utilizasen los
motores de corriente continua como generadores (freno eléctrico), de forma que la
energía generada se consume en resistencias de frenado. El circuito en la fase de freno
representado en la Figura 33, los motores de tracción actúan como generadores,
disipándose la energía en las resistencias de frenado C.
M2 M1
1 2
C
C C C
M4 M3
1
4 3
Figura 33 – Configuración simplificada de frenado de motores de tracción
Como puede observarse en los circuitos anteriormente expuestos, la técnica reostática

necesita de un gran número de relés y contactores de potencia para las diferentes
configuraciones de los esquemas de control de los motores de tracción y de las
resistencias de arranque y frenado.
Asimismo es necesario un sistema de control del proceso de arranque y frenado de los
motores de tracción que controle todos los relés y contactores, y que técnicamente han
ido evolucionado desde sistemas puramente electromecánicos (tambor de levas), a
complejos sistemas electrónicos (regulador de marcha/freno + combinador). Esta
evolución en los sistemas de control, no cambian la filosofía de intercalación de
resistencias en serie con los motores de tracción, pero consiguen que los escalonamientos
sean más suaves y que el control de los motores de tracción sea más eficiente.

Estos sistemas de control electrónicos implementan también vigilancias adicionales en

los motores de tracción de sobretensión, sobre intensidad, embalamiento, bloqueo, etc.,
al objeto de mejorar su rendimiento y detectar de forma temprana averías en los
circuitos de tracción.
La técnica reostática presenta grandes inconvenientes en su aplicación ferroviaria, por
un lado la utilización de motores de corriente continua que conllevan unos altos gastos
de mantenimiento, por otro necesita de un gran número de relés, contactores y
componentes electromecánicos (combinador) cuya fiabilidad es limitada. Por último, es
una técnica poco eficiente en su consumo energético, ya que mucha energía es disipada
en las resistencias de arranque y freno.
4.1.2. Técnica Chopper
En los años 70 del siglo pasado y con la aparición de los semiconductores capaces de
controlar altas tensiones e intensidades, fundamentalmente los tiristores, se desarrolló la
técnica chopper que utiliza dispositivos electrónicos para realizar la variación de tensión
de alimentación en los motores de tracción de corriente continua mediante la apertura y
cierre controlada de un interruptor electrónico, normalmente implementados por
tiristores.
El efecto obtenido en los motores de tracción es una regulación de la tensión continua
de alimentación, obtenido como valor medio de la tensión entre los tiempos de cierre y
apertura del interruptor electrónico. Este valor medio se puede regular modificando los
tiempos de apertura y cierre del interruptor electrónico. Durante el arranque se va
adecuando la tensión de los motores de tracción a su fuerza electromotriz instantánea,
de tal forma que la intensidad media durante todo el proceso permanece constante.
Vm1
Vmedio
+ 600 Vcc
C
t
T
M1
I
1
Figura 34 – Esquema básico de la técnica chopper

En la Figura 34 se representa el esquema básico de funcionamiento de la técnica

chopper, en la que el control se efectúa mediante el interruptor electrónico I. El tiempo C
que el interruptor está cerrado, el motor de tracción recibe la tensión de alimentación de
la red, mientras que cuando está abierto el motor no recibe alimentación alguna. Como
resultado para un periodo T, el motor de tracción recibe una tensión de alimentación
equivalente al valor medio Vmedio.
La regulación en tensión se consigue modificando el tiempo C de conducción del
interruptor electrónico, a mayor tiempo de conducción mayor Vmedio en bornes del
motor de tracción. Las frecuencias de trabajo para la regulación de motores de tracción
ferroviarios están comprendidas entre unos pocos Hz, hasta 250 Hz.
La red de alimentación no debe recibir armónicos, ni transitorios de tensión o corriente,
por lo tanto es necesario disponer de un circuito de aplanamiento ó alisado en la parte
de la red, usando para ello un filtro de red formado por una reactancia y un
condensador.
En la carga la tensión y la corriente también es pulsatoria, para alisar y que en el motor
exista una tensión y una corriente lo más continua posible se suele conectar en serie al
motor una reactancia o bobina de aplanamiento, y un diodo de paso libre en paralelo, de
tal manera que cuando interruptor abre y deja de suministrar corriente la bobina se
encarga de suministrar la corriente necesaria a través del diodo de paso libre,
obteniendo así una corriente prácticamente continua en el motor, ver Figura 35.
Figura 35 – Circuitos de corriente con interruptor chopper cerrado y abierto
Dependiendo del tiempo de conexión y desconexión del interruptor (HT) o chopper

obtendremos un valor de tensión medio a su salida. La regulación de la tensión puede
ser a frecuencia constante (variamos Tcon y Tdes, manteniendo el Ttotal), a frecuencia
variable (variamos Tcon y Tdes cte. o variamos Tdes y Tcon cte.), ver Figura 36.

U tcon. tdes.
Ue tcon x Ue
Us = --------------  = tcon / T
T
T t Us =  x Ue
- tcon tiempo de conexión

- tdes tiempo de desconexión
- Ue tensión de entrada
- Us tensión de salida
-T periodo
- alfa de conducción
Figura 36 – Tensión de entrada y salida en la técnica chopper
Los elementos usados como interruptores estáticos pueden ser Tiristores, GTO’s,
IGBT’s o Transistores MOSFET, si bien en las aplicaciones ferroviarias está
extendido el uso de Tiristores, como en el ejemplo de la Figura 37.
+ 600 Vcc
Lr Tc
M1
Cc Lm
1
Ta
Di
Dc Lc
Cr
Figura 37 – Esquema eléctrico de la técnica chopper con tiristores
Como se ha señalado la técnica chopper, basada en la conmutación todo/nada de la

tensión de alimentación sobre una máquina rotativa básicamente inductiva, genera gran
cantidad de armónicos y picos transitorios de tensión y corriente que deben de ser
tratados para evitar su transferencia a la red de alimentación. Es por ello, que se debe
introducir un filtro LC a la entrada de la alimentación. Asimismo, se suelen emplear
inductancias en serie con los motores de tracción, al objeto de limitar los armónicos y
picos de tensión y corriente.

Para desconectar el tiristor se utiliza un circuito de apagado aplicando una tensión

inversa en extremos del tiristor, formado por un circuito oscilante (L-C-D) y otro tiristor
de apagado (LT), que hace las veces de interruptor, ver Figura 38.
C T
L
C-L C-L
HT LT
HT L D
L-C L-C
C
Circuito oscilante L-C T = 2 LC
C-L-D Circuito oscilante * El diodo evita la

HT Tiristor principal reoscilación y el tiempo queda:
LT Tiristor de apagado
2 LC
T = ------------
2
Figura 38 – Circuito de apagado en la técnica chopper con tiristores
La técnica chopper se complementa en la fase de freno, con la configuración de los

circuitos de los motores para que actúen como generadores que recuperan energía de
tracción devolviendo intensidad a la red; caso de que haya consumidores capaces de
recibirla. En el caso de que no existan consumidores en la red, la energía se disipa en
resistencias de frenado.
Como resumen, la principal ventaja en comparación con la técnica reostática, es que la
técnica chopper no necesita de resistencias de arranque que disipan energía, por lo que
su rendimiento y eficiencia energética es muy superior a la reostática, llegando hasta el
25% su mejora.
Con la eliminación de las resistencias de arranque y de los relés, contactores y
combinador asociados a su progresiva conexión y desconexión, se elimina unos equipos
voluminosos y pesados, fuente de múltiples averías y con altos coste en su
mantenimiento. Otra mejora sustancial es la posibilidad de utilización del freno
regenerativo en el caso de que la tensión de los motores de tracción actuando como
generadores sea cercana o superior a la tensión de la red de alimentación.
4.1.3. Técnica trifásica - ondulador de corriente
En los años 80 del pasado siglo se comenzaron a desarrollar sistemas de tracción para
aplicaciones ferroviarias basadas en motores de corriente alterna asíncronos. Un motor
de corriente alterna es más simple y robusto que los de corriente continua y está exento
prácticamente de mantenimiento. Es un motor menos pesado y voluminoso y con gran
capacidad de sobrecarga.

Es por ello que a partir de esa década, prácticamente la totalidad de los trenes eléctricos
fabricados se han motorizado con motores trifásicos asíncronos, en la mayoría de los
casos con rotores del tipo de jaula de ardilla. Al alimentar en tensión trifásica el estator,
primero una bobina crea su campo magnético, luego la segunda, luego la tercera así
sucesivamente, es como si el campo magnético se desplazase desde la primera bobina
hasta la última, como si fuese un campo magnético giratorio.
La velocidad con que este campo magnético giratorio se desplaza, depende del Nº de
grupos de bobinas y de la frecuencia de alimentación de la tensión trifásica, esta
velocidad se denomina “velocidad de sincronismo”.
Los motores que trabajan a una velocidad inferior a la de sincronismo se les denominan
motores asíncronos. Al disminuir la velocidad del rotor respeto a la de sincronismo el
par va progresivamente aumentando hasta alcanzar su valor máximo cuando la
velocidad del rotor es aproximadamente un 75% de la de sincronismo. A partir de ese
momento, si la velocidad del rotor continua decreciendo el par también decrece.
Para mantener un par constante de valor máximo durante el proceso de arranque, se
debe variar la frecuencia, al aumentar la frecuencia se produce un aumento en la
impedancia de las bobinas, limitando la corriente que pasa por ellas variando así el
campo el magnético, para subsanar este problema es preciso aumentar la tensión de
alimentación de forma simultánea al aumento de la frecuencia.
La curva de la Figura 39 nos indica la relación del par con la velocidad del motor,
cada motor tiene una curva, cuya forma es la misma, la diferencia es la relación (Par-
Velocidad) que depende de las características propias de la construcción de motor.
El motor debe de trabajar en la “zona estable” de tal manera que si el tren va
traccionando con una velocidad determinada y aparece un tramo de subida, la
velocidad del tren disminuye, por lo tanto el rotor disminuirá su velocidad con respecto
a la del campo magnético giratorio, aumentando así su deslizamiento, pero según
podemos ver en la curva, el par aumentaría compensando la disminución de la
velocidad automáticamente. Por el contrario, si el motor se encuentra en la “zona
inestable” él mismo caso anterior haría que el par disminuyera y con ello la velocidad
entrando así en un momento de caída, que llegaría a parar el motor.
Cuando el tren se dispone a frenar, disminuimos la frecuencia de alimentación,
disminuyendo así el campo magnético giratorio, haciendo que el rotor gire a la
velocidad de sincronismo, par a cero, como es necesario un par negativo para frenar,
seguimos disminuyendo la frecuencia de tal manera que el rotor gire a una velocidad
superior a la de sincronismo, aumentando a la vez el par de freno. Si el motor al girar a
una velocidad superior a la de sincronismo se convierte en un generador de corriente
eléctrica.

Figura 39 – Curva par/velocidad de un motor de corriente alterna
La utilización de motores de corriente alterna trifásicos asíncronos, conlleva la necesidad

de implementar un ondulador para su alimentación, al objeto de controlar el arranque,
regulación y parada de los motores de tracción. Asimismo, y al objeto de regular la
tensión de entrada al ondulador, es necesario incorporar un convertidor (denominado
en el ámbito ferroviario como chopper) CC/CC o CA/CC, dependiendo del tipo de
tensión de alimentación de la red.
En la Figura 40 se adjuntan los esquemas de bloques básicos de principio de la técnica
trifásica, que inicialmente se desarrollaron con onduladores por fuente de corriente.
Figura 40 – Esquema de bloques de técnica trifásica – ondulador de corriente

Los principios de funcionamiento bloque chopper, cuya misión es regular la tensión de

alimentación que le llega al bloque ondulador, ya han sido descritos en el apartado
anterior dedicado a la técnica chopper.
El ondulador tiene la misión de convertir la corriente continua suministrada por el
bloque chopper, en trifásica para poder alimentar así a los motores asíncronos siendo
capaz de variar su frecuencia de 0 a 180Hz habitualmente. Suele estar formado por un
puente trifásico de tiristores, diodos, y unos condensadores que se encargan de realizar
la conmutación de fases. El encendido de una fase presupone el apagado de la anterior,
por eso se le denomina ondulador de seguimiento de fases.
Es importante señalar que el control del bloque chopper y del bloque ondulador
conllevan una complejidad de cálculo difícilmente realizables con electrónica analógica o
digital convencional. Se deben gestionar de forma simultánea y en tiempo real la
tensión, frecuencia, velocidad e intensidad de cada rama trifásica, lo que conlleva el uso
de microprocesadores y software específicamente diseñados para el control eficiente de
los motores de tracción de corriente alterna trifásicos asíncronos.
Esta técnica, con la utilización de motores de corriente alterna, mejora notablemente los
resultados de las técnicas reostáticas y chopper con motores de corriente continua, ya
que los costes de mantenimiento de los motores de corriente alterna son sustancialmente
menores respecto a los de corriente continua.
Asimismo la fiabilidad intrínseca de los motores de corriente alterna es muy superior a
la de los de corriente continua, al no existir ciertos elementos sometidos a desgastes
(escobillas y colectores), y tener mucha menos tendencia al embalamiento o bloqueo que
los motores de corriente continua.
El equipamiento eléctrico asociado a esta técnica se reduce aún más respecto de la
técnica chopper, con la desaparición de contactores electromecánicos (sentido de
marcha, etc.) y la utilización de tiristores, de mayor fiabilidad y menor mantenimiento,
como interruptores estáticos para la mayoría de configuraciones de los circuitos de
potencia.
4.1.4. Técnica trifásica - ondulador de tensión
A mediados de la década de los 90 del siglo pasado, con la aparición de los transistores
IGBT’s de potencia, se inició la implantación comercial de onduladores de tensión
directos alimentando los motores de tracción, sin necesidad de utilización del bloque
chopper para la regulación de tensión, necesarios en el caso de los onduladores de
corriente.
Esta técnica es la que se utiliza en la actualidad para los sistemas de tracción eléctricos en
trenes, el ondulador de tensión es un inversor por fuente de tensión con modulación de
ancho de pulso PWM (Pulse Width Modulation). El objetivo es controlar la tensión y
frecuencia de salida, mediante una rápida conmutación modulada.

Figura 41 – Esquema básico de un ondulador de tensión (inversor PWM)
El ondulador de tracción ferroviario desde el punto de vista eléctrico se puede dividir en

dos partes: inversor (ondulador) y bloque de frenado, ver Figura 42. La parte inversora
está formada por tres módulos que constituyen las tres fases R, S, y T. El inversor es del
tipo tensión conectado directamente con la catenaria, con salida de tensión y frecuencia
variable, y alimenta dos motores de tracción. Cada uno de los dos IGBT contenidos en
los módulos inversores representa una semifase (IGBT + diodo anti paralelo) de la fase
inversora.
La parte del bloque de frenado está compuesta por un único módulo que contiene en su
interior dos ramas diferentes, que disipan la energía de frenado en las dos secciones del
reóstato si la red no está en modalidad receptiva. Cada uno de los dos IGBT del módulo
de frenado tiene en su interior tanto el diodo en anti paralelo, como el diodo a utilizar
para la recirculación de las corrientes de las dos secciones del reóstato de frenado. Las
dos ramas del bloque de frenado funcionan con un desfase entre sí de 180°.
Los semiconductores utilizados son módulos de transistores IGBT de alto aislamiento y
elevada fiabilidad. El empleo de los IGBT ha permitido una notable reducción de los
pesos y volúmenes del equipo de potencia, ya que no es necesario el uso de circuitos de
apagado (caso de aplicaciones con tiristores), ni redes de filtro para la supresión de
transitorios. La modulación de ancho de pulso tiene la ventaja de que al trabajar a
frecuencias altas rescata con mayor fiabilidad la componente fundamental de la señal
que queremos obtener, eliminando gran parte de los armónicos no deseados (si no los
elimina en algunos casos, si que los minimiza).

MOTORES
ONDULADOR
B.FRENADO
Figura 42 – Esquema básico de un ondulador de tensión (inversor PWM) ferroviario
Este efecto es una gran ventaja, ya que, los motores de corriente alterna sufren en gran
medida por el efecto de los armónicos. Los armónicos producen un efecto de frenado
sobre el motor durante la marcha de éste, originando envejecimiento, desgaste y
calentamiento. Este calentamiento producido por un incremento de la corriente debido a
los armónicos produce unas pérdidas innecesarias y por lo tanto un calentamiento de los
componentes del circuito. Además en caso de la necesidad de filtrado, éste sería sencillo,
ya que, los armónicos estarán muy separados en el espectro de la fundamental.
La conmutación en la rama de los semiconductores se programa mediante la
intersección de una onda triangular fija y una señal modelo proporcional a la tensión de
salida que se quiere conseguir, que es una senoidal. La tensión de salida presentará una
modulación de ancho de pulsos positivos y negativos de tal forma que, si el número de
pulso es alto, se obtiene una forma de onda con muy poca distorsión.
La técnica de ondulador directo PWM realiza un control de motor de tracción eficiente,
y la frecuencia de conmutación relativamente alta logra unas pérdidas en el motor bajas.
La frecuencia de conmutación de los IGBT’s establece la habilidad de la PWM para
producir las corrientes de motor ideales. Cuanta más alta sea la frecuencia, menor rizado
en la corriente del motor y menos pérdidas en el motor.

Figura 43 – Tensión (V) modulada PWM y densidad de flujo magnético (B) obtenido en un motor.
La implementación de onduladores de tensión PWM implementados con transistores

IGBT en la tracción eléctrica ferroviaria, ha supuesto una simplificación en los circuitos
de electrónica de potencia en comparación a los onduladores de corriente, al no ser
necesario el bloque chopper y eliminarse los circuitos de apagado y de filtrado de
transitorios necesarios en el caso de utilizar tiristores.
Pese a tratarse actualmente y sin duda alguna, de la mejor técnica de tracción eléctrica
ferroviaria disponible, tanto por su fiabilidad, disponibilidad, como su mantenibilidad,
presenta dos inconvenientes en su implementación práctica; la aparición de armónicos
de gran magnitud que pueden interferir tanto en la red de alimentación, como en el
resto de equipos eléctricos y electrónicos embarcados en el tren, y la aparición de
tensiones inducidas en el eje de los motores de tracción, que pueden dañar
considerablemente los rodamientos de los mismos.
4.2. Bloques constructivos de los sistemas de tracción eléctrica ferroviaria

Se describen de forma sucinta los bloques constructivos que conforman y agrupan los
componentes de un sistema de tracción eléctrico ferroviario; pantógrafo, disyuntor, cofre
de aparellaje eléctrico, cofre de potencia, regulador de marcha, resistencia y motores de
tracción.
- Pantógrafo: La conexión a la red para la alimentación eléctrica del tren la efectúa
el pantógrafo, que es el equipo encargado de conectar con el hilo de trabajo
electrificado, denominado como catenaria.

[CAF (2003)]
Figura 44 – Elementos constructivos de un pantógrafo
- Disyuntor: Después del pantógrafo, la corriente llega al disyuntor, que es un

interruptor que permite el paso de dicha corriente para la alimentación de los
motores de tracción, y que la interrumpe cuando se retira el tren del servicio, o
cuando se desconecta por telemando eléctrico o cuando salta de forma
automática para proteger a los motores de sobre intensidades. El disyuntor se
monta en un cofre bajo el bastidor de la caja de los trenes.
[CAF (2003)]
Figura 45 – Elementos constructivos de un disyuntor

- Cofre de aparellaje eléctrico de tracción: es uno de los bloques que más ha

evolucionado con la implantación de las diferentes técnicas de tracción eléctrica
ferroviaria. El cofre (o cofres) de aparellaje eléctrico de tracción se monta bajo el
bastidor de la caja de los trenes, y en algunas aplicaciones, dependiendo de los
componentes que integre (si son disipativos) cuenta con ventilación forzada, para
su refrigeración. En la técnica reostática, es necesario un gran número de relés y
contactores, ya que se utilizan para la configuración de los motores de corriente
continua en marcha (serie/paralelo), freno, sentido de marcha, etc. Asimismo, las
órdenes de control de entrada y salida progresiva de las resistencias de marcha,
freno y shuntado actúan sobre los contactores que las van intercalando en los
procesos de aceleración y deceleración de los motores de tracción.
En la técnica chopper, se reduce la necesidad de este tipo de componentes, ya que
no son necesarios los contactores de configuración de motores serie/paralelo, ni
los asociados a las resistencias de marcha y shuntado. El resultado es una
disminución importante del número de componentes en un 50%
aproximadamente.
Las técnicas trifásicas, y en especial la de ondulador de tensión, reducen aún más
la utilización de aparellaje eléctrico en los circuitos de tracción, ya que por un
lado no son necesarios para cambiar el sentido de giro de los motores, y se
utilizan interruptores estáticos (tiristores, etc.) para las configuraciones de los
circuitos en marcha y freno. El número de relés y contactores en los circuitos de
tracción en estas técnicas es más de un 80% inferior al caso de la técnica reostática.
[CAF (1987)]
Figura 46 – Ejemplo de cofre de aparellaje eléctrico de tracción
- Cofre de electrónica de potencia de tracción: En el cofre (o cofres) de electrónica

de potencia de tracción se integran todos los componentes electrónicos; tiristores,
diodos, resistencias, condensadores, inductancias, etc., necesarios para realizar el
control y regulación de los motores de tracción. Este cofre se ubica en los bajos de
la caja de los trenes, y necesita de refrigeración, normalmente forzada por aire
mediante un ventilador.

[CAF (2003)]
Figura 47 – Bloques principales del cofre de un ondulador de tensión ferroviario
– Regulador de marcha: Para efectuar el control lógico de las secuencias de marcha

y freno eléctrico en cualquiera de las técnicas de tracción ferroviarias, es necesario
contar un potente sistema de regulación que se implementa sobre una
arquitectura software/hardware de tarjetas electrónicas controladas por
microprocesadores. Estos equipos se suelen montar en los cofres de aparellaje
eléctrico o en el cofre de electrónica de potencia.
En general, el sistema de regulación de marcha para la tracción ferroviaria es un
desarrollo específico, existiendo actualmente en el mercado diversos sistemas
comerciales propietarios. También se puede desarrollar el sistema sobre un PLC
(Programmable Logic Controller) para aplicaciones generales, si bien presenta
muchos inconvenientes para implementar el control de los bloques de potencia
chopper y ondulador.
[SIEMENS (2011)]
Figura 48 – Estructura modular por tarjetas electrónicas de un regulador de marcha

- Resistencias: Las resistencias de potencia son necesarias en todos los sistemas de

tracción ferroviario, para disipar la energía generada en el proceso de frenado
eléctrico, actuando los motores de tracción como generadores, si la red de
alimentación no es capaz de absorber esta energía. Asimismo, y en el caso de la
técnica reostática son necesarias resistencias, para efectuar el arranque de los
motores de tracción de corriente continua. Se trata de elementos de gran volumen
y peso, y dada su condición disipativa de energía no se alojan en cofres para
favorecer la evacuación del calor generado, siendo montados a la intemperie bajo
la caja de los trenes.
[CAF (2003)]
Figura 49 – Detalle constructivo de un conjunto de resistencias de frenado
- Motores de tracción: En las aplicaciones ferroviarias analizadas, la ubicación de

los motores de tracción es en los bogies, existiendo la posibilidad de que se
ubiquen en la caja vehículo, transmitiendo el par motor a los bogies mediante un
acoplamiento mecánico. Los motores de corriente continua son menos robustos
que los motores de corriente alterna y mucho menos eficientes, tanto en coste
material como en mantenimiento, porque necesitan un mantenimiento regular
del colector y de las escobillas, aspecto muy importante en tracción ferroviaria.
Un motor de corriente alterna asíncrono trifásico de jaula, como los empleados en
tracción ferroviaria, tiene dos partes principales: un inductor o estator y un
inducido o rotor.
Figura 50 – Detalle constructivo de un motor de corriente alterna con rotor de jaula

4.3. Trenes serie 5000-1ª

Estos trenes disponen de un sistema de tracción eléctrica de técnica reostática, y son
configuración coche motor – coche motor (MM) fabricados en el año 1975, y cuyas
características básicas se adjuntan.
[METRO DE MADRID (2015)]
Figura 51 – Características básicas de los trenes de la serie 5000-1ª
Todas las cajas han sido construidas por CAF, mayoritariamente en Zaragoza, aunque
también hay algunas construidas en Beasain y en Irún. La caja es de estructura de acero
siendo el forrado interior en paneles estratificados. Los enganches extremos son
Scharfenberg automáticos con botoneras laterales, y los intermedios son Scharfenberg
semipermanentes. En cuanto al equipo eléctrico de tracción, en la 1ª serie la regulación
se efectúa mediante un reóstato con combinador y resistencias. El diseño es de AEG en
todos y están fabricados por ésta y por WESA. La generación de energía en baja tensión
se efectúa mediante un grupo motor-generador rotativo.

El equipo neumático y de freno es de la Sociedad Española de Frenos, Calefacción y

Señales. El compresor de aire es Knorr, alternativo. El freno neumático tiene mando
eléctrico mediante tres hilos, y actúa sobre discos calados en el eje. El freno eléctrico es
reostático. Los coches 5000 están dotados de equipos de ATP y ATO de Dimetronic, así
como de equipos de radiotelefonía y megafonía. Los bogies de los coches 5000 fueron
diseñados por la firma francesa MTE, y construidos por ésta en una pequeña cantidad
para los coches de la 1ª serie, y por CAF para el resto de los coches 5000.
Se trata de un bogie monomotor, con el motor de tracción ubicado en posición
longitudinal. La suspensión primaria es de resortes tipo campana, Kleber o
Metalocaucho (existen todavía algunas Clouth), mientras que la suspensión secundaria
es neumática Sumiride.
El motor de tracción de CC es de diseño Jeumont-Schneider (fabricado por WESA) en la
1ª serie. La transmisión se efectúa mediante reductores Berliet fabricados por CAF y
transmisiones cardan. Las ruedas son elásticas, del tipo Bochum 54, fabricadas por CAF.
Los bandajes están fabricados por CAF y por Cockerill (Bélgica). El diámetro máximo es
de 860 mm, y el mínimo de 810 mm.
4.4. Trenes serie 5000-4ª

Estos trenes cuentan con un sistema de tracción eléctrico de la técnica chopper, y están
en configuración coche motor – coche motor (MM) fabricados en el año 1993, y cuyas
características básicas se adjuntan se ajuntan.
Los trenes de la serie 5000-4ª son constructivamente muy similares a los de la 1ª serie.
Todas las cajas han sido construidas por CAF, mayoritariamente en Zaragoza, aunque
también hay algunas construidas en Beasain y en Irún. La caja es de estructura de acero
siendo el forrado interior en paneles estratificados. Los enganches extremos son
Scharfenberg automáticos con botoneras laterales, y los intermedios son Scharfenberg
semipermanentes.
En cuanto al equipo eléctrico de tracción, en la 4ª serie la regulación se efectúa mediante
un chopper implementado con tiristores. El diseño es de AEG en todos y están
fabricados por ésta y por WESA. La generación de energía en baja tensión se efectúa
mediante un convertidor estático.
El equipo neumático y de freno es de la Sociedad Española de Frenos, Calefacción y
Señales. El compresor de aire es Knorr, alternativo. El freno neumático tiene mando
eléctrico mediante tres hilos, y actúa sobre discos calados en el eje. El freno eléctrico es
mixto reostático-regenerativo. Los coches 5000 están dotados de equipos de ATP y ATO
de Dimetronic, así como de equipos de radiotelefonía y megafonía.
Los bogies de los coches 5000 fueron diseñados por la firma francesa MTE, y construidos
por CAF para el resto de los coches 5000. Se trata de un bogie monomotor, con el motor
de tracción ubicado en posición longitudinal. La suspensión primaria es de resortes tipo
campana, Kleber o Metalocaucho, mientras que la suspensión secundaria es neumática
Sumiride.

El motor de tracción de CC es de diseño AEG (fabricado por ésta, WESA y Conelec). La

transmisión se efectúa mediante reductores Berliet fabricados por CAF y transmisiones
cardan. Las ruedas son elásticas, del tipo Bochum 54, fabricadas por CAF. Los bandajes
están fabricados por CAF y por Cockerill (Bélgica). El diámetro máximo es de 860 mm, y
el mínimo de 810 mm.
Figura 52 – Características básicas de los trenes de la serie 5000-4ª
4.5. Trenes serie 2000-B

Estos trenes están dotados de un sistema de tracción eléctrica con técnica trifásica –
ondulador de corriente, en configuración coche motor – coche remolque (MR)
fabricados entre los años 1996 y 1998, y cuyas características básicas se adjuntan.

Figura 53 – Características básicas de los trenes de la serie 2000-B
Las cajas han sido construidas por CAF, mayoritariamente en Zaragoza, aunque
también hay algunas construidas en Beasain, además de por Macosa en Barcelona, y por
Ateinsa en Madrid. El interiorismo está efectuado a base de paneles de poliéster
reforzado con fibra de vidrio. Los enganches extremos son Scharfenberg automáticos
con botoneras laterales, y los intermedios son Scharfenberg semipermanentes.
El equipo eléctrico es trifásico, con chopper y ondulador de seguimiento de fases
implementado con tiristores. La refrigeración de la electrónica de potencia se efectúa
mediante fluidos refrigerantes. El diseño de este equipo es de AEG, fabricado por ésta y
por Conelec, así como por las empresas que les han ido sucediendo (ABB, Adtranz y
Bombardier). El regulador electrónico de marcha es, el Sibas-16 de Siemens. La energía
en baja tensión se genera mediante un convertidor estático, que puede ser AEG o Sepsa.
El equipo neumático y de freno es de la Sociedad Española de Frenos. El compresor de
aire es Hydrovane, rotativo, o Knorr, alternativo. El freno neumático tiene mando
eléctrico mediante un solo hilo, con transmisión de órdenes codificada, y actúa sobre
discos calados en el eje en los coches motores y sobre zapatas que actúan sobre la llanta
en los coches remolques. El freno eléctrico es mixto reostático-regenerativo.

Los coches están dotados de equipos de ATP y ATO de Dimetronic, así como de equipos
de radiotelefonía y megafonía, y anunciador de estaciones. En los coches de la serie 2000,
los bogies motores son diferentes de los bogies remolques. Han sido diseñados por CAF
y construidos por ésta y por también por Macosa, en los coches fabricados por este
constructor.
Los bogies motores poseen dos motores de tracción, longitudinales y abrochados entre sí
y al reductor de la transmisión, los cuales pueden ser de los tipos Hurth o Thyssen. La
suspensión primaria es de resortes tipo campana, Clouth o Metalocaucho (MTC)
mientras que la suspensión secundaria es neumática Sumiride. El motor de tracción de
CA es de diseño AEG, fabricado también por CONELEC, ABB, Adtranz y Bombardier.
4.6. Trenes serie 8000

Los trenes de esta serie cuentan con el sistema de tracción eléctrica con la técnica
trifásica – ondulador de tensión, en configuración coche motor – coche remolque –
coche motor (MRM) fabricados en el año 2000, y cuyas características básicas se
adjuntan.
Figura 54 – Características básicas de los trenes de la serie 8000

La caja de las unidades 8000 está construida por CAF en aluminio, incluyendo el
bastidor, con cuatro puertas por costado para acceso de viajeros, del tipo desplazable
deslizante IFE. El accionamiento de las puertas es mediante motores eléctricos. Los
coches poseen pasillo de intercirculación Hübner entre todos ellos, formando así una
composición de tres coches interiormente continua. También se encuentran dotados de
dispositivos anti-climber en los testeros.
El equipo de tracción, diseñado y construido por Bombardier, es trifásico con
onduladores PWM directos de red y componentes de potencia IGBT. El control de este
equipo se efectúa mediante electrónica de control dotada de microprocesadores. El
frenado de servicio es eléctrico mixto reostático y regenerativo, y el freno neumático
(que es también el freno de servicio en los remolques), es Knorr, así como el compresor.
Las unidades 8000 se encuentran dotadas de aire acondicionado Merak, con calefacción.
Poseen un equipo de control de sistemas auxiliares, un equipo de registro de los
parámetros de seguridad durante la marcha, y un sistema de información al viajero y de
megafonía, todos ellos de Sepsa. También poseen un sistema de vídeovigilancia, y en
cuanto a las comunicaciones, disponen de un sistema de radiotelefonía digital Tetra
fabricado por Amper. Igualmente, se encuentran dotadas de sistemas de protección de
tren (ATP) y conducción automática (ATO) suministrados por Dimetronic. El sistema de
ATP se basa en criterios de distancia objetivo y no de velocidad objetivo, como ocurría
en los trenes de las generaciones anteriores.
Los bogies de los coches 8000 han sido diseñados por CAF, y construidos por ésta y por
Alstom. Existen bogies motores y remolques, que son iguales salvo en lo relativo a los
dispositivos de motorización y transmisión. El bastidor del bogie de los coches 8000
tiene forma de H abierta por los cabeceros, con los largueros principales en forma de ala
de gaviota. La suspensión primaria es de campanas de caucho, y la secundaria es
neumática Knorr. Las ruedas son enterizas insonorizadas, con un diámetro máximo de
860 mm y mínimo de 790 mm.
El bogie motor posee dos motores de tracción, trifásicos asíncronos, con rotor en jaula de
ardilla, construidos por Siemens. Estos motores de tracción van ubicados en posición
longitudinal, abrochados entre sí y a los reductores de la transmisión. Estos tienen
ataque cónicohipoide y han sido fabricados por Flender.

5. ESCALERAS MECÁNICAS
Si quieres subir una escalera larga, no mires hacia

ella, mira cada peldaño.
-Leonardo Boff-
L
a escalera mecánica se define como una escalera motorizada, inclinada, en
continuo movimiento, utilizada para subir o bajar personas en la que la superficie
de transporte (por ejemplo escalones) permanece horizontal.
En el espacio europeo las escaleras mecánicas cuentan con diferentes normas técnicas
para su fabricación, instalación y mantenimiento, emitidas por el CEN/CENELEC y
trasladadas por AENOR al estado español. Las normas centrales que se deben de tener
en cuenta en esta materia son:
– UNE-EN 115-1:2009+A1:2010: Seguridad de escaleras mecánicas y andenes
móviles. Parte 1: Construcción e instalación.
– UNE-EN 115-2:2011: Seguridad de escaleras mecánicas y andenes móviles. Parte
2: Reglas para la mejora de la seguridad de las escaleras mecánicas y de los
andenes móviles existentes.
– UNE-CEN/TS 115-4: Seguridad de escaleras mecánicas y andenes móviles. Parte
4: Interpretaciones relativas a las normas de la familia EN 115.
– UNE-EN 13015:2002+A1: Mantenimiento de ascensores y escaleras mecánicas.
Reglas para instrucciones de mantenimiento.
– UNE-EN 12015:2014: Compatibilidad electromagnética. Norma de familia de
productos para ascensores, escaleras mecánicas y andenes móviles. Emisión.
– UNE-EN 12016:2014 : Compatibilidad electromagnética. Norma de familia de
productos para ascensores, escaleras mecánicas y andenes móviles. Inmunidad.
Estas normas no son de obligado cumplimiento en el Estado español, ya que el

Reglamento de Aparatos de Elevación y Manutención de los mismos, Real Decreto
2291/1985, de 8 de noviembre, nunca ha desarrollado la Instrucción Técnica
Complementaria de escaleras mecánicas, si bien casi el 100% de los fabricantes se acogen
a ellas para su diseño y comercialización. A falta de reglamentación específica en España
es de aplicación a las escaleras mecánicas el Real Decreto 1644/2008, de 10 de octubre,
por el que se establecen las normas para la comercialización y puesta en servicio de las
máquinas.
Escaleras Mecánicas 147
La norma UNE-EN 115-1:2009+A1:2010 analiza los peligros en el uso de una escalera

mecánica, al objeto de justificar los requisitos de diseño en su apartado 5:
5.1 Generalidades.
5.2 Estructura portante.
5.3 Escalones, placas, banda.
5.4 Maquinaria de Accionamiento.
5.5 Balaustrada.
5.6 Pasamanos.
5.7 Rellanos.
5.8 Recintos para la maquinaria, estaciones de accionamiento y retorno.
5.9 Protección contra incendios.
5.10 Transporte.
5.11 Instalaciones y aparatos eléctricos.
5.12 Protección contra fallos eléctricos.
La norma incluye un apartado para la verificación de los requisitos de seguridad y/o
medidas de protección y otro para las prescripciones de utilización. Los anexos
informativos A al K incluyen detalles técnicos para el diseño y cálculo constructivo de
una escalera mecánica.
La norma UNE-EN 115-2:2011 tiene como objeto mejorar la seguridad en las escaleras
mecánicas fabricadas con anterioridad a la entrada en vigor de la norma UNE-EN 115-
1:2009+A1:2010, ya que las normas anteriores eran mucho menos restrictivas que esta
última. Esta norma propone un procedimiento para evaluar y tomar acciones correctoras
en las escaleras fabricadas con anterioridad al 2010:
− categoriza varios peligros y situaciones peligrosas, cada uno de los cuales ha sido
analizado mediante una evaluación de riesgos (véase en particular el anexo A);
− pretende facilitar acciones correctoras para mejorar progresiva y selectivamente,
paso a paso, la seguridad de todas las escaleras mecánicas y andenes móviles
existentes hacia el estado del arte actual de seguridad;
− permite que cada escalera mecánica y andén móvil sea auditado y que las
medidas de seguridad sean identificadas e implementadas en un proceso, paso a
paso y de manera selectiva, de acuerdo a la frecuencia y severidad de cada riesgo
elemental;
− lista de los riesgos altos, medios y bajos y las acciones correctivas que se pueden
aplicar en pasos separados para reducir los riesgos.

La norma UNE-CEN/TS 115-4:2015 recoge las interpretaciones a la Norma EN 115-

1:2008+A1:2010. Las interpretaciones (aclaraciones) tienen como objetivo mejorar la
comprensión de los capítulo(s) a los que se están refiriendo y facilitar el entendimiento
común entre los fabricantes, instaladores de aparatos de elevación, organismos
notificados, organismos de inspección y las autoridades nacionales. Las interpretaciones
no tienen el mismo estatus que las normas a las que están vinculados. Sin embargo, la
aplicación de interpretaciones debería dar la confianza a las partes interesadas que la
norma en cuestión no se ha aplicado erróneamente.
La norma UNE-EN 13015:2002+A1 especifica los elementos necesarios para la
preparación de instrucciones para las operaciones de mantenimiento, que se
proporcionan para nuevas instalaciones de ascensores de pasajeros, de pasajeros y
mercancías, de sólo accesibles para mercancías, mini-cargas, escaleras mecánicas y
andenes móviles. Esta norma europea no cubre las instrucciones para el montaje y el
desmontaje o cualquier comprobación legal y ensayos basados en reglamentaciones
nacionales. En resumen es una guía para elaborar las instrucciones de mantenimiento de
ascensores y escaleras mecánicas.
5.1. Las escaleras mecánicas TNE

Las escaleras mecánicas modelo TNE20XX son del fabricante THYSSEN, y se
comercializan bajo el nombre comercial “Avante”. Se instalaron en el Metro de Madrid
en el año 2005 y las características dimensionales básicas se recogen la figura adjunta.
[ThyssenKrupp (2005)]
Figura 55 – Dimensiones constructivas de escaleras mecánicas TNE

[ThyssenKrupp (2005)]
Figura 56 – Bloques constructivos de escaleras mecánicas TNE
Los bloques constructivos de la escalera mecánica TNE son los siguientes:

– Estructura de soporte: La estructura de soporte está compuesta por un bastidor
soldado de perfiles abiertos de acero. Las piezas laterales están unidas por
travesaños y una chapa de acero soldada estanca al aceite de 4 mm de espesor (5
mm para una estructura de soporte galvanizada). Está diseñada para una carga
de tráfico de 5000 N/m2. El pandeo máximo bajo carga de tráfico es 1/1000 máx.
de la distancia de soporte.
– Accionamiento: El accionamiento de bajo nivel de ruido de la escalera mecánica
está situado compactamente en la estación inversora superior antes del giro de
los peldaños. Todo el accionamiento, incluidos el freno y el control de velocidad,
es de fácil acceso sin retirar ningún peldaño. La banda de peldaños puede
moverse manualmente girando el volante de inercia. Una gran abertura en el
volante de inercia con un ventilador integrado permite una buena refrigeración
del motor. El motor especial de 400VCA de la escalera mecánica con engranaje
reductor de montaje sobre brida está instalado verticalmente.

Un engranaje de cadena acciona el eje principal. Dependiendo de la altura de

desplazamiento, se utiliza una cadena doble 1 1/4" o 1 1/2". Las cadenas de
accionamiento están diseñadas con un sistema de protección de cinco pliegues
mínimo contra la rotura.
– Banda de peldaños: En las áreas de entrada y salida de la escalera mecánica los
peldaños están guiados de forma que los bordes delanteros de los peldaños
salientes y los bordes traseros de los peldaños entrantes tengan una trayectoria
horizontal mínima de 0,8 m. El radio de la curva de enlace superior e inferior
entre la sección inclinada y la horizontal de la escalera mecánica es de 1050 mm.
Las cadenas de precisión de rodillos se fabrican especialmente para escaleras
mecánicas. Después de su fabricación las cadenas se sumergen en aceite protector
para evitar la corrosión. El paso de la cadena es de 135 mm, cada tercer bulón de
cadena toma la forma de un bulón de peldaño. La cadena y los bulones de
peldaño son de acero templado. El gran diámetro del bulón de cadena de 14,63
mm asegura una presión superficial muy pequeña para una mayor vida útil de la
cadena. Los peldaños están fabricados de aluminio fundido a presión.
– Estación tensora: La estación tensora de la cadena está situada en la estación
inversora inferior dentro de la estructura de soporte. Es fácilmente accesible para
trabajos de mantenimiento a través de la tapa desmontable. Las ruedas para el
retorno de las cadenas están fijadas de forma permanente a un eje compartido.
Este eje está montado en un raíl tensor, que permite un movimiento horizontal
por medio de cuatro rodillos.
– Zócalo: El zócalo rígido en ambos lados de la banda de peldaños evita con
eficacia la entrada de cuerpos extraños entre los peldaños y la banda de peldaños.
Un perfil en C adicional detrás del zócalo incrementa la rigidez. El espacio se
mantiene en una anchura muy reducida de un máximo de 3 mm a lo largo de
toda su longitud. Para reducir la fricción entre los zapatos del usuario y el
material del zócalo, éste está revestido con detonación de baja fricción.
– Balaustradas: Las balaustradas están fabricadas de cristal de seguridad templado
transparente rígido de una hoja de 10 mm de grosor. La balaustrada tiene una
altura constante de 1000 mm. Las curvas de entrada del pasamanos son
semicirculares. Los perfiles de aluminio mantienen el cristal en su lugar con
seguridad a lo largo de todo el borde inferior con una distribución uniforme de la
presión.
– Pasamanos: Los pasamanos son de caucho negro de fácil cuidado. Están
montados con cable de acero de bajo estiramiento y una capa deslizante de
poliéster. Están fabricados con un método de producción continuo de forma que
la pieza vulcanizada en la junta del pasamanos no es visible. La carga de rotura
del pasamanos está adaptada a la altura de desplazamiento de la escalera
mecánica es por lo menos de 25 kN.

– Equipo eléctrico: Toda las instalaciones eléctricas están situadas dentro de la

estructura de soporte de acuerdo con los reglamentos VDE. La tensión de
alimentación debe ser conectada al controlador en la estación de accionamiento
por el cliente.
– Maniobra eléctrica: PLC con display de diagnóstico numérico.
– Sistema de Seguridad de Movimiento: Compuesto por los siguientes elementos
formando una “cadena de seguridades”:
o Botones de parada de emergencia.
o Contactos de la placa de peines.
o Detectores de entrada del pasamanos.
o Sincronismo del pasamanos.
o Control de la longitud del pasamanos.
o Indicador de velocidad.
o Protección completa del motor.
o Controlador con protección 30mA.
o Relé de secuencia de fase.
o Control de la cadena de accionamiento.
o Protección del desplazamiento de los peldaños.
o Indicador de falta de peldaño.
o Contacto tensado cadena de peldaños.
o Control de freno.
o Detector de deflectores.
o Cepillos del zócalo.
o Contactos de las tapas de foso.

6. ESTUDIO NORMATIVO DE LA FIABILIDAD DE
LOS SISTEMAS REPARABLES
Seguir las normas es siempre mucho más sencillo: te
evitas los remordimientos y las culpabilidades, te
ahorras las inseguridades y, encima, puedes sentirte
orgullosa de lo que has hecho.
- Matilde Asensi-
D
espués de profundizar en los diferentes métodos estadísticos desarrollados para
el análisis de la fiabilidad de los elementos reparables en el apartado 2, Estado de
Arte, se ha contrastado la existencia de una normativa europea que se enmarca
dentro de las prácticas más extendidas y aceptadas por la comunidad científica
internacional. No obstante, estas normas europeas contemplan tan sólo una parte muy
limitada de los modelos desarrollados.
Como se ha indicado, en los métodos estadísticos desarrollados en las normas IEC, la z(t)
de los sistemas reparables se puede estimar empleando un SP. Si no hay tendencia, las
normas IEC asumen que se distribuyen exponencialmente y el número de fallos por
unidad de tiempo se puede modelar por un HPP, entonces z(t) es constante. Para los
casos en los que existe una tendencia en z(t) es de aplicación un NHPP de “reparación
mínima” (“como viejo”), y se proponer modelar mediante la PLP.
Los estándares IEC no soportan el modelado RP “reparación perfecta” (“como nuevo”)
cuando no hay tendencia en z(t) y los tiempos entre fallos no se distribuyen
exponencialmente, advirtiendo de que la no existencia de tendencia contrastada
mediante el estadístico U no garantiza que el tiempo entre fallos se distribuyan
exponencialmente. Tampoco prevé el modelado con un NHPP alternativo a la PLP, del
que se han publicado numerosas aportaciones para su mejora (Attardi (2005), Bettini
(2007)).
Dado que las normas analizadas en el apartado 3 se han contrastado que son de plena
aplicación a esta investigación, es razonable iniciar la misma ensayando y aplicando las
normas según se describe en el procedimiento metodológico en aplicación de normas
IEC, ver 3.9. Los procedimientos a emplear en una empresa ferroviaria deben estar
preferentemente normalizados por organismos internacionales independientes, al objeto
de poder efectuar una demostración objetiva de la seguridad de sus procesos de
mantenimiento, ver norma EN 50126-1 (1999) para la especificación y demostración de la
fiabilidad, la disponibilidad, la mantenibilidad y la seguridad (RAMS).
Se han utilizado también las recomendaciones de la norma IEC 6300-3-1 (2003) para la
selección de las técnicas de análisis y la norma IEC 61703 (2001) para la adopción de las
expresiones matemáticas.
Estudio Normativo de la Fiabilidad de los Sistemas Reparables 153
La norma IEC 60300-3-5 (2001) recoge los métodos estadísticos y procedimientos de

análisis aplicables a equipos reparables. La intensidad de fallo z(t) de un elemento
reparable se puede estimar empleando los sucesivos tiempos entre fallos (TBF),
mediante un Proceso Estocástico (SP). Si no hay tendencia y los tiempos entre fallos se
distribuyen exponencialmente, entonces z(t) es constante y en este caso se puede
modelar mediante un Proceso de Poisson Homogéneo (HPP).
En los casos en los que existe una tendencia en z(t), se modela con un Proceso de Poisson
No Homogéneo (NHPP) y la norma recoge aplicar la Ley de Potencia (PLP). La norma
IEC 60605-6 (2007) desarrolla los contrastes para comprobar la existencia o no de
tendencia en z(t) mediante el estadístico U, tanto para un sistema reparable, como para
un conjunto idéntico de sistemas reparables. En el caso de no existir tendencia, se
procede a la estimación puntual de parámetros e intervalos de confianza, supuesta una
distribución exponencial con la norma IEC 60605-4 (2001). Si existe tendencia en z(t), se
realiza la estimación de los parámetros del modelo de PLP con la norma IEC 61710
(2013). Esta investigación se ha efectuado sobre:
a) El sistema de tracción eléctrica de 36 trenes de la serie 5000-4ª.
b) El sistema de tracción eléctrica de 88 trenes de la serie 2000-B.
c) El sistema de tracción eléctrica de 23 trenes de la serie 8000.
d) 40 escaleras mecánicas del modelo TNE.
No ha sido posible efectuar los ensayos de los trenes de la serie 5000-1ª que disponen de
un sistema de tracción eléctrica de técnica reostática porque sólo se disponen de los
datos de averías desde el año 1988 y dado que esta serie se puso en circulación en el año
1975, no es posible realizar los estudios estadísticos al carecer de una parte de los datos
fundamentales de su comportamiento al inicio de su vida útil.
Los sistemas de tracción de los trenes están compuestos por elementos reparables, ya
que en el caso de que se averíe, por ejemplo un motor de tracción, este es desmontado
para su reparación en un taller, y montaje de un motor útil. Los sistemas de tracción son
eminentemente eléctricos y electrónicos.
Las escaleras mecánicas también está compuestas por elementos reparables que si fallan
son cambiados por otros repuestos útiles, siendo en este caso los predominantes los
componentes electromecánicos. Se ha analizado que la naturaleza de la reparación
efectuada generalmente a estos sistemas es el cambio del componente averiado por otro,
concluyendo que esta reparación debe reponer el sistema a su estado operativo inicial,
como una “reparación perfecta”, siendo los modelos RP (incluido el HPP) los más
adecuados a priori, ver Figura adjunta.

Cofre Ondulador
Pantógrafo Disyuntor Eléctrico PWM
Resistencia Motores de
Controlador
de freno tracción
electrónico
Sistema de tracción eléctrica de tren
Motor de Sistema de Cadena de

tracción accionamie peldaños Peldaños
nto
Sistema Pasamanos
Balaustradas
eléctrico y de
seguridades
Escalera mecánica
Figura 57 – Bloques de reparación de un sistema de tracción eléctrico y una escalera mecánica
Entre los estudios sobre la fiabilidad de sistemas reparables ferroviarios con modelos
alternativos a los SP destacan, Anderson (1993) en locomotoras, Yongqin (1996) en
sistema ATP, Bozzo (2003), Sagareli (2004) y Chen (2007) en sistemas de tracción AC.
Para estudios con aplicación de modelos SP ver, Panja (2007) en señalización y Luo
(2010) en control de freno.
6.1. Preparación y tratamiento de los datos

Para el tratamiento de los datos de campo se ha aplicado la norma IEC 60300-3-2 (2004).
Respecto el tipo y tratamiento de los datos, se cuenta con datos continuos y completos
para una población finita y sin muestreo. Son datos cuantitativos, sin censura y
truncados por tiempo, validados en origen y sin cribado; no se elimina ningún registro
de fallo, aunque la distribución parezca inicialmente anómala o fuera de los valores
esperados del sistema.
Para los sistemas de tracción eléctrica se ha empleado la variable kilómetros (km), en vez
de la variable tiempo (t) para el estudio de la fiabilidad, dado que los sistemas de
tracción están sometidos en su completa operación sólo cuando el tren recorre
kilómetros, no por el propio paso del tiempo. Por ejemplo, Anderson (1993) emplea los
kilómetros en su estudio, ya que los sistemas de tracción son sometidos a uso y desgaste
por el kilometraje recorrido traccionando.

En el sistema de tracción eléctrica de 36 trenes de la serie 5000-4ª los registros de fallos

corresponden al periodo del 1993-2008, es decir 16 años de explotación comercial. El
kilometraje acumulado por cada tren supera 1.500.000 km. El número total de registro
de fallos en los sistemas de tracción de los 36 trenes en el periodo de estudio es de 3.112.
El sistema de tracción eléctrica de 88 trenes de la serie 2000-B cuenta con los registros de
fallos que corresponden al periodo del 1998-2012, es decir 15 años de explotación
comercial. El kilometraje acumulado por cada tren supera 1.100.000 km. El número total
de registro de fallos en los sistemas de tracción de los 88 trenes en el periodo de estudio
es de 4.349.
TOTAL Nº TOTAL TOTAL Nº TOTAL
TREN TREN
KILÓMETROS FALLOS KILÓMETROS FALLOS
1 1.558.028 95 19 1.573.678 69
2 1.596.175 97 20 1.587.731 67
3 1.603.409 121 21 1.651.900 75
4 1.633.340 77 22 1.601.105 84
5 1.610.401 107 23 1.594.275 88
6 1.682.072 103 24 1.547.130 60
7 1.672.608 84 25 1.596.740 78
8 1.630.363 99 26 1.491.402 90
9 1.593.031 73 27 1.615.831 100
10 1.643.983 126 28 1.621.377 62
11 1.637.886 118 29 1.574.576 72
12 1.626.085 73 30 1.551.079 100
13 1.653.920 111 31 1.557.868 68
14 1.634.162 67 32 1.529.434 66
15 1.631.779 92 33 1.572.606 79
16 1.647.438 96 34 1.568.278 80
17 1.682.277 64 35 1.574.030 85
18 1.589.800 79 36 1.622.617 107
Tabla 9 – Resumen de datos de los fallos de los sistemas de tracción en trenes 5000-4ª
En el sistema de tracción eléctrica de 23 trenes de la serie 8000, los registros de fallos

corresponden al periodo del 2002-2012, es decir más de 10 años de explotación
comercial. El kilometraje acumulado por cada tren supera 1.500.000 km. El número total
de registro de fallos en los sistemas de tracción de los 23 trenes en el periodo de estudio
es de 945.
Las 40 escaleras mecánicas de la serie TNE objeto de estudio tienen también idéntico
diseño técnico y constructivo, así como el mismo contexto operacional. Los registros de
fallos corresponden al periodo del 2005-2014. Las horas de funcionamiento acumuladas
por cada escalera superan las 68.000 horas. El número total de registro de fallos de las 40
escaleras mecánicas en el periodo de estudio es de 8.837. Puede observarse que se
cuenta con una importante y detallada base de datos, que permite asegurar que los
resultados que se obtienen en los análisis estadísticos tienen un alto grado de integridad.


TREN TREN
1 1.331.755 89 45 1.330.827 45
2 1.447.380 52 46 1.340.990 46
3 1.425.548 54 47 1.344.022 40
4 1.444.476 75 48 1.378.652 53
5 1.418.379 58 49 1.382.629 46
6 1.439.461 60 50 1.372.734 52
7 1.433.915 82 51 1.381.469 41
8 1.436.241 65 52 1.349.300 74
9 1.334.124 81 53 1.393.412 36
10 1.433.524 70 54 1.482.212 38
11 1.440.680 57 55 1.554.419 45
12 1.476.449 50 56 1.557.902 78
13 1.412.099 47 57 1.495.762 47
14 1.399.773 50 58 1.459.192 58
15 1.443.421 55 59 1.533.332 64
16 1.455.118 60 60 1.523.618 60
17 1.350.482 117 61 1.540.811 31
18 1.395.945 63 62 1.548.215 23
19 1.403.692 57 63 1.546.300 51
20 1.357.921 45 64 1.464.034 28
21 1.420.499 53 65 1.472.349 37
22 1.360.205 41 66 1.490.458 58
23 1.418.130 44 67 1.274.676 61
24 1.372.824 62 68 1.290.777 43
25 1.406.302 39 69 1.220.408 41
26 1.416.129 44 70 1.221.997 42
27 1.420.175 36 71 1.273.293 40
28 1.355.824 46 72 1.282.785 53
29 1.360.641 49 73 1.223.953 24
30 1.393.116 52 74 1.196.502 26
31 1.349.288 37 75 1.244.863 38
32 1.367.785 48 76 1.190.913 31
33 1.388.835 59 77 1.225.567 29
34 1.405.714 46 78 1.231.449 19
35 1.371.400 85 79 1.207.841 36
36 1.373.322 43 80 1.179.894 48
37 1.352.884 49 81 1.202.763 29
38 1.320.162 39 82 1.210.903 22
39 1.357.668 78 83 1.197.757 34
40 1.392.882 32 84 1.179.014 36
41 1.372.955 48 85 1.191.428 52
42 1.365.268 51 86 1.201.216 50
43 1.374.335 33 87 1.153.607 50
44 1.370.362 57 88 1.233.622 36
Tabla 10 – Resumen de datos de los fallos de los sistemas de tracción en trenes 2000-B


TREN TREN
1 1.627.107 27 13 1.817.021 32
2 1.568.891 64 14 1.770.916 70
3 1.617.751 43 15 1.717.176 40
4 1.697.485 30 16 1.702.712 42
5 1.705.437 25 17 1.739.525 49
6 1.732.867 31 18 1.830.987 34
7 1.581.330 41 19 1.793.792 38
8 1.727.224 65 20 1.805.476 57
9 1.768.675 31 21 1.801.005 32
10 1.692.871 45 22 1.680.121 29
11 1.657.216 49 23 1.795.483 34
12 1.648.334 37
Tabla 11 – Resumen de datos de los fallos de los sistemas de tracción en trenes 8000
Nº TOTAL Nº TOTAL
ESCALERA TOTAL HORAS ESCALERA TOTAL HORAS
FALLOS FALLOS
1 72.620 202 21 70.120 186
2 72.620 166 22 69.920 259
3 72.000 151 23 69.760 256
4 72.000 174 24 69.640 306
5 71.640 389 25 69.500 292
6 71.640 144 26 69.480 347
7 71.860 214 27 69.360 124
8 71.440 273 28 69.340 289
9 71.440 301 29 69.280 293
10 71.300 169 30 69.200 109
11 71.100 193 31 69.080 197
12 70.880 283 32 68.980 131
13 70.800 335 33 68.360 281
14 70.800 255 34 68.120 280
15 70.800 326 35 68.080 286
16 70.500 275 36 67.100 126
17 70.460 171 37 67.100 172
18 70.480 128 38 67.100 63
19 70.380 152 39 67.100 183
20 70.320 201 40 67.100 155
Tabla 12 – Resumen de datos de los fallos en escaleras mecánicas TNE

Se intenta, en primer lugar, modelar la fiabilidad de los sistemas de tracción de los trenes
y de las escaleras mecánicas, mediante la estimación de parámetros para múltiples
ítems, al objeto de que una única estimación sea capaz de explicar el comportamiento de
los fallos de la totalidad de cada sistema. Si se fracasa, se realiza el análisis ítem a ítem, es
decir a cada tren o escalera mecánica de una forma independiente, al objeto de modelar
la fiabilidad obtenida en cada tren o escalera mecánica en concreto, como proponen los
estándares de IEC, procedimiento también descrito por Rigdon y Basu (2000).
El procedimiento metodológico para el análisis de la fiabilidad aplicado a la
investigación de elementos reparables, se detalla en el apartado 3.9 de esta tesis.
6.2. Calcular el estadístico U para test de tendencia de z(t) para múltiples items
Se efectúa bajo la norma IEC 60605-6 (2007) en su apartado 7.3, con ri número total de
fallos a considerar del ítem i-enésimo, Ti* tiempo (o km) total del ensayo terminado por
tiempo ítem i-enésimo, Tij tiempo (o km) acumulado del ensayo a considerar en el fallo j-
enésimo del ítem i-enésimo y k número total de items;
(67)
El estadístico U puede usarse para probar si hay evidencia de crecimiento de la

fiabilidad, positivo o negativo, independiente del modelo de crecimiento de la fiabilidad.
Un ensayo bilateral para crecimiento positivo o negativo con el nivel de significación α
tiene los valores críticos u1-α/2 y -u1-α/2, donde u1-α/2 es el percentil (1-α/2)·100% de la
distribución normal tipificada. Si ; entonces no hay evidencia de
crecimiento de la fiabilidad positivo o negativo a nivel de significación α. En este caso se
acepta la hipótesis de distribución exponencial de los tiempos entre fallos sucesivos del
HPP con el nivel de significación α. Los valores críticos u1-α/2 y -u1-α/2 corresponden a un
ensayo unilateral para crecimiento positivo o negativo, respectivamente, con el nivel de
significación α/2.
de la tabla de percentiles de la distribución normal tipificada de la Tabla 8, que en
nuestro caso es 1,64.
Con la hipótesis de crecimiento cero (es decir, los tiempos de fallo siguen un HPP), el
estadístico U (test de Laplace) se distribuye aproximadamente según una distribución
tipificada de media 0 y desviación 1. La norma incluye el procedimiento gráfico M(t).
Existen otros test de tendencia para evaluar z(t), ver por ejemplo el estudio de Wang
(2005); Crow/AMSAA, Lewis-Robinson, etc., no estando recogidos en la norma.
También se han desarrollado múltiples gráficos de tendencia y test no paramétricos
publicados alternativos al M(t), destacando el de Nelson (2003).

SISTEMA U Ucrítico TENDENCIA

Tracción 5000-4ª 16,88 1,64 Muy Creciente
Tracción 2000-B 1,75 1,64 Ligeramente Creciente
Tracción 8000 - 5,81 1,64 Decreciente
Escaleras Mecánicas TNE 7,64 1,64 Creciente
Tabla 13 – Resultados del test de tendencia U al conjunto de items de cada sistema
El valor de U= 16,88 obtenido sobre los sistemas de tracción de los trenes 5000-4ª supera
el valor crítico para α = 10%, toma un alto valor positivo, por lo que se rechaza la
hipótesis de z(km) constante, existiendo una tendencia creciente de los fallos. Este valor
es acorde con el comportamiento general de los sistemas electromecánicos, de los que
está compuesto el sistema de tracción chopper de estos trenes, ya que los fallos tienden a
aumentar por desgaste mecánico de elementos como los disyuntores, relés, contactores,
motores de tracción CC, etc.
El valor de U= 1,75 obtenido sobre los sistemas de tracción de los trenes 2000-B supera el
valor crítico para α = 10%, toma un alto valor positivo, por lo que se rechaza la hipótesis
de z(km) constante, existiendo una tendencia ligeramente creciente de los fallos. Este
valor es acorde con el comportamiento general de los sistemas electrónicos y eléctricos,
de los que está compuesto el sistema de tracción trifásico – ondulador de corriente de
estos trenes.
El valor de U= -5,81 obtenido sobre los sistemas de tracción de trenes 8000 supera el
valor crítico para α = 10%, toma un alto valor negativo, por lo que se rechaza la hipótesis
de z(km) constante, existiendo una tendencia decreciente de los fallos. Este valor es
acorde con el comportamiento general de los sistemas mayoritariamente electrónicos, de
los que está compuesto el sistema de tracción trifásico – ondulador de tensión de los
trenes, ya que los fallos tienden a decrecer durante la operación de los sistemas, al
eliminarse los elementos que presentan fallos y tratarse de sistemas sin afección por
envejecimiento o desgaste de componentes. El ejemplo más claro de sistemas que
presentan crecimiento de su fiabilidad durante el periodo de operación son los sistemas
basados en software, ver apartado 2.4.
En el caso de las escaleras mecánicas TNE el valor obtenido de U= 7,64 también supera el
valor crítico para α = 10%, y toma un alto valor positivo por lo que se rechaza la
hipótesis de z(t) constante, existiendo una tendencia creciente de los fallos. En este caso
este valor creciente responde al comportamiento general esperado de los sistemas
electromecánicos sometidos a desgaste.
Comprobada la existencia de tendencia en todos los conjuntos de items de sistemas
objeto de estudio, se debe aplicar el modelo PLP según se desarrolla en el siguiente
apartado.

6.3. Aplicar el modelo de PLP

La norma IEC 61710 (2013) para múltiples ítems en sus apartados 7.2.2 y 7.3.1.1, emplea
la fórmula adjunta para estimar puntualmente de forma iterativa , con N el número
total de fallos acumulados en el ensayo, k, ti el tiempo (o km) al fallo ti, i = 1,2,….N y Tj el
tiempo (o km) total de observación Tj desde el ítem j=1,2,…k;
0 (79)
(80)
Se ha calculado de forma iterativa y a continuación se ha calculado , con lo resultados

de la tabla adjunta.
SISTEMA β λ TENDENCIA
Tracción 5000-4ª 1,235 1,87E-06 Muy Creciente
Tracción 2000-B 0,928 1,00E-04 Ligeramente Creciente
Tracción 8000 0,782 5,51E-04 Decreciente
Escaleras Mecánicas TNE 1,055 1,71E-03 Creciente
Tabla 14 – Resultados de la estimación de parámetros de cada sistema con el modelo PLP
Los valores obtenidos en los sistemas de tracción de trenes y en las escaleras mecánicas,
z(km) y z(t) son por lo tanto, según el modelo PLP (53);
0 00000 ; Sistemas tracción trenes 5000-4ª
0 000 0 ; Sistemas tracción trenes 2000-B
0 000 0 ; Sistemas tracción trenes 8000
0 00 0 ; Escaleras mecánicas TNE

La prueba de bondad de ajuste recogida en la norma IEC 61710 (2013), es el estadístico

Cramer-von-Mises C2, siendo M=N y T=T* para ensayos terminados a tiempo, y M = N-1
y T =tN para ensayos terminados a fallo.
(81)
A continuación se selecciona el valor crítico C2 0,90 (M) para un nivel de significación del
10% de la tabla que de > , ver apéndices. Si C2 excede del valor crítico de la
tabla , entonces debe rechazarse la hipótesis de que el modelo de la PLP ajusta
adecuadamente los datos del ensayo. En nuestros estudios los resultados son los
adjuntos.
SISTEMA C2 C20,90(M) HIPÓTESIS PLP

Tracción 5000-4ª 2,108 0,173 Se Rechaza
Tracción 2000-B 9,153 0,173 Se Rechaza
Tracción 8000 0,728 0,173 Se Rechaza
Escaleras Mecánicas TNE 4,089 0,173 Se Rechaza
Tabla 15 – Resultados de las prueba de bondad de ajuste de cada sistema con el modelo PLP
C2 excede claramente el valor crítico de la tabla en todos los casos, por lo que se
rechaza la hipótesis de que el modelo de la PLP ajusta adecuadamente los datos de los
estudios. Reseñar el estudio de Krasich (2012) sobre la influencia de tiempo entre el
último fallo y el final del ensayo, en las estimaciones de parámetros para múltiples
ítems. El modelo de PLP es rechazado, como ya se preveía, dada la dispersión de datos
de fallos de los sistemas de tracción de cada tren y de cada escalera mecánica. Las
normas IEC indican que en este caso se debe proceder a intentar modelar la fiabilidad de
cada ítem, en nuestro caso cada sistema de tracción de cada tren y cada escalera
mecánica.
La norma incluye los métodos de cálculo de los intervalos de confianza de β y λ, sin
embargo no contempla test de hipótesis de los parámetros calculados para su contraste
estadístico. Para ampliar conocimientos ver Harris (1971), Crow (1975), Crow (1993),
Rigdon and Basu (2000), Frenkel y otros (2003), Lisnianski y otros (2010), Blischke y
Murthy (2011).
Existen otras pruebas de bondad de ajuste aplicables a la forma exponencial de ;
Kuiper V, Anderson-Darling A2, Kolmogorov-Smirnov modificado K-S, etc. Interesante
aportación de Smith (1980) respecto al ensayo chi-cuadrado.

6.4. Aplicar el test de tendencia U para z(t) en cada ítem

Recogido en la norma IEC 60605-6 (2007), apartado 7.2., está basado en el cálculo del
estadístico U, en nuestros estudios para ensayo terminado por tiempo se emplea; r el
número total de fallos a considerar, T*el tiempo (o km) total del ensayo terminado por
tiempo, y Ti el tiempo (o km) acumulado del ensayo a considerar fallo i-enésimo:
(64)

TREN U Ucrítico TENDENCIA

1 3,28 1,64 Creciente
2 0,17 1,64 Constante
9 - 0,48 1,64 Constante
20 - 1,26 1,64 Constante
21 - 0,57 1,64 Constante
Tabla 16 – Resultados del test de tendencia U de cada sistema de tracción de trenes 5000-4ª


1 -2,04 1,64 Decreciente
3 -1,22 1,64 Constante
10 -1,56 1,64 Constante
11 -1,29 1,64 Constante
19 -0,52 1,64 Constante
23 -1,07 1,64 Constante
24 -0,39 1,64 Constante
28 -1,36 1,64 Constante
32 -1,46 1,64 Constante
35 -1,25 1,64 Constante
36 -1,61 1,64 Constante
39 -0,44 1,64 Constante
40 -0,89 1,64 Constante
42 -0,40 1,64 Constante
Tabla 17 – Resultados del test de tendencia U de cada sistema de tracción de trenes 2000-B (I)


47 -1,28 1,64 Constante
48 -0,92 1,64 Constante
49 -1,19 1,64 Constante
61 -1,44 1,64 Constante
67 -0,20 1,64 Constante
69 -0,47 1,64 Constante
72 -0,08 1,64 Constante
82 -0,10 1,64 Constante
83 -0,06 1,64 Constante
Tabla 18 – Resultados del test de tendencia U de cada sistema de tracción de trenes 2000-B (II)


10 -1,28 1,64 Constante
12 -1,23 1,64 Constante
14 -1,17 1,64 Constante
21 -0,95 1,64 Constante
Tabla 19 – Resultados del test de tendencia U de cada sistema de tracción de trenes 8000

ESCALERA U Ucrítico TENDENCIA

24 -0,66 1,64 Constante
28 -0,51 1,64 Constante
31 -0,36 1,64 Constante
34 -0,94 1,64 Constante
Tabla 20 – Resultados del test de tendencia U de cada escalera mecánica TNE

En los sistemas de tracción de trenes 5000-4ª y para un nivel de significación α=0,1 el

valor crítico de Uα es 1,64, y se observa que la z(km) de 10 de los 36 sistemas de tracción
de trenes no presentan tendencia, por lo que en estos casos la norma asimila (aunque
advierte que puede no ser así) la hipótesis de distribución exponencial de los tiempos
entre fallos sucesivos en un HPP, proponiendo la estimación puntual de constante. En
los otros 26 trenes, en la aplicación del estadístico U se rechaza que no haya tendencia,
resultando todas las z(t) crecientes, siendo de aplicación el modelo NHPP.
En los sistemas de tracción de trenes 2000-B y para un nivel de significación α=0,1 el
valor crítico de Uα es 1,64, y se observa que la z(km) de 50 de los 88 sistemas de tracción
de trenes no presentan tendencia, por lo que en estos casos la norma asimila (aunque
resultando en 21 las z(t) crecientes y en 17 las z(t) decrecientes, siendo de aplicación el
modelo NHPP.
En los sistemas de tracción de trenes 8000 y para un nivel de significación α=0,1 el valor
crítico de Uα es 1,64, y se observa que la z(km) de 17 de los 23 sistemas de tracción de
trenes no presentan tendencia, por lo que en estos casos la norma asimila (aunque
resultando en todos las z(t) decrecientes, siendo de aplicación el modelo NHPP.
En las escaleras mecánicas TNE y para un nivel de significación α=0,1 el valor crítico de
Uα es 1,64, y se observa que la z(km) de 18 de las 40 escaleras mecánicas TNE no
presentan tendencia, por lo que en estos casos la norma asimila (aunque advierte que
puede no ser así) la hipótesis de distribución exponencial de los tiempos entre fallos
sucesivos en un HPP, proponiendo la estimación puntual de constante. En las otras 22
escaleras, en la aplicación del estadístico U se rechaza que no haya tendencia, resultando
en 17 las z(t) crecientes y en 5 las z(t) decrecientes, siendo de aplicación el modelo NHPP.
SIN TENDENCIA TENDENCIA

SISTEMA ITEMS
TENDENCIA CRECIENTE DECRECIENTE
Tracción 5000-4ª 36 10 26 0
Tracción 2000-B 88 50 21 17
Tracción 8000 23 17 0 6
Escaleras Mecánicas TNE 40 18 17 5
Tabla 21 – Resumen de resultados del test de tendencia U de cada ítem por sistema

5000-4ª 2000-B
SIN TENDENCIA SIN TENDENCIA

TENDENCIA CRECIENTE TENDENCIA CRECIENTE
TENDENCIA DECRECIENTE TENDENCIA DECRECIENTE
8000 TNE
SIN TENDENCIA SIN TENDENCIA

TENDENCIA CRECIENTE TENDENCIA CRECIENTE
TENDENCIA DECRECIENTE TENDENCIA DECRECIENTE
Figura 58 – Distribución de resultados del test de tendencia U de cada ítem por sistema
En la figura adjunta se observa el porcentaje de distribución de tendencia de cada ítem

por sistema objeto de estudio:
– En los sistemas de tracción de los trenes 5000-4ª mayoritariamente la tendencia es
creciente en fallos y algunos items no presentan tendencia.
– En los sistemas de tracción de los trenes 2000-B los items sin tendencia son los
más comunes, seguidos por items con tendencia creciente de fallos, y en menor
proporción con tendencia decreciente de fallos.
– En los sistemas de tracción de los trenes 8000 los items sin tendencia son
mayoritarios, con un número destacable de items con tendencia decreciente de
fallos.
– En las escaleras mecánicas TNE los items sin tendencia son los más comunes, con
casi la misma proporción por items con tendencia creciente de fallos, y en menor
grado con tendencia decreciente de fallos.
Los resultados sugieren que la reparación efectuada a los sistemas de tracción de trenes
2000-B y 8000 se aproxima a una “reparación perfecta”, compatible con sistemas
eléctricos y electrónicos de los que están formados, ya que una vez sustituido el
componente averiado requieren de mínimas intervenciones. En algún ítem se observa
incluso crecimiento de la fiabilidad, situación muy habitual en el software, ver Pham
(2007). Sin embargo los sistemas de tracción de trenes 5000-4ª y las escales mecánicas
presentan unos resultados más difusos, ya que si bien los componentes electromecánicos
averiado son sustituidos, estos sistemas requieren otro tipo de tareas de mantenimiento;
ajustes, lubricaciones y limpiezas que son más necesarias.

Asimismo los componentes mecánicos están sometidos a un desgaste progresivo, por lo

que la decisión del momento adecuado de su sustitución es más compleja. Estas causas
generan una dispersión en los resultados obtenidos en cada escalera, que limitan
generalizar el comportamiento de la reparación efectuada como “nueva” o como “vieja”.
6.5. Estimar λ constante para cada ítem sin tendencia

Se aplica la norma IEC 60605-4 (2001), apartado 5.1 con modelo propuesto HPP. Para
ensayo terminado por tiempo (o kilómetros) y elementos reparables, la estimación de
se realiza para el punto de fin del ensayo con r el número total de fallos a considerar en
el ensayo y T* el tiempo (o km) total del ensayo terminado por fallo;
(69)
Ya se ha indicado que este modelado, parte de la base de que exista una distribución
exponencial de los tiempos entre fallos TBF, por lo que estos resultados deben
entenderse como una estimación de en el momento de la finalización del ensayo, no
siendo tampoco adecuada su extensión para proyecciones del modelo a futuro.
Si bien la norma no lo contempla, en este estudio se ha decidido realizar el test K-S con el
5,0% de nivel de significación para comprobar si los TBF se distribuyen
exponencialmente y es de aplicación el modelo HPP. El criterio es; rechazar H0 con un
5% de nivel de significación si D > Dcrítico, con í .
TREN λ Dcrítica D H0
2 6,08E-05 0,1381 0,3093 Se Rechaza
4 4,71E-05 0,1550 0,2727 Se Rechaza
9 4,58E-05 0,1592 0,2877 Se Rechaza
16 5,83E-05 0,1388 0,3542 Se Rechaza
19 4,38E-05 0,1637 0,2029 Se Rechaza
20 4,22E-05 0,1662 0,3433 Se Rechaza
21 4,54E-05 0,1570 0,3200 Se Rechaza
29 4,57E-05 0,1603 0,2500 Se Rechaza
30 6,45E-05 0,1360 0,4400 Se Rechaza
35 5,40E-05 0,1475 0,2588 Se Rechaza
Tabla 22 – Estimación de constantes de items de cada sistema de tracción de trenes 5000-4ª

3 3,79E-05 0,1851 0,2250 Se Rechaza
6 4,17E-05 0,1756 0,3167 Se Rechaza
7 5,72E-05 0,1502 0,3658 Se Rechaza
8 4,53E-05 0,1687 0,2923 Se Rechaza
10 4,88E-05 0,1626 0,5000 Se Rechaza
11 3,96E-05 0,1801 0,3158 Se Rechaza
12 3,39E-05 0,1923 0,2200 Se Rechaza
16 4,12E-05 0,1756 0,3833 Se Rechaza
19 4,06E-05 0,1801 0,2456 Se Rechaza
23 3,10E-05 0,2050 0,2380 Se Rechaza
24 4,52E-05 0,1727 0,3226 Se Rechaza
25 2,77E-05 0,2178 0,2308 Se Rechaza
27 2,53E-05 0,2267 0,2222 Se Acepta
28 3,39E-05 0,2005 0,2391 Se Rechaza
31 2,74E-05 0,2236 0,1892 Se Acepta
32 3,51E-05 0,1963 0,2083 Se Rechaza
Tabla 23 – Estimación de constantes de items de cada sistema de tracción de trenes 2000-B (I)

35 6,20E-05 0,1475 0,3846 Se Rechaza
36 3,13E-05 0,2074 0,2244 Se Rechaza
39 5,75E-05 0,1540 0,3846 Se Rechaza
40 2,30E-05 0,2404 0,1562 Se Acepta
41 3,50E-05 0,1963 0,1458 Se Acepta
42 3,74E-05 0,1904 0,2941 Se Rechaza
47 2,98E-05 0,2150 0,2750 Se Rechaza
48 3,84E-05 0,1868 0,3396 Se Rechaza
49 3,33E-05 0,2005 0,2609 Se Rechaza
53 2,58E-05 0,2267 0,0841 Se Acepta
54 2,56E-05 0,2206 0,4326 Se Rechaza
56 5,01E-05 0,1540 0,4231 Se Rechaza
57 3,14E-05 0,1984 0,2766 Se Rechaza
61 2,01E-05 0,2443 0,2798 Se Rechaza
62 1,49E-05 0,2836 0,2000 Se Acepta
63 3,30E-05 0,1904 0,2686 Se Rechaza
64 1,91E-05 0,2570 0,3214 Se Rechaza
65 2,51E-05 0,2236 0,2994 Se Rechaza
66 3,89E-05 0,1786 0,3448 Se Rechaza
67 4,79E-05 0,1741 0,4098 Se Rechaza
69 3,36E-05 0,2124 0,4390 Se Rechaza
70 3,44E-05 0,2099 0,2381 Se Rechaza
72 4,13E-05 0,1868 0,2264 Se Rechaza
73 1,96E-05 0,2776 0,1667 Se Acepta
77 2,37E-05 0,2525 0,1837 Se Acepta
78 1,54E-05 0,3120 0,2105 Se Acepta
79 2,98E-05 0,2267 0,2222 Se Acepta
82 1,82E-05 0,2900 0,1971 Se Acepta
83 2,84E-05 0,2332 0,3529 Se Rechaza
84 3,05E-05 0,2267 0,2222 Se Acepta
85 4,36E-05 0,1886 0,3846 Se Rechaza
86 4,16E-05 0,1923 0,3800 Se Rechaza
87 4,33E-05 0,1923 0,2600 Se Rechaza
88 2,92E-05 0,2267 0,2778 Se Rechaza
Tabla 24 – Estimación de constantes de items de cada sistema de tracción de trenes 2000-B (II)

1 1,66E-05 0,2617 0,2589 Se Acepta
2 4,08E-05 0,1700 0,3281 Se Rechaza
3 2,66E-05 0,2074 0,4651 Se Rechaza
4 1,77E-05 0,2483 0,3000 Se Rechaza
5 1,47E-05 0,2720 0,1999 Se Acepta
7 2,59E-05 0,2124 0,3171 Se Rechaza
8 3,76E-05 0,1687 0,4154 Se Rechaza
9 1,75E-05 0,2443 0,1935 Se Acepta
10 2,66E-05 0,2027 0,3111 Se Rechaza
12 2,24E-05 0,2236 0,2973 Se Rechaza
13 1,76E-05 0,2404 0,1872 Se Acepta
14 3,95E-05 0,1626 0,2286 Se Rechaza
16 2,47E-05 0,2099 0,4524 Se Rechaza
18 1,86E-05 0,2332 0,3235 Se Rechaza
21 1,78E-05 0,2404 0,3125 Se Rechaza
22 1,73E-05 0,2525 0,1919 Se Acepta
23 1,89E-05 0,2332 0,2647 Se Rechaza
Tabla 25 – Estimación de constantes de items de cada sistema de tracción de trenes 8000
ESCALERA λ Dcrítica D H0
1 2,78E-03 0,0957 0,1872 Se Rechaza
2 2,29E-03 0,1056 0,0689 Se Acepta
3 2,10E-03 0,1107 0,2171 Se Rechaza
6 2,01E-03 0,1133 0,1725 Se Rechaza
7 2,98E-03 0,0930 0,2085 Se Rechaza
8 3,82E-03 0,0823 0,1695 Se Rechaza
10 2,37E-03 0,1046 0,1761 Se Rechaza
11 2,71E-03 0,0979 0,1288 Se Rechaza
17 2,43E-03 0,1040 0,2665 Se Rechaza
18 1,82E-03 0,1202 0,2045 Se Rechaza
24 4,39E-03 0,0777 0,2339 Se Rechaza
27 1,79E-03 0,1221 0,1723 Se Rechaza
28 4,17E-03 0,0800 0,2487 Se Rechaza
29 4,23E-03 0,0795 0,1714 Se Rechaza
31 2,85E-03 0,0969 0,1828 Se Rechaza
32 1,90E-03 0,1188 0,2083 Se Rechaza
34 4,11E-03 0,0813 0,1838 Se Rechaza
36 1,88E-03 0,1212 0,1777 Se Rechaza
Tabla 26 – Estimación de constantes de items de cada escalera mecánica TNE

Realizado el test K-S con el 5,0% de nivel de significación, en los TBF de los sistemas
estudiados se rechaza mayoritariamente que tengan una distribución exponencial en los
95 items ensayados. Por lo tanto, la norma IEC 60605-4 (2001) fracasa de forma
generalizada, no planteando modelos alternativos al HPP.
SIN SE RECHAZA SE ACEPTA

SISTEMA ITEMS
TENDENCIA MODELO HPP MODELO HPP
Tracción 5000-4ª 36 10 10 0
Tracción 2000-B 88 50 38 12
Tracción 8000 23 17 12 5
Tabla 27 – Resumen de aceptación y rechazo del modelo HPP por sistema e items
Hay que señalar el alto grado de dispersión de las z(km) contantes obtenidas entre los
items de cada sistema, resultado inesperados (en teoría) en sistemas de tracción iguales,
en tren iguales y en contextos operacionales iguales, con valores extremos 4,17 veces
entre extremos. También es destacable el alto grado de dispersión de las contantes
obtenidas, con valores de z(t) de hasta 2,46 veces superior/inferior entre extremos, siendo
las escaleras mecánicas constructivamente iguales, aunque los modelos HPP se hayan
rechazado mayoritariamente. Estas diferencias se analizarán más adelante.
Como ejemplo de ítem con modelo aceptado, en la Figura 59 se puede observar como los
TBF del tren 53 de la serie 2000-B presentan una distribución que puede ser aceptada
como exponencial ya que D = 0,0841 < Dcrítico = 0,2267.
Distribución de tiempos entre fallos
10 Exponencial
Media=38164,4
8
frecuencia
0
0 3 6 9 12 15
tiempos entre fallos (TBF) (X 10000,0)
Figura 59 – Distribución de los TBF del tren 53 de la serie 2000-B

Por lo tanto los únicos ítems en los que se puede aceptar que su fiabilidad puede ser
modelada mediante un proceso de Poisson homogéneo HPP son los 18 items de la Tabla
28, sobre los que se ha calculado intervalo de confianza bilateral que recoge la norma
IEC 60605-4 (2001).
SISTEMA ITEM λ λL2 (90%) λU2 (90%)

Tracción 2000-B 27 2,53E-05 1,88E-05 3,35E-05
Tracción 2000-B 31 2,74E-05 1,98E-05 3,61E-05
Tracción 2000-B 40 2,30E-05 1,68E-05 3,08E-05
Tracción 2000-B 41 3,50E-05 2,71E-05 4,45E-05
Tracción 2000-B 53 2,58E-05 1,92E-05 3,41E-05
Tracción 2000-B 62 1,49E-05 1,02E-05 2,10E-05
Tracción 2000-B 73 1,96E-05 1,35E-05 2,76E-05
Tracción 2000-B 77 2,37E-05 1,69E-05 3,23E-05
Tracción 2000-B 78 1,54E-05 1,01E-05 2,26E-05
Tracción 2000-B 79 2,98E-05 2,21E-05 3,94E-05
Tracción 2000-B 82 1,82E-05 1,23E-05 2,59E-05
Tracción 2000-B 84 3,05E-05 2,27E-05 4,03E-05
Tracción 8000 1 1,66E-05 1,17E-05 2,29E-05
Tracción 8000 5 1,47E-05 1,02E-05 2,05E-05
Tracción 8000 9 1,75E-05 1,27E-05 2,37E-05
Tracción 8000 13 1,76E-05 1,28E-05 2,37E-05
Tracción 8000 22 1,73E-05 1,24E-05 2,35E-05
Escaleras Mecánicas TNE 2 2,29E-03 2,00E-03 2,60E-03
Tabla 28 – de items con modelo HPP aceptado con valores del intervalo de confianza bilateral
Para estos items el modelo HPP de intensidad de fallo z(t), función de fiabilidad R(t),
función de densidad de probabilidad del fallo f(t) se formula;
(49)
(50)
(51)

35
30
25
E[N(km)]
20
15
10
Real
Modelo HPP
5
0
0 2 3 5 6 8 9 11 12 14 15 17
km x 10 5
Figura 60 – Fallos acumulados por el tren 9 de la serie 8000 (sin tendencia)
Como ejemplo, en la Figura 60 se representa los valores reales en explotación de fallos

acumulados y la estimación E[N(km)] = t efectuada por el modelo de HPP del sistema
de tracción del tren 9 de la serie 8000, siendo un modelo aceptado con distribución
exponencial en los TBF.
Al objeto de reseñar la dispersión de los resultados obtenidos de la estimación de se
representa como ejemplo en la Figura 61 los resultados de 12 sistemas de tracción de la
serie 2000-B cuyo modelo HPP ha sido aceptado con la representación del intervalo de
confianza bilateral.
5,00E-05
4,50E-05
4,00E-05
3,50E-05
3,00E-05
2,50E-05 λL2 (90%)
2,00E-05 λU2 (90%)
1,50E-05 λ
1,00E-05
5,00E-06
0,00E+00
27 31 40 41 53 62 73 77 78 79 82 84
Tren
Figura 61 – Gráfica de dispersión de de sistemas de tracción serie 2000-B con modelo HPP aceptado

Para distribuciones distintas a la exponencial en datos de TBF se deben emplear modelos

RP y comprobar su bondad de ajuste, por lo tanto 77 ítems sin tendencia en el fallo de
este estudio no pueden ser modelados HPP. Otra alternativa al modelado RP es el
propuesto por Tang (2014) mediante la superposición de constantes, recordando que la
norma IEC 60605-4 (2001) fracasa de forma generalizada, no planteando modelos
alternativos al HPP
Como ejemplo de ítem con modelo no aceptado, en la Figura 61 se puede observar como
los TBF del tren 54 de la serie 2000-B presentan una distribución que no puede ser
aceptada como exponencial, ya que D = 0,4326 > Dcrítico = 0,2206.
Distribución de tiempos entre fallos
24 Exponencial
Media=39093,1
20
16
frecuencia
12
0
0 0,5 1 1,5 2 2,5 3
tiempos entre fallos (X 100000,)
Figura 62 – Distribución de los TBF del tren 54 de la serie 2000-B
6.6. Aplicar el modelo PLP a cada ítem con tendencia

Se emplea la norma IEC 61710 (2013) para cada ítem, apartados 7.2.1 y 7.3.1.1. Es
necesario estimar β y λ aplicable a los sistemas de tracción de los trenes con tendencia
creciente o decreciente de fallos y las escaleras mecánicas con tendencia creciente o
decreciente, de acuerdo al estadístico U, siendo T* el tiempo (o km) total del ensayo
terminado por tiempo y tj el tiempo (o km) acumulado del ensayo en el fallo j-enésimo;
(72)
A continuación se calcula la estimación no sesgada de y para ensayos terminados a

tiempo, con N el número total de fallos acumulados en el ensayo y k el número total de
ítems del ensayo;

(74), (76)
Es necesario efectuar el ensayo de bondad de ajuste, al objeto de comprobar si el modelo

de fiabilidad de cada ítem se ajusta adecuadamente a los datos de explotación, según
apartado 7.3.1.1 de la norma IEC 61710 (2013). Se calcula el estadístico C2 con M=N y
T=T* para ensayos terminados a tiempo (o km).
(81)
TREN λ β C2 0,90 (M) C2 Hipótesis TENDENCIA

1 4,83E-07 1,34 0,1730 0,4030 Se Rechaza Creciente
17 2,89E-07 1,34 0,1730 0,1305 Se Acepta Creciente
Tabla 29 – Estimación de y de modelo PLP de cada sistema de tracción de trenes 5000-4ª


1 1,51E-04 0,94 0,1730 1,4101 Se Rechaza Decreciente
13 4,12E-03 0,66 0,1720 0,0984 Se Acepta Decreciente
Tabla 30 – Estimación de y de modelo PLP de cada sistema de tracción de trenes 2000-B


Tabla 31 – Estimación de y de modelo PLP de cada sistema de tracción de trenes 8000
ESCALERA λ β C2 0,90 (M) C2 Hipótesis TENDENCIA

Tabla 32 – Estimación de y de modelo PLP de cada escalera mecánica TNE

Escasos ítems de los sistemas de tracción de trenes o de las escaleras mecánicas, ajusta su
fiabilidad al modelo PLP. Sólo los sistemas de tracción de 18 trenes y la escalera
mecánica 9 tienen una distribución de fallos que se acepta según modelo PLP. Se ha
comprobado que para periodos de ensayos a tiempo o kilómetros muy largos y que
acumulan un número elevado de fallos, el modelo de PLP fracasa en casi la totalidad de
los items estudiados, ya que coexisten en el mismo ítem, periodos de z(t) constante,
crecientes y decrecientes.
CON SE RECHAZA SE ACEPTA

SISTEMA ITEMS
TENDENCIA MODELO PLP MODELO PLP
Tracción 5000-4ª 36 26 23 3
Tracción 2000-B 88 38 25 13
Tracción 8000 23 6 4 2
Tabla 33 – Resumen de aceptación y rechazo del modelo PLP por sistema e items
Por lo tanto, de los 92 sistemas ensayados los únicos ítems en los que se puede aceptar
que su fiabilidad puede ser modelada mediante PLP son los 19 sistemas de la Tabla 34.
SISTEMA ITEM λ β TENDENCIA

Tracción 5000-4ª 17 2,89E-07 1,34 Creciente
Tracción 2000-B 13 4,12E-03 0,66 Decreciente
Tracción 2000-B 21 7,09E-07 1,28 Creciente
Tracción 8000 6 6,99E-02 0,42 Decreciente
Tracción 8000 19 3,31E-02 0,49 Decreciente
Escaleras Mecánicas TNE 9 1,36E-02 0,89 Decreciente
Tabla 34 - Parámetros y de items con modelo PLP aceptado

En la Figura 63 se representa E[N(km)] con los valores reales en explotación y la

estimación efectuada por el modelo de PLP con tendencia decreciente del sistema de
tracción del tren 6 de la serie 8000, siendo uno de los ítems en el que existe un alto grado
de ajuste entre el modelo y los datos, y la prueba de bondad de ajuste con el estadístico
C2 es acepta.
35
30
25
E[N(km)]
20
Real
15
Modelo PLP
10
0
0 2 3 5 6 8 9 11 12 14 15 17
km x 105
Figura 63 – Fallos acumulados por el tren 6 de la serie 8000 (tendencia decreciente)
En la Figura 64 se representa E[N(km)] con los valores reales en explotación y la

estimación efectuada por el modelo de PLP con tendencia creciente del sistema de
tracción del tren 17 de la serie 5000-4ª, siendo uno de los ítems en el que existe un alto
grado de ajuste entre el modelo y los datos, y la prueba de bondad de ajuste con el
estadístico C2 es acepta. Se recuerda la ley de potencia aceptada para estos 19 items;
(52)
(53)

70
60
50
E[N(km)]
40
30
20
Real
10 Modelo PLP
0
0 2 3 5 6 8 9 11 12 14 15 17
km x 105
Figura 64 – Fallos acumulados por el tren 17 de la serie 5000-4ª (tendencia creciente)
La norma no recoge un modelo NHPP alternativo a PLP para los 73 items con modelo
rechazado. Estas altas tasas de fracaso han llevado a desarrollar múltiples modelos que
respondan adecuadamente a los resultados de ensayos en explotación, como son los
modelos SP complejos y otros, ver Ruggeri (2006) y Weckman (2001) como ejemplos
aplicados a flotas de transporte.
6.7. Resumen de resultados del estudio normativo IEC de la fiabilidad

– Se cuenta con una completa base de datos, lo que permite asegurar que los
resultados que se obtienen en los ensayos tienen un alto grado de integridad.
– Aplicando el test de tendencia U para múltiples items bajo la norma IEC 60605-6
(2007) en su apartado 7.3, se obtiene:
o Los sistemas de tracción de los trenes 5000-4ª presentan una tendencia de
alto crecimiento de los fallos acorde con el comportamiento general de los
sistemas electromecánicos.
o Los sistemas de tracción de los trenes 2000-B presentan una tendencia
ligeramente creciente de los fallos que responde al comportamiento de
sistemas eminentemente electrónicos y eléctricos.
o Los sistemas de tracción de los trenes 8000 presentan una tendencia
decreciente de los fallos compatibles con sistemas electrónicos y software.
o Las escaleras mecánicas TNE presentan una tendencia crecimiento de los
fallos acorde con el comportamiento general de los sistemas
electromecánicos.

– Al aplicar el modelo PLP para múltiples ítems con la norma IEC 61710 (2013) en
sus apartados 7.2.2 y 7.3.1.1, se rechaza la hipótesis del modelo. El modelo de
PLP es rechazado en los cuatro sistemas objeto de ensayo, dada la dispersión de
datos de fallos de los sistemas de tracción de cada tren y de cada escalera
mecánica.
– A continuación se aplica el test de tendencia U en cada ítem recogido en la norma
IEC 60605-6 (2007), apartado 7.2:
o En los sistemas de tracción de los trenes 5000-4ª mayoritariamente la
tendencia es creciente en fallos y algunos items no presentan tendencia.
o En los sistemas de tracción de los trenes 2000-B los items sin tendencia son
los más comunes, seguidos por items con tendencia creciente de fallos, y
en menor proporción con tendencia decreciente de fallos.
o En los sistemas de tracción de los trenes 8000 los items sin tendencia son
mayoritarios, con un número destacable de items con tendencia
decreciente de fallos.
o En las escaleras mecánicas TNE los items sin tendencia son los más
comunes, con casi la misma proporción por items con tendencia creciente
de fallos, y en menor grado con tendencia decreciente de fallos.
– Para cada uno de los 95 ítems sin tendencia de fallo se estima λ constante con la
norma IEC 60605-4 (2001), apartado 5.1 modelo propuesto HPP. En este estudio
se ha decidido comprobar si los TBF se distribuyen exponencialmente y es
correcta la aplicación el modelo HPP:
o 77 items sin tendencia en el fallo no pueden ser modelados HPP, ya que
sus TBF no se distribuyen exponencialmente.
o Para 18 items sin tendencia en el fallo se acepta el modelo mediante un
proceso de Poisson homogéneo HPP.
o El modelo HPP para items sin tendencia de fallo fracasa de forma
generalizada.
– Por último se aplicar el modelo de PLP a cada ítem de los 92 con tendencia de
fallo la según norma IEC 61710 (2013), apartados 7.2.1 y 7.3.1.1.:
o 73 items con tendencia en el fallo no pueden ser modelados PLP.
o Para 19 items con tendencia en el fallo se acepta el modelo mediante un
proceso de Poisson no homogéneo NHPP con ley de potencia PLP.
o El modelo PLP para items con tendencia de fallo fracasa de forma
generalizada.
– Dado que sólo se han podido modelar la fiabilidad 37 de los 187 items, de los
cuatro sistemas reparables objeto de este estudio mediante la aplicación de las
normas IEC, se ha procedido a efectuar un estudio complementario de otros
modelos no contemplados en las norma IEC, al objeto de contrastar su validez y
comparar los resultados que se obtienen con modelos alternativos.

7. ESTUDIO COMPLEMENTARIO DE LA
FIABILIDAD DE LOS SISTEMAS REPARABLES
La rueda más estropeada del carro es la que hace más
ruido.
- Esopo-
E
l fracaso masivo de los modelos de las normas IEC y las importantes variaciones
de las z(km) obtenidas en los sistemas de tracción de los trenes y las escaleras
mecánicas con z(t) sin tendencia, y las diferencias, a su vez, con los sistemas de
tracción de trenes con tendencia decreciente o creciente y las escaleras mecánicas con
tendencia decreciente o creciente, plantean la necesidad de intentar profundizar e
identificar en las potenciales causas técnicas u operacionales que hacen que cada tren o
escalera tenga un valor diferenciado de z(t), siendo los sistemas de tracción y escaleras
entre sí tecnológicamente iguales y los contextos de operación idénticos.
De forma subjetiva, todos tenemos la percepción de que series fabricadas de forma
idéntica de sistemas reparables complejos (por ejemplo, los automóviles), tienen una
fiabilidad en su explotación diferentes, y en algunos casos con valores dispares, y los
datos obtenidos en este estudio corroboran esta percepción subjetiva, a la que se debe
tratar de dar una explicación científica. Se han efectuado, de forma exploratoria,
diferentes ensayos para el modelado de los sistemas reparables objeto de estudio y se
presentan en la tesis los resultados más reseñables.
7.1. Selección de modelos alternativos a los estándares IEC

Dada la profusión de modelos desarrollados y publicados de potencial aplicación de
estos estudios para sistemas reparables alternativos a los normalizados por IEC, ver 2.7.,
y la compleja aparamenta matemática necesaria para la aplicación de gran parte de ellos,
se ha sondeado el mercado del software de apoyo, resultado el programa más
conveniente para esta investigación STATGRAPHICS Centurion, ya que incluye
métodos estadísticos para sistemas reparables que no corresponden a los recogidos en
las normas IEC, y nos permiten establecer análisis complementarios, e incluso comparar
los resultados obtenidos aplicando diferentes metodologías, con los resultados de los
ensayos efectuados bajo las normas IEC. Asimismo STATGRAPHICS Centurion
también incorpora potentes herramientas de análisis multivariante de aplicación en la
última fase de este estudio.
La versión empleada es STATGRAPHICS Centurion XVI (16.2.04), y para el análisis de

la fiabilidad cuenta con modelos para elementos no reparables y para elementos
reparables. Para elementos reparables tiene con dos menús de análisis, el denominado
“Sistemas Compuestos (intervalos)”, para los análisis de los que no se disponen de los
tiempos exactos de los fallos (sólo los intervalos), y el “Sistemas Compuestos (tiempos)”,
una pésima traducción de “Repairable Systems (Times)”, para los análisis de los que se
disponen de los tiempos exactos de los fallos, de aplicación a este estudio.
Figura 65 – Menú de análisis de sistemas reparables (Tiempos) de STATGRAPHICS Centurion
En primer lugar se deben cargar en el Libro de Datos los tiempos (o kilómetros) de los
fallos de cada ítem del sistema a ensayar. Una vez seleccionado el menú “Sistemas
Compuestos (intervalos)” STATGRAPHICS permite efectuar los ensayos de uno o
varios items, con ensayo terminado a tiempo o terminado a fallo. Como ya se ha
expuesto en nuestro estudio los ensayos son terminados a tiempo.
Los métodos estadísticos y herramientas para el análisis de la fiabilidad de sistemas
reparables con datos exactos de fallo y terminados a tiempo (o a fallo) que incluye
STATGRAPHICS Centurion XVI (16.2.04) son:
– Test de Tendencia:
o Test de Laplace, también denominado estadístico U (el empleado por
en las normas IEC).
o Test MIL-HDBK-189 también conocido como AMSAA/Crow (Army
Materiel Systems Analysis Activity).
o Test RAT (Reverse Arrangement Test).
– Modelos:
o Proceso de Poisson homogéneo HPP
o Proceso de Poisson no homogéneo NHPP: Función Potencia, Función
Exponencial de 1º,2º y 3º orden y Modelo IBM (ver 2.7.6.).
o Procesos de Renovación RP: incluye 27 distribuciones de ensayo para el
mejor ajuste de los TBF.

Estudio Complementario de la Fiabilidad de los Sistemas Reparables 187
– Prueba de Bondad de Ajuste:

o Chi-cuadrado χ2.
o Kolmogorov-Smirnov K-S.
o Kolmogorov-Smirnov modificada D.
o Kuiper V.
o Cramer-von-Mises C2.
o Watson U2.
o Anderson-Darling A2.
– Métodos de análisis gráfico (no paramétricos):
o Gráfico de Fallos.
o Gráfico acumulativo de fallos.
o Gráfico de tasa de fallos.
o Diagrama de dispersión de TBF.
o Gráfico de percentiles de TBF.
o Gráfico de cuantiles de TBF.
o Gráfico de Distribución de TBF.
– Gráficos:
o , función de fiabilidad (o supervivencia).
o , función de densidad de probabilidad del fallo (PDF).
o , función acumulada de la probabilidad de fallo (CDF).
7.2. Análisis de los TBF y la naturaleza de los fallos

En primer lugar se han centrado los análisis en la búsqueda de patrones en los TBF de
los sistemas, observando una tendencia generalizada a la acumulación de varios fallos
consecutivos durante cortos periodos temporales, a los que preceden y anteceden largos
periodos temporales sin fallos acumulados. La norma IEC 60300-3-5 (2001) señala que
estimación gráfica de z(km) instantánea es la pendiente a la tangente de la curva
E[N(km)] en cualquier punto, véase Figura 66, en la que se observan los fallos
consecutivos y su influencia en la z(km) instantánea representada.

30 5
25
4
20
3
------- E[N(km)]
- - - - - - z(km) x 10 -4
15
10
1
5
0 0
0 2 3 5 6 8 9 11 12 14 15
km x 105
Figura 66 – Construcción gráfica de la estimación de z(km) instantánea del tren 1 de la serie 8000
Este fenómeno es bien conocido por los responsables de mantenimiento de sistemas

reparables, ver Hatton (1999) y Karanikas (2013). Los fallos repetitivos que un sistema
reparable acumula durante su larga vida de operación, son una situación que tiene su
origen en diferentes causas de difícil diagnosis y solución en los sistemas complejos:
– Factores operacionales: se pueden superar las condiciones ambientales de
diseño (temperatura, vibraciones, etc.), y una vez que desaparecen son
difícilmente reproducibles.
– Factores humanos: falta de formación y/o equipos de diagnóstico del personal
de mantenimiento al reparar el fallo. También existen errores y falsas
maniobras en el personal de operación, que generan e inducen fallos en la
operación de los sistemas.
– Factores técnicos: falsos contactos en cableados y conectores, componentes
electrónicos con pérdidas temporales de parámetros, tolerancias y ajustes
críticos en componentes mecánicos, etc.
Ya se ha comprobado que para los sistemas sin tendencia en los fallos, no es de
aplicación mayoritariamente el modelo HPP, ya que los TBF no responden a una
distribución exponencial (ver 6.5) y que los para los sistemas con tendencia no es
mayoritariamente de aplicación el modelo PLP (ver 6.6) como consecuencia de los
cambios de pendiente de los TBF. Se han analizado los datos de los TBF de cada
sistema, cuyos parámetros más destacables se presentan en la tabla adjunta.

Escaleras
Tracción Tracción Tracción
Parámetro Mecánicas
5000-4ª 2000-B 8000
TNE
Valores 3.112 4.349 945 8.837
Promedio (km, t) 18.343 26.807 41.030 315
Desviación estándar (km, t) 27.029 42.089 61.965 529
Coeficiente de variación 147% 157% 151% 168%
Densidad máxima (km, t) 13.000 22.000 28.000 300
% Valores < Densidad máxima 61,92% 65,11% 61,79% 69,66%
Logística Logística Logística Log-normal 3
Mejor Distribución (Test K-S)
Generalizada Generalizada Generalizada parámetros
Tabla 35 - Parámetros básicos de los TBF de los sistemas
En los datos se observa que existe una gran concentración de TBF cercanos al origen, y
que son los fallos repetitivos. Una vez superado un plazo de kilómetros (u horas)
cercanos a la reparación, los fallos presentan una distribución que va disminuyendo en
su densidad, no correspondiéndose en ningún caso a una distribución exponencial.
La interpretación práctica de estos valores es que después de una reparación, existe una
alta probabilidad de que un fallo ocurra en las primeras fases de operación, y que
superado ese plazo, la probabilidad de que el fallo acontezca disminuye de forma
notable, ver Figura 67.
Gráfico de Densidad TBF 5000-4ª Gráfico de Densidad TBF 2000-B
(X 0,000001) (X 0,000001)
12 8
10
6
8
densidad
densidad
4
6
4
2
2
0
0 0 1 2 3 4 5
0 4 8 12 16 20 24 km (X 100000,)
km (X 10000,0)
Gráfico de Densidad TBF C-8000 Gráfico de Densidad TBF Escaleras TNE
(X 0,000001) (X 0,0001)
5 4
4
3
densidad
densidad
3
2
2
1
1
0 0
0 1 2 3 4 5 6 0 2 4 6 8
km (X 100000,) horas (X 1000,0)
Figura 67 – Gráficos de densidad de los TBF de los sistemas de tracción y escaleras mecánicas

El fracaso masivo de los modelos HPP y PLP en los sistemas ensayados tiene como
causa raíz los episodios de fallos repetitivos acumulados durante largos periodos de
operación, al no tener los TBF una distribución exponencial. Es por ello que se propone
continuar los ensayos en los sistemas sin tendencia en los fallos con modelos RP y en los
items con tendencia con modelos NHPP alternativos al PLP, y para que estos modelos se
puedan aplicar hay que analizar la posible dependencia de los TBF.
Se debe descartar la existencia de correlación en los TBF para asegurar que los datos son
independientes. Se han analizado y valorado las potenciales variables que pudieran
estar en el origen de los TBF en los sistemas de tracción, resultando 12 variables a
estudio; equipamiento del tren, reformas en el tren, kilometraje, años de operación,
fecha de fabricación, orden de fabricación, personal de conducción, sistema de gestión
del mantenimiento, plan de mantenimiento, personal de mantenimiento, condiciones
ambientales y línea de circulación. Aplicado ensayos de correlación de Pearson, se ha
descartado influencia sobre los TBF.
De las 12 variables de aplicación a los sistemas tracción de los trenes se presentan sólo
los resultados de las 2 variables con rangos apreciables; fecha de fabricación y orden de
fabricación. Las otras 10 variables presentan unos rangos muy cercanos y/o idénticos,
por lo que los ensayos de correlación conducen directamente a rechazar esta hipótesis,
ya que los rangos de los TBF son de gran magnitud, los resultados se pueden observar
en las tablas adjuntas. Se descarta la influencia de la estacionalidad/temperatura, ya que
la temperatura en los túneles es muy estable durante todo el año, con un rango máximo
de entre 20ºC y 30ºC.

Orden Fecha
TREN Nº TBF Promedio TBF
Fabricación Fabricación
1 95 15.557 1 01/03/1993
2 97 16.040 2 01/03/1993
3 121 13.194 3 01/03/1993
4 77 20.950 4 01/03/1993
5 107 14.862 5 01/04/1993
6 103 16.331 6 01/04/1993
7 84 19.456 7 01/04/1993
8 99 16.468 8 01/04/1993
9 73 20.713 9 01/05/1993
10 126 12.973 10 01/05/1993
11 118 13.801 11 01/05/1993
12 73 22.275 12 01/05/1993
13 111 14.900 13 01/06/1993
14 67 24.126 14 01/06/1993
15 92 17.630 15 01/06/1993
16 96 17.091 16 01/06/1993
17 64 26.286 17 01/06/1993
18 79 20.124 18 01/06/1993
19 69 22.459 19 07/06/1993
20 67 22.336 20 01/07/1993
21 75 21.789 21 01/07/1993
22 84 19.061 22 01/07/1993
23 88 17.792 23 01/07/1993
24 60 25.078 24 01/07/1993
25 78 20.381 25 01/07/1993
26 90 16.571 26 01/07/1993
27 100 16.158 27 01/09/1993
28 62 25.918 28 01/09/1993
29 72 21.869 29 01/09/1993
30 100 15.416 30 01/10/1993
31 68 22.910 31 01/10/1993
32 66 22.540 32 01/11/1993
33 79 19.259 33 01/11/1993
34 80 19.520 34 01/11/1993
35 85 18.518 35 01/12/1993
36 107 15.165 36 01/12/1993
Correlaciones Pearson Nº TBF -0,3760 -0,2971
Correlaciones Pearson Promedio TBF 0,3182 0,2416
Tabla 36 - Correlaciones de los TBF con variables de contexto en trenes 5000-4ª

Orden Fecha
1 89 14.760 1 02/12/1997
2 52 26.669 2 04/12/1997
3 54 26.226 3 05/12/1997
4 75 18.833 4 18/12/1997
5 58 23.954 5 23/12/1997
6 60 23.793 6 18/12/1997
7 82 17.487 7 26/12/1997
8 65 22.096 8 26/12/1997
9 81 16.471 9 30/12/1997
10 70 20.267 10 30/12/1997
11 57 22.421 11 27/01/1998
12 50 29.049 12 27/01/1998
13 47 27.321 13 30/01/1998
14 50 27.210 14 19/02/1998
15 55 26.244 15 03/02/1998
16 60 24.134 16 12/02/1998
17 117 11.418 17 19/02/1998
18 63 20.567 18 19/02/1998
19 57 22.607 19 27/02/1998
20 45 30.059 20 03/03/1998
21 53 26.802 21 24/02/1998
22 41 29.166 22 20/03/1998
23 44 32.077 23 03/03/1998
24 62 21.477 24 20/03/1998
25 39 35.872 25 17/03/1998
26 44 28.078 26 24/03/1998
27 36 38.705 27 17/03/1998
28 46 28.703 28 31/03/1998
29 49 26.375 29 07/04/1998
30 52 26.791 30 20/03/1998
31 37 32.276 31 14/04/1998
32 48 28.496 32 24/03/1998
33 59 21.448 33 21/04/1998
34 46 30.559 34 31/03/1998
35 85 15.562 35 30/04/1998
36 43 29.864 36 16/04/1998
37 49 26.781 37 30/04/1998
38 39 33.228 38 12/05/1998
39 78 17.288 39 07/04/1998
40 32 42.893 40 19/05/1998
41 48 27.539 41 14/04/1998
42 51 26.440 42 21/05/1998
43 33 38.912 43 26/05/1998
44 57 24.041 44 21/04/1998
45 45 28.227 45 26/05/1998
46 46 27.990 46 09/06/1998
47 40 32.478 47 11/06/1998
48 53 25.390 48 30/04/1998
49 46 27.192 49 18/06/1998
Tabla 37- Correlaciones de los TBF con variables de contexto en trenes 2000-B (I)

Orden Fecha
50 52 25.795 50 25/06/1998
51 41 32.357 51 05/05/1998
52 74 16.886 52 30/06/1998
53 36 38.164 53 30/06/1998
54 38 38.244 54 30/07/1998
55 45 33.712 55 16/07/1998
56 78 19.668 56 22/07/1998
57 47 30.940 57 30/07/1998
58 58 25.002 58 04/08/1998
59 64 23.842 59 22/09/1998
60 60 25.394 60 29/09/1998
61 31 49.178 61 30/09/1998
62 23 64.769 62 28/10/1998
63 51 28.250 63 30/10/1998
64 28 48.201 64 18/03/1999
65 37 39.093 65 26/03/1999
66 58 24.899 66 31/03/1999
67 61 20.155 67 24/06/1999
68 43 29.851 68 30/06/1999
69 41 29.290 69 30/06/1999
70 42 28.665 70 21/07/1999
71 40 31.609 71 28/07/1999
72 53 22.931 72 30/07/1999
73 24 48.997 73 29/02/2000
74 26 46.019 74 29/02/2000
75 38 32.538 75 29/03/2000
76 31 38.417 76 29/03/2000
77 29 38.006 77 26/04/2000
78 19 63.985 78 26/04/2000
79 36 32.874 79 30/05/2000
80 48 24.102 80 30/05/2000
81 29 40.701 81 30/06/2000
82 22 53.144 82 30/06/2000
83 34 34.348 83 26/07/2000
84 36 31.822 84 26/07/2000
85 52 22.912 85 28/09/2000
86 50 24.024 86 28/09/2000
87 50 22.918 87 27/10/2000
88 36 34.267 88 27/10/2000
Correlaciones Pearson Promedio TBF 0,4488 0,3939
Tabla 38 - Correlaciones de los TBF con variables de contexto en trenes 2000-B (II)

Orden Fecha
1 27 64.630 1 14/05/2002
2 64 26.244 2 13/06/2002
3 43 39.495 3 20/05/2002
4 30 58.167 4 29/05/2002
5 25 70.420 5 18/06/2002
6 31 49.172 6 06/06/2002
7 41 42.939 7 13/06/2002
8 65 27.340 8 23/05/2002
9 31 53.723 9 15/06/2002
10 45 35.129 10 25/06/2002
11 49 34.659 11 19/06/2002
12 37 45.012 12 26/06/2002
13 32 53.072 13 26/06/2002
14 70 24.645 14 28/06/2002
15 40 38.496 15 09/07/2002
16 42 39.333 16 26/07/2002
17 49 35.207 17 29/08/2002
18 34 52.268 18 26/09/2002
19 38 39.039 19 28/09/2002
20 57 29.218 20 10/12/2002
21 32 53.524 21 13/12/2002
22 29 58.562 22 18/02/2003
23 34 52.808 23 17/03/2003
Correlaciones Pearson Promedio TBF -0,0809 0,1340
Tabla 39 - Correlaciones de los TBF con variables de contexto en trenes 8000
Las escaleras mecánicas del estudio son iguales tecnológicamente en su construcción,

existiendo ligeras diferencias en su tamaño y contexto operacional, sometiéndose a
estudio las cinco (5) variables; fecha de fabricación, orden de fabricación, sentido de
marcha, longitud y tránsito. Se descarta la influencia de la estacionalidad/temperatura,
ya que la temperatura en los vestíbulos y andenes es muy estable durante todo el año,
con un rango máximo de entre 20ºC y 30ºC.

Promedio Orden Fecha

EEMM Nº TBF Sentido Longitud Tránsito
TBF Fabricación Fabricación
1 202 359,50 1 21/12/2004 3 6,5 14.247
2 166 436,02 2 21/12/2004 3 6,88 15.763
3 151 475,36 3 21/01/2005 3 8,65 2.101
4 174 403,79 4 21/01/2005 3 6,3 3.349
5 389 184,01 5 08/02/2005 3 9,6 5.083
6 144 496,94 6 08/02/2005 3 3,35 6.165
7 214 331,40 7 28/01/2005 3 11,9 9.462
8 273 257,95 8 18/02/2005 3 11,9 7.510
9 301 236,21 9 18/02/2005 3 9,6 10.230
10 169 417,16 10 25/02/2005 3 6,3 9.771
11 193 366,74 11 07/03/2005 1 11,9 9.767
12 283 245,30 12 18/03/2005 3 7,33 7.612
13 335 211,28 13 22/03/2005 3 8,64 7.612
14 255 277,02 14 22/03/2005 3 7,3 10.873
15 326 217,18 15 22/03/2005 3 8,62 10.873
16 275 255,56 16 06/04/2005 1 8,95 11.835
17 171 396,73 17 08/04/2005 3 8,4 1.785
18 128 549,06 18 07/04/2005 3 8,4 8.503
19 152 462,76 19 12/04/2005 1 11,9 10.455
20 201 348,16 20 15/04/2005 1 9,6 13.218
21 186 376,77 21 25/04/2005 3 9,98 6.721
22 259 268,11 22 05/05/2005 3 16,73 6.721
23 256 270,86 23 13/05/2005 3 9,81 5.421
24 306 227,52 24 19/05/2005 1 9,43 6.573
25 292 237,26 25 26/05/2005 1 6,5 15.763
26 347 198,10 26 27/05/2005 1 6,88 14.247
27 124 555,48 27 02/06/2005 1 9,98 7.212
28 289 235,22 28 03/06/2005 1 8,64 14.352
29 293 236,31 29 06/06/2005 1 3,35 5.644
30 109 633,58 30 10/06/2005 1 10,54 262
31 197 350,05 31 16/06/2005 1 7,3 6.751
32 131 526,56 32 21/06/2005 1 9,81 7.905
33 281 241,07 33 22/07/2005 1 16,73 7.212
34 280 239,07 34 03/08/2005 1 8,5 13.209
35 286 238,04 35 05/08/2005 3 7,5 13.742
36 126 532,06 36 23/09/2005 1 3,16 7.249
37 172 387,09 37 23/09/2005 3 3,16 8.110
38 63 1051,11 38 23/09/2005 1 6,63 5.838
39 183 361,75 39 23/09/2005 3 6,63 1.211
40 155 432,39 40 23/09/2005 1 6,63 1.230
Correlaciones Pearson
-0,1604 -0,1783 0,1074 0,1856 0,3547
Nº TBF
0,2078 0,2397 -0,1858 -0,1822 -0,3347
Promedio TBF
Tabla 40 - Correlaciones de los TBF con variables de contexto en escaleras mecánicas TNE

Del total de los ensayos, sólo se observa una débil correlación negativa entre el número
de TBF (nº de fallos) y el orden/fecha de fabricación de los sistemas de tracción de los
trenes 2000-B. A la vista de los valores de correlación de Pearson que se han obtenido, se
descarta la influencia en los TBF de cada sistema de tracción y escalera de las variables
estudiadas. Bredrup (1986) ya planteaba hace décadas la existencia de importantes
diferencias entre las z(t) obtenidas en sistemas idénticos, y analiza la influencia de
naturaleza de los fallos; operacionales, hardware, software, etc.
También se ha efectuado un estudio de correlación sobre los TBF de cada subsistema
que componen los sistemas de tracción y las escaleras mecánicas, y su influencia en el los
TBF de cada sistema, así como cuando no se ha podido establecer el origen del fallo en
ninguna parte concreta del sistema, es decir no se efectúa ninguna reparación (sólo
comprobaciones), y en esta caso se clasifica como “sin anormalidad aparente”.
Subsistemas Leyenda
11 Pantógrafo
12 Protecciones
13 Reg. Marcha
21 Relés y Reactancias
22 Interruptor Principal
23 Cofre electrónica de potencia
31 Contactores
32 Vigilancia 50 Hz
33 Resistencias de Freno
41 Canalizaciones
42 Aparatos de cabina
43 Motores de Tracción
99 Sin anormalidad aparente
Tabla 41 – Leyenda de los subsistemas que componen los sistemas de tracción de trenes

Nº TBF
TREN
TOTAL 11 12 13 21 22 23 31 33 41 42 43 99
1 94 1 0 6 2 7 13 6 4 2 6 0 47
2 97 3 0 7 0 2 11 7 5 4 10 1 47
3 121 1 0 11 1 1 12 12 2 0 10 4 67
4 77 0 0 7 2 6 2 9 6 5 12 2 26
5 107 0 0 5 1 5 10 10 1 3 15 1 56
6 103 0 0 6 0 9 10 13 0 3 8 0 54
7 84 2 0 3 1 8 11 5 7 4 7 1 35
8 99 0 0 3 0 7 14 13 7 1 11 2 41
9 73 0 0 4 1 5 9 6 8 2 5 1 32
10 126 0 0 7 0 11 21 8 5 2 9 0 63
11 118 2 0 5 1 8 16 3 4 4 11 0 64
12 73 1 0 3 2 4 6 6 1 5 7 0 38
13 111 1 0 10 3 6 12 7 2 5 19 1 45
14 67 1 0 3 0 4 9 8 1 2 7 2 30
15 92 2 0 4 0 4 7 7 2 1 10 2 53
16 96 2 0 10 0 3 7 7 5 2 9 0 51
17 64 3 0 7 1 6 4 4 3 1 5 1 29
18 79 0 0 3 0 5 6 8 4 0 12 2 39
19 69 0 1 4 0 4 1 7 2 2 13 2 33
20 67 1 0 3 2 9 9 4 0 1 5 1 32
21 75 0 0 7 0 5 4 7 4 4 8 1 35
22 85 2 0 3 0 17 5 4 10 2 9 0 33
23 88 1 0 7 2 8 15 7 3 1 7 1 36
24 60 0 0 4 0 4 11 2 1 1 7 0 30
25 78 2 0 5 0 11 7 1 0 3 8 0 41
26 90 0 0 5 0 10 15 2 3 5 14 1 35
27 100 2 0 7 1 6 14 8 6 2 11 0 43
28 62 1 0 1 0 6 3 6 4 0 3 3 35
29 72 1 0 5 0 5 7 9 4 0 2 1 38
30 100 2 0 2 0 9 5 8 0 1 8 0 65
31 68 0 0 6 0 5 8 3 2 2 7 1 34
32 66 0 1 6 0 5 7 5 3 1 10 0 28
33 79 0 0 4 0 4 17 3 1 2 7 1 40
34 80 1 0 3 0 7 5 7 9 4 14 0 30
35 85 1 0 10 0 4 4 3 3 1 9 2 48
36 107 1 0 8 0 9 15 10 2 5 14 0 43
Correlaciones
0,13 -0,26 0,46 0,13 0,16 0,61 0,45 0,05 0,23 0,50 -0,10 0,84
Pearson Nº TBF
Tabla 42 - Correlaciones de los TBF total y subsistemas en trenes 5000-4ª
La correlación con los fallos “sin anormalidad aparente” (99), es obvio que debe ser muy
alta, ya que este grupo acumula el 48,07% del total del nº de fallos.

Nº TBF
TREN
TOTAL 11 12 13 21 22 23 31 32 33 41 42 43 99
1 89 8 0 8 0 6 1 3 4 6 0 9 13 31
2 52 1 1 4 0 2 5 3 1 5 2 6 6 16
3 54 1 0 6 0 4 1 2 4 4 1 7 9 15
4 75 5 1 3 1 1 2 7 4 10 0 4 7 30
5 58 0 1 1 0 0 1 2 5 3 0 6 9 30
6 60 1 1 2 0 0 2 1 0 8 0 17 10 18
7 82 2 0 6 0 6 3 4 3 5 1 16 8 28
8 65 1 4 7 1 3 6 2 2 8 0 7 13 11
9 81 0 1 13 0 8 10 6 3 7 0 7 9 17
10 70 2 0 5 0 3 2 1 2 10 0 6 12 27
11 57 1 2 6 0 0 3 1 1 10 0 7 9 17
12 50 5 2 5 0 1 5 4 1 2 0 11 5 9
13 47 2 0 4 0 1 5 2 1 3 0 8 9 12
14 50 2 0 1 0 1 2 0 1 7 0 9 4 23
15 55 1 1 5 0 2 1 2 1 4 1 2 11 24
16 60 2 1 5 0 8 7 2 0 5 0 4 1 25
17 117 1 5 12 0 12 6 11 9 10 0 11 5 35
18 63 2 0 4 0 3 6 6 6 12 1 4 3 16
19 57 3 1 4 0 1 4 1 0 7 0 11 11 14
20 45 0 0 10 0 9 3 1 0 3 0 7 3 9
21 53 1 3 4 0 1 8 5 2 8 0 6 3 12
22 41 0 1 3 0 0 5 2 0 6 0 2 7 15
23 44 0 4 4 0 0 0 1 3 8 0 5 5 14
24 62 2 0 0 0 2 5 2 1 10 0 13 3 24
25 39 0 1 5 0 1 4 2 1 4 0 9 1 11
26 44 2 0 0 0 3 1 2 0 2 0 8 9 17
27 36 0 0 3 0 3 3 0 0 8 0 4 7 8
28 46 1 0 11 1 2 0 3 0 5 0 6 6 11
29 49 0 5 2 0 4 1 5 7 3 0 8 3 11
30 52 2 1 4 0 3 4 3 1 5 0 7 12 10
31 37 0 0 2 0 0 2 0 0 5 0 11 8 9
32 48 1 0 5 0 1 2 7 0 3 0 4 7 18
33 59 2 1 2 0 5 2 1 2 6 0 7 1 30
34 46 0 0 1 0 5 3 2 0 1 0 5 15 14
35 85 2 0 6 0 16 5 7 2 10 1 15 5 16
36 43 1 0 0 0 2 1 2 3 4 0 4 12 14
37 49 0 2 1 0 5 1 2 0 5 0 14 6 13
38 39 0 0 7 1 4 1 3 3 2 0 9 4 5
39 78 4 1 4 1 5 1 11 1 6 0 1 9 34
40 32 0 0 1 0 1 5 2 1 6 0 6 3 7
41 48 1 0 6 0 2 2 2 0 6 0 7 3 19
42 51 1 3 4 0 3 3 0 1 3 0 9 9 15
43 33 1 0 2 0 2 1 1 1 2 0 2 6 15
44 57 0 0 5 0 3 10 3 2 9 0 7 9 9
45 45 2 0 1 0 4 1 4 0 6 0 3 12 12
46 46 1 0 2 0 2 3 1 0 5 0 9 10 13
47 40 0 0 2 0 2 3 1 3 3 1 10 5 10
48 53 2 0 6 0 2 5 2 0 8 0 8 4 16
49 46 2 0 4 0 0 2 4 2 5 0 5 11 11
Tabla 43 - Correlaciones de los TBF total y subsistemas en trenes 2000-B (I)

Nº TBF
TREN
TOTAL 11 12 13 21 22 23 31 32 33 41 42 43 99
50 52 0 0 2 0 0 0 0 7 6 0 8 6 23
51 41 0 0 2 0 4 3 1 0 4 0 11 8 8
52 74 2 1 11 0 8 2 9 0 10 0 5 9 17
53 36 0 2 2 1 7 0 2 0 4 0 3 4 11
54 38 0 0 6 0 1 2 3 2 4 0 1 4 15
55 45 2 0 5 0 3 3 2 2 4 0 6 11 7
56 78 1 1 14 0 3 2 0 2 10 1 4 9 31
57 47 1 0 7 0 0 1 0 0 8 0 5 13 12
58 58 1 2 2 0 3 2 7 4 10 2 0 10 15
59 64 2 3 11 0 2 3 6 2 6 0 11 5 13
60 60 1 1 11 0 8 2 3 1 2 0 5 5 21
61 31 1 0 3 0 0 0 0 0 0 3 3 6 15
62 23 1 1 4 0 5 0 0 0 4 0 1 3 4
63 51 1 0 4 0 2 0 5 6 3 0 8 9 13
64 28 1 0 1 0 0 3 1 2 0 0 8 9 3
65 37 1 1 4 0 2 3 1 1 2 0 8 2 12
66 58 2 5 3 0 1 3 3 1 2 1 9 14 14
67 61 2 0 3 0 0 7 3 1 14 0 7 8 16
68 43 0 1 2 0 0 7 4 1 3 0 7 5 13
69 41 1 0 4 0 2 6 6 2 2 0 2 5 11
70 42 2 0 2 1 2 0 0 2 5 0 14 4 10
71 40 0 0 5 1 2 9 1 1 2 0 7 9 3
72 53 3 0 3 0 5 3 3 1 6 0 7 6 16
73 24 1 0 5 0 0 0 1 0 1 0 7 0 9
74 26 0 1 0 0 2 2 0 0 3 0 8 6 4
75 38 1 1 2 1 1 1 8 1 5 0 8 4 5
76 31 2 1 3 1 4 4 2 1 3 0 6 2 2
77 29 3 0 2 1 1 1 0 0 6 0 5 5 5
78 19 2 0 2 0 0 1 1 0 2 0 4 0 7
79 36 1 1 4 0 3 1 3 1 2 0 6 6 8
80 48 2 2 2 0 11 2 3 1 5 0 6 6 8
81 29 5 0 3 0 2 2 3 1 4 0 3 1 5
82 22 3 0 2 0 0 2 3 2 0 0 6 2 2
83 34 2 2 5 0 2 0 1 0 4 0 3 3 12
84 36 2 1 2 1 1 0 3 7 2 0 5 1 11
85 52 0 1 5 0 1 3 0 8 5 0 6 2 21
86 50 1 1 3 0 5 2 4 0 9 0 5 8 12
87 50 2 1 7 0 2 0 1 1 4 0 10 11 11
88 36 1 0 2 0 2 2 0 1 8 0 8 2 10
Correlaciones
0,27 0,30 0,53 -0,08 0,51 0,31 0,54 0,40 0,59 0,12 0,28 0,35 0,77
Pearson Nº TBF
Tabla 44 - Correlaciones de los TBF total y subsistemas en trenes 2000-B (II)
En los sistemas de tracción de trenes 2000-B, la correlación con los fallos “sin
anormalidad aparente” (99), también es razonable que sea alta, ya que este grupo
acumula el 31,13% del total del nº de fallos.

Nº TBF
TREN
TOTAL 11 12 13 21 22 23 31 32 33 41 42 43 99
1 27 1 1 6 0 1 3 1 1 0 2 3 6 2
2 64 0 2 10 2 10 24 1 0 0 0 2 6 7
3 43 0 2 1 0 0 15 0 1 0 0 8 7 9
4 30 3 0 2 1 1 6 0 2 0 1 3 2 9
5 25 2 0 1 0 4 7 1 0 0 0 2 2 6
6 31 0 1 1 1 1 10 0 0 0 0 5 3 9
7 41 0 1 3 0 1 8 0 3 0 1 6 6 12
8 65 1 0 19 1 5 11 0 0 0 1 5 4 18
9 31 0 0 3 0 2 5 0 3 0 0 4 5 9
10 45 1 1 9 0 5 12 0 0 0 0 2 8 7
11 49 0 0 1 0 0 9 0 0 0 0 6 18 15
12 37 1 0 1 0 5 13 0 2 0 1 2 5 7
13 32 1 1 3 0 5 7 0 0 0 0 2 5 8
14 70 0 1 0 0 0 34 0 2 0 0 3 10 20
15 40 2 0 4 0 0 5 0 0 0 1 7 7 14
16 42 0 0 6 0 2 15 0 0 0 0 6 7 6
17 49 2 1 4 2 0 2 0 0 0 0 12 4 22
18 34 2 0 2 0 0 16 0 0 0 0 4 5 5
19 38 4 0 4 0 2 14 0 1 0 0 2 2 9
20 57 6 0 4 0 0 18 0 1 0 0 5 9 14
21 32 5 0 0 1 0 11 0 2 0 0 2 4 7
22 29 2 1 12 0 0 6 0 0 0 1 2 3 2
23 34 2 0 2 0 1 8 0 1 0 0 7 5 8
-0,14 0,24 0,35 0,31 0,24 0,68 -0,08 -0,10 NA -0,20 0,20 0,47 0,69
Nº TBF
Tabla 45 - Correlaciones de los TBF total y subsistemas en trenes 8000
En los sistemas de tracción de trenes 8000, la correlación con el subsistema 23 (Cofre

electrónica de potencia) es esperada al acumular el 27,41 % del nº total de fallos.
Respecto a la correlación con los fallos “sin anormalidad aparente” (99), la correlación
también es alta al ser el 23,80 % del nº total de fallos.

Nº TBF
ESCALERA
TOTAL 1 2 3 4 5 6 7 8 9 99
1 202 3 31 40 0 3 31 10 5 1 78
2 166 0 25 28 1 11 21 8 10 0 62
3 151 3 44 25 0 2 14 5 8 0 50
4 174 5 21 30 0 4 7 42 1 1 63
5 389 3 64 83 0 6 92 12 3 3 123
6 144 4 20 31 0 6 13 12 6 1 51
7 214 8 38 65 0 19 11 5 5 1 62
8 273 7 52 69 0 6 40 14 6 3 76
9 301 7 45 66 0 12 59 14 7 3 88
10 169 1 26 37 0 8 27 12 3 0 55
11 193 4 32 30 0 14 27 26 4 1 55
12 283 9 58 25 1 8 66 31 7 4 74
13 335 13 60 28 1 19 63 26 15 6 104
14 255 1 55 38 1 8 40 35 10 3 64
15 326 7 91 35 5 10 45 12 6 3 112
16 275 2 45 49 0 18 31 11 8 1 110
17 171 0 33 53 0 2 28 9 4 1 41
18 128 0 16 30 1 1 22 8 7 1 42
19 152 3 12 38 0 8 19 4 2 1 65
20 201 19 22 69 0 12 26 6 6 2 39
21 186 1 54 25 4 4 27 14 4 3 50
22 259 3 64 28 1 13 44 18 7 10 71
23 256 4 44 26 1 13 68 16 6 0 78
24 306 2 67 57 1 33 13 16 18 0 99
25 292 4 55 44 0 6 29 15 18 2 119
26 347 12 49 56 0 5 44 10 13 0 158
27 124 3 24 9 0 7 14 6 10 0 51
28 289 7 58 56 1 20 42 15 16 1 73
29 293 8 38 61 0 15 53 17 19 0 82
30 109 5 21 11 0 3 6 16 6 0 41
31 197 5 39 25 0 17 32 22 2 0 55
32 131 6 10 31 0 13 6 12 5 1 47
33 281 5 27 75 1 7 33 19 13 6 95
34 280 18 35 62 0 19 18 15 18 4 91
35 286 17 43 21 0 17 77 8 13 17 73
36 126 4 35 9 1 3 28 4 0 0 42
37 172 2 50 7 1 15 45 2 1 0 49
38 63 7 16 6 1 11 4 2 1 0 15
39 183 5 59 9 1 16 16 5 3 0 69
40 155 3 46 18 0 15 23 4 9 1 36
0,53 0,46 0,79 -0,14 0,53 0,70 0,52 0,84 0,50 0,92
Nº TBF
Subsistemas Leyenda
1 BALAUSTRADA
2 CADENAS Y ESTACION TENSORA
3 EQUIPO ELÉCTRICO
4 MOTOR
5 PASAMANOS
6 PELDAÑOS
7 PLC/COMUNICACIONES
8 S. SEGURIDADES
9 ZOCALO
99 SIN ANORMALIDAD APARENTE
Tabla 46 - Correlaciones de los TBF total y subsistemas en escaleras mecánicas TNE

En las escaleras mecánicas TNE, la correlación de los subsistemas cadenas y estación

tensora, equipo eléctrico, pasamanos y sistema de seguridades es alta. Respecto a la
correlación con los fallos “sin anormalidad aparente” (99), la correlación es muy alta al
ser el 31,78 % del nº total de fallos.
Es necesario analizar si los fallos con reparación “sin anormalidad aparente”, tiene algún
grado de correlación con los fallos cuyos TBF son muy cortos, es decir son fallos
repetitivos, ya que a priori, parece que se trata de una relación de causa-efecto. Es decir,
que cuando se produce un fallo y la reparación se completa como “sin anormalidad
aparente”, es cuando se repite el fallo al poco espacio de tiempo o kilómetros de
operación. El método empleado para este análisis es desagregar y comparara los TBF en
dos grupos, el primero corresponde a los TBF de los fallos “sin anormalidad aparente” y
el segundo el resto de los TBF en los cuales si se ha efectuado una reparación.
TBF sin TBF con

Parámetro TBF totales
anormalidad reparación
Valores 3112 1496 1616
Promedio (km) 18.343 18.245 18.434
Desviación estándar (km) 27.029 27.736 26.365
Coeficiente de variación 147% 152% 143%
Densidad máxima (km) 13.000 13.000 13.000
% Valores < Densidad máxima 61,92% 62,56% 61,38%
Logística Log-Logística 3 Log-Logística 3
Generalizada parámetros parámetros
Tabla 47 – Parámetros básicos de los grupos de TBF de los trenes 5000-4ª
Gráfico de Densidad de TBF en trenes 5000-4ª

(X 0,000001)
12
10
TBF sin anormalidad
8 TBF con reparación
densidad
0
0 4 8 12 16 20 24
(X 10000,0)
km
Figura 68 – Gráfico de densidad de los grupos de TBF de los sistemas de tracción en trenes 5000-4ª

En los datos de los sistemas de tracción de los trenes 5000-4ª se observa que existe una
gran concentración de TBF cercanos al origen, que son los fallos repetitivos, tanto en los
TBF del grupo “sin anormalidad aparente”, como en los TBF del grupo “con
reparación”. Las densidades de los TBF de ambos grupos son casi idénticas entre sí, y
también con respecto al total de los TBF de este sistema, ver Figura 68. En los sistemas
de tracción de los trenes 5000-4ª no se puede afirmar que los fallos repetitivos tengan su
origen en reparaciones “sin anormalidad aparente”.
TBF sin TBF con

Parámetro TOTAL TBF
Valores 4349 1254 3095
Promedio (km) 26.807 24.286 27.795
Logística Log-Logística 3 Log-Logística 3
Tabla 48 – Parámetros básicos de los grupos de TBF de los trenes 2000-B
Grafico de densidad de TBF en trenes 2000-B
(X 0,000001)
8
TBF sin anormalidad

6 TBF con reparacion
densidad
0
0 1 2 3 4 5
km (X 100000,)
Figura 69 – Gráfico de densidad de los grupos de TBF de los sistemas de tracción en trenes 2000-B
En los sistemas de tracción de trenes 2000-B las densidades de los TBF de ambos grupos
son casi idénticas entre sí, y también con respecto al total de los TBF de este sistema, ver
Figura 69. En este sistema tampoco se puede afirmar que los fallos repetitivos tengan su
origen en reparaciones “sin anormalidad aparente”.

TBF sin TBF con

Valores 945 225 720
Promedio (km) 41.030 34.934 42.935
Logística Log-normal 3 Log-Logística 3
Tabla 49 – Parámetros básicos de los grupos de TBF de los trenes 8000
Gráfico de densidad de TBF en trenes 8000

(X 0,000001)
5
4
TBF sin anormalidad
TBF con reparación
densidad
0
0 1 2 3 4 5 6
km (X 100000,)
Figura 70 – Gráfico de densidad de los grupos de TBF de los sistemas de tracción en trenes 8000
En los sistemas de tracción de trenes 8000 las densidades de los TBF de ambos grupos
son muy similares, y también con respecto al total de los TBF de este sistema, ver Figura
70. En este sistema tampoco se puede afirmar que los fallos repetitivos tengan su origen
en reparaciones “sin anormalidad aparente”, dado que si bien existe una densidad en los
TBF “sin anormalidad” con su máximo más cerca del origen que la densidad de los TBF
con reparación, las diferencias son poco significativas.

TBF sin TBF con

Valores 8.837 2808 6.029
Promedio (t) 315 315 314
Desviación estándar (t) 529 545 521
Densidad máxima (t) 300 300 300
Log-normal 3 Log-Logística 3 Log-Logística 3
parámetros parámetros parámetros
Tabla 50 – Parámetros básicos de los grupos de TBF de las escaleras mecánicas TNE
Gráfico de densidad de TBF en escaleras TNE

(X 0,0001)
4
TBF sin anormalidad

3 TBF con reparación
densidad
0
0 2 4 6 8 10
t (X 1000,0)
Figura 71 – Gráfico de densidad de los grupos de TBF de las escaleras mecánicas TNE
En los datos de TBF de las escaleras mecánicas TNE se observa que existe una gran
concentración de TBF cercanos al origen, que son los fallos repetitivos, tanto en los TBF
del grupo “sin anormalidad aparente”, como en los TBF del grupo “con reparación”. Las
densidades de los TBF de ambos grupos son idénticas entre sí, y también con respecto al
total de los TBF de este sistema, ver Figura 71. En las escaleras mecánicas no se puede
afirmar que los fallos repetitivos tengan su origen en reparaciones “sin anormalidad
aparente”.

A la vista de los resultados obtenidos en los cuatro sistemas reparables, no se puede

afirmar que exista una relación causa-efecto entre un fallo que, después de la revisión
del sistema, el técnico de mantenimiento clasifica como “sin anormalidad aparente” y la
potencial repetición del fallo, ya que los grupos de TBF “sin anormalidad aparente” y
“con reparación” presentan casi idénticas distribuciones en todos los sistemas.
A continuación se ha intentado fijar un valor crítico de TBF para la identificación de los
episodios con “acumulación de fallos supuestamente anormales” y tipificar estos TBF
como fallos repetitivos. Las distribuciones que mejor representan los conjuntos de los
TBF por sistema son la logística generalizada para los tres (3) sistemas de tracción de
trenes y la log-normal 3 parámetros para las escaleras mecánicas. Al ajustar un valor
crítico de TBF para el área de la cola inferior < 15%, el TBF resultante es muy cercano a
cero o negativo. La interpretación de estos resultados es que cualquier TBF por pequeño
que sea , 0, se encuentra dentro de los rangos esperados de su distribución, por
lo que no se puede considerar que estos TBF sean atípicos.
Otro enfoque es intentar fijar un valor crítico de número de fallos por intervalo de km o t
para la identificación de los episodios con “acumulación de fallos supuestamente
anormales” y tipificar éstos como fallos repetitivos. Si, por ejemplo, en los sistemas de
tracción de los trenes agrupamos los fallos de cada tren en intervalos de 15.000 km,
obtenemos una métrica de “agrupación” por intervalo que se representa el histograma
de la Figura adjunta para trenes 5000-4ª.
Fallos acumulados en intervalos de 15.000 km

3000
2500 2407
2000
Número de intervalos
1500
968
1000
500 397
136
65 33 24 11 10 3 2 1 2 4 2 0 1 1 0 0 0 1 0
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Número de fallos
Figura 72 – Histograma de fallos acumulados en sistemas de los tracción de trenes 5000-4ª
Los intervalos de 15.000 km presentan una distribución del número de fallos

acumulados que en el caso de los sistemas de tracción de trenes 5000-4ª se ajusta más
adecuadamente a una log-normal 3 parámetros. Si marcamos el límite del área de la cola
superior en un 15%, el valor crítico es aproximadamente de 2 fallos.

KM 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
- 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 2 1 1 0 6 2 2 0 0 0 1 0 0 0 2 2
15.000 1 2 3 1 0 4 0 3 1 1 1 0 2 0 0 0 1 0 1 7 0 0 0 1 0 1 3 1 2 0 0 0 1 0 0 1
30.000 2 4 2 1 1 0 0 0 3 1 0 1 0 0 1 1 1 0 0 0 1 0 0 1 0 1 0 0 2 0 2 1 0 0 1 3
45.000 0 0 0 1 2 2 0 0 0 0 0 1 1 3 0 1 0 0 0 2 3 1 1 1 0 1 1 3 0 1 0 3 0 2 2 2
60.000 0 1 1 0 0 0 1 1 1 0 2 0 0 1 2 1 0 0 0 0 2 0 1 0 1 0 0 1 1 0 1 0 0 0 1 0
75.000 2 2 0 1 0 0 0 0 2 1 0 2 0 0 2 0 0 2 0 0 2 1 0 0 0 2 1 0 0 0 1 0 0 0 1 0
90.000 1 0 1 0 0 2 0 2 1 0 1 1 0 0 0 0 1 0 0 0 2 0 0 0 1 0 0 0 0 1 0 2 1 0 3 0
105.000 0 3 0 0 1 1 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 1 0
120.000 0 1 0 0 1 1 1 1 2 0 0 0 0 0 1 3 0 0 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0
135.000 0 0 2 1 2 0 0 0 3 0 0 0 0 1 1 0 0 0 2 1 1 1 0 0 0 1 0 0 0 2 1 0 1 1 0 2
150.000 1 0 0 2 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 5 0 1 0 0 4 0 0 1 1 0 0 2 0 0 0 0
165.000 0 3 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 5 0 0 0 0 1 0 0 0 1 0 0 1
180.000 0 1 0 0 0 0 2 2 0 0 2 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 2 0 0 3 0 0 0
195.000 0 4 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 1 2 0 0 0 2 1 0 0 2 0 0 1 0 0
210.000 0 0 1 0 1 0 0 0 0 1 0 1 1 0 0 0 0 2 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
225.000 0 0 0 0 0 3 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 2 0 0 2 0 0 0 0 2 1
240.000 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 2 0 0 0 0 0 2 0 0 0 0 0 0 2 0 0
255.000 2 0 0 0 0 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 0 0 2 0 0 0 0
270.000 0 1 1 2 2 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 0 0 1 0 0 1 0 0 0 0 0 0 1 0 1
285.000 0 1 0 2 0 0 0 4 0 0 0 0 0 0 0 1 0 1 0 0 0 0 1 0 0 0 4 0 0 0 0 0 0 0 0 0
300.000 0 2 1 1 0 0 0 0 3 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0
315.000 3 1 0 0 0 0 1 0 0 0 3 0 0 1 0 2 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
330.000 0 0 4 1 2 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 2 0 0 2 0 0 0 0 2 2 2 0 2 0
345.000 0 1 1 0 2 2 0 0 0 1 2 1 0 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 2 0 0 1
360.000 1 0 0 1 2 0 0 0 0 0 0 0 0 2 0 0 0 0 4 0 0 0 1 4 1 0 0 1 0 0 1 0 2 1 0 0
375.000 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 2 0 0 0 0 0 0 0
390.000 0 0 0 0 1 0 0 0 0 0 0 0 0 0 2 0 0 0 0 1 0 1 0 0 0 0 1 0 0 1 1 0 1 1 0 0
405.000 0 0 0 0 0 0 2 0 3 0 0 0 1 0 0 1 0 1 0 0 0 2 4 0 0 0 0 0 0 0 0 0 0 0 0 2
420.000 0 1 0 0 0 0 1 0 0 1 1 0 0 0 1 0 3 0 2 0 1 0 0 2 0 0 0 0 0 0 0 0 0 1 0 0
435.000 0 4 0 0 0 0 0 2 1 1 5 1 4 0 0 0 1 0 1 0 0 0 1 1 0 4 1 0 5 0 0 0 0 0 0 0
450.000 1 0 2 0 1 0 0 1 0 0 0 0 1 1 0 0 0 1 0 0 1 0 0 0 0 0 2 1 0 4 1 1 0 2 0 0
465.000 0 0 1 2 0 0 0 0 0 1 0 0 0 0 0 1 0 1 0 1 0 0 3 0 0 1 1 0 0 1 0 0 0 0 0 0
480.000 0 0 3 0 0 4 1 0 1 0 1 0 0 1 0 1 0 1 0 2 0 0 1 0 0 8 0 0 2 0 0 1 1 1 0 1
495.000 0 0 5 2 0 2 0 0 1 2 1 0 4 1 1 0 0 0 1 0 1 0 2 1 0 0 1 0 1 0 0 0 0 1 5 1
510.000 0 0 2 0 0 0 1 1 0 0 1 0 3 0 0 0 2 0 1 1 0 1 1 0 2 0 2 0 0 0 0 1 0 0 2 1
525.000 0 1 1 2 0 0 1 2 0 0 0 0 1 0 1 2 2 1 0 4 2 3 2 0 0 2 5 0 0 1 0 1 0 1 1 0
540.000 3 2 2 2 2 0 0 0 4 1 4 1 0 0 0 17 1 0 2 0 1 0 0 0 1 0 0 0 0 0 0 1 1 4 0 1
555.000 2 0 1 5 1 0 0 0 0 0 2 0 0 0 0 0 0 0 1 2 5 0 1 0 0 0 0 0 1 0 0 2 0 0 0 3
570.000 0 0 0 1 0 1 0 1 1 0 0 0 0 6 1 0 0 1 0 0 0 0 2 0 0 0 1 1 0 1 0 0 0 0 0 1
585.000 1 1 0 0 0 0 2 1 1 0 0 0 2 1 2 1 0 0 3 2 0 0 0 1 1 0 1 1 0 8 0 1 3 1 0 0
600.000 0 0 1 1 2 0 0 0 1 1 0 0 0 1 2 0 0 1 0 0 0 0 1 0 0 3 0 0 0 0 0 0 0 2 2 0
615.000 0 0 1 1 0 0 0 0 0 2 3 0 0 0 0 0 0 2 0 0 0 1 0 0 0 0 0 1 1 0 0 0 1 1 0 1
630.000 0 0 0 0 1 0 0 3 0 3 0 1 1 0 3 1 0 0 0 0 0 1 0 0 0 1 1 2 0 0 1 0 0 3 0 0
645.000 1 3 0 1 0 0 2 2 1 3 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 2 0
660.000 0 0 0 0 3 0 0 1 0 0 0 0 1 1 0 1 0 0 2 0 0 0 0 0 0 0 2 0 0 1 0 0 0 1 1 0
675.000 0 0 1 0 1 0 0 0 0 1 0 0 0 0 0 1 1 1 1 0 0 0 2 0 0 0 0 0 0 1 0 0 0 1 0 1
690.000 0 1 1 0 0 0 2 0 0 0 0 0 0 2 0 0 0 0 0 1 0 1 0 1 0 0 1 1 0 0 0 0 7 0 0 1
705.000 1 1 0 0 0 0 4 0 1 0 0 0 4 0 0 1 1 1 0 0 0 2 0 0 0 0 0 0 0 5 1 0 3 2 1 2
720.000 0 0 0 0 0 0 0 0 0 0 1 3 0 1 2 0 0 1 2 1 0 0 1 0 0 0 0 3 1 4 0 1 2 0 0 0
735.000 0 1 0 0 0 0 1 0 1 0 0 0 0 1 0 0 0 0 5 0 0 1 0 0 0 0 2 0 1 6 0 1 1 0 2 4
750.000 3 0 0 0 0 0 0 0 1 1 0 0 0 0 1 0 0 0 0 0 3 1 0 0 0 2 2 0 1 7 1 1 0 1 3 0
765.000 2 5 0 1 0 1 1 0 1 0 1 4 0 1 0 0 0 2 2 2 0 3 0 1 0 0 0 1 0 0 0 0 1 1 2 2
780.000 0 0 0 0 1 0 5 0 0 1 4 0 1 0 0 1 3 0 2 0 0 1 0 0 3 0 0 0 1 0 1 3 0 0 6 0
795.000 1 2 0 0 3 0 1 0 0 0 0 1 0 0 0 0 3 2 1 0 0 2 1 1 0 0 6 0 1 0 2 2 0 0 0 1
810.000 2 0 0 0 0 0 1 2 1 1 2 2 0 1 0 1 1 0 0 0 4 0 5 0 0 1 0 1 0 0 2 1 0 1 0 2
825.000 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 3 5 0 1 2 3 0 1 1 0 2 0 0 1 0 0 0 1 2 1 1
840.000 0 0 1 2 1 0 1 1 1 1 0 0 0 1 2 2 1 1 0 0 0 1 0 0 1 1 0 0 2 0 1 1 1 0 4 3
855.000 0 1 0 0 0 0 1 0 0 1 0 1 2 1 0 1 1 0 0 0 1 1 1 0 4 0 0 0 1 1 2 1 0 0 0 6
870.000 1 1 0 0 0 7 0 1 5 0 0 1 0 0 0 0 0 0 1 1 1 1 0 1 3 2 1 0 0 14 2 0 0 0 0 2
885.000 1 0 1 2 1 3 0 1 0 1 0 0 1 2 0 1 0 0 0 1 0 6 0 1 0 1 2 1 0 0 2 0 1 2 1 1
900.000 0 0 1 1 0 0 4 1 2 0 0 2 1 0 1 0 0 0 3 2 0 1 0 0 2 0 0 0 1 1 0 1 0 0 1 1
915.000 1 0 1 2 2 1 1 2 2 3 1 0 2 1 0 1 0 0 0 1 1 1 0 2 1 2 0 0 1 6 1 0 0 0 0 1
930.000 2 0 1 0 0 1 1 0 0 0 0 1 0 1 1 2 0 3 0 2 0 2 1 0 0 1 0 0 0 1 0 0 0 2 2 0
945.000 1 0 0 0 0 3 4 6 1 1 1 1 0 2 0 0 1 2 0 0 0 3 1 1 0 0 0 0 1 1 0 0 0 1 0 0
960.000 13 0 1 5 1 1 0 6 1 0 0 0 1 0 0 2 0 0 0 0 0 3 3 0 0 0 0 3 2 1 4 0 0 0 0 0
975.000 5 0 0 5 0 1 0 2 0 2 1 0 0 0 0 1 0 0 1 1 0 2 0 0 2 0 1 0 3 0 0 0 0 0 1 0
990.000 0 0 0 0 2 0 1 0 0 1 2 1 0 0 0 0 2 1 0 1 0 0 4 0 0 1 1 0 0 1 0 0 0 0 0 2
1.005.000 6 0 0 0 3 0 2 0 0 1 2 0 1 0 0 1 2 0 2 0 0 2 0 0 0 0 1 0 1 1 3 1 0 0 1 2
1.020.000 1 3 0 0 0 7 4 2 1 1 1 1 0 0 0 0 2 4 0 1 1 3 0 2 1 3 2 0 0 3 0 0 0 1 0 0
1.035.000 0 3 1 1 1 1 1 4 0 0 0 3 1 0 0 0 0 0 0 0 0 4 0 0 0 1 1 0 6 2 1 0 0 0 1 0
1.050.000 0 0 3 0 2 0 0 1 0 0 1 0 3 0 1 0 0 0 0 1 0 0 0 1 0 2 1 1 1 0 0 1 0 2 2 2
1.065.000 0 1 3 1 3 1 0 0 1 2 0 0 1 2 0 1 0 1 1 0 2 1 6 0 0 0 2 0 1 0 1 1 2 1 2 1
1.080.000 0 0 3 0 0 0 1 2 2 1 1 0 0 0 0 0 0 1 1 1 1 3 0 1 1 0 3 0 0 1 0 0 0 1 1 0
1.095.000 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 1 0 1 0 0 0 1 0 1 0 0 0 3
1.110.000 1 0 1 1 0 1 2 0 0 0 0 0 0 1 1 2 4 1 2 0 0 0 0 0 1 0 0 2 1 1 2 1 0 0 0 2
1.125.000 1 2 4 3 3 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 1 2 0 0 3 1 0 0 1 5
1.140.000 0 0 3 2 0 5 1 2 0 1 0 0 2 1 1 1 2 0 1 0 6 0 0 2 2 2 4 1 0 1 0 0 0 0 0 0
1.155.000 1 2 0 1 0 0 2 0 1 0 0 1 1 0 1 2 0 1 1 0 0 0 0 0 1 4 3 8 1 0 1 1 1 1 1 2
1.170.000 0 1 4 0 3 1 1 0 1 0 9 0 1 0 2 0 0 3 0 4 1 1 1 0 1 0 0 0 0 0 0 2 1 1 2 0
1.185.000 1 0 2 0 1 0 0 3 0 0 1 1 2 0 0 1 0 0 0 3 1 0 1 1 0 1 0 1 2 0 0 0 1 0 2 4
1.200.000 1 2 1 0 0 0 0 0 0 0 0 2 2 2 1 1 0 0 0 0 3 0 0 0 0 0 0 0 1 1 1 2 1 2 2 0
1.215.000 0 2 1 1 0 0 0 1 0 0 2 0 1 1 0 2 2 0 0 2 1 0 2 2 1 0 0 0 1 0 1 1 1 1 2 0
1.230.000 0 3 2 0 13 2 1 0 0 0 2 1 4 0 0 5 1 1 0 0 0 0 0 0 0 2 1 0 0 1 0 1 2 0 0 1
1.245.000 0 0 13 2 14 2 1 1 0 2 5 0 0 1 1 2 2 1 1 0 1 1 1 0 0 2 1 0 2 1 0 1 6 3 0 1
1.260.000 0 0 0 1 0 6 0 0 3 0 3 0 0 0 0 3 0 0 0 0 0 2 3 1 0 0 0 2 0 2 1 2 0 1 0 0
1.275.000 0 0 0 1 1 1 0 0 0 7 0 0 0 0 0 0 1 1 0 6 2 0 4 0 0 1 0 0 1 1 2 0 0 2 0 1
1.290.000 2 1 3 0 4 0 0 0 0 1 2 0 1 0 5 0 0 1 0 0 0 1 1 1 0 1 0 0 3 0 1 1 1 1 0 1
1.305.000 1 2 0 0 1 1 1 1 1 1 4 0 6 0 1 0 0 0 3 0 0 2 1 0 0 1 0 0 1 0 0 3 0 0 0 3
1.320.000 2 2 1 0 0 2 1 0 2 3 0 0 4 0 4 2 1 0 2 1 0 1 0 0 0 6 0 0 0 0 0 1 0 3 1 1
1.335.000 0 1 0 0 1 1 0 2 2 2 4 2 0 1 0 1 2 4 1 0 0 0 0 0 1 1 0 7 0 1 0 2 1 1 1 1
1.350.000 2 1 1 0 1 0 0 8 1 2 1 1 3 0 1 1 0 0 0 0 1 0 0 2 1 1 4 0 0 2 1 3 0 0 0 1
1.365.000 2 2 1 0 0 2 0 8 0 3 3 0 1 0 1 3 0 0 1 0 0 0 1 0 1 1 1 0 1 1 0 0 1 2 0 1
1.380.000 0 1 1 0 0 0 1 1 2 2 1 0 2 0 1 0 0 1 2 0 1 0 1 0 1 0 0 4 0 0 1 0 1 2 0 0
1.395.000 6 2 4 2 1 2 1 0 0 1 2 2 4 1 3 0 1 2 1 0 0 0 0 1 0 2 0 0 0 1 5 2 1 1 1 0
1.410.000 5 2 12 0 1 0 1 0 1 1 1 1 0 1 1 0 0 13 0 0 1 1 1 0 1 0 0 0 0 0 0 1 0 6 3 0
1.425.000 2 0 0 0 1 0 1 1 1 3 7 0 1 0 1 0 0 2 1 1 0 0 2 4 0 0 0 0 0 1 0 2 0 1 0 0
1.440.000 0 0 2 0 0 0 0 3 0 0 8 1 0 4 0 1 4 3 3 0 2 0 3 2 0 2 0 2 0 1 3 0 7 0 2 0
1.455.000 3 5 0 3 1 2 0 0 0 3 0 2 0 9 2 1 0 5 1 1 0 0 0 2 1 7 0 2 2 1 0 0 1 0 2 1
1.470.000 0 2 2 0 4 1 1 2 0 21 1 0 2 1 0 1 0 1 0 0 0 0 2 3 1 4 0 1 3 0 0 0 1 0 1 0
1.485.000 3 1 0 0 1 1 1 1 1 0 1 0 0 1 1 0 0 1 0 0 1 0 2 2 2 1 0 1 2 0 2 1 0 0 0 1
1.500.000 0 1 3 0 1 1 1 0 1 0 0 2 1 1 8 0 2 1 1 1 0 2 0 2 3 0 2 1 0 0 1 0 10 2 1 1
1.515.000 0 0 0 1 1 0 3 0 3 0 0 1 10 1 16 5 0 1 0 0 0 2 3 0 0 0 1 0 0 0 0 0 2 0 0 2
1.530.000 0 0 0 2 1 2 1 0 0 6 0 8 11 0 2 0 0 0 0 0 2 5 1 0 2 0 2 0 0 0 2 0 0 1 2 0
1.545.000 0 2 0 1 2 1 0 3 0 5 4 1 1 0 0 0 1 0 2 0 1 1 1 0 3 0 0 0 0 1 1 0 0 2 0 1
1.560.000 0 1 1 0 1 4 0 1 0 0 0 0 1 0 2 1 1 0 0 0 0 1 1 0 6 0 1 1 2 0 1 0 0 1 1 0
1.575.000 0 0 0 3 0 2 4 0 0 0 1 1 1 0 2 0 0 0 0 0 0 0 0 0 12 0 5 0 1 0 0 0 0 0 1 0
1.590.000 0 0 3 1 1 3 1 1 0 0 0 6 0 0 2 0 0 2 0 0 0 1 0 0 1 0 8 1 0 0 0 0 0 0 0 3
1.605.000 0 0 0 0 0 5 3 0 0 7 1 1 2 1 1 1 0 0 0 0 1 1 0 0 0 0 1 1 0 0 0 0 0 0 0 9
1.620.000 0 0 0 1 0 0 0 0 0 8 4 2 0 1 1 3 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 2
1.635.000 0 0 0 0 0 0 1 2 0 3 1 0 0 0 0 1 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1.650.000 0 0 0 0 0 1 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1.665.000 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1.680.000 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Tabla 51 – Fallos acumulados en intervalos de 15.000 km en trenes 5000-4ª

En la Tabla 51 se han destacado los intervalos con una acumulación de fallos igual o
superior a 2, que corresponden a 693 de un total de 4.068. No se ha podido observar
ninguna distribución dependiente de:
 El tren.
 El intervalo de km.
 Intervalos previos o posteriores con acumulación (o no) de fallos.
 Número de fallosGráfico
acumulados en el intervalo.
de Fallos en Trenes 5000-4ª
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
0 3 6 9 12 15 18
Tiempo
km (X 100000,)
Figura 73 – Gráfico de fallos en 32 sistemas de los sistemas tracción de trenes 5000-4ª
En el gráfico de la Figura 73 se representan los fallos de los sistemas de tracción de 32

trenes 5000-4ª, sin aparente patrón reconocible.
En los sistemas de tracción de trenes 2000-B se han establecido intervalos de 15.000 km
para realizar la acumulación de fallos, y así tipificar la naturaleza de estos intervalos,
siendo la distribución que ajusta más adecuadamente el histograma de la Figura 74 la
log-normal 3 parámetros. Si marcamos el límite del área de la cola superior en un 15%, el
valor crítico es aproximadamente de 2 fallos, que corresponden a 747 intervalos de un
total de 6.864. En la Tabla 52 se han destacado los intervalos con una acumulación de
fallos igual o superior a 2 sin evidencia de dependencia o patrón aparente.


5000
4694
4500
4000
3500
3000
2500
2000
1423
1500
1000
431
500
175
66 27 19 7 9 4 0 1 2 3 0 1 0 0 1 0 0 1 0
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Número de fallos
Figura 74 – Histograma de fallos acumulados en sistemas de los tracción de trenes 2000-B
km 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88
- 0 4 0 2 0 1 1 0 0 1 0 0 1 0 4 1 6 0 0 0 0 0 0 0 0 3 0 1 0 0 0 0 0 0 6 0 0 0 0 0 1 2 2 0 0 0 0 2 2 0 2 3 0 3 1 3 0 0 0 0 0 0 3 0 2 1 2 2 2 0 0 2 0 0 0 1 1 0 0 0 1 0 0 0 0 0 0 1
15.000 0 1 1 0 1 0 2 0 0 0 2 0 0 1 0 0 0 0 0 1 0 1 0 0 2 1 0 0 0 1 0 2 2 0 3 8 1 1 0 2 1 3 2 1 3 2 1 1 0 1 1 0 0 0 0 0 0 3 4 1 3 0 1 1 0 0 0 1 1 0 1 0 1 0 0 1 1 0 3 0 1 2 1 1 1 0 0 0
30.000 0 0 0 1 0 1 0 1 0 0 2 1 4 1 0 2 3 3 1 1 1 1 1 2 2 4 0 3 2 0 0 2 13 1 0 2 4 1 0 1 3 2 4 1 1 0 1 1 2 0 0 2 0 0 0 0 1 2 0 0 0 1 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 2 1 0 0 0 0 1 0 0 0 0
45.000 2 4 1 13 8 3 1 1 0 0 0 4 3 12 4 2 3 2 1 0 3 6 3 2 0 2 1 0 1 4 0 3 1 0 0 0 0 0 0 0 1 0 1 0 1 2 0 0 0 4 1 1 1 0 0 0 0 0 0 0 1 1 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1
60.000 4 5 2 8 9 5 1 3 0 12 0 1 1 1 1 1 3 0 0 1 0 0 1 1 0 0 0 0 1 1 0 0 0 0 3 0 0 0 3 0 0 0 0 0 0 4 1 2 1 1 1 1 1 0 0 2 1 0 0 0 2 1 0 1 0 1 0 3 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
75.000 0 1 3 0 0 0 2 1 2 0 0 0 0 3 6 0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 1 2 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 4 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 1 0 0 0 0 0 0 0
90.000 1 0 4 0 0 0 1 0 1 0 0 1 0 1 1 1 1 0 1 0 0 0 0 1 0 0 1 1 0 0 0 0 0 0 1 0 0 0 1 1 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 1 0 1 0 0 0 2 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
105.000 1 0 0 0 0 0 2 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 2 0 0 0 3 1 1 0 0 1 1 0 1 2 0 0 0 1 1 0 0 1 0 0 1 0 0 1 2 1 0 1 2 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
120.000 0 0 0 0 1 0 1 2 0 0 0 1 0 0 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 5 2 0 1 0 1 0 0 0 1 4 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 3 0 2 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0
135.000 0 1 0 0 2 1 3 0 0 0 0 0 1 0 1 0 1 0 1 0 0 0 0 1 0 3 2 1 1 1 0 0 0 0 8 0 0 0 1 0 0 2 1 0 2 1 0 0 1 0 1 0 0 0 1 1 0 0 1 1 0 0 0 0 0 2 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0
150.000 0 0 0 1 0 1 3 1 0 0 0 0 0 0 0 0 1 1 2 0 0 1 0 1 0 0 0 3 0 0 0 0 0 0 0 1 2 0 0 0 0 1 0 0 0 2 0 2 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 1
165.000 0 1 3 0 1 0 0 0 1 1 1 0 0 0 2 3 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 3 0 1 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 2 1 0 0 0 0
180.000 0 0 0 0 1 0 0 1 1 0 0 0 1 0 0 0 2 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 1 0 0 0 0 0 3 2 2 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 2 0 1 0 0 0 2 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0
195.000 1 0 0 0 0 0 1 1 0 0 1 0 3 1 0 1 0 0 1 0 0 2 0 0 0 0 0 1 0 0 1 0 3 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
210.000 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0 0 0 0 2 0 0 1 0 1 0 0 0 0 1 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 1 0 0 0
225.000 0 1 0 0 2 0 2 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 1 0 0 0 0 0 0 1 0 0 0
240.000 1 2 0 1 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 1 0 0 3 0 1 0 2 1 0 1 1 1 2 0 3 2 0 5 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 2 0 0 1 0 0 0 0 1 2 0 0 0 0 0 0 0 1 0 0 2 0
255.000 0 1 2 0 0 0 0 1 0 0 2 0 1 1 1 0 0 1 1 0 2 2 3 0 3 0 0 0 0 0 1 2 2 0 3 1 1 0 2 2 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 2 0 1 0 0 0 0 0 1 0
270.000 3 1 1 2 0 0 0 3 1 1 3 0 0 0 1 0 1 1 0 1 0 0 1 1 0 1 0 0 3 3 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 1 0 0 0 0 2 0 0 0 1 0
285.000 1 1 0 0 1 0 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 2 0 0 2 0 0 0 0 0 0 1 0 2 1 0 2 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 1 0 0 0 0 1 0 0 0 0 1 0 2 1 0 0 0 0 0 2 0 0 1 0 0 0 0 1 0 0 0 0 0 1
300.000 1 1 1 0 0 0 0 1 1 0 0 2 0 0 0 1 0 0 1 0 1 0 0 1 0 1 0 0 0 0 2 0 0 0 0 0 1 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 5 2 0 3 1 2 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1
315.000 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 3 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 2 1 0 0 0 0 0 5 0 0 0 0 0 1 0 2 1 0 0 0 1 1 0 0 0 0 0 0 0 1 0 1 1 0 1 0 0 0 0 1 0 0 1 1 0 0 0 0 0 1 1
330.000 1 1 0 0 0 1 0 1 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 1 0 0 0 1 0 0 1 0 0 1 0 0 2 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 1 0 0 2 5 0 0 0 0 2
345.000 0 0 0 0 0 0 0 1 1 1 1 0 1 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 2 0 1 0 0 0 0 0 0 0 1 1 0 3 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 1 0 0 0 0 0 1 1 0 0 1 1 0 0 0
360.000 0 1 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 1 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 0 0 0 0 0 0 1 0 0 1 2 0 0 4 0
375.000 0 0 0 0 0 0 1 1 0 0 3 1 1 0 0 0 0 1 0 1 0 0 0 0 1 0 0 0 1 0 0 1 4 0 2 0 3 0 1 0 0 0 0 1 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 4 18 1 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 5 1
390.000 0 0 1 0 0 1 3 0 0 5 0 1 0 0 0 0 0 0 0 0 2 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 2 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 1 1 0 0 2 0 0 0 0 0 0 0 2 0 1 0 2
405.000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 2 4 3 0 0 0 0 0 1 2 1 0 0 1 2 1 3 0 0 3 0 0 0 0 0 1 0 1 1 1 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 1 0 0 1 1 2 0
420.000 0 0 0 0 2 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 1 4 0 0 1 0 0 0 1 1 0 0 0 2 1 0 0 1 0 1 2 1 0 0 1 0 1 1 1 0 1 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 1 0 0 1 1 1 0 0 0 0 1 0 0 0 1 0 13 0 1
435.000 0 0 3 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 4 0 1 1 0 1 1 1 1 1 1 1 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 1 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 1 0 1 0 0 0 0 0 0 3 0 4 0 0
450.000 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 1 2 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 1 2 0 1 0
465.000 1 1 0 0 0 0 2 0 0 0 0 1 0 0 0 0 2 0 2 0 1 0 0 0 0 0 0 0 0 0 0 1 2 0 1 0 1 2 0 0 1 0 0 0 0 0 1 0 1 2 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 2 0 0 0 0 0 0 0 7 0 1 0
480.000 1 0 0 0 0 0 4 1 0 0 0 0 0 0 1 0 0 0 5 1 1 0 0 1 0 0 1 2 0 0 0 0 0 0 2 0 1 0 3 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 2 1 0 0 0 2 0 0 1 1 0 0 0 0 0 1 0 3 5 2 1 1
495.000 5 1 0 0 0 2 4 0 1 1 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 3 0 1 1 1 0 0 3 0 0 0 1 0 1 0 0 0 0 1 0 1 2 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 2 0 0 1 0 2 0 0 0 0 2 0 1 0 0 8 0 0 6
510.000 21 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 2 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 0 2 0 0 0
525.000 1 0 1 1 1 1 0 0 0 0 0 1 1 0 0 0 0 0 0 1 1 0 1 0 0 2 1 0 2 1 0 0 0 1 0 1 1 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 2 1 0 1 0 0 0 0 0 0 2 0 0 1 0 1 0 0 1 0 0 1 0 0 0 2 0 0 0 0 1 0 0 1
540.000 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 0 0 0 0 0 1 0 0 3 0 0 1 1 0 0 0 1 5 1 0 0 0 1 1 0 1 0 0 0 6 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 1 3 2 1 0 0 0 0 2 0 0 2 3 1 1 0 0 0 0 0 0 3 1 1 0
555.000 15 2 1 0 0 0 1 0 0 0 1 0 1 0 0 1 0 0 1 1 0 0 0 0 0 0 1 1 0 0 1 1 0 0 0 0 0 0 0 0 3 0 1 0 1 1 0 8 0 0 2 1 0 3 0 0 2 1 0 0 3 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 2 0
570.000 0 1 0 2 1 0 0 1 3 2 0 0 0 1 0 1 0 1 1 1 1 1 0 0 0 0 0 4 0 0 2 1 0 0 0 1 0 0 0 0 0 0 1 0 2 1 0 1 0 0 0 0 1 11 0 0 2 1 1 0 0 2 1 0 1 0 0 0 0 0 0 0 0 0 0 0 2 1 1 0 2 0 1 0 0 2 0 0
585.000 1 0 0 0 0 1 0 1 2 4 0 0 1 1 1 0 4 0 1 0 0 0 0 0 0 0 0 3 2 0 2 0 0 2 2 0 0 1 0 1 1 0 0 2 1 0 0 2 1 0 0 1 0 0 0 0 0 1 1 0 0 0 1 1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 1
600.000 0 0 0 5 0 0 0 0 1 0 3 0 1 0 0 5 0 0 0 0 0 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 0 3 1 1 0 0 0 0 0 1 0 0 0 0 1 1 0 0 3 0 0 1 0 0 0 0 1 2 2 0 2 0 0 1 0 1 0 1 0 1 0 2 0 0 0 1 0 0 0 1 0 0
615.000 0 0 2 3 1 2 2 0 0 0 0 1 0 2 0 1 0 0 1 1 0 0 0 0 0 1 0 0 1 0 1 2 0 1 2 0 1 1 0 0 1 0 0 0 2 1 0 0 0 1 1 3 0 0 1 1 2 0 1 2 0 0 0 0 0 2 1 1 1 1 0 0 0 0 0 0 0 2 1 2 1 0 0 0 0 0 0 0
630.000 0 1 1 1 0 2 0 0 0 0 1 2 0 1 0 1 7 1 2 0 0 0 4 1 0 0 1 2 0 1 0 3 0 0 1 0 0 1 8 0 1 0 0 0 1 3 1 1 0 0 1 0 1 1 1 3 0 3 0 1 1 1 0 0 0 1 3 1 0 0 0 1 0 0 0 0 0 0 1 3 2 1 0 0 0 0 0 0
645.000 1 1 4 2 0 0 0 0 2 2 3 0 0 0 0 0 6 1 0 1 2 1 0 1 0 0 0 2 0 0 0 0 1 0 0 0 0 0 6 1 0 0 1 0 0 3 0 0 1 0 0 0 0 0 2 2 0 1 9 0 2 0 0 0 0 0 6 2 1 0 1 0 0 0 0 0 0 0 0 5 1 0 2 1 0 0 3 0
660.000 2 0 2 0 0 2 1 2 0 0 1 1 0 0 1 0 1 1 1 0 1 1 1 2 0 0 1 2 0 0 0 1 1 0 1 0 0 0 2 0 0 1 0 0 0 0 2 0 0 0 0 2 0 0 0 2 1 0 2 0 0 0 0 0 0 0 6 1 0 0 0 0 0 0 0 0 0 0 1 4 0 0 0 0 0 0 3 0
675.000 0 0 0 2 1 1 0 0 1 1 1 0 0 3 0 0 0 0 0 1 0 0 1 1 2 0 0 0 0 2 0 1 1 0 0 2 2 0 0 1 1 1 3 2 0 0 1 0 2 1 1 0 1 1 0 1 1 0 0 0 0 0 1 3 2 1 1 0 0 2 0 2 1 0 0 0 1 0 0 1 0 0 0 0 0 1 3 0
690.000 0 0 0 1 0 0 0 0 2 0 0 0 1 0 1 1 0 0 1 1 0 0 1 0 0 1 2 1 0 1 0 0 0 0 1 3 0 0 0 0 0 0 0 0 2 0 0 1 0 0 1 0 0 1 1 0 1 3 1 0 0 0 0 0 1 2 2 0 0 1 0 2 0 0 0 0 0 0 2 1 0 0 0 0 0 0 0 1
705.000 0 0 0 0 0 3 1 0 1 1 1 1 2 2 0 6 2 0 0 1 0 0 3 1 0 0 2 0 0 1 0 0 0 0 1 1 1 0 0 0 0 0 1 1 0 4 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 2 0 0 1 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0
720.000 0 0 0 1 0 4 0 0 0 1 2 0 1 1 0 0 0 3 0 3 1 0 1 0 0 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 1 0 2 1 0 1 0 2 0 0 0 2 0 0 1 0 0 4 2 1 1 0 5 1 0 1 0 0 0 1 0 1 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 1
735.000 0 0 0 1 0 2 1 5 0 7 2 0 0 0 1 0 0 4 0 1 1 0 3 0 0 0 1 2 0 0 0 2 0 0 0 1 0 3 3 0 1 7 0 0 0 2 0 3 0 0 1 2 0 0 0 0 0 1 0 1 0 1 1 1 1 1 0 0 0 0 0 4 0 0 0 0 0 1 0 0 0 1 0 1 0 3 1 0
750.000 0 0 0 0 0 1 0 0 9 5 0 0 0 1 0 0 2 0 0 0 1 0 0 3 1 0 1 0 1 1 0 1 0 0 1 0 1 1 2 0 1 0 2 1 0 0 0 1 3 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
765.000 1 0 0 1 0 1 0 2 1 2 3 1 1 0 1 1 0 0 0 1 0 1 1 0 0 0 0 0 0 0 2 0 0 0 0 0 1 0 0 2 2 1 0 1 1 0 2 0 2 0 0 2 1 0 0 0 1 0 0 0 0 0 0 0 0 6 0 2 0 3 0 1 0 0 0 0 0 0 0 0 0 0 0 2 0 0 2 0
780.000 0 0 0 0 2 2 1 0 3 0 0 0 2 0 3 0 2 1 1 0 1 0 0 0 2 1 2 0 0 1 0 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 1 0 1 0 1 0 0 0 1 2 0 2 0 1 1 0 0 0 0 0 2 2 1 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 0
795.000 0 2 0 2 0 0 3 0 0 0 1 0 0 0 0 0 1 1 0 1 0 4 2 3 1 0 1 0 0 2 0 0 1 0 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 3 2 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 2 4 1 3
810.000 0 1 2 1 1 0 0 1 1 0 1 0 0 0 0 0 1 1 2 0 1 3 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 0 0 1 3 0 0 0 0 0 0 1 1 0 0 9 0 0 1 1 0 0 0 0 0 6 0 1 0 0 0 0 0 0 1 0 0 0 0 1 0 1 0 1 1 0 1 1
825.000 0 1 0 0 1 6 6 1 0 3 2 0 0 0 0 0 1 0 0 0 0 0 0 1 0 1 0 1 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0 4 0 0 0 2 0 1 0 1 0 0 0 2 2 0 1 0 0 1 2 0 0 2 0 0 1 0 0 0 0 0 2 0 0 0 0 0 0 0 0 2 0 0 0 0
840.000 0 0 1 0 2 0 3 0 0 4 5 1 5 1 0 2 0 0 1 1 1 0 0 1 0 0 4 0 1 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 5 0 2 1 0 0 0 0 0 0 0 1 0 3 0 0 1 1 0 0 0 0 2 1 0 0 1 0 1 1 1 0
855.000 0 0 0 0 0 0 0 0 0 0 0 1 2 1 2 1 0 1 1 0 2 0 0 3 0 1 0 0 0 0 2 0 0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 1 0 1 1 0 0 0 0 4 4 2 1 1 1 0 0 0 2 3 1 0 0 3 7 0 0 4 0 0 0 0 0 3 0 0 0 1 0 0 2 0
870.000 0 0 0 0 1 4 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 3 0 1 0 0 1 1 0 1 0 0 0 0 0 4 0 0 0 1 1 0 0 0 0 0 2 0 0 0 7 2 0 3 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 1 2 0
885.000 0 0 0 0 1 0 0 2 1 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 2 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 2 1 0 0 2 0 0 1 0 2 0 0 1 0 0 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 0
900.000 0 0 1 0 0 0 5 0 0 0 4 0 1 0 0 0 2 2 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 2 0 1 0 0 2 0 2 2 0 0 1 1 0 0 2 0 0 7 0 1 3 8 1 0 0 0 0 0 2 0 0 2 0 0 0 0 0 1 0 1 2 0 0 0 0 3 0 0 0 0 0 2 0 0
915.000 0 0 0 0 0 0 0 1 1 0 0 1 1 1 0 0 1 2 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 2 0 0 0 1 1 0 0 0 0 0 1 0 1 0 0 1 0 0 1 6 0 0 1 4 0 0 2 0 0 0 0 1 0 0 1 0 0 0 6 0 1 0 0 1 0 0 2 2 0 0 1 0
930.000 1 0 1 0 1 0 0 1 0 0 0 0 0 2 0 0 1 0 2 0 2 0 0 3 0 0 0 0 0 4 0 0 0 1 1 0 0 1 1 3 0 0 0 1 1 0 0 0 0 1 0 1 1 0 0 4 0 0 1 2 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 3 0 0 0 0 0 1 0 0 0 0 0
945.000 0 0 1 0 4 1 1 0 0 0 0 0 0 0 1 1 1 0 1 0 1 2 0 0 0 0 0 0 0 0 0 0 1 5 0 2 0 1 1 0 1 0 0 0 0 0 0 0 1 2 1 0 0 0 0 3 0 0 0 2 0 0 1 0 1 0 1 0 0 0 0 0 1 0 1 1 1 0 0 1 0 2 1 0 0 3 0 0
960.000 0 0 0 0 3 0 5 0 1 0 0 0 0 2 0 0 4 0 0 0 1 0 0 0 0 0 0 0 2 0 0 1 0 1 0 0 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 1 1 1 3 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 1 1 0 1
975.000 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 3 0 1 0 0 1 1 0 1 1 0 1 0 1 1 0 0 0 1 0 1 1 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 5 0 0 0 0 0 1 0 1 1 0 1 0 0 0 2 1 4 0 0 2 0 0 1 0 2 0 0 0
990.000 0 0 0 0 0 3 0 0 0 0 0 0 0 1 4 0 0 0 2 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 0 0 2 1 0 1 0 0 0 0 0 0 0 0 0 0 1 2 0 0 2 1 1 0 0 0 0 1 0 0 0 0 0 0 0 5 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0
1.005.000 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 1 0 3 0 1 1 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 2 0 0 1 0 0 1 0 0 6 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 1 0 1 1 0 0 2 0 0 0 1 0 3 3 1 1 0
1.020.000 0 1 0 3 2 1 0 1 2 0 0 0 0 1 1 0 0 0 2 1 6 2 0 0 0 1 0 1 1 1 1 1 1 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 1 1 0 2 0 1 2 0 0 0 0 0 0 1 1 4 0 3 0 0 0 1 0 1 0 0 0 0 0 1 0
1.035.000 0 0 0 1 1 1 1 0 1 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 3 0 0 1 0 1 0 0 1 1 2 0 0 0 0 0 0 0 0 1 0 0 0 1 1 0 1 0 0 0 1 0 0 1 0 0 0 1 0 0 0 0 1 2 1 1 0 1 0 1 0 0 1 0 0 0 0 0 0 0 0 1 1 0
1.050.000 1 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 1 0 1 2 0 0 0 2 1 1 0 0 0 1 0 0 2 0 3 0 0 0 3 0 1 0 0 2 2 0 1 1 1 0 0 1 0 0 0 0 0 0 0 0 0 1 1 0 0 0 2 0 0 0 1 0 1 2 0 0 0 0 2 0 0 0 0 0 0 0 0 0
1.065.000 0 1 1 0 0 0 2 1 0 0 0 3 0 0 0 0 0 0 0 4 0 1 0 1 0 2 0 3 0 2 1 0 1 0 1 1 1 4 1 1 0 0 0 1 0 0 0 1 0 0 0 2 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 2 0 1 2 0 0 0 0 0 1 2 0 1 0 0 0 0 3
1.080.000 3 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 2 0 0 2 0 0 0 0 0 1 1 0 0 0 4 1 1 1 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 3 0 0 1 0 1 0 0 0 1 0 1 4 0 1 0 8 1 0 2 0 1 3 0 0 0 1 0 0
1.095.000 3 2 0 0 0 0 0 1 0 1 1 0 0 0 0 0 1 0 0 4 0 1 0 0 1 2 0 0 2 0 2 0 0 2 1 0 2 0 2 0 2 0 0 2 0 0 1 2 1 0 1 4 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 2 2 0 0 0 3 0 3 0 1 1 0 1
1.110.000 0 1 0 0 0 1 2 1 1 0 0 3 0 3 0 0 2 2 0 2 0 0 0 0 0 0 0 1 0 0 1 0 0 2 0 0 1 3 0 1 0 0 0 0 0 0 2 1 0 0 1 0 1 0 0 0 0 4 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0
1.125.000 0 0 0 4 0 0 0 0 0 4 1 0 0 0 0 1 2 0 0 0 2 0 2 0 1 0 1 0 0 0 0 0 1 0 2 0 1 0 0 0 1 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 2 0 2 1 0 0 0 0 0 0 0 0 2 0 0 0 0 2 0 0 1 0
1.140.000 1 0 0 1 0 0 0 1 0 0 0 0 0 0 2 0 1 1 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 2 1 1 2 3 1 1 0 0 0 0 0 0 1 0 2 0 4 0 1 0 1 0 0 0 1 0 0 1 0 0 0 1 0 1 0 0 1 0 0 1 0 0 0 0 1 3 0 2 1 3 0 1 0
1.155.000 2 0 0 2 0 1 0 3 3 0 0 1 1 3 1 1 1 3 1 1 1 0 0 0 2 0 0 0 0 0 0 1 0 0 0 2 0 0 1 1 0 0 0 0 0 0 1 0 1 1 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 2 3 0 0 0 1 0 0 0
Tabla 52 – Fallos acumulados en intervalos de 15.000 km en trenes 2000-B
En los sistemas de tracción de trenes 8000 se han establecido también intervalos de

15.000 km para realizar la acumulación de fallos, y así tipificar la naturaleza de estos
intervalos, ver el histograma de la Figura 75. Si marcamos el límite del área de la cola
superior en un 15%, el valor crítico es aproximadamente de 2 fallos, que corresponden a
179 intervalos de un total de 2.415.


2000
1847
1800
1600
1400
1200
1000
800
600
389
400
200 106
42 19 7 1 2 0 1 1 0 0
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Número de fallos
Figura 75 – Histograma de fallos acumulados en sistemas de los tracción de trenes 8000
superior a 2 sin evidencia de dependencia o patrón aparente en los sistemas de tracción
de trenes 8000. En el gráfico de la Figura 76 se representan los fallos de los 23 sistemas de
tracción en trenes 8000.

km 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
15.000 0 0 2 0 1 0 0 0 0 1 0 1 0 0 1 0 0 0 3 0 0 1 0
30.000 0 0 1 0 0 4 2 4 3 1 2 1 1 1 6 0 2 0 1 1 3 0 0
45.000 3 0 1 2 1 1 0 3 0 2 3 1 0 1 3 1 1 3 3 4 0 1 0
60.000 1 0 0 0 0 4 0 2 2 0 1 0 1 1 0 0 5 0 0 0 0 0 0
75.000 0 1 0 0 0 1 1 0 1 0 0 0 1 1 0 0 0 1 1 3 0 0 0
90.000 1 2 0 0 0 2 3 1 0 0 0 1 0 0 1 0 0 0 0 3 0 0 0
105.000 1 0 1 0 1 1 0 0 0 0 1 1 0 0 0 1 0 0 0 1 0 0 0
120.000 0 1 3 0 0 0 0 1 0 0 0 1 0 1 0 2 1 0 0 0 0 1 0
135.000 0 0 0 0 0 0 1 0 0 1 1 2 0 0 0 0 0 1 0 1 0 3 0
150.000 0 1 0 0 0 0 0 1 0 0 5 0 1 0 0 0 0 1 0 1 0 0 0
165.000 0 0 1 0 0 2 0 0 0 0 0 2 0 0 0 1 1 1 1 1 1 0 0
180.000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0
195.000 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 2 0 0 0
210.000 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0
225.000 0 0 0 0 0 0 0 0 1 0 0 0 0 4 0 0 0 0 2 2 1 1 0
240.000 0 0 0 1 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0
255.000 0 0 2 0 0 0 0 0 0 0 0 0 0 2 1 0 0 0 0 0 0 0 0
270.000 0 1 0 0 0 0 0 0 0 0 2 0 0 1 0 0 0 0 0 0 0 0 1
285.000 0 0 0 1 0 0 0 0 2 0 0 0 0 0 0 0 0 1 0 0 0 0 1
300.000 0 1 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
315.000 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0
330.000 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0
345.000 0 0 0 0 0 1 0 0 0 0 0 0 2 3 0 0 0 0 0 1 0 0 0
360.000 0 2 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 1 1 0 0
375.000 0 0 0 0 0 0 0 0 0 0 7 0 0 0 0 0 1 0 1 0 0 0 0
390.000 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
405.000 1 0 0 0 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 1 0 0
420.000 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
435.000 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
450.000 0 0 0 0 0 0 0 0 2 0 0 0 1 0 0 0 0 0 1 1 0 1 0
465.000 0 0 0 0 0 0 0 0 0 1 2 0 0 2 0 0 0 0 0 0 0 0 0
480.000 0 2 0 0 0 0 1 1 0 4 3 0 0 2 0 4 0 0 0 0 3 0 2
495.000 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0
510.000 0 1 2 0 0 0 1 0 0 1 5 0 0 0 0 0 0 1 0 0 0 0 0
525.000 0 3 1 0 0 0 0 0 0 1 1 0 0 2 3 0 2 1 0 0 1 0 1
540.000 0 1 9 0 0 1 0 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0
555.000 0 0 2 0 0 2 0 2 0 4 0 0 0 0 1 0 0 0 2 0 0 0 0
570.000 0 0 0 0 0 0 0 2 0 0 1 1 0 2 2 0 1 0 2 0 0 0 0
585.000 0 1 0 5 0 0 0 0 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0
600.000 1 0 0 0 0 0 0 0 1 0 0 0 1 2 0 1 0 0 0 0 0 0 0
615.000 0 1 0 2 0 0 3 7 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0
630.000 0 1 0 0 1 0 0 2 0 4 0 0 0 0 0 1 0 0 0 0 0 0 5
645.000 0 1 0 0 0 0 1 2 0 0 1 1 0 0 0 1 1 0 0 0 0 0 0
660.000 0 3 0 0 1 0 0 3 0 0 0 1 0 1 1 1 0 0 2 0 0 0 2
675.000 0 0 0 1 0 0 1 3 0 0 0 0 0 0 1 0 3 0 2 1 0 0 0
690.000 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 3 10 0 0 0 0 0 1
705.000 0 4 0 1 0 1 0 0 1 0 0 0 0 0 0 1 4 0 1 0 4 0 1
720.000 0 2 0 0 1 1 0 2 1 0 0 0 1 1 0 0 0 0 2 0 0 0 0
735.000 0 0 0 0 0 0 2 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
750.000 0 0 0 0 0 0 0 0 1 1 0 0 1 0 1 0 0 0 0 0 0 0 1
765.000 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 3 0 0 0 0 0 0 0
780.000 0 0 1 0 0 0 0 0 0 0 0 2 2 0 1 0 0 0 0 0 1 0 1
795.000 1 1 0 0 0 0 0 0 0 0 0 0 1 1 3 1 0 0 0 1 2 0 0
810.000 1 2 1 2 0 0 0 0 0 0 0 0 0 1 0 0 0 0 2 1 0 0 0
825.000 0 1 0 0 0 0 1 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0
840.000 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 1 0
855.000 0 5 0 0 0 0 0 0 0 0 0 0 1 2 0 0 0 0 0 2 0 0 0
870.000 1 2 1 0 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0 1 0 1 0
885.000 0 0 0 0 0 0 0 0 1 1 0 3 1 1 0 0 0 0 0 1 0 1 0
900.000 0 0 0 0 0 0 0 0 0 1 0 4 0 1 0 0 0 0 0 1 0 0 0
915.000 0 0 0 0 1 0 2 0 1 1 1 0 1 0 0 0 1 0 0 1 0 0 1
930.000 0 1 0 0 2 0 0 1 0 1 0 1 0 2 1 2 0 0 0 0 0 0 0
945.000 0 0 0 0 1 0 0 0 0 0 0 0 2 2 0 0 0 0 0 0 0 0 0
960.000 0 1 0 0 0 0 0 1 0 3 0 0 0 1 0 0 0 0 0 1 1 0 0
975.000 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0
990.000 1 0 0 1 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 3 0 0 0
1.005.000 3 1 0 0 1 1 1 4 0 2 0 0 0 0 1 0 0 1 0 1 1 2 1
1.020.000 0 2 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 1
1.035.000 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 3 0 0 0
1.050.000 0 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 4 0 0 1
1.065.000 0 0 1 0 0 0 0 3 1 1 0 2 1 0 2 0 0 0 0 0 0 0 0
1.080.000 0 0 0 0 0 0 0 0 1 0 1 0 0 2 0 0 0 0 0 1 0 0 0
1.095.000 0 3 3 0 0 0 0 0 0 0 1 0 0 0 0 0 2 1 1 0 1 0 0
1.110.000 0 0 1 0 0 0 2 1 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0
1.125.000 0 0 0 0 0 0 3 1 0 0 1 1 0 0 0 0 1 0 0 0 0 0 0
1.140.000 0 0 0 0 0 2 0 0 0 0 1 0 0 1 0 0 1 5 0 0 0 0 0
1.155.000 0 1 0 1 0 0 0 1 1 0 0 1 0 1 0 0 1 0 0 0 0 0 0
1.170.000 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 2 0 0 0 0 1 0 1
1.185.000 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0
1.200.000 1 2 1 0 0 0 1 0 0 1 0 0 0 1 1 0 0 0 1 1 1 0 2
1.215.000 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 0
1.230.000 0 0 2 1 0 0 1 0 0 0 0 0 0 0 0 2 0 0 1 1 0 0 0
1.245.000 1 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0
1.260.000 0 1 0 0 0 0 0 1 2 0 1 0 0 1 0 0 0 0 0 0 0 0 0
1.275.000 2 0 0 0 0 4 0 4 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0
1.290.000 0 0 1 0 0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 2 0 2 0
1.305.000 1 1 0 0 0 0 1 1 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0
1.320.000 0 0 0 0 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2
1.335.000 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
1.350.000 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0
1.365.000 0 1 0 1 1 0 0 1 1 0 0 0 0 0 0 0 0 1 1 0 0 0 0
1.380.000 0 0 0 1 1 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0
1.395.000 0 0 0 0 0 0 0 2 0 2 0 0 0 1 0 0 0 0 0 3 0 0 0
1.410.000 2 2 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
1.425.000 0 0 0 0 0 0 1 0 0 0 0 2 1 0 0 2 0 2 0 0 0 0 0
1.440.000 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 3 0 0 0 1 0 0 0
1.455.000 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 2 0 0 0 0 0 0 1
1.470.000 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 2 1 0
1.485.000 0 1 0 0 0 1 1 1 0 0 0 0 0 1 2 0 0 0 0 1 0 1 0
1.500.000 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
1.515.000 0 3 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
1.530.000 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 1 0 0
1.545.000 0 0 2 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0
1.560.000 1 0 4 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 2 1
1.575.000 2 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Tabla 53 – Fallos acumulados en intervalos de 15.000 km en trenes 8000

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
0 3 6 9 12 15 18
Tiempo
km (X 100000,)
Figura 76 – Gráfico de fallos de los 23 sistemas de los sistemas tracción de trenes 8000
En las escaleras mecánicas TNE se han establecido intervalos de 300 horas para realizar
la acumulación de fallos, y así tipificar la naturaleza de estos intervalos, ver el
histograma de la Figura 77.
Fallos acumulados en intervalos de 300 horas

5000
4622
4500
4000
3500
3000
2500 2345
2000
1500
1021
1000
465
500 234
124 53 34 31 14 3 4 3 1 2 2 1 0 0 1 0 0
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Número de fallos
Figura 77 – Histograma de fallos acumulados en escaleras mecánicas TNE
Si marcamos el límite del área de la cola superior en un 15%, el valor crítico es

aproximadamente de 2 fallos, que corresponden a 1.993 intervalos de un total de 8.960.
superior a 2 sin evidencia de dependencia o patrón aparente en las escaleras mecánicas.
En el gráfico de la Figura 78 se representan los fallos de 32 escaleras mecánicas TNE.

Horas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
- 2 0 0 2 0 0 0 2 1 0 0 0 0 0 0 0 1 0 0 1 0 1 2 4 1 1 3 0 3 0 0 0 0 0 0 1 1 0 0 1
300 8 5 1 3 1 0 0 4 1 0 0 1 1 1 1 7 1 1 1 2 0 1 2 2 1 0 2 1 3 0 0 0 0 1 4 0 0 0 1 2
600 2 3 1 3 4 1 5 4 2 0 0 0 2 0 1 0 0 1 0 0 1 0 2 1 1 0 1 1 3 3 5 1 0 0 1 1 1 1 2 1
900 1 1 0 2 1 0 1 2 2 0 0 0 2 1 1 3 2 1 2 1 0 1 0 3 3 0 1 0 3 0 0 1 1 1 0 1 0 0 0 1
1.200 0 0 2 0 0 2 1 3 1 0 2 1 1 7 0 2 0 2 2 1 2 2 0 1 0 0 2 1 2 0 0 1 5 3 1 0 1 0 4 0
1.500 1 1 2 3 1 0 0 4 1 1 1 1 3 2 0 1 2 1 0 0 0 1 2 4 0 0 2 1 1 0 4 1 4 3 1 1 0 0 2 2
1.800 1 0 2 1 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 3 0 3 1 1 0 0 1 0 0 1 5 0 1 1 1 0 0 0
2.100 1 0 0 1 2 1 0 3 1 0 2 0 0 0 0 0 0 0 0 1 0 2 0 2 1 1 1 0 1 0 1 0 2 0 0 1 1 1 2 2
2.400 0 0 0 0 2 1 1 0 2 1 0 0 3 2 1 1 2 1 0 0 0 3 0 2 4 2 1 0 1 0 0 1 0 3 0 1 0 0 1 1
2.700 1 0 0 2 0 0 0 2 2 0 0 1 1 0 0 0 0 0 0 0 0 2 0 2 0 3 0 2 3 0 0 0 2 1 2 4 1 0 0 0
3.000 3 0 0 0 0 0 0 1 2 2 0 0 2 0 0 0 1 0 1 1 1 0 1 4 1 3 0 0 4 0 1 4 0 0 2 0 0 0 1 0
3.300 0 0 1 1 0 0 0 2 4 5 0 0 2 0 1 2 1 3 0 0 1 1 1 1 1 0 0 0 0 0 1 1 3 1 0 1 0 0 0 0
3.600 1 1 0 2 0 1 1 2 5 1 0 0 0 0 1 1 0 0 0 1 1 0 2 1 2 0 0 1 1 0 0 0 1 0 0 0 0 0 2 0
3.900 1 0 1 3 0 1 0 1 0 0 0 1 0 0 3 0 0 0 1 1 0 0 2 1 1 3 0 0 0 0 0 1 0 0 0 1 1 1 1 1
4.200 1 1 5 0 0 1 0 0 0 0 1 0 0 1 3 0 0 0 0 0 2 0 0 2 0 1 0 1 0 0 0 0 3 0 1 0 0 0 2 0
4.500 0 1 0 1 1 2 0 0 0 0 2 0 1 3 1 0 0 0 3 1 1 0 1 1 1 3 0 0 0 0 1 2 10 3 1 0 1 0 1 0
4.800 0 1 0 1 0 2 1 0 2 2 0 0 1 2 0 1 0 0 0 0 0 0 2 5 0 0 0 1 0 0 1 0 1 0 0 0 0 0 0 0
5.100 1 2 3 1 0 0 1 3 2 0 2 0 0 0 4 0 1 0 0 7 1 0 1 1 0 0 0 1 0 1 1 0 2 0 1 0 0 0 1 0
5.400 1 2 0 0 0 3 2 4 2 0 1 0 0 2 2 1 0 1 1 0 1 1 0 0 0 0 0 4 0 0 0 1 7 0 1 0 0 0 0 0
5.700 0 4 0 1 0 3 1 1 0 0 1 2 2 2 1 0 0 3 0 0 0 1 0 1 0 2 1 2 0 0 0 2 3 0 0 0 0 0 0 0
6.000 0 2 0 1 2 0 0 0 3 0 1 4 0 2 0 0 0 0 0 0 0 2 0 1 0 1 0 0 0 1 0 0 1 1 0 0 0 0 0 0
6.300 0 1 1 0 1 2 0 3 0 1 1 0 2 3 2 0 0 1 0 1 2 6 0 1 0 0 1 1 0 2 0 0 2 1 1 0 0 0 0 0
6.600 1 2 1 1 0 0 1 0 2 1 1 1 1 1 0 0 0 1 0 0 3 4 1 0 1 0 0 1 1 0 0 2 4 1 0 0 0 0 0 0
6.900 0 0 1 1 0 0 0 1 3 0 0 0 3 0 0 1 0 0 1 1 0 2 1 1 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0
7.200 0 0 0 3 0 0 0 0 0 0 2 5 5 0 0 0 1 0 1 0 1 2 0 0 0 0 0 0 1 0 0 0 3 2 0 0 0 0 0 0
7.500 3 1 0 2 1 1 1 3 2 1 0 0 2 1 0 1 0 0 0 0 1 1 0 0 0 0 1 0 1 0 0 0 5 1 1 0 0 0 0 1
7.800 0 0 0 1 0 0 0 0 0 0 2 0 4 3 0 2 0 0 0 3 0 0 1 1 0 0 0 0 1 1 0 0 1 0 0 1 0 0 1 0
8.100 0 0 0 3 0 0 0 0 2 0 0 2 1 0 0 1 0 0 1 4 0 0 0 0 0 0 0 0 1 0 0 0 8 0 0 1 0 0 0 1
8.400 0 0 1 1 2 1 1 2 2 0 0 0 0 0 0 1 4 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 2 0 1 2 0 1 1 2
8.700 1 0 0 1 2 1 0 0 3 0 0 1 0 1 0 5 0 0 0 3 0 1 0 0 0 0 0 0 0 0 0 0 5 2 1 0 0 0 0 2
9.000 0 1 0 1 0 0 0 1 1 0 0 0 1 0 0 2 0 0 0 1 1 3 0 0 1 0 0 0 0 0 0 0 4 2 0 0 0 0 0 0
9.300 1 0 2 1 1 0 0 1 0 1 3 0 1 0 1 0 0 0 0 3 0 1 0 0 0 1 0 0 0 0 1 1 0 0 0 0 0 1 0 0
9.600 0 1 0 0 3 0 0 2 0 2 1 0 0 1 1 0 0 0 0 5 0 3 0 0 1 0 0 0 2 0 0 2 1 2 2 0 1 0 2 0
9.900 0 2 0 0 0 2 0 2 2 1 3 0 0 0 0 1 2 0 0 0 0 1 0 1 1 0 1 0 2 0 1 0 0 1 0 2 0 0 0 0
10.200 1 0 0 3 1 2 3 1 3 0 1 1 0 0 0 0 0 0 0 0 0 1 8 4 0 3 0 0 2 0 1 0 2 0 0 2 0 0 0 0
10.500 0 0 0 0 1 3 1 0 0 0 1 0 0 3 0 0 0 1 0 3 0 2 2 3 2 2 1 1 0 0 0 1 3 1 0 3 0 0 0 0
10.800 1 0 1 0 0 0 0 1 5 0 0 0 0 1 0 1 0 0 0 1 1 0 2 2 1 1 1 0 2 0 0 0 1 0 0 1 0 0 0 2
11.100 0 1 1 3 0 0 1 1 3 0 0 1 0 0 1 3 1 1 1 0 0 3 2 1 0 0 0 0 0 0 0 2 0 1 2 1 0 0 0 1
11.400 0 1 0 1 1 0 0 1 2 0 3 0 0 0 0 0 2 1 0 4 0 0 1 1 1 0 3 0 0 0 1 0 0 1 4 2 0 0 0 0
11.700 0 0 0 1 0 0 0 2 1 2 0 2 1 0 1 1 0 1 0 2 0 2 1 0 1 0 1 2 0 0 0 1 0 0 0 0 0 0 0 1
12.000 0 0 0 0 3 1 2 4 4 0 0 1 2 1 1 0 0 1 0 1 0 0 3 0 1 0 1 3 1 0 0 0 0 1 0 1 1 0 0 0
12.300 0 1 0 1 2 0 0 11 5 0 3 0 0 1 0 1 0 0 0 0 0 0 1 0 0 1 0 3 1 1 1 0 0 0 0 0 1 0 0 0
12.600 0 0 0 0 6 0 1 0 0 0 1 1 0 0 0 0 0 0 1 1 0 2 1 0 1 1 1 1 0 0 0 2 0 1 0 1 0 0 1 0
12.900 0 0 1 0 4 0 1 1 0 0 1 1 1 1 0 2 0 0 1 1 1 1 1 0 0 1 0 0 1 0 0 0 0 0 3 0 1 4 0 1
13.200 0 0 0 2 12 1 1 1 0 0 0 0 1 1 0 0 0 0 0 1 0 4 2 0 0 2 0 1 1 0 0 0 6 0 3 1 1 2 0 2
13.500 0 1 1 2 0 0 0 2 1 2 2 2 4 0 0 1 0 0 1 1 0 3 0 0 1 1 1 1 0 0 0 0 1 3 3 0 2 0 1 8
13.800 1 1 0 0 0 0 2 0 1 1 0 0 0 1 1 0 1 0 0 0 0 0 2 0 0 1 0 4 0 2 1 0 1 0 1 0 2 0 2 0
14.100 1 0 1 1 0 0 5 1 0 0 2 0 1 0 0 1 1 1 0 0 0 0 0 1 0 2 0 2 0 0 0 2 0 1 0 0 0 0 0 0
14.400 0 1 0 1 1 1 1 1 1 2 0 0 1 0 1 0 0 0 0 0 0 1 1 1 0 3 0 1 0 0 0 0 0 2 1 0 0 0 2 0
14.700 2 0 0 0 2 0 0 1 2 0 2 1 1 0 0 3 0 0 0 0 0 0 1 2 0 1 1 2 1 8 0 0 1 0 0 0 0 1 1 2
15.000 0 0 0 0 5 0 3 0 1 0 1 0 0 2 0 4 0 1 0 0 0 0 2 0 0 3 1 2 1 1 1 0 6 0 0 0 1 0 2 0
15.300 0 1 1 0 2 0 1 0 0 0 1 1 2 1 1 2 0 0 0 0 0 0 0 0 1 4 1 1 1 1 0 0 1 0 4 0 1 0 0 0
15.600 0 0 0 0 0 0 1 0 0 0 0 2 1 3 1 0 1 0 0 0 0 1 0 1 0 2 0 0 1 0 1 1 3 2 0 1 0 0 0 1
15.900 0 0 0 0 0 1 0 1 0 0 0 0 1 1 0 2 0 1 0 0 2 0 0 0 0 0 0 1 1 0 0 0 1 5 1 0 0 1 0 1
16.200 0 0 0 0 0 0 0 1 0 1 1 2 0 0 1 0 0 0 0 0 0 0 0 2 0 0 0 0 1 1 1 0 0 4 0 1 0 0 0 2
16.500 0 0 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 7 0 2 0 3 0 0 0 0 0 4 0 0 1 0 0 4
16.800 0 0 0 0 0 0 3 1 1 0 0 1 0 0 0 3 0 1 0 1 0 0 0 2 3 1 0 3 2 1 0 0 0 2 0 0 0 0 0 0
17.100 1 0 1 0 0 0 0 0 2 0 0 2 0 0 0 0 0 2 0 0 3 0 0 3 1 9 1 2 2 0 1 0 1 0 1 1 0 0 0 0
17.400 1 0 0 2 0 0 0 0 0 0 2 0 0 2 0 0 0 0 0 1 0 0 1 0 1 5 0 0 0 0 0 0 0 0 0 0 0 0 0 1
17.700 2 1 0 4 3 0 0 3 0 0 1 1 1 0 0 0 3 0 0 0 0 1 0 1 2 2 0 2 0 0 4 0 0 2 2 0 1 0 0 0
18.000 3 1 0 1 3 0 0 0 1 3 0 1 0 1 2 0 4 0 0 19 5 0 0 3 0 4 0 2 2 0 1 0 1 2 1 0 0 0 0 0
18.300 5 2 0 0 6 0 1 1 0 0 1 0 0 0 1 0 3 0 0 0 2 0 0 3 6 0 0 1 1 1 0 0 0 2 1 0 0 0 0 0
18.600 0 1 0 0 1 0 0 0 2 0 0 1 0 1 1 0 8 0 0 0 0 2 0 5 0 0 1 3 2 0 0 0 0 1 0 1 1 0 0 1
18.900 0 1 1 3 5 2 0 0 1 0 0 0 0 0 2 1 0 0 0 0 1 3 0 9 1 0 0 3 1 0 0 0 0 0 0 0 0 0 1 1
19.200 1 0 0 0 6 0 0 0 0 0 0 1 0 0 0 1 2 0 7 1 0 7 0 4 1 1 0 1 0 0 0 1 1 1 0 0 0 0 1 1
19.500 0 1 0 2 7 1 1 1 1 0 1 4 1 0 2 1 0 0 0 0 0 2 1 0 0 0 2 1 0 0 1 1 0 0 1 0 1 0 1 0
19.800 0 2 1 1 7 0 0 1 1 0 1 1 0 0 3 1 2 0 0 1 2 0 3 0 1 0 0 1 1 0 1 0 0 1 0 0 1 0 0 1
20.100 0 2 2 1 9 0 0 1 4 0 0 1 0 0 11 5 0 0 1 1 1 1 0 2 2 1 0 0 3 0 0 0 0 1 2 0 0 0 0 0
20.400 0 1 0 2 1 0 0 0 2 0 0 0 1 0 2 3 1 0 0 0 1 1 0 1 3 0 0 0 0 0 1 0 0 2 0 2 1 1 1 1
20.700 2 4 3 3 1 0 0 0 0 0 0 0 0 0 0 1 0 0 1 5 0 2 1 3 1 1 1 1 1 0 0 1 0 4 3 0 2 0 0 0
21.000 1 1 0 3 0 0 0 0 0 1 0 2 1 0 0 0 0 0 0 0 0 2 0 2 3 1 0 0 0 1 2 0 1 1 1 0 0 0 0 1
21.300 0 0 0 2 1 0 0 1 0 0 0 2 2 0 0 1 1 0 0 6 1 0 1 3 1 0 0 2 2 0 0 1 1 2 0 2 0 0 1 0
21.600 0 1 1 2 0 0 1 0 2 0 0 0 0 0 0 0 1 0 0 3 3 7 0 4 0 1 1 5 3 0 0 3 1 0 0 1 0 0 1 0
21.900 0 0 0 1 1 0 0 2 2 1 1 1 0 0 1 0 1 0 0 0 0 3 0 7 0 2 0 5 1 0 7 1 1 1 0 0 0 0 0 1
22.200 0 0 1 1 1 0 0 0 1 0 0 1 0 0 1 1 0 0 0 3 0 1 1 2 1 4 1 3 4 0 8 1 0 1 1 2 0 0 0 0
22.500 0 1 2 2 1 1 0 0 0 0 0 1 1 0 1 0 0 0 0 1 0 1 1 1 5 0 0 2 5 0 5 1 0 2 1 1 1 0 1 0
22.800 1 0 1 0 0 0 0 0 0 0 1 1 2 0 1 1 0 0 0 0 1 1 0 1 0 0 0 5 2 1 4 1 0 0 0 0 0 1 0 0
23.100 0 2 2 1 0 0 0 0 0 0 1 0 2 0 2 6 0 0 0 4 1 1 0 0 0 1 0 12 4 0 2 0 0 0 0 0 1 0 1 0
23.400 1 0 1 1 0 0 2 0 4 1 1 1 0 0 0 0 0 0 2 0 0 0 1 0 0 2 1 3 0 0 1 0 0 0 2 0 0 0 2 0
23.700 3 1 2 0 0 0 3 2 0 0 1 1 0 0 0 0 0 0 4 0 0 0 0 1 3 0 0 3 3 0 1 0 1 0 1 0 0 0 0 0
24.000 0 0 0 0 0 0 2 3 0 1 1 1 1 0 0 0 0 0 1 1 0 1 4 0 2 8 0 0 0 0 2 1 0 1 2 0 0 0 0 0
24.300 1 0 1 0 0 1 3 2 4 8 1 1 1 1 0 1 0 0 0 0 0 1 0 0 2 3 0 1 0 0 2 1 0 0 2 1 0 0 2 3
24.600 1 0 0 0 0 1 1 2 3 1 0 1 2 1 0 1 2 1 0 0 1 1 0 2 3 1 0 2 1 0 0 0 0 2 0 2 1 0 0 0
24.900 1 0 0 1 0 1 3 2 0 2 1 0 2 4 0 0 3 1 0 2 1 0 4 3 1 1 1 0 0 0 1 1 0 2 0 1 1 0 2 0
25.200 1 1 1 1 0 0 1 1 1 3 0 1 2 0 2 0 1 4 1 2 0 0 0 1 4 0 0 1 2 0 1 3 0 1 0 0 1 0 1 1
25.500 0 1 1 0 1 2 1 0 2 1 0 0 1 1 2 0 1 2 0 2 2 1 1 0 0 0 0 1 2 1 1 1 0 0 2 0 1 0 1 0
25.800 0 0 1 0 1 0 1 0 0 3 0 0 0 4 1 4 3 0 0 0 0 0 1 4 1 1 1 1 2 0 1 0 2 2 3 0 0 0 0 0
26.100 0 0 1 0 0 1 1 0 0 4 1 1 0 1 0 0 9 1 1 0 2 1 1 0 0 0 0 1 1 1 2 1 1 0 2 0 0 0 0 0
26.400 1 0 0 0 4 1 6 0 1 0 2 1 1 2 0 0 0 0 0 0 0 1 0 0 1 0 1 0 3 0 0 0 3 0 2 0 0 0 0 0
26.700 0 0 0 1 2 0 1 1 6 0 1 1 1 0 1 0 0 0 5 3 0 2 0 0 2 0 0 0 0 2 2 1 1 1 1 0 0 0 0 0
27.000 0 0 1 0 0 0 0 0 6 1 1 1 0 1 0 0 0 0 5 0 3 2 0 2 1 1 0 0 3 0 0 0 1 0 0 1 0 0 0 0
27.300 0 1 0 0 0 14 0 0 3 1 1 0 0 0 1 0 0 1 0 2 0 2 0 0 0 0 0 0 0 0 0 0 3 6 1 0 0 0 0 0
27.600 2 2 4 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 1 0 1 0 0 0 0 1 1 2 1 0 0 0 0 0
27.900 2 0 1 0 1 0 0 1 4 0 0 1 0 1 1 2 0 0 0 1 3 1 1 0 1 0 1 1 2 1 2 1 0 0 0 0 2 0 2 0
28.200 0 1 0 0 0 0 1 0 6 0 0 2 2 4 0 1 0 0 0 1 1 1 1 0 0 0 1 4 2 2 1 2 0 1 0 0 0 0 2 0
28.500 0 1 3 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 1 1 0 2 0 1 1 2 3 0 0 1 0 0 1
28.800 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 2 2 0 0 0 1 1 1 1 4 0 0 1 1 5 2 0 0 0 1 1
29.100 1 0 0 0 0 0 1 0 0 1 3 3 1 0 1 1 0 0 0 0 0 0 1 0 2 0 1 0 0 0 4 0 1 5 1 4 0 0 0 1
29.400 0 0 0 2 0 0 0 0 0 0 2 0 0 1 2 0 1 1 1 1 0 1 0 0 3 0 1 1 13 0 1 0 0 2 2 0 2 0 1 0
29.700 0 0 0 0 1 0 1 0 0 0 0 1 1 0 0 1 0 2 2 0 0 1 0 0 1 2 1 0 0 0 3 0 1 1 1 0 1 0 1 0
30.000 0 0 0 1 0 2 0 0 0 0 9 0 3 1 1 0 0 0 0 0 1 2 0 0 3 5 0 0 1 0 0 0 1 0 3 1 0 0 0 0
30.300 1 0 3 0 0 0 1 0 0 0 1 2 6 2 2 1 0 2 0 0 1 2 1 1 0 1 0 4 1 0 0 0 0 6 0 1 0 0 1 1
30.600 0 1 0 2 0 0 0 1 1 0 0 0 1 0 2 0 0 0 1 0 0 5 1 0 3 0 0 6 0 1 0 0 1 2 4 0 1 0 1 0
30.900 0 0 1 1 1 2 0 1 1 1 1 0 2 1 2 0 1 0 1 0 0 2 2 0 7 0 0 0 0 1 1 1 4 2 6 0 0 0 0 0
31.200 0 1 0 0 0 0 0 0 2 2 2 2 7 0 5 1 2 1 0 0 0 1 0 0 1 2 0 1 0 0 5 0 0 0 3 0 1 1 0 2
31.500 0 1 1 0 4 1 0 0 0 1 0 0 2 0 0 0 0 0 1 0 1 0 1 2 2 2 0 0 1 1 2 1 1 0 3 0 0 0 1 0
31.800 0 0 6 1 2 0 0 0 1 1 0 0 1 2 1 0 0 4 1 0 0 1 0 1 0 10 2 1 5 0 3 0 1 1 3 0 0 0 1 0
32.100 1 0 2 1 2 0 1 0 0 0 0 0 0 0 0 1 1 1 1 1 0 3 0 1 0 1 1 0 1 1 0 0 3 1 2 0 0 0 0 0
32.400 4 0 2 1 0 0 0 0 0 0 0 3 4 1 2 2 0 0 1 0 2 3 3 1 1 3 0 1 0 1 0 0 1 0 9 0 1 0 0 0
32.700 5 0 5 0 0 0 0 0 0 0 0 0 4 1 1 2 4 0 1 0 0 1 0 1 0 1 1 0 2 0 1 3 9 0 1 0 1 0 0 0
33.000 3 1 0 1 0 0 1 2 0 1 0 1 6 3 1 0 1 0 2 0 4 2 0 1 1 2 1 1 0 0 3 4 3 0 2 1 1 0 1 0
33.300 1 0 0 0 0 0 5 2 0 0 0 8 3 7 2 0 2 0 2 1 0 4 1 0 0 0 2 0 2 0 5 3 2 2 0 0 0 0 0 0
33.600 1 0 0 0 0 1 1 0 2 1 0 3 1 3 5 0 0 0 1 0 2 2 1 4 2 0 2 1 0 0 2 1 1 2 2 0 0 0 0 0
33.900 0 0 1 1 0 2 0 0 0 0 0 4 2 1 3 0 0 1 1 2 4 3 0 5 3 4 0 1 0 0 1 2 2 1 2 1 0 0 0 0
34.200 1 0 1 0 0 1 2 0 2 0 3 2 2 1 2 0 0 2 1 1 6 1 0 2 0 0 2 2 1 0 3 0 1 5 2 0 0 0 0 0
34.500 0 1 0 0 0 1 2 1 0 1 1 4 5 1 3 3 0 0 1 1 0 7 0 1 1 6 2 3 0 0 1 2 0 1 1 0 1 0 0 1
34.800 2 1 0 0 3 0 3 1 0 0 0 0 0 1 4 2 0 2 0 2 4 1 0 2 3 4 2 0 0 1 1 0 2 9 4 0 0 0 0 0
35.100 2 1 0 0 6 1 2 1 0 1 1 3 3 0 1 0 0 3 1 1 3 3 3 0 0 1 2 0 0 0 3 0 0 3 2 0 0 1 0 2
35.400 3 0 1 0 2 1 1 2 2 1 0 5 4 1 1 0 0 1 0 2 1 0 1 1 1 3 0 2 2 0 2 1 1 1 1 0 0 1 3 0
35.700 0 0 3 1 12 0 2 1 3 1 0 9 6 1 3 0 1 2 0 0 2 4 0 0 1 2 0 2 1 0 2 2 0 3 3 1 0 0 0 0
36.000 0 0 2 1 8 0 1 0 0 5 0 5 2 2 5 1 4 0 5 0 3 0 0 2 2 1 0 3 2 1 0 0 2 1 1 1 0 0 1 0
36.300 2 0 4 0 0 2 1 0 1 5 1 6 1 2 0 0 0 2 1 1 2 0 1 1 0 1 0 0 1 1 2 0 3 4 1 3 0 0 0 0
36.600 0 3 0 1 3 0 2 0 4 1 2 2 1 0 4 0 1 2 4 0 0 0 0 1 2 1 0 0 0 0 0 0 3 4 1 3 1 0 0 0
36.900 0 0 1 1 7 0 1 0 1 2 3 1 0 0 8 2 0 3 1 2 4 2 2 0 3 5 1 1 0 0 0 1 5 2 1 0 0 0 1 0
37.200 0 0 0 4 1 1 0 0 1 0 5 0 2 0 3 1 0 0 0 0 2 1 0 0 1 1 0 0 5 1 0 0 0 0 1 0 1 0 1 1
37.500 1 0 1 4 4 1 1 1 3 0 0 0 2 0 1 3 0 3 1 1 2 0 0 1 0 9 1 0 1 1 0 0 1 0 3 0 2 0 0 3
37.800 0 0 1 2 1 2 2 2 6 0 1 3 1 1 1 3 2 1 0 0 2 1 1 1 2 1 0 0 1 0 1 0 0 1 4 0 5 0 1 2
38.100 0 0 0 0 0 1 4 1 11 0 0 2 0 0 0 0 0 1 1 0 6 1 1 0 0 2 0 0 1 0 1 0 0 3 4 3 2 2 0 0
38.400 0 0 0 1 0 2 4 3 1 3 0 2 0 1 0 9 0 0 1 1 0 0 1 0 0 3 0 1 0 0 0 0 5 2 3 8 1 1 0 1
38.700 0 0 0 0 2 1 5 3 3 1 0 2 2 1 1 5 0 0 0 0 0 0 0 0 0 1 0 2 1 0 1 1 1 4 3 0 7 0 0 0
39.000 0 0 1 1 3 0 1 0 4 0 0 3 1 4 0 3 0 0 1 2 0 0 0 0 0 2 1 3 0 2 0 0 6 5 1 9 0 0 0 1
39.300 2 0 0 2 0 2 1 5 0 1 0 4 3 0 0 1 0 0 0 0 0 1 0 2 3 2 0 3 0 1 0 1 1 4 0 0 1 1 0 4
39.600 0 1 0 3 3 2 1 3 0 0 0 3 0 2 0 4 0 4 1 0 0 0 0 0 2 0 2 4 2 0 0 0 1 1 3 1 2 1 0 3
39.900 3 1 0 5 3 3 5 2 2 2 0 3 0 0 1 2 1 0 0 0 2 0 0 0 4 3 0 2 0 1 0 0 1 2 1 0 1 0 1 0
40.200 0 0 1 6 1 1 4 1 0 0 2 1 1 1 2 5 1 3 0 0 2 1 0 1 2 1 2 2 2 0 1 2 0 4 1 0 0 0 0 0
40.500 5 3 0 0 1 3 0 1 0 2 1 0 1 0 5 3 0 1 1 1 0 3 0 0 2 1 0 7 2 0 1 0 0 1 2 0 3 0 0 1
40.800 2 0 0 0 1 2 0 1 0 0 0 0 4 2 3 0 0 1 1 0 0 0 0 0 8 4 1 4 3 0 2 0 0 2 3 0 2 0 0 1
41.100 4 0 0 2 2 0 2 1 0 0 0 1 2 4 0 1 0 0 3 0 0 3 0 0 2 3 0 6 0 0 1 1 0 1 1 0 1 0 0 1
41.400 1 0 0 0 8 1 1 3 0 1 0 0 2 2 2 0 4 1 0 0 0 1 0 1 2 0 3 8 5 0 0 1 0 2 0 0 0 0 0 0
41.700 0 0 0 0 0 0 0 1 0 0 0 1 2 4 3 2 0 1 0 0 0 0 0 0 1 0 0 3 5 0 0 1 0 2 2 0 1 0 1 0
42.000 1 1 1 0 1 5 4 3 1 0 2 2 7 2 2 2 0 1 0 3 0 0 0 1 0 2 0 0 2 0 3 0 0 4 0 0 0 0 0 0
42.300 1 0 0 2 0 1 1 2 0 0 1 0 9 0 4 1 0 0 0 3 3 1 0 2 0 3 0 0 0 0 0 0 1 2 0 0 2 0 0 1
42.600 1 2 0 1 0 2 2 4 1 0 0 0 5 2 1 0 0 2 1 0 0 0 0 0 0 2 1 1 2 1 0 3 3 4 0 0 0 0 0 0
42.900 0 1 1 0 1 1 1 4 1 1 0 1 0 0 2 0 1 0 3 0 2 0 0 0 3 1 0 1 2 0 0 2 1 2 0 2 2 0 0 0
43.200 0 1 0 3 0 1 0 3 0 1 0 1 1 0 3 0 0 1 0 0 1 1 1 0 3 1 0 1 3 0 1 0 0 1 0 1 0 0 0 0
43.500 4 1 0 0 1 1 1 0 2 0 2 8 4 1 2 1 0 1 0 2 2 0 2 0 1 0 0 0 2 1 1 0 1 0 1 0 0 1 0 2
43.800 4 1 3 1 1 2 0 1 0 0 0 7 3 1 7 0 0 2 0 0 0 1 2 0 0 0 0 2 3 0 0 2 0 0 0 2 3 0 0 0
44.100 1 1 0 0 4 1 0 0 4 4 1 4 3 1 8 2 2 1 0 0 1 0 2 2 0 1 1 1 4 0 0 2 0 0 0 1 1 0 0 1
44.400 2 2 0 0 2 1 0 4 5 2 0 4 2 4 5 4 2 2 0 0 1 0 1 0 2 0 0 1 1 0 0 0 1 0 2 0 0 0 0 1
44.700 2 0 1 0 3 1 1 1 1 0 0 2 3 3 5 3 0 0 1 3 1 0 0 0 0 1 0 2 3 0 1 0 0 0 1 0 1 0 0 2
45.000 0 0 2 3 1 0 4 1 0 1 2 3 1 0 2 4 1 0 2 0 0 0 0 2 0 1 0 3 3 1 0 0 0 2 0 0 0 0 1 0
45.300 2 1 3 1 0 0 0 2 2 0 2 4 1 2 6 0 0 2 0 1 1 0 1 0 0 0 1 1 4 0 1 0 2 0 0 0 0 0 0 2
45.600 1 1 5 0 1 2 1 1 3 0 0 1 0 0 1 0 6 0 0 0 1 0 0 2 3 1 0 0 0 0 0 0 3 1 0 0 1 0 0 0
45.900 2 1 0 0 3 0 2 3 0 0 0 1 1 0 0 0 0 0 1 1 0 0 1 1 1 2 0 0 3 4 1 0 0 3 1 0 0 0 0 3
46.200 1 0 0 1 1 0 1 2 2 0 0 1 2 0 1 0 0 0 0 0 0 0 1 0 0 1 1 0 1 0 0 0 0 8 0 0 1 0 0 1
46.500 2 1 1 1 0 0 1 0 3 0 0 0 3 0 1 0 4 0 0 6 0 1 2 0 2 1 1 0 2 0 1 0 3 0 3 2 2 0 1 1
46.800 0 1 1 0 2 1 1 1 0 2 0 0 4 2 1 0 4 0 0 1 1 1 1 0 2 5 0 1 6 0 5 0 1 0 1 1 1 0 0 1
47.100 0 1 2 0 0 2 1 0 0 0 0 1 5 2 1 1 5 0 0 1 0 0 0 1 2 2 0 0 9 0 0 0 0 1 2 0 8 0 0 2
47.400 0 0 1 1 0 0 0 1 0 2 1 1 1 1 0 2 2 0 0 1 0 2 1 2 1 1 0 2 1 0 0 0 0 2 0 0 0 0 0 1
47.700 2 0 1 0 0 2 0 0 0 0 0 1 1 1 0 3 2 0 0 1 0 2 3 0 1 0 0 2 2 0 3 0 5 0 1 0 0 0 0 0
48.000 0 0 0 0 0 0 1 0 0 0 1 1 2 2 0 1 1 3 0 0 0 2 0 8 0 0 1 8 0 0 1 0 1 1 1 0 2 0 0 0
48.300 0 1 0 0 2 0 0 1 0 0 0 1 0 5 7 0 1 3 0 2 1 1 0 0 2 1 0 6 0 0 0 0 3 0 3 0 0 0 0 0
48.600 0 1 0 0 0 0 1 1 2 0 2 2 6 5 10 0 0 0 0 0 0 14 0 1 3 0 0 3 0 2 0 0 1 3 1 1 0 0 1 0
48.900 0 1 0 0 3 0 0 1 3 0 3 0 3 1 1 1 4 1 0 0 0 2 0 0 0 1 1 3 0 0 0 0 0 1 1 0 2 0 1 2
49.200 1 0 0 0 0 0 0 2 1 0 0 0 4 1 0 0 1 2 0 0 0 2 0 1 0 0 0 1 1 0 1 0 1 1 0 0 1 1 4 0
49.500 0 0 0 0 3 0 0 0 4 1 0 3 2 2 1 0 1 0 0 1 1 0 0 1 2 2 2 0 3 0 0 0 4 1 1 0 2 1 0 2
49.800 1 0 1 0 2 1 0 0 0 1 1 1 5 3 2 0 1 0 0 0 0 3 1 1 0 0 0 3 3 0 0 0 0 0 0 0 6 1 0 2
50.100 1 0 0 0 3 0 0 0 0 0 1 1 4 0 2 1 4 1 0 2 1 1 0 1 1 1 1 1 1 0 1 0 3 0 2 1 1 1 2 2
50.400 4 0 0 0 2 0 0 0 0 1 0 0 0 0 0 1 1 1 1 2 1 1 1 2 0 1 0 5 4 0 1 0 1 1 0 0 0 1 0 0
50.700 2 1 0 0 4 0 0 0 2 5 0 1 0 0 0 0 2 2 0 0 2 0 3 0 1 1 0 0 0 1 1 0 0 1 1 1 2 4 2 0
51.000 0 0 0 0 0 0 0 0 0 4 1 2 1 1 1 0 0 0 0 0 0 0 2 2 0 1 0 5 0 0 0 0 0 4 0 0 1 2 1 2
51.300 0 1 0 1 0 0 0 1 0 1 0 1 0 1 1 4 2 1 0 0 0 0 0 0 3 0 0 2 1 1 0 0 0 2 1 0 0 0 1 1
51.600 1 0 0 0 0 1 2 1 1 2 2 1 2 4 0 3 2 0 3 0 0 1 1 0 1 4 1 0 1 1 2 0 0 6 0 2 0 0 1 0
51.900 0 1 1 0 0 0 0 0 0 0 1 0 2 3 1 0 1 0 0 1 0 0 2 1 0 5 0 2 0 0 0 0 0 2 1 0 1 0 2 1
52.200 1 2 0 0 2 0 1 0 1 0 3 0 2 2 1 2 1 0 0 0 1 1 0 2 0 2 0 2 0 2 0 1 0 1 0 1 0 0 8 2
52.500 0 2 0 0 3 0 0 1 0 2 2 0 0 1 2 2 0 1 0 2 0 0 0 3 1 0 0 0 1 1 1 1 0 1 0 0 0 0 7 3
52.800 0 1 1 0 2 1 0 0 1 2 1 0 0 6 1 2 0 2 0 1 0 0 0 4 1 1 0 0 0 1 0 0 0 2 0 0 1 0 2 0
53.100 0 2 0 0 1 0 0 0 1 1 2 0 0 2 1 5 0 0 1 1 1 0 0 4 1 1 0 1 1 0 1 0 1 2 0 0 0 0 1 0
53.400 0 0 2 0 0 0 0 1 1 1 2 0 1 2 1 4 0 0 1 0 1 0 2 5 1 0 0 1 4 0 5 0 1 0 1 0 0 0 3 1
53.700 0 1 1 0 1 0 0 0 2 0 0 0 0 1 2 0 0 0 1 3 0 0 2 1 0 2 4 0 1 0 0 0 2 0 2 0 2 0 5 2
54.000 0 0 0 0 0 0 0 0 1 1 2 0 0 0 0 1 0 0 2 2 1 0 0 5 0 8 7 0 0 0 2 0 1 0 2 0 1 0 4 3
54.300 2 1 0 0 2 1 1 1 1 1 2 0 0 1 0 1 0 0 0 0 1 0 1 4 1 1 0 1 0 0 0 0 0 0 0 0 0 0 1 1
54.600 0 1 0 0 2 0 1 1 0 0 2 1 2 0 2 0 0 1 1 0 2 0 3 1 0 0 0 5 0 3 0 0 1 0 0 0 1 0 4 2
54.900 0 0 0 0 0 0 1 3 4 0 0 2 1 1 2 0 0 0 0 0 0 1 0 4 0 2 1 0 0 0 0 1 0 1 2 0 0 0 5 1
55.200 1 0 0 0 2 0 2 0 0 2 1 1 1 5 1 1 1 0 0 1 0 2 0 0 1 0 0 2 0 1 1 1 0 1 1 0 0 2 3 1
55.500 0 1 0 0 0 0 0 0 0 2 3 1 1 3 3 1 1 2 1 0 2 1 0 2 1 1 0 0 1 1 1 3 1 1 1 0 0 0 15 0
55.800 0 0 0 0 0 1 2 0 0 4 2 0 2 3 1 2 0 0 0 1 1 0 0 5 1 0 1 1 2 0 2 0 2 0 1 0 0 0 1 1
56.100 1 2 0 0 2 1 1 2 0 1 5 0 3 3 1 1 0 1 0 1 0 0 0 6 0 1 0 1 0 0 0 0 2 0 3 0 0 0 1 1
56.400 0 2 0 0 0 0 1 0 2 0 3 0 1 1 1 0 0 0 0 0 1 1 0 2 4 3 0 1 1 3 4 3 1 0 1 0 2 1 1 0
56.700 0 1 1 0 0 0 1 0 0 1 2 0 5 2 1 0 0 0 1 1 0 3 0 4 5 0 0 4 2 0 3 0 0 2 2 0 0 0 1 0
57.000 0 1 0 1 3 0 0 0 0 3 0 0 1 0 3 0 1 0 2 0 2 0 3 3 2 0 0 0 1 0 1 1 0 0 0 0 0 0 0 0
57.300 0 3 0 1 4 0 1 1 0 2 1 2 1 0 3 1 1 0 1 0 0 0 0 4 3 2 0 0 3 0 0 0 1 0 4 0 0 0 1 0
57.600 1 0 0 2 1 1 0 1 0 0 3 0 0 0 1 0 0 0 0 0 3 4 1 3 4 5 1 0 0 1 1 0 2 0 2 0 5 2 0 0
57.900 0 0 0 0 0 0 1 3 2 2 2 3 3 1 2 2 1 1 1 1 1 0 5 0 4 4 0 0 1 2 1 0 1 2 1 1 0 2 3 2
58.200 0 1 0 0 3 2 1 2 0 1 2 2 4 4 1 1 0 0 0 0 0 0 4 0 2 1 0 1 1 0 0 0 1 3 0 1 1 2 0 0
58.500 1 1 0 0 2 2 0 1 1 1 3 0 1 6 1 0 0 0 0 0 0 1 4 1 5 1 0 0 2 0 1 1 0 0 0 0 0 3 0 0
58.800 0 2 0 0 3 2 0 3 4 0 2 0 1 0 3 0 0 0 1 0 1 0 0 0 2 0 0 0 0 0 2 0 1 0 0 1 0 0 1 0
59.100 0 1 0 0 4 3 1 1 0 1 0 0 2 0 2 0 1 0 0 1 0 1 0 0 1 3 0 0 0 1 0 2 1 0 2 1 1 0 0 2
59.400 0 0 0 0 6 0 0 0 2 0 0 1 0 0 0 1 0 1 1 1 2 1 2 6 3 2 0 3 1 1 1 0 0 1 1 1 6 0 0 0
59.700 2 0 0 0 3 0 0 3 1 0 0 0 1 1 1 1 0 0 6 0 0 1 0 1 1 2 0 0 0 0 0 0 0 0 3 1 0 1 0 0
60.000 2 1 0 0 6 0 0 0 2 1 0 0 0 0 0 0 1 0 15 2 0 1 2 0 2 0 2 3 0 0 1 0 0 0 1 1 2 1 1 0
60.300 2 0 0 0 0 0 1 0 0 0 0 1 0 0 0 3 0 0 1 0 0 0 7 1 0 8 1 0 0 1 1 0 0 0 2 0 1 0 1 0
60.600 0 1 0 0 3 0 0 2 2 2 0 2 0 0 2 8 1 0 0 0 1 0 4 0 0 2 0 1 0 0 1 0 0 0 2 1 1 1 1 1
60.900 0 1 1 1 1 0 1 0 0 1 0 5 2 0 1 1 4 0 0 1 0 0 7 1 0 0 1 0 3 1 2 0 0 0 1 1 0 1 0 0
61.200 0 0 4 0 0 0 1 1 3 2 0 1 0 0 0 4 1 0 1 2 2 1 6 0 1 4 1 0 7 1 0 0 3 0 1 3 4 1 4 0
61.500 1 2 0 1 0 0 0 1 3 1 0 2 1 0 6 0 0 0 2 0 1 0 4 2 2 16 3 0 0 1 0 0 3 0 1 0 1 0 3 1
61.800 0 0 0 2 5 0 0 0 0 1 1 0 0 0 0 0 3 1 4 1 0 0 11 3 1 4 0 1 0 1 2 1 0 3 1 0 1 1 0 0
62.100 0 1 7 1 1 1 0 3 2 0 0 2 1 0 1 0 2 0 0 0 1 0 5 3 1 1 0 0 0 1 0 0 0 0 3 1 1 0 2 0
62.400 0 1 0 1 1 0 0 1 0 1 2 4 3 0 6 2 0 1 1 0 5 3 1 2 2 5 2 1 0 2 0 0 0 0 2 1 3 3 0 2
62.700 0 0 0 0 3 0 0 1 2 0 3 1 3 1 3 0 1 0 0 0 0 2 3 0 2 6 0 2 0 1 0 0 2 0 2 2 5 0 0 0
63.000 1 1 0 0 5 1 0 2 1 1 0 5 2 0 5 1 1 0 0 1 1 2 5 0 4 3 3 1 1 0 0 0 0 0 1 1 4 0 0 0
63.300 0 2 0 0 2 0 0 3 1 1 0 0 0 2 0 0 0 0 0 0 1 2 8 1 2 3 8 0 1 0 2 1 0 0 3 1 1 1 2 0
63.600 0 2 0 1 1 0 0 2 0 0 1 0 2 1 0 0 1 0 2 0 0 3 6 2 2 2 0 1 0 1 0 1 0 0 8 0 1 0 2 0
63.900 1 1 0 1 0 0 1 2 1 0 0 0 1 4 3 0 1 0 1 1 1 0 2 1 0 1 0 0 1 0 0 0 1 0 7 1 0 0 2 0
64.200 2 5 1 1 1 0 1 4 2 0 1 6 2 3 0 1 0 0 1 1 1 2 7 3 1 4 0 0 2 0 0 0 3 1 2 2 3 1 0 1
64.500 0 1 0 0 4 0 0 5 2 1 0 5 1 2 1 0 0 0 0 1 0 0 5 2 1 0 0 1 2 0 1 1 0 1 2 0 1 0 1 5
64.800 0 3 0 0 2 0 3 5 1 3 1 3 4 1 1 0 1 0 1 0 0 0 3 3 3 2 0 1 0 2 0 0 0 0 1 0 1 2 8 2
65.100 0 0 0 1 4 0 7 3 1 2 0 3 0 1 1 0 0 3 0 0 0 2 4 0 0 0 0 2 2 1 1 0 2 1 4 1 2 1 0 1
65.400 0 1 0 4 1 0 0 0 0 0 0 4 2 1 0 2 0 0 0 2 0 0 2 1 1 0 0 0 0 1 0 0 1 0 1 0 0 1 1 3
65.700 0 2 0 0 4 0 0 1 2 0 0 0 0 4 1 5 0 2 1 1 0 0 0 0 1 0 0 0 0 3 1 0 0 2 0 1 0 0 0 1
66.000 1 2 0 0 1 0 0 0 0 0 1 0 4 1 2 0 0 0 0 0 1 2 1 0 0 0 0 0 1 2 0 0 0 0 1 1 4 0 0 1
66.300 1 2 0 0 3 1 0 0 1 0 1 2 1 1 0 0 0 0 0 0 0 2 1 1 1 1 1 0 1 0 0 2 2 1 3 0 0 1 1 1
66.600 2 0 0 0 2 3 0 1 2 0 0 1 2 1 1 4 1 0 0 0 0 2 1 1 0 1 0 0 1 0 0 8 2 2 0 1 1 0 0 1
66.900 1 1 0 0 1 2 2 1 7 0 0 0 0 0 0 2 0 0 0 0 1 1 2 3 3 4 0 0 0 3 0 7 0 1 0 1 0 0 0 2
Tabla 54 – Fallos acumulados en intervalos de 300 horas en escaleras mecánicas TNE

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
0 2 4 6 8
t (X 10000,0)
Figura 78 – Gráfico de fallos de 32 escaleras mecánicas TNE
No se ha evidenciado patrón estadísticamente reconocible en los fallos repetitivos,

siendo episodios con una distribución idéntica respecto de km o t y sin asociación
aparente entre tipos de fallos o reparación efectuada, resultando en la práctica los fallos
primarios y los supuestos secundarios, indistinguibles. La concentración de fallos en
ciertos periodos es cualitativamente observable, y no se ha podido descartar la hipótesis
de que un fallo fi tengan un comportamiento independiente del fallo cercano fi-1 que le
precede, pero tampoco se ha podido demostrar lo contrario.
7.3. Aplicar modelos RP a cada ítem sin tendencia

Como se ha desarrollado en 2.7.7, los modelos RP son de aplicación cuando los TBF son
independientes e idénticamente distribuidos (i.i.d.), tratándose como procesos de
“reparación perfecta”. La demostración de independencia en los TBF en estos ensayos se
ha tratado en el apartado anterior 7.2, concluyendo que no hay evidencia de
dependencia de los TBF en ninguno de los cuatro (4) sistemas. Existe una amplia
publicación de aplicaciones de modelos RP a sistemas reparables complejos en
diferentes campos industriales, ver ejemplos y procedimientos aplicados en:
– Kumar y otros (1992), load haul dump machines.
– Barabady and Kumar (2008), mining equipment.
– Hoseinie y otros (2011), hydraulic system.
– Hoseinie y otros (2012), drum shearer machine.

– Hussin y otros (2013), offshore gas compression train system.

– Qurashi and Hamdi (2016), thermal electricity generation.
Para comprobar si los TBF están idénticamente distribuidos se debe seleccionar y aplicar
uno (o varios) test de tendencia; gráficos, parámetricos o no parámetricos, como los ya
indicados en 2.7.2 y 2.7.5. En este estudio ya se ha aplicado el test de Laplace según
normas IEC, ver 6.4. Complementariamente se ha contrastado estos resultados de
tendencia con el Military Handbook Test;
(82)
con n el número total de fallos, Tn es el tiempo del fallo n-enésimo y Ti el tiempo del fallo
i-enésimo con test truncado por fallo. La hipótesis nula del Military Handbook Test es la
distribución chi-cuadrado con 2(n-1) grados de libertad. Si la hipótesis nula es rechazada
con un 5% de nivel de significación, entonces los datos demuestran tendencia. Los
resultados son coincidentes con los del test de Laplace del apartado 6.4, sin diferencias
de relevancia a citar.
Si no se rechaza la hipótesis de que los TBF son independientes, para aquellos sistemas
que no presentan tendencia se puede aceptar que los TBF son independientes e
idénticamente distribuidos (i.i.d.), y por lo tanto son de aplicación los modelos RP de
“reparación perfecta”. Se han aplicado modelos RP a los items sin tendencia:
– 10 sistemas de tracción de trenes 5000-4ª.
– 50 sistemas de tracción de trenes 2000-B.
– 17 sistemas de tracción de trenes 8000.
– 18 escaleras mecánicas TNE.
–
Con ayuda de STATGRAPHICS Centurion se han ensayado un total de 25
distribuciones para el ajuste de los TBF, ver menú de distribuciones en la Figura 79.

Figura 79 – Menú de selección de distribuciones STATGRAPHICS Centurion para ajuste de los TBF
En la Tabla 55 se listan las distribuciones ensayadas sobre los TBF, con indicación de
número de parámetros estimados en cada caso.

Distribución Parámetros Estimados
Cauchy 2
Exponencial 1
Exponencial (2 Parámetros) 2
Gamma 2
Gamma (3-Parámetros) 3
Gamma Generalizada 3
Gaussiana Inversa 2
Laplace 2
Logística 2
Logística Generalizada 3
Loglogística 2
Loglogística (3-Parámetros) 3
Lognormal 2
Lognormal (3-Parámetros) 3
Maxwell 2
Mitad Normal (2-Parámetros) 2
Normal 2
Normal Plegada 2
Pareto 1
Pareto (2-Parámetros) 2
Potenciación Exponencial 3
Rayleigh 2
Valor Extremo Más Grande 2
Weibull 2
Weibull (3-Parámetros) 3
Tabla 55 – Tabla de distribuciones ensayadas sobre los TBF para los modelos RP
Se recuerda que el modelo HPP es una particularización de los modelos RP cuando la

distribución aceptada para los TBF es la exponencial (1 parámetro). Este modelo es el
recogido en la norma IEC 60605-4 (2001), apartado 5.1 y ya ha sido ensayado en el
apartado 6.5.
En este estudio se ha decidido realizar el test K-S con el 5,0% de nivel de significación
para comprobar si los TBF se pueden aceptar que responden a alguna distribución de las
señaladas. El criterio de “hipótesis nula” es; rechazar H0 con un 5,0% de nivel de
significación si D > Dcrítico, con í , siendo un criterio habitual en los este
tipo de estudios de fiabilidad con modelos RP.

TREN Mejor Distribución λ Dcrítica Dmax H0
2 Logística Generalizada 6,82E-05 0,1381 0,1694 Se Rechaza

19 Logística Generalizada 4,92E-05 0,1637 0,1483 Se Acepta
Tabla 56 – Estimación de constantes para modelos RP en sistemas de tracción de trenes 5000-4ª

Tabla 57 – Estimación de constantes para modelos RP en sistemas de tracción de trenes 2000-B (I)


Tabla 58 – Estimación de constantes para modelos RP en sistemas de tracción de trenes 2000-B (II)

Tabla 59 – Estimación de constantes para modelos RP en sistemas de tracción de trenes 8000

ESCALERA Mejor Distribución λ Dcrítica Dmax H0

1 Log-normal 3 parámetros 2,23E-03 0,0957 0,0629 Se Acepta
6 Log-normal 3 parámetros 1,39E-03 0,1133 0,1146 Se Rechaza
Tabla 60 – Estimación de constantes para modelos RP en escaleras mecánicas TNE
La distribución logística generalizada es la que mejor ajusta a los TBF en los tres (3)
sistemas de tracción de trenes. En el caso de las escaleras mecánicas es la distribución
log-normal 3 parámetros la que mejor se ajusta a los datos de TBF. En la Tabla 61 se
resumen los valores de aceptación y rechazo, H0 con un 5% de nivel de significación si D
> Dcrítico, con í , para los modelos RP de cada ítem.
ÍTEM SIN SE RECHAZA SE ACEPTA

SISTEMA MEJOR DISTRIBUCIÓN
TENDENCIA MODELO RP MODELO RP
Tracción 5000-4ª 10 Logística Generalizada 9 1
Tracción 2000-B 50 Logística Generalizada 20 30
Tracción 8000 17 Logística Generalizada 6 11
Escaleras Mecánicas TNE 18 Log-normal 3 parámetros 4 14
Tabla 61 – Resumen de aceptación y rechazo del modelo RP por sistema e items
Estos niveles de aceptación de los modelos RP mejoran sustancialmente los niveles de

aceptación de los modelos HPP (ver apartado 6.5), pasando de 18 items con modelo HPP
aceptado a los 56 items con modelo RP aceptado.

Mayoritariamente los TBF de los items no tienen una distribución exponencial. Las
funciones que mejor se adaptan a la distribución de los TBF son la logística generalizada
y la log-normal 3 parámetros. Ambas distribuciones presentan una función de densidad
con una media μ muy próxima a cero y un pronunciado coeficiente de asimetría  , lo
que ratifica la existencia de un volumen alto de fallos que se agrupan con un TBF muy
próximos a cero, motivados por los episodios de fallos repetitivos, ver ejemplos de
modelos aceptados en Figuras 80 y 81.
Histograma y distribución de TBF
50 Logística Generalizada
Ubicación=-83456,4
Escala=15602,7
40 Forma=434,994
frecuencia
30
20
10
0
0 0,5 1 1,5 2 2,5 3
TBF (X 100000,)
Figura 80 – Histograma de los TBF y distribución logística generalizada en tren 19 de 5000-4ª
Histograma y distribución de TBF
200 Lognormal (3-Parámetr

Media=296,252
Desv. Est.=704,635
Umbral=-5,61682
160
frecuencia
120
80
40
0
0 0,5 1 1,5 2 2,5 3
(X 1000,0)
TBF
Figura 81 – Histograma de los TBF y distribución log-normal 3 parámetros de la escalera mecánica 8

Por lo tanto los ítems en los que se puede aceptar que su fiabilidad permite ser
modelada mediante un modelo RP son los 56 items de las Tablas 62 y 63.
SISTEMA ITEM Mejor Distribución λ

Tracción 5000-4ª 19 Logística Generalizada 4,92E-05
Tracción 2000-B 8 Logística Generalizada 4,84E-05
Tracción 8000 1 Logística Generalizada 1,71E-05
Tabla 62 – de items con modelo RP aceptado (I)

SISTEMA ITEM Mejor Distribución λ

Escaleras Mecánicas TNE 1 Log-normal 3 parámetros 2,23E-03
Tabla 63 – de items con modelo RP aceptado (II)
Para estos items el modelo RP de intensidad de fallo z(t), función de fiabilidad R(t),
función de densidad de probabilidad del fallo f(t) se formula;
(49)
(50)
(51)
30
25
20
E[N(km)]
15
10
Real
5 Modelo RP
0
1 11 21 31 41 51 61 71 81 91 101
km x 10 5
Figura 82 – Fallos acumulados por el tren 1 de la serie 8000

Como ejemplo, en la Figura 82 se representa los valores reales en explotación de fallos

acumulados y la estimación E[N(km)] = efectuada por el modelo de RP en el sistema
de tracción 1 de los trenes 8000.
Estos resultados permiten estimar para items sin tendencia en TBF mediante modelos
RP con un nivel de rechazo moderado. En los cuatro (4) sistemas ensayados se han
aceptado el modelo RP en 56 items de un total de 95 items, mejorando los resultados de
ensayo del modelo HPP que sólo ha permitido modelar 18 items.
7.4. Aplicar modelos NHPP a cada ítem con tendencia

A los items que presentan tendencia en los TBF se han ensayado los modelos NHPP
alternativos a PLP adjuntos:
Función potencia; (57)
Función exponencial; (58)
Modelo IBM; (59)
Función exponencial 2º Orden; (83)
Función exponencial 3º Orden; (84)
Si no se rechaza la hipótesis de que los TBF son independientes, ver apartado 7.2, para
aquellos sistemas que presentan tendencia se puede aceptar que los TBF son
independientes y por lo tanto son de aplicación los modelos NHPP citados. Se han
aplicado modelos NHPP a los items con tendencia:
– 26 sistemas de tracción de trenes 5000-4ª.
– 38 sistemas de tracción de trenes 2000-B.
– 6 sistemas de tracción de trenes 8000.
– 22 escaleras mecánicas TNE.
Con ayuda de STATGRAPHICS Centurion se han ensayado los modelos NHPP, ver
menú de distribuciones en la Figura 83.

Figura 83 – Menú de selección de modelos NHPP en STATGRAPHICS Centurion
Estos 5 modelos no están contemplados en la norma IEC 61710 (2013), que sólo incluye
el modelo PLP ya ensayado, ver apartado 6.6.
Como en el caso de los ensayos de modelos RP, en este estudio se ha decidido realizar el
test K-S con el 5,0% de nivel de significación para comprobar si los TBF se pueden
aceptar que responden a algún modelo de los ensayados. El criterio de “hipótesis nula”
es; rechazar H0 con un 5,0% de nivel de significación si D > Dcrítico, con í
siendo un criterio habitual en los este tipo de estudios de fiabilidad con modelos NHPP.

Exp. 1º Exp. 2º Exp. 3º

TREN Potencia IBM
Orden Orden Orden
1 Se Rechaza Se Rechaza Se Rechaza Se Rechaza Se Rechaza
Tabla 64 – Resultados de aceptación de modelos NHPP en sistemas de tracción de trenes 5000-4ª


TREN Potencia IBM
Orden Orden Orden
2 Se Rechaza Se Rechaza Se Rechaza Se Rechaza Se Acepta
20 Se Acepta Se Acepta Se Acepta Se Acepta Se Acepta
51 Se Acepta Se Acepta Se Acepta Se Rechaza Se Rechaza
55 Se Rechaza Se Rechaza Se Acepta Se Rechaza Se Rechaza
68 Se Acepta Se Acepta Se Acepta Se Acepta Se Rechaza
74 Se Acepta Se Acepta Se Acepta Se Acepta Se Rechaza
75 Se Rechaza Se Rechaza Se Rechaza Se Acepta Se Rechaza
81 Se Rechaza Se Rechaza Se Acepta Se Acepta Se Acepta
Tabla 65 – Resultados de aceptación de modelos NHPP en sistemas de tracción de trenes 2000-B


TREN Potencia IBM
Orden Orden Orden
Tabla 66 – Resultados de aceptación de modelos NHPP en sistemas de tracción de trenes 8000

ESCALERA Potencia IBM
Orden Orden Orden
Tabla 67 – Resultados de aceptación de modelos NHPP en sistemas de tracción de trenes 8000

En la Tabla 68 se resumen los valores de aceptación y rechazo, H0 con un 5% de nivel de

significación si D > Dcrítico, con í , para los modelos NHPP de cada ítem.
ITEMS CON SE RECHAZAN SE ACEPTA ALGÚN

SISTEMA
TENDENCIA MODELOS NHPP MODELO NHPP
Tracción 5000-4ª 26 26 0
Tracción 2000-B 38 30 8
Tracción 8000 6 6 0
Escaleras Mecánicas TNE 22 22 0
Tabla 68 – Resumen de aceptación y rechazo del modelo NHPP por sistema e items
Estos niveles de aceptación de los modelos NHPP empeoran los niveles de aceptación
de los modelos PLP (ver apartado 6.6), pasando de 19 items con modelo PLP aceptado a
los 8 items con modelo NHPP aceptado, de un total de 92 items.
Como ya se ha indicado, mayoritariamente los TBF de los items no tienen una
distribución exponencial y todos los modelos NHPP requieren que los TBF tengan una
distribución exponencial. Se recuerda que el modelo PLP es uno de los modelos NHPP.
Esta circunstancia explica el rechazo masivo de los modelos NHPP en los items
ensayados, ya que como se ha detallado en el apartado 7.2, los TBF no responden
generalmente a una distribución exponencial, con independencia de la existencia, o no,
de tendencia en los fallos.
Por lo tanto los ítems en los que se puede aceptar que su fiabilidad puede ser modelada
mediante un modelo NHPP alternativo al PLP son los 8 items de la Tabla 69.
SISTEMA ITEM Mejor Modelo NHPP λ β σ δ Tendencia
Tracción 2000-B 2 IBM 3,53E-05 3,00 0,83 Decreciente

Tracción 2000-B 20 Potencia 2,00E-07 0,39 Creciente
Tracción 2000-B 51 Potencia 1,30E-03 -0,29 Decreciente
Tracción 2000-B 55 Exponencial 2º orden -10,78 -2,59E-07 6,39E-13 Creciente
Tracción 2000-B 68 Potencia 1,77E-03 -0,31 Decreciente
Tracción 2000-B 74 Potencia 3,03E-10 0,84 Creciente
Tracción 2000-B 75 Exponencial 2º orden -11,61 -3,80E-07 5,14E-12 -2,94E-18 Creciente
Tracción 2000-B 81 Exponencial 3º orden 10,07 5,60E-06 -5,45E-12 Creciente
Tabla 69 – Parámetros de items con modelo NHPP aceptado

50
45
Real
40
Modelo Función Potencia
35
30
E[N(km)]
25
20
15
10
0
0 2 3 5 6 8 9 11 12 14
km x 10 5
Figura 84 – Fallos acumulados por el tren 20 de la serie 2000-B
Como ejemplo de modelo aceptado, en la Figura 84 se representa los valores reales en

explotación de fallos acumulados y la estimación E[N(km)] = efectuada por el
modelo Función Potencia NHPP en el sistema de tracción 20 de los trenes 2000-B.
7.5. Aplicación de modelos de “reparación imperfecta” y otros

Los modelos de las normas IEC, HPP y PLP han fracasado masivamente en este estudio,
como consecuencia del impacto de los episodios de fallos repetitivos en los TBF, tanto en
los ítems que han demostrado tendencia, como en lo que no.
Los modelos RP presentados para los ítems sin tendencia en los TBF, requieren de un
completo análisis de independencia, al objeto de que no se pueda rechazar que los TBF
son i.i.d., y su aceptación en los ensayos ha resultado moderada. Otros modelos NHPP
han sido ensayados para los ítems con tendencia en los TBF, y han fracasado también. Se
ha constatado, por consiguiente, las limitaciones prácticas de que los datos se ajusten a
los modelos de “reparación mínima” y “reparación perfecta”.
Los datos pueden desafiar los modelos simples señalados, y desde hace décadas se han
desarrollado innumerables modelos de fiabilidad, y los más importantes los resumimos
a continuación (ver detalles en el apartado 2.7.8):
− Modelo de proceso de Poisson de ramificación (Branching Poisson Process, BPP):
− Modelo de proceso de renovación superpuesto (Superimposed Renewal Process,
SRP).


MRP).
− Modelo exponencial por tramos (Piecewise Exponential Model, PEXP).
− Modelo Brown-Proschan (BP).
− Modelo Block-Borges-Savits (BBS).
− Método de factor de mejora (Improvement factor method).
− Procesos de edad virtual (“virtual age”)/ Procesos de renovación generalizados
(GRP).
– Modelos de procesos de renovación con tendencia (Trend Renewal Process, TRP).
− Modelos de intensidad proporcional (Proportional Intensity, PI)
− Modelos de fragilidad para datos correlacionados.
– Modelos de predicción basados en el análisis de series de tiempo.
– Modelos de ecuaciones diferenciales.
– Procesos de desgaste y daño acumulado.
– Modelo Monte Carlo.
– No paramétricos.
– Modelos de predicción basados en redes neuronales.
– Modelos con dependencia multivariantes.
Estos modelos se han desarrollado para intentar ajustarse adecuadamente sobre unos
datos de TBF que presentan comportamientos complejos. Se presenta una agrupación de
modelos, atendiendo a las tres líneas básicas de estudio existentes:
1. Modelar los fallos repetitivos y/o tendencias superpuestas: Parten de un modelo

simple HPP, NHPP o RP, y se intentan modelar los fallos repetitivos o tendencias
superpuestas con la “interferencia” de otros procesos estocásticos o
distribuciones conocidas de los TBF. A este grupo pertenecen los modelos:
− Modelo de proceso de Poisson de ramificación (Branching Poisson Process,
BPP):
− Modelo de proceso de renovación superpuesto (Superimposed Renewal
Process, SRP).
MRP).
− Modelo exponencial por tramos (Piecewise Exponential Model, PEXP).
− Modelo Brown-Proschan (BP).
− Modelo Block-Borges-Savits (BBS).

− Método de factor de mejora (Improvement factor method).

− Procesos de edad virtual (“virtual age”)/ Procesos de renovación
generalizados (GRP).
– Modelos de procesos de renovación con tendencia (Trend Renewal Process,
TRP).
– Modelo Monte Carlo.
La gran limitación de estos modelos es que los datos deben cumplir los requisitos
matemáticos específicos del modelo, por ejemplo en el modelo BPP, los fallos
repetitivos deben responder a unas distribuciones de TBF concretas. Es por ello
que las posibilidades de rechazado del modelo obtenido en las pruebas de
bondad de ajuste son altas.
2. Identificar la variable y/o variables que provocan dependencia: Estos modelos

abandonan la suposición del carácter aleatorio de los fallos. No son
independientes y por tanto se abandona su modelado mediante procesos
estocásticos. Los TBF tiene dependencia de una o varias variables, y una vez
identificadas se puede modelar la fiabilidad del sistema, mediante la formulación
adecuada de estas variables. A este grupo pertenecen los modelos:
− Modelos de intensidad proporcional (Proportional Intensity, PI)
− Modelos de fragilidad para datos correlacionados.
− Modelos con dependencia multivariantes.
En este caso la dificultad estriba en identificar la o las variables independientes
generatrices de la dependencia de los TBF. En todo caso, son modelos que
requieren de un gran volumen de datos tanto de los fallos, como de las
condiciones de operación de los sistemas (temperaturas, tensiones, presiones,
etc.).
3. Ajustar los datos mediante ecuaciones matemáticas: Esta alternativa no busca una
explicación estadística “a priori” o de dependencia de los datos, busca modelos
matemáticos que se ajusten a los datos, sin necesidad de soporte del porqué del
comportamiento de los TBF. Se agrupan bajo esta clasificación los modelos:
– Modelos de predicción basados en el análisis de series de tiempo.
– Modelos de ecuaciones diferenciales.
– Procesos de desgaste y daño acumulado.
– No paramétricos.
– Modelos de predicción basados en redes neuronales.

Estos modelos aunque están orientados a los “datos”, éstos deben ajustarse en
algún grado a la fórmula matemática que los representa y su evolución temporal
presenta limitaciones en sus intervalos de confianza futuros. Es decir, pueden
explicar adecuadamente el comportamiento pasado de los TBF, pero no
garantizan una ajustada estimación futura de los fallos.
Todos estos modelos tienen una serie de limitaciones para los ingenieros de
mantenimiento: la existencia de una multitud de modelos plausibles para ensayar, la
necesidad de un complejo aparato matemático, y la falta de implementación y
soporte de software para estos modelos en el contexto del análisis de datos
estadísticos y de contraste.
En los ensayos efectuados en este estudio sobre cuatros (4) sistemas reparables y de 187
ítems en total, y dado el nivel de rechazos de los modelos ya ensayados, a continuación
se deberían probar modelos BPP, MRP, BP, BBS, TRP, GRP, PI…, pero en la práctica la
posibilidad de éxito es muy limitada:
– ¿Qué modelo o modelos se eligen ensayar?, la existencia de múltiples modelos
válidos potenciales a ensayar, complican y desorientan sobre la correcta selección
del tipo y modelo exacto más adecuado a ensayar para cada colección de datos de
cada ítem.
– ¿Cómo se realizan los ensayos? el obligatorio empleo de una compleja
aparamenta matemática de cálculo, genera razonables dudas de la correcta
aplicación del modelo ya que en muchos casos se debe asumir la aceptación
previa de no rechazo de las hipótesis que deben cumplir los datos; distribuciones,
correlaciones, etc., máxime si el modelo no cuenta con una contrastada prueba de
bondad de ajuste.
– ¿Cuánto tiempo de cálculo requieren los ensayos?, una casi nula implementación
en el software estadístico y de fiabilidad de estos modelos, obliga al empleo de
cientos de horas (no disponibles) en cada modelo para la preparación de los
datos, realizar los ensayos de aceptación o rechazo de las hipótesis de partida,
efectuar los cálculos, aplicar los estimadores por máxima verosimilitud (MLE)
para cada parámetro del modelo, intervalos de confianza, pruebas de bondad de
ajuste, etc.
Se resalta la necesidad de que la comunidad científica oriente sus esfuerzos en
seleccionar el o los modelos de mayor prestigio y aceptación internacional para su
aplicación a los sistemas reparables complejos en los que fracasan los modelos NHPP y
RP. Y son imprescindible para un análisis regulado de los sistemas que son auditados
externamente por requisitos de seguridad, presentes en múltiples sectores industriales;
aeronáutico, ferrocarril, químico, nuclear, etc.

En nuestros estudios sobre los cuatro (4) sistemas reparables, los TBF de los items no han
permitido, siquiera, efectuar una discriminación matemáticamente aceptable entre los
supuestos TBF primarios y los TBF repetitivos (o secundarios). Tampoco existen
cambios de tendencia en los fallos con patrones observables, ni distribuciones en los TBF
que sugieran, “a priori”, la posibilidad de éxito de alguno de los modelos desarrollados
para intentar modelas sistemas con existencia de fallos repetitivos y/o tendencias
superpuestas.
Asimismo los estudios de dependencia de los TBF no han podido demostrar la
existencia de ninguna variable de los sistemas que demuestre correlación con los fallos.
No es posible por lo tanto, abordar un modelado con éxito de variables dependientes.
En el caso del modelado mediante ecuaciones matemáticas requieren de potentes
motores de modelado y es necesario emplear herramientas de auto-correlación,
correlación parcial y análisis espectral para examinar las propiedades subyacentes de los
datos, tales como la existencia de no estacionalidad, tendencia, etc.
Por todo ello, y dadas las limitaciones ya descritas para el ensayo de modelos publicados
de “reparación imperfecta” y otros, se presentan los resultados de esta modesta
contribución mediante el ensayo de varios modelos con sencillas ecuaciones
matemáticas, como un ejercicio práctico, y al objeto de medir el ajuste a los datos reales y
presentar unas conclusiones sobre los mismos.
Los modelos elegidos son la estimación de E[N(t)] mediante regresión simple (método
de mínimos cuadrados). Con ayuda de STATGRAPHICS Centurion se han ensayado 27
modelos de regresiones simples, con o sin transformación previa de valores del eje X
(kilómetros u horas) y del eje Y (E[N(t)]) de la Tabla 70, siendo el coeficiente β0 = 0, ya
que E[N(0)] = 0. Para cada ítem se selecciona el modelo de regresión que mejor se adapta
a los datos, seleccionando el que presente un % más alto de coeficiente de determinación
R2 ajustado en un rango que va de 0 a 100%.
La prueba de bondad de ajuste propuesta por STATGRAPHICS Centurion se integra
dentro del análisis de análisis de la varianza ANOVA mediante la descomposición de la
variabilidad de la variable dependiente Y dentro de un modelo de suma de cuadrados y
de suma de cuadrados del error o residuos. Es de particular interés en éste análisis la
Prueba F y su P-value asociado para probar la significancia estadística del modelo
ajustado. Un pequeño P-Value (menor a 0.05 si se opera con un nivel de significación de
5%) indica que la relación estadística de la forma especificada existe entre Y y X.

Tabla 70 – Modelos de regresión simple de STATGRAPHICS para estimación de E[N(t)]
En la Tabla 71 se presentan los resultados de aplicar los modelos de regresión simple en

E[N(t)] de los sistemas de tracción de los trenes 5000-4ª, en los que se observa unos
modelos de limitado ajuste a los fallos. En 9 items el modelo de regresión simple que
mejor ajusta es lineal (sin tendencia en los fallos), cuando en los ensayos de tendencia de
Laplace U y MIL-HDBK-189 de estos items han resultado positivos. Asimismo en cada
ítem la prueba de bondad de ajuste con un nivel de significación de 5% admite entre 6 y
9 modelos de regresión simple y cuya tendencia no es coincidente en algunos casos, lo
que cuestiona los resultados y las limitaciones de estos sencillos modelos.

Nº DE MODELOS
TENDENCIA
TENDENCIA MEJOR MODELO REGRESIÓN PARÁMETRO β ACEPTADOS (H0
TREN MODELO
TEST U SIMPLE DEL MODELO con 5% nivel de
REGRESIÓN
significación)
1 Creciente Cuadrado de x 4,41E-11 Creciente 6
2 Constante Lineal 5,89E-05 Constante 6
6 Creciente Lineal 4,92E-05 Constante 6
19 Constante Logarítmico-Y Raíz Cuadrada-X 3,61E-03 Creciente 9
23 Creciente Logarítmico-Y Raíz Cuadrada-X 3,84E-03 Creciente 9
30 Constante Cuadrado Doble 4,73E-09 Constante 6
Tabla 71 – Modelos de regresión simple estimados de E[N(t)] en trenes 5000-4ª

Para los items sin tendencia en los fallos el modelo de regresión simple más aceptado y
de mayor ajuste es el lineal, con E[N(t)] = β1 km. Como ejemplo, en la Figura 85 se
representa el modelo para el sistema de tracción 20 de trenes 5000-4ª.
80
60
E[N(km)]
40
20
0
0 4 8 12 16
KM (X 100000,)
Figura 85 – Modelo de regresión simple lineal del tren 20 de la serie 5000-4ª
Para los items con tendencia creciente en los fallos el modelo de regresión simple más
aceptado y de mayor ajuste es el cuadrado de x, con E[N(t)] = β1 km2. Como ejemplo, en la
Figura 86 se representa el modelo para el sistema de tracción 1 de trenes 5000-4ª.
100
80
60
E[N(t)]
40
20
0
0 4 8 12 16
KM (X 100000,)
Figura 86 – Modelo de regresión simple cuadrado de x del tren 1 de la serie 5000-4ª
Como contraste para confirmar la debilidad de los modelos de regresión simple, se

presentan los resultados obtenidos sobre las escaleras mecánicas TNE.

Nº DE MODELOS
MEJOR MODELO
TENDENCIA TENDENCIA ACEPTADOS (H0
ESCALERAS REGRESIÓN PARÁMETRO
TEST U MODELO con 5% nivel de
SIMPLE
REGRESIÓN significación)
4 Decreciente Raíz Cuadrada de X 6,25E-01 Decreciente 9
9 Decreciente Lineal 4,47E-03 Constante 6
12 Creciente Cuadrado Doble 1,54E-05 Constante 6
15 Creciente Cuadrado de X 7,95E-08 Creciente 6
21 Creciente Cuadrado Doble 6,79E-06 Constante 6
33 Decreciente Raíz Cuadrada de X 9,83E-01 Decreciente 6
Tabla 72 – Modelos de regresión simple estimados de E[N(t)] en escaleras mecánicas TNE

Los resultados no muestran una gran robustez, ya que para cada ítem los modelos de
regresión simple aceptados con un nivel de significación de 5% son múltiples y en
algunos casos con un ajuste de la tendencia de los fallos divergente. En 15 items el
modelo de regresión simple que mejor ajusta es lineal (sin tendencia en los fallos),
cuando en los ensayos de tendencia de Laplace U y MIL-HDBK-189 de estos items han
resultado positivos. Asimismo en cada ítem la prueba de bondad de ajuste con un nivel
de significación de 5% admite entre 6 y 9 modelos de regresión simple y cuya tendencia
no es coincidente en algunos casos, lo que cuestiona los resultados y las limitaciones de
estos sencillos modelos.
Para los items sin tendencia en los fallos el modelo de regresión simple más aceptado y
de mayor ajuste es el lineal. Para los items con tendencia creciente en los fallos el modelo
de regresión simple más aceptado y de mayor ajuste es el cuadrado de x.
Para los items con tendencia decreciente en los fallos el modelo de regresión simple más
aceptado y de mayor ajuste es la raíz cuadrada de x, con E[N(t)] = β1 . Como
ejemplo, en la Figura 87 se representa el modelo para la escalera mecánica TNE número
33.
300
250
200
E[N(t)]
150
100
50
0
0 2 4 6 8
HORAS (X 10000,0)
Figura 87 – Modelo de regresión simple raíz cuadrada de x de la escalera mecánica TNE número 33
Muchos autores consideran este tipo de modelos orientados a datos poco ortodoxos, ya
que se limitan a intentar ajustar los datos a una ecuación matemática, pero sin
explicación/formulación alguna de la naturaleza de los fallos y/o su potencial causa
origen. Esta circunstancia se ha comprobado en los ensayos presentados con estas
simples ecuaciones matemáticas.

7.6. Resumen de resultados del estudio complementario de la fiabilidad

– Los métodos estadísticos para el análisis complementario de la fiabilidad de
sistemas reparables se ha efectuado con el soporte de las herramientas de
STATGRAPHICS Centurion XVI, aplicando modelos RP para los items sin
tendencia en los fallos y modelos NHPP (adicionales al PLP de las normas IEC)
para los items con tendencia en los fallos.
– Se ha efectuado un análisis de los TBF de los sistemas objeto de estudio al objeto
de caracterizar la naturaleza de los fallos, resultando:
o Los TBF presentan una tendencia generalizada a la acumulación de varios
fallos consecutivos durante cortos periodos temporales, a los que
preceden y anteceden largos periodos temporales sin fallos acumulados.
Son los denominados “fallos repetitivos” (recurrent failures).
o Los fallos repetitivos que un sistema reparable acumula durante su larga
vida de operación, son una situación que tiene su origen en diferentes
factores operacionales, humanos y técnicos.
o Los TBF no se ajustan a una distribución exponencial. En los datos se
observa que existe una gran concentración de TBF cercanos al origen, y
que son los fallos repetitivos. Una vez superado un plazo de kilómetros (u
horas) cercanos a la reparación, los fallos presentan una distribución que
va disminuyendo en su densidad, no correspondiéndose en ningún caso a
una distribución exponencial.
o Se ha analizado la posible dependencia de los TBF de diferentes variables
operativas, técnicas y humanas, y no se ha podido rechazar la hipótesis de
su independencia.
o No se puede afirmar que exista una relación causa-efecto entre un fallo
que, después de la revisión del sistema, el técnico de mantenimiento
clasifica como “sin anormalidad aparente” y la potencial repetición del
fallo, no se evidencia correlación alguna.
o Cualquier TBF por pequeño que sea, 0, se encuentra dentro de los
rangos esperados de su distribución. No se puede establecer un valor
crítico de TBF para la identificación de los episodios con “acumulación de
fallos supuestamente anormales” y tipificar estos TBF como fallos
repetitivos.
o No se ha evidenciado patrón estadísticamente reconocible en los fallos
repetitivos, siendo episodios con una distribución idéntica respecto de km
o t y sin asociación aparente entre tipos de fallos o reparación efectuada,
resultando en la práctica los fallos primarios y los supuestos secundarios,
indistinguibles.

– Si no se rechaza la hipótesis de que los TBF son independientes, para aquellos

sistemas que no presentan tendencia se puede aceptar que los TBF son
independientes e idénticamente distribuidos (i.i.d.), y por lo tanto son de
aplicación los modelos RP de “reparación perfecta”. Se han aplicado modelos RP
a los items sin tendencia:
o 10 sistemas de tracción de trenes 5000-4ª.
o 50 sistemas de tracción de trenes 2000-B.
o 17 sistemas de tracción de trenes 8000.
o 18 escaleras mecánicas TNE.
– Se han ensayado 25 distribuciones para los TBF en los modelos RP:
o La distribución logística generalizada la que mejor ajusta a los TBF en los
tres (3) sistemas de tracción de trenes.
o En el caso de las escaleras mecánicas es la distribución log-normal 3
parámetros la que mejor se ajusta a los datos de TBF
o En los cuatro (4) sistemas ensayados se han aceptado el modelo RP en 56
items de un total de 95 items, mejorando los resultados de ensayo del
modelo HPP que sólo ha permitido modelar 18 items. Estos resultados
permiten estimar para items sin tendencia en TBF mediante modelos RP
con un nivel de rechazo moderado.
– Si no se rechaza la hipótesis de que los TBF son independientes, para aquellos
sistemas que presentan tendencia se pueden ensayar modelos HNPP alternativos
al PLP. Se han aplicado modelos NHPP a los items con tendencia:
o 26 sistemas de tracción de trenes 5000-4ª.
o 38 sistemas de tracción de trenes 2000-B.
o 6 sistemas de tracción de trenes 8000.
o 22 escaleras mecánicas TNE.
– Se han ensayado 5 modelos NHPP alternativos al PLP a los TBF con tendencia:
o En los cuatro (4) sistemas ensayados se han aceptado modelos NHPP en 8
items de un total de 92 items. Estos niveles de aceptación de los modelos
NHPP empeoran los niveles de aceptación de los modelos PLP, pasando
de 19 items con modelo PLP aceptado a los 8 items con modelo NHPP
aceptado.
o Mayoritariamente los TBF de los items no tienen una distribución
exponencial y todos los modelos NHPP requieren que los TBF tengan una
distribución exponencial.
– Se ha constatado, por consiguiente, las limitaciones prácticas de que los datos se
ajusten a los modelos de “reparación mínima” NHPP y “reparación perfecta”
HPP y RP.

– Se presenta una agrupación de modelos “reparación imperfecta” y otros,

atendiendo a las tres líneas básicas de estudio siguientes:
o Modelos basados en procesos estocásticos para fallos repetitivos y/o
tendencias superpuestas. La gran limitación de estos modelos es que los
datos deben cumplir los estrictos requisitos matemáticos específicos del
modelo.
o Modelos con dependencia en los TBF de una o varias variables, y una vez
identificadas se puede modelar la fiabilidad del sistema, mediante la
formulación adecuada de estas variables. La gran dificultad estriba en
identificar la o las variables independientes generatrices de la dependencia
de los TBF
o Modelos de ajuste de los datos mediante ecuaciones matemáticas, estos
modelos están orientados a los “datos” y no explican la naturaleza de los
fallos y/o su potencial causa origen, lo que plantea dudas sobre la
fiabilidad de las predicciones y la ortodoxia de los métodos.
– Los modelos de “reparación imperfecta” y otros tienen una serie de limitaciones
en su aplicación para los ingenieros de mantenimiento:
o la existencia de una multitud de modelos plausibles para ensayar.
o la necesidad de un complejo aparato matemático.
o la falta de implementación y soporte de software para estos modelos en el
contexto del análisis de datos estadísticos y de contraste.
– Los TBF de los items de los estudios no han permitido, siquiera, efectuar una
discriminación matemáticamente aceptable entre los supuestos TBF primarios y
los TBF repetitivos (o secundarios). Tampoco existen cambios de tendencia en los
fallos con patrones observables, ni distribuciones en los TBF. La posibilidad de
éxito es casi nula para modelos basados en procesos estocásticos para fallos
repetitivos y/o tendencias superpuestas.
– Asimismo los estudios de dependencia de los TBF no han podido demostrar la
existencia de ninguna variable de los sistemas que demuestre correlación con los
fallos. No es posible por lo tanto, abordar un modelado con éxito de variables
dependientes sobre los TBF.
– En el caso del modelado mediante ecuaciones matemáticas requieren de potentes
motores de modelado y es necesario emplear herramientas de auto-correlación,
correlación parcial y análisis espectral para examinar las propiedades
subyacentes de los datos, tales como la existencia de no estacionalidad, tendencia,
etc. Se presentan los resultados mediante el ensayo de varios modelos para la
estimación de E[N(t)] mediante regresión simple (método de mínimos
cuadrados):
o Para los items sin tendencia en los fallos el modelo de regresión simple
más aceptado y de mayor ajuste es el lineal.

o Para los items con tendencia creciente en los fallos el modelo de regresión
simple más aceptado y de mayor ajuste es el cuadrado de x.
o Para los items con tendencia decreciente en los fallos el modelo de
regresión simple más aceptado y de mayor ajuste es la raíz cuadrada de x.
o Los resultados no muestran una gran robustez, ya que para cada ítem los
modelos de regresión simple aceptados con un nivel de significación de
5% son múltiples y en algunos casos con un ajuste de la tendencia de los
fallos divergente. Asimismo en cada ítem la prueba de bondad de ajuste
con un nivel de significación de 5% admite entre 6 y 9 modelos de
regresión simple y cuya tendencia no es coincidente en algunos casos, lo
que cuestiona los resultados obtenidos mediante de estos sencillos
modelos.

8. PROPUESTAS DE ANÁLISIS
MULTIVARIANTE
El azar no existe; Dios no juega a los dados.
- Albert Einstein-
L
as diferencias de fiabilidad en sistemas idénticos operando en contextos de
operación iguales, se han manifestado en los cuatro (4) sistemas objeto de los
múltiples ensayos efectuados en los Apartados 6 y 7, obteniéndose, por ejemplo,
en los 88 sistemas de tracción de trenes 2000-B fiabilidades con tendencia creciente,
constante y decreciente. Los valores de fiabilidad de los sistemas de tracción de trenes
2000-B con tendencia constante con modelo aceptado, tiene un rango de 2,35 veces el
valor superior, respecto al menor.
Los resultados presentados en los ensayos efectuados muestran una evidente dispersión
en la fiabilidad de cada ítem de un sistema, por lo que se propone completar el análisis
de la fiabilidad de los sistemas reparables, mediante propuestas aplicación técnicas
multivariantes, al objeto de facilitar la toma de decisiones de los responsables de
mantenimiento, que se enfrentan a una flota/conjunto de sistemas con fiabilidades
distintas e incluso dispares.
8.1. Representación gráfica tridimensional de z(t) del sistema reparable

Esta gráfica permite realizar una primera identificación cualitativa de las diferencias
existentes entre las z(t) de los items objeto de estudio de cada sistema reparable. Tang
(2002) propone realizar un diagrama de dispersión de las λi que se obtengan, al objeto de
observar y analizar gráficamente estas diferencias.
Se presentan los 4 gráficos de los sistemas ensayados con modelos obtenidos en
Apartado 6, tanto aceptados como no aceptados, al objeto de que la representación
cualitativa incluya todos los ítems del sistema y el gráfico resultante genere una
perspectiva completa de las tendencias de cada sistema:
 El sistema de tracción eléctrica de 36 trenes de la serie 5000-4ª:
o 10 items sin tendencia de fallos.
o 26 items con tendencia creciente de fallos.
 El sistema de tracción eléctrica de 88 trenes de la serie 2000-B:
o 17 items con tendencia decreciente de fallos.
Propuestas de Análisis Multivariante 245
 El sistema de tracción eléctrica de 23 trenes de la serie 8000:

 40 escaleras mecánicas del modelo TNE.
1,40E-04
1,20E-04
1,00E-04
8,00E-05
z(km)
6,00E-05
4,00E-05
2,00E-05
0,00E+00
1,50E+04
7,50E+04
1,35E+05
1,95E+05
2,55E+05
3,15E+05
3,75E+05
4,35E+05
4,95E+05
5,55E+05
6,15E+05
6,75E+05
7,35E+05
7,95E+05
8,55E+05
9,15E+05
9,75E+05
1,04E+06
km
1,10E+06
1,16E+06
1,22E+06
1,28E+06
1,34E+06
Items
1,40E+06
1,46E+06
Figura 88 – Representación gráfica 3D de z(km) del sistema de tracción de trenes 5000-4ª
Esta gráfica (Figura 88) muestra las diferencias de las z(km) obtenidas para cada sistema
de tracción de trenes 5000-4ª. En primer plano se representan las z(km) variables
correspondientes a los sistemas de tracción de los 26 trenes con modelo PLP creciente, en
segundo plano se han representado los 10 trenes con modelo HPP, ordenados de forma
ascendente (de menor λi a mayor λi).
La gráfica revela la dispersión de los z(km) de los items y como los valores van
divergiendo con el paso de los kilómetros. Hasta los 700.000 km aproximadamente
todos los trenes se mantienen en unos márgenes próximos en su z(km), pero a los
1.500.000 km los trenes con tendencia creciente en sus fallos presentan valores de z(km)
que triplican a los trenes con tendencia constante de fallos.

2,50E-04
2,00E-04
z(km)
1,50E-04
1,00E-04
5,00E-05
0,00E+00
1,50E+04
9,00E+04
1,65E+05
2,40E+05
3,15E+05
3,90E+05
4,65E+05
5,40E+05
6,15E+05
6,90E+05
7,65E+05
8,40E+05
9,15E+05
Items
9,90E+05
km
1,07E+06
1,14E+06
Figura 89 – Representación gráfica 3D de z(km) del sistema de tracción de trenes 2000-B
La gráfica (Figura 89) muestra las diferencias de las z(km) obtenidas para cada sistema de
tracción de trenes 2000-B. En primer plano se representan las z(km) variables
correspondientes a los sistemas de tracción de los 21 trenes con modelo PLP creciente, en
segundo plano se han representado los 50 trenes con modelo HPP, ordenados de forma
ascendente (de menor λi a mayor λi). En el fondo se representan los sistemas de tracción
de los 17 trenes con modelo PLP decreciente.
La gráfica revela la dispersión de los z(km) de los items y cómo los valores van
divergiendo con el paso de los kilómetros. Existe un grupo de sistemas de tracción con
tendencia creciente de fallos que, aproximadamente a los 500.000 km su z(km) ya
presenta valores altos y que con el paso de los kilómetros empeoran. Asimismo hay un
grupo de sistemas de tracción con tendencia decreciente de fallos, que en los kilómetros
iniciales tuvieron una z(km) alta, pero con el paso de los kilómetros ha ido descendiendo
hasta valores inferiores, en la mayoría de los casos, a los que presentan los items sin
tendencia en su fallo.

1,20E-04
1,00E-04
8,00E-05
6,00E-05
z(km)
4,00E-05
2,00E-05
0,00E+00
1,50E+04
7,50E+04
1,35E+05
1,95E+05
2,55E+05
3,15E+05
3,75E+05
4,35E+05
4,95E+05
5,55E+05
6,15E+05
6,75E+05
7,35E+05
7,95E+05
8,55E+05
9,15E+05
9,75E+05
1,04E+06
1,10E+06
km
1,16E+06
1,22E+06
1,28E+06
1,34E+06
1,40E+06
Items
1,46E+06
1,52E+06
Figura 90 – Representación gráfica 3D de z(km) del sistema de tracción de trenes 8000
En este caso la gráfica (Figura 90) muestra las z(km) obtenidas para cada sistema de
tracción de trenes 8000. En primer plano se representan las z(km) constantes de los 17
trenes con modelo HPP, ordenados de forma ascendente (de menor λi a mayor λi). En el
fondo se representan los sistemas de tracción de los 6 trenes con modelo PLP
decreciente.
Al igual que en los anteriores sistemas, la gráfica revela la dispersión de los z(km) de los
items y cómo los valores van divergiendo con el paso de los kilómetros. Existe un grupo
de sistemas de tracción sin tendencia de fallos, cuya z(km) es alta de forma constante.
Asimismo, hay un grupo de sistemas de tracción con tendencia decreciente de fallos, que
en los kilómetros iniciales tuvieron una z(km) alta, pero con el paso de los kilómetros ha
ido descendiendo, hasta valores inferiores en la mayoría de los casos, a los que
presentan los items sin tendencia en su fallo.

1,00E-02
9,00E-03
8,00E-03
7,00E-03
6,00E-03
z(t)
5,00E-03
4,00E-03
3,00E-03
2,00E-03
1,00E-03
0,00E+00
7,00E+02
3,50E+03
6,30E+03
9,10E+03
1,19E+04
1,47E+04
1,75E+04
2,03E+04
2,31E+04
2,59E+04
2,87E+04
3,15E+04
3,43E+04
3,71E+04
3,99E+04
4,27E+04
4,55E+04
4,83E+04
t (h)
5,11E+04
5,39E+04
5,67E+04
Items
5,95E+04
6,23E+04
6,51E+04
Figura 91 – Representación gráfica 3D de z(t) de las escaleras mecánicas TNE
La gráfica (Figura 91) muestra las diferencias de las z(t) obtenidas para cada escalera
mecánica TNE. En primer plano se representan las z(t) variables correspondientes a las
17 escaleras mecánicas con modelo PLP creciente, en segundo plano se han representado
las 18 escaleras mecánicas con modelo HPP, ordenados de forma ascendente (de menor
λi a mayor λi). En el fondo se representan los sistemas las 5 escaleras mecánicas con
modelo PLP decreciente.
La gráfica revela la dispersión de los z(t) de los items y cómo los valores van divergiendo
con el paso de las horas. Existe un grupo de escaleras mecánicas con tendencia creciente
de fallos que, casi desde el inicio de su operación su z(t) ya presenta valores altos y que
con el paso de las horas empeoran. Asimismo hay un grupo de escaleras mecánicas con
tendencia decreciente de fallos, que en las horas iniciales tuvieron una z(t) alta, pero con
el paso de las horas de operación han ido descendiendo hasta valores inferiores, en la
mayoría de los casos, a los que presentan los items sin tendencia en su fallo.
Con estas gráfica se observa claramente que los sistemas de tracción de los trenes y las
escaleras mecánicas requieren de un mantenimiento diferenciado sobre los ítems que
presentan z(t) crecientes o altos; mayores consistencias de mantenimiento preventivo,
mejor atención y recursos en el mantenimiento correctivo, reinversión, etc.

8.2. Potenciales aplicaciones multivariante para el análisis de fiabilidad de

sistemas reparables
El análisis multivariante es el conjunto de métodos estadísticos cuya finalidad es
analizar simultáneamente conjuntos de datos multivariantes, en el sentido de que hay
varias variables medidas para cada individuo u objeto estudiado.
Estos métodos estadísticos ayudan al analista o investigador a tomar decisiones óptimas
en el contexto en el que se encuentre, teniendo en cuenta la información disponible por
el conjunto de datos analizado.
Se pueden clasificar en tres grandes grupos:
– Métodos de dependencia
Suponen que las variables analizadas están divididas en dos grupos: las variables
dependientes y las variables independientes. El objetivo de los métodos de
dependencia consiste en determinar si el conjunto de variables independientes
afecta al conjunto de variables dependientes y de qué forma.
– Métodos de interdependencia
Estos métodos no distinguen entre variables dependientes e independientes y su
objetivo consiste en identificar qué variables están relacionadas, cómo lo están y
por qué.
– Métodos estructurales
Suponen que las variables están divididas en dos grupos: el de las variables
dependientes y el de las independientes. El objetivo de estos métodos es analizar,
no sólo como las variables independientes afectan a las variables dependientes,
sino también cómo están relacionadas las variables de los dos grupos entre sí.
De los métodos estadísticos existentes se han seleccionado aquellos que aplicados al
estudio de la fiabilidad de sistemas reparables, pueden ayudar y complementar los
ensayos y resultados de los estudios desarrollados en los Apartados 6 y 7 de esta tesis.
Con ayuda de STATGRAPHICS Centurion se han ensayado diferentes métodos
estadísticos de análisis mulivariante:
– Análisis de correlaciones
Los análisis de correlación miden la fuerza de la relación lineal entre dos
variables en una escala de –1 a +1. Entre mayor sea el valor absoluto de la
correlación, más fuerte es la relación lineal entre las dos variables. En su
aplicación a la fiabilidad de los sistemas reparables, puede permitir descubrir
dependencias o interdependencias en los TBF, y para poder seleccionar
adecuadamente los modelos de fiabilidad que mejor se adapten a la naturaleza de
los TBF.
En la Tabla 73 se presentan las correlaciones de Pearson de las variables número
de TBF, fecha de fabricación, orden de fabricación, sentido de marcha, longitud y
tránsito de las 40 escaleras mecánicas TNE. Sólo existen dos variables con un
valor alto y obvio; fecha de fabricación con orden de fabricación.
Orden Fecha
Nº TBF Sentido Longitud Tránsito
Nº TBF -0,1604 -0,1783 0,1074 0,1856 0,3547
Orden Fabricación -0,1604 0,9808 -0,5659 -0,1006 -0,1554
Fecha Fabricación -0,1783 0,9808 -0,4988 -0,1662 -0,2002
Sentido 0,1074 -0,5659 -0,4988 -0,0592 -0,1177
Longitud 0,1856 -0,1006 -0,1662 -0,0592 -0,0264
Tránsito 0,3547 -0,1554 -0,2002 -0,1177 -0,0264
Tabla 73 – Correlaciones entre variables de contexto de las escaleras mecánicas TNE
Estos estudios de correlación complementarios a los ya efectuados en el Apartado

7.2, no han mostrado ningún hallazgo reseñable de correlación en los cuatro
sistemas reparables ensayados, tanto para las variables de contexto operacional,
como entre los subsistemas que los componen.
– Componentes Principales
El análisis de componentes principales está diseñado para extraer k componentes
principales de un grupo de p variables cuantitativas X. Los componentes
principales se definen como un grupo de combinaciones ortogonales lineales de
X que tienen la mayor varianza. Con frecuencia, el determinar los componentes
principales es usado para reducir la dimensión de un grupo de variables
predictivas anterior a su uso en procedimientos como Regresión Múltiple o
análisis de conglomerados. Cuando las variables están altamente correlacionadas,
los primeros componentes principales pueden ser suficientes para describir la
mayor parte de la variabilidad presente.
Su potencial aplicación en el estudio de la fiabilidad de sistemas reparables es
encontrar un sistema o sistemas que sean capaces de explicar el comportamiento
del conjunto de los sistemas en la evolución de los E[N(t)].
Los análisis de componentes principales en los cuatro sistemas, no han
evidenciado ningún tren o escalera mecánica que explique la evolución de los
E[N(t)] del conjunto de cada sistema. Este resultado es el esperado, dada la
dispersión de los E[N(t)] manifiesta entre los items de un mismo sistema.

– Análisis Factorial
El procedimiento análisis factorial está diseñado para extraer m factores comunes
de un grupo de p variables cuantitativas X. En muchas situaciones, un pequeño
número de factores comunes puede ser capaz de representar un gran porcentaje
de la variabilidad en las variables originales. La habilidad de expresar las
covarianzas entre las variables en términos de un pequeño número de factores
significativos, con frecuencia conduce a encontrar importantes cuestiones acerca
de los datos que están siendo analizados.
Su potencial aplicación en el estudio de la fiabilidad de sistemas reparables es
también encontrar un sistema o sistemas que sean capaces de explicar el
comportamiento del conjunto de los sistemas en la evolución de los E[N(t)].
Los análisis factoriales en los cuatro sistemas, no han evidenciado ningún tren o
escalera mecánica que explique la evolución de los E[N(t)] del conjunto de cada
sistema. Este resultado es el esperado, dada la dispersión de los E[N(t)] manifiesta
entre los items de un mismo sistema.
– Análisis de Conglomerados
El procedimiento Análisis de Conglomerados está diseñado para agrupar
observaciones o variables en grupos o conglomerados basándose en las
similitudes entre ellas. Los datos primos para el procedimiento pueden estar en
cualquiera de dos formas:
 n filas o casos, cada uno que contenga los valores de p variables
cuantitativas.
 n filas y n columnas si se agrupan observaciones o p filas y p columnas si
se agrupan variables, conteniendo una medida de la "distancia" entre
todos los pares de elementos.
Existe un número de algoritmos diferentes para generar los grupos. Algunos de
los algoritmos son aglomerativos, empezando con grupos separados para cada
observación o variable y luego juntándolos basándose en su similitud. Otros
métodos comienzan con un grupo de semillas y empatan otros casos o variables a
esas semillas. Con el objetivo de crear conglomerados de observaciones o
variables, es importante tener una medida de” cercanía” o “similaridad” tal que
los objetos parecidos puedan ser juntados. Cuando observaciones son
conglomeradas, la cercanía es típicamente medida por la distancia entre
observaciones en el p-dimensional espacio de variables. El procedimiento
Análisis de Conglomerados de provee STATGRAPHICS Centurion contiene 3
diferentes métricas para medir la distancia entre 2 objetos, representados por x e
y:
 Distancia Euclidiana Cuadrada.
 Distancia Euclidiana.
 Distancia de Bloque Habitacional.

Cuando se conglomeran variables, la distancia es definida similarmente excepto

que x e y representan la localización de 2 variables en el n-dimensional espacio
de las observaciones, y la suma es sobre las observaciones en lugar de sobre las
variables. Hay dos tipos básicos de métodos para conglomerar objetos:
 Métodos Jerárquicos Aglomerativos: Métodos de conglomeración
jerárquicos aglomerativos inician poniendo cada observación en un
conglomerado separado. Conglomerados son unidos, dos cada vez, hasta
que el número de conglomerados es reducido a un objetivo deseado. En
cada etapa, los conglomerados son unidos en pares de acuerdo a su
cercanía:
o Vecino más cercano (liga simple): Define la distancia entre 2
conglomerados como el mínimo de las distancias entre cualquier
miembro de un conglomerado con cualquier miembro del otro
conglomerado.
o Vecino más lejano (liga compuesta): Define la distancia entre 2
conglomerados como el máximo de las distancias entre cualquier
miembro de un conglomerado con cualquier miembro del otro
conglomerado.
o Centroide: Define la distancia entre 2 conglomerados como la
distancia entre los centroides de cada conglomerado, donde el
centroide es localizado en el valor promedio de cada variable sobre
todos los miembros del conglomerado.
o Mediana: Define la distancia entre 2 conglomerados como la
distancia entre las medianas de cada conglomerado, donde la
mediana es localizada en al valor mediano de cada variable sobre
todos los miembros del conglomerado.
o Promedio de Grupo (liga promedio): Define la distancia entre 2
conglomerados como la distancia promedio entre todos los
miembros de un conglomerado a todos los miembros del otro.
o Método de Ward: Define la distancia entre 2 conglomerados en
términos del incremento en la suma de las desviaciones cuadradas
alrededor de la media del conglomerado que ocurriría si los dos
conglomerados estuvieran unidos.
 Método de k-Medias: Este método inicia identificando k objetos como
semillas iniciales para cada conglomerado. Los objetos son adheridos al
conglomerado más cercano. El método de k-medias trabaja como sigue:
1. k objetos son seleccionados para ser las semillas iniciales
(semillas) para los k conglomerados deseados.
2. Los restantes objetos son asignados a el conglomerado cuya
semilla este más cercana de estos.
3. Los centroides de cada conglomerado son calculados.

4. Cada objeto es revisado para determinar si es más cercano al

centroide de otro que al centroide del conglomerado que está
actualmente asignado. Si es así este se asigna al otro y ambos
centroides son recalculados.
5. El paso 4 es repetido hasta que no hay cambios de lugar.
La potencial aplicación del análisis de conglomerados en el estudio de la
fiabilidad de sistemas reparables es la generación de clústeres (grupos) de
sistemas reparables que tienen una fiabilidad similar. En muchos casos el
número de items a analizar es muy alto y la presentación de resultados de
fiabilidad para un número, por ejemplo, superior a 50 sistemas, puede resultar
complejo para la gestión del mantenimiento en las organizaciones
empresariales.
– Correlaciones Canónicas
El procedimiento Correlaciones Canónicas está diseñado para ayudar a
identificar asociaciones entre dos conjuntos de variables. Esto lo hace
encontrando combinaciones lineales de las variables en los dos conjuntos que
exhiban correlaciones fuertes. El par de combinaciones lineales con la correlación
más fuerte forman el primer conjunto de variables canónicas. El segundo
conjunto de variables canónicas es el par de combinaciones lineales que muestran
la siguiente correlación más fuerte entre todas las combinaciones que no están
correlacionadas con el primer conjunto. Frecuentemente, un número pequeño de
pares puede ser usado para cuantificar la relación que existe entre los dos
conjuntos.
Se estima que este método no debe ser empleado para, por ejemplo, la creación
de un único individuo “tipo”, calculado mediante la combinación lineal de los
fallos de “n” sistemas reparables idénticos, al no contar con el necesario soporte
estadístico respecto al correcto tratamiento de los TBF y contemplar la naturaleza
estocástica o de dependencia de los fallos.
– Análisis de Correspondencias
El procedimiento Análisis de Correspondencias crea un mapa de filas y columnas
en una tabla de contingencia de dos dimensiones para superponer categorías
relacionadas para variables fila y columna. No obstante, no se utilizan más de dos
o tres dimensiones para mostrar la variabilidad de la inercia en la tabla. Una
importante parte de la salida es el mapa de correspondencias en el cual la
distancia entre dos categorías es una medida de su similaridad.
No se le ha encontrado aplicación concreta a este método en su aplicación al
análisis de la fiabilidad de sistemas reparables.

– Análisis de Regresión
El procedimiento de Análisis de Regresión está orientado para construir un
modelo estadístico que describe el impacto de uno o varios factores cuantitativo
X1-Xi, sobre una variable dependiente Y. Existen desarrollados múltiples modelos
y métodos de análisis de regresión destacando:
 Regresión Simple.
 Regresión Múltiple.
 Regresión Logística.
 Regresión Binomial Negativa.
 Regresión No Lineal.
 Regresión Polinomial.
 Regresión de Poisson.
 Regresión de Cordillera.
 Riesgos Proporcionales de Cox.
Algunos de estos métodos se encuentran entre los empleados por algunos

autores para modelar la fiabilidad de los sistemas reparables (ver Apartado 2.7.8).
Se trata de encontrar el modelo que mejor se ajuste a los datos, sin necesidad de
soporte del porqué del comportamiento de los TBF.
En el Apartado 7.5 se ha presentado una aplicación de estimación de E[N(t)] en
diferentes sistemas reparables mediante regresión simple (método de mínimos
cuadrados). Los resultados no muestran una gran robustez y muchos autores
consideran este tipo de modelos orientados a datos poco ortodoxos.
– Análisis de Discriminante
El procedimiento Análisis Discriminante está diseñado para ayudar a distinguir
entre dos o más grupos de datos basados en un grupo de p variables cuantitativas
observadas. Lo hace al construir funciones discriminantes que son combinaciones
lineales de las variables. El objetivo de dicho análisis es regularmente uno o
ambos de los siguientes:
 Ser capaz de describir casos observados matemáticamente en una
manera que los separa en grupos lo mejor posible.
 Se capaz de clasificar nuevas observaciones como pertenecientes a uno
u otro de los grupos.
No se le ha encontrado aplicación concreta a este método en su aplicación al
análisis de la fiabilidad de sistemas reparables.

MÉTODO APLICACIÓN APARTADO
Análisis de Correlaciones Dependencia y/o interdependencia en los TBF 7.2 y 8.2

Ítem o ítems que explican fiabilidad de un
Componentes Principales 8.2
sistema
Ítem o ítems que explican fiabilidad de un
Análisis Factorial 8.2
sistema
Generación de clústeres (grupos) de ítems que
Análisis de Conglomerados 8.3
tienen una fiabilidad similar
Correlaciones Canónicas No identificada aplicación --
Análisis de Correspondencias No identificada aplicación --
Modelar la fiabilidad de los sistemas

Análisis de Regresión 7.5
reparables (orientado a datos)
Análisis Discriminante No identificada aplicación --
Tabla 74 – Métodos multivariantes. Aplicación a la fiabilidad de sistemas reparables
Algunos de los métodos de análisis multivariante ya se han empleado en ensayos

anteriores, como el análisis de correlaciones en la dependencia de los TBF (ver Apartado
7.2) y el análisis de regresión para modelar la fiabilidad de los sistemas (ver Apartado
7.5).
La aplicación del análisis de componentes principales y análisis factorial en los cuatro
sistemas reparables ensayados, para la detección de un ítem o ítems que explican la
fiabilidad de un sistema no ha sido concluyente. Este resultado es el esperado, dada la
dispersión de los E[N(t)] de los ítems de un mismo sistema analizada en múltiples de los
ensayos presentados. No obstante, se estiman métodos de interés cuando en un sistema
con múltiples ítems y E[N(t)] similares, se desee identificar el sistema que mejor
representa al conjunto.
A continuación se propone efectuar la caracterización y el modelado de agrupaciones
(clúster) de la fiabilidad de los items cuyas z(t) sean próximas, al objeto de simplificar la
presentación de resultados cuando el número de ítems es muy alto, y facilitar la
comprensión y gestión de los resultados de la fiabilidad en flotas de sistemas reparables
(aeronáutica, ferrocarril, naval, transporte terrestre, transporte vertical, etc.).
Este método se presenta de especial relevancia en su aplicación a los estudios de
fiabilidad que se han presentado, ya que los sistemas reparables constan de un número
alto de ítems y éstos presentan una fiabilidad diferente que puede ser agrupada de
acuerdo a su tendencia y valor, por lo que se desarrolla su aplicación en el siguiente
apartado.

8.3. Caracterización y creación de clústeres de sistemas reparables

La creación de clústeres en sistemas reparables mediante la selección de variables
destacables de cada ítem, simplifica la toma de decisiones cuando el número de sistemas
es muy elevado, ver ejemplos y procedimientos en:
– Juarez y otros (2011), variables “parámetros de generación” aplicado al sistema
de interconexión de energía.
– Yu y Chan (2012), variables “temperaturas, potencias y caudales” aplicado a la
operación de sistemas de refrigeración.
– Jaafar y otros (2012), variable “perfil de conducción” aplicado al diseño de
locomotoras.
– Shang y Wang (2015), variables “fiabilidad, económicas y fiabilidad” aplicado a
la generación de energía por grupos.
– Rastegari y Mobin (2016), variables “coste, frecuencia e indisponibilidad”
aplicado a un sistema de gestión de mantenimiento.
En este estudio se plantea como variable la “fiabilidad” para simplificar la toma de
decisiones de mantenimiento en grandes flotas. Para la creación de clústeres en sistemas
reparables sin tendencia se han tomado como variables los valores de λi calculados por
los modelos aceptados de fiabilidad RP (ver apartado 7.3):
– Sistema de tracción eléctrica serie 5000-4ª: 1 ítem (no aplicable).
– Sistema de tracción eléctrica serie 2000-B: 30 ítems.
– Sistema de tracción eléctrica serie 8000: 11 ítems.
– Escaleras mecánicas del modelo TNE: 14 ítems.
El número de clústeres a generar debe ser fijado antes del ensayo. En los resultados
presentados se han creado 3 clústeres:
– Clúster Alto: Ítems con λ alto que requieren unas políticas de mantenimiento
diferenciales, aumentando las consistencias del mantenimiento preventivo y con
una atención especial en la resolución de los fallos en el mantenimiento
correctivo, al ser los ítems con los peores resultados de fiabilidad.
– Clúster Medio: Ítems con λ medio que requieren unas políticas de
mantenimiento habituales en las consistencias del mantenimiento preventivo y
en la resolución de los fallos en el mantenimiento correctivo.
– Clúster Bajo: Ítems con λ bajo que permiten relajar las políticas de
mantenimiento preventivo y correctivo, ya que estos ítems presentan los
mejores resultados de fiabilidad.
Se ha aplicado el análisis de conglomerados con los métodos; vecino más cercano, vecino
más lejano, centroide, mediana, promedio de grupo, Ward y K-medias y métrica de
distancia; euclidiana cuadrada, euclidiana y bloque habitacional.

Ha resultado el método de Ward el más apropiado en la creación de los clúster con un

número de ítems equilibrado por grupo y sin mayor relevancia en los resultados la
métrica de distancia que se emplee.
TREN Mejor Distribución RP λ CLUSTER

11 Logística Generalizada 5,01E-05 ALTO
49 Logística Generalizada 4,03E-05 MEDIO
77 Logística Generalizada 2,98E-05 BAJO
Tabla 75 – Clústeres de los sistemas de tracción de trenes 2000-B con modelo RP aceptado
En los sistemas de tracción de trenes 2000-B el clúster alto está formado por 5 ítems, el
clúster medio por 15 y el clúster bajo por 10. Esta clasificación permite a los responsables
de mantenimiento ajustar de forma más precisa las estrategias de mantenimiento
diferencial a cada grupo de ítem cuya fiabilidad está teniendo un comportamiento
semejante, al objeto de ser más eficientes y eficaces en el empleo de los recursos
disponibles.
Métodod de Ward,Euclideana Cuadrada
4 Clúster Bajo
3
Clúster Medio
Distancia
1 Clúster Alto
0
8
87
11
19
48
12
36
32
70
57
28
63
41
49
31
47
84
79
83
88
27
53
77
40
64
61
73
62
78
82
Tren
Figura 92 – Dendograma de los clústeres de los sistemas de tracción de trenes 2000-B con modelo RP
TREN Mejor Distribución RP λ CLUSTER

Tabla 76 – Clústeres de los sistemas de tracción de trenes 8000 con modelo RP aceptado
En los sistemas de tracción de trenes 8000 el clúster alto está formado por sólo 1 ítems, el
clúster medio por 2 y el clúster bajo por 8. En este caso los responsables de
mantenimiento tienen que centrar sus esfuerzos y recursos en mejorar los resultados de
la fiabilidad de los 3 ítems de los clústeres alto y medio.

Clúster Bajo
Clúster Medio
C. Alto
Tren
Figura 93 – Dendograma de los clústeres de los sistemas de tracción de trenes 8000 con modelo RP
ESCALERA Mejor Distribución RP λ CLUSTER

34 Log-normal 3 parámetros 3,98E-03 ALTO
11 Log-normal 3 parámetros 2,34E-03 MEDIO
36 Log-normal 3 parámetros 1,55E-03 BAJO
Tabla 77 – Clústeres de las escaleras mecánicas TNE con modelo RP aceptado
En las escaleras mecánicas TNE el clúster alto está formado por sólo 3 ítems, el clúster
medio por 6 y el clúster bajo por 5. En este caso los responsables de mantenimiento
tienen que centrar sus esfuerzos y recursos en mejorar los resultados de la fiabilidad de
los 3 ítems del clúster alto.

Clúster Alto
Clúster Bajo
Clúster Medio
Escalera
Figura 94 – Dendograma de los clústeres de las escaleras mecánicas TNE con modelo RP
La creación de clústeres en los sistemas reparables con modelo NHPP aceptado, pueden
ser generados tomado como variables los valores de λi y βi:
– Sistema de tracción eléctrica serie 5000-4ª: 3 ítem (no aplicable).
– Sistema de tracción eléctrica serie 2000-B: 13 ítems.
– Sistema de tracción eléctrica serie 8000: 2 ítems (no aplicable).
– Escaleras mecánicas del modelo TNE: 1 ítems (no aplicable).
De los 13 ítems de los sistemas de tracción de los trenes 2000-B con modelo NHPP
aceptado, hay 4 con tendencia de fallos creciente que se debe agrupar en un clúster a tal
efecto, ya que su fiabilidad tiene una tendencia consolidada hacia su empeoramiento,
por lo que la política de mantenimiento tiene que ser especialmente profunda, al objeto
de intentar revertir esta situación:
TREN λ β CLUSTER
21 7,09E-07 1,28 Creciente
38 3,39E-07 1,32 Creciente
55 7,01E-07 1,26 Creciente
74 5,62E-11 1,92 Creciente
Tabla 78 – Clúster creciente de los sistemas de tracción de trenes 2000-B con modelo NHPP aceptado

CLUSTER
TREN λ β
DECRECIENTE
50 6,38E-04 0,80 ALTO
45 1,17E-03 0,75 ALTO
37 1,22E-03 0,75 ALTO
51 1,87E-03 0,71 ALTO
68 2,09E-03 0,71 ALTO
22 2,38E-03 0,69 ALTO
13 4,12E-03 0,66 ALTO
26 1,08E-02 0,59 MEDIO
43 3,13E-02 0,49 BAJO
Tabla 79 – Clústeres decrecientes de los s. de tracción de trenes 2000-B con modelo NHPP aceptado
Clúster Alto
C. Medio C. Bajo
Tren
Figura 95 – Dendograma de los clústeres de trenes 2000-B con modelo NHPP decreciente
De los 13 ítems de los sistemas de tracción de los trenes 2000-B con modelo NHPP
aceptado, hay 9 con tendencia de fallos decrecientes. Se han generado 3 clúster tomado
como variables los valores de λi y βi, y aplicando el método de Ward, en este caso, no se
consiguen agrupaciones equilibras en el número de ítems, dadas las distancias de λi de
los trenes 26 y 43. El clúster alto es el que presenta peores resultados de fiabilidad y debe
ser al que se le aplique un mantenimiento diferencialmente más intensivo.
Con independencia del método y métrica que se emplee para la creación de clústeres
aplicados a ítems con fiabilidades homogéneas de un sistema reparable, se estima una
herramienta muy útil para ajustar las decisiones en las estrategias de mantenimiento de
grandes flotas por agrupaciones, ya que resulta muy complejo, aunque deseable, realizar
un mantenimiento personalizado a cada ítem, de acuerdo a su fiabilidad en cada
momento de la operación.

8.4. Procedimiento metodológico complementario a IEC

Se procede a representar gráficamente el procedimiento metodológico aplicado
complementario a IEC (ver apartado 3.9) para el análisis de la fiabilidad de sistemas
reparables, teniendo en cuenta los resultados obtenidos en su aplicación a los sistemas
de tracción eléctrica ferroviaria en trenes y las escaleras mecánicas. Han sido ensayados
a sistemas reparables técnicamente muy distintos, y al obtener resultados coincidentes,
permiten extender esta metodología a cualquier conjunto de sistemas reparables del que
se dispongan los datos de fallos en operación.
En el procedimiento propuesto se resumen y ordenan los análisis y ensayos presentados
en el apartado 8 “Estudio complementario de la fiabilidad de los sistemas reparables” y
en el apartado 9 “Propuestas de análisis multivariante”, al objeto de representar de
forma simplificada las fases ordenadas de los análisis propuestos, con el objetivo de
identificar y caracterizar a los ítems de acuerdo a la fiabilidad que presenta cada uno en
la operación y permitir a los responsables de mantenimiento establecer estrategias
diferencias, más eficientes y eficaces adaptadas al comportamiento real que cada ítem
manifiesta en cada caso:
1. Analizar detalladamente los TBF y la naturaleza de los fallos en la búsqueda de
dependencias, interdependencias, tendencias, etc., ya que de su resultado
dependerá que método de modelado de la fiabilidad es el más apropiado aplicar
en cada ensayo.
2. Para los ítems sin modelo aceptado por los de IEC, se deben efectuar los ensayos
necesarios para obtener modelos alternativos aceptados. En el caso de los ítems
sin tendencia se ensayan modelos RP alternativos al HPP y para los ítems con
tendencia modelos NHPP alternativos al PLP. A los ítems que no se consigan
modelar, se deben ensayar modelos de “reparación imperfecta” u otros, teniendo
en cuenta las limitaciones detalladas en el apartado 7.5.
3. Con los ítems con modelo de fiabilidad aceptado preferentemente, se representa
gráficamente en 3 ejes las z(t) de los items objeto de estudio de cada sistema
reparable, al objeto de identificar gráficamente la dispersión e efectuar una
identificación cualitativa de las diferencias existentes en la fiabilidad entre los
ítems.
4. Si el número de ítems del sistema reparable es muy elevado se propone
caracterizar y crear clústeres con aquellos ítems que presenten una fiabilidad
homogénea en tendencia y cuantitativamente, al objeto de simplificar la toma de
decisiones por los responsables de mantenimiento.
Este procedimiento posibilita implantar de estrategias de mantenimiento diferenciales,
ajustadas a la fiabilidad de cada ítem o clúster, al objeto de intensificar el mantenimiento
en los ítems o clúster con peores resultados de fiabilidad, optimizando los recursos
mediante una aplicación más eficiente y eficaz.

Items con modelos IEC

Items con modelos IEC rechazados
aceptados
Análisis de los TBF y la naturaleza de los fallos
Items con tendencia

Items sin tendencia
¿Son de aplicación
¿Son de aplicación
modelos NHPP
modelos RP?
alternativos al PLP?
SI SI
¿Se aceptan modelos

¿Se aceptan modelos RP? NHPP alternativos al
NO NO PLP?
SI SI
NO NO
Estimar parámetro λ Estimar parámetros de

modelos
Aplicar modelos de “reparación imperfecta”

y otros
Representación grafica de zi(t) de los items con modelo aceptado
Caracterización y creación de clústeres
Implantación de estrategias de mantenimiento personalizadas a items o clústeres
Figura 96 – Procedimiento complementario a IEC de análisis de la fiabilidad de sistemas reparables

9. CONCLUSIONES Y LÍNEAS DE
INVESTIGACIÓN
Dejemos las conclusiones para los idiotas.
- Pio Baroja-
E
n este apartado se resumen los resultados obtenidos en los ensayos efectuados a
los cuatro sistemas reparables, los principales hallazgos de la investigación, las
aportaciones al conocimiento en el campo de la fiabilidad de los sistemas
reparables, las conclusiones generales y las potenciales líneas de investigación.
9.1. Resumen de los resultados obtenidos en los ensayos

Se resumen a continuación los principales resultados obtenidos en los ensayos
presentados en esta tesis aplicados sobre cuatro sistemas reparables:
a) El sistema de tracción eléctrica de 36 trenes de la serie 5000-4ª.
b) El sistema de tracción eléctrica de 88 trenes de la serie 2000-B.
c) El sistema de tracción eléctrica de 23 trenes de la serie 8000.
d) 40 escaleras mecánicas del modelo TNE.
Resultados del estudio normativo IEC de la fiabilidad:

– Tendencia de los fallos de los sistemas:
o Los sistemas de tracción de los trenes 5000-4ª presentan una tendencia de
alto crecimiento de los fallos acorde con el comportamiento general de los
sistemas electromecánicos.
o Los sistemas de tracción de los trenes 2000-B presentan una tendencia
ligeramente creciente de los fallos que responde al comportamiento de
sistemas eminentemente electrónicos y eléctricos.
o Los sistemas de tracción de los trenes 8000 presentan una tendencia
decreciente de los fallos compatibles con sistemas electrónicos y software.
o Las escaleras mecánicas TNE presentan una tendencia crecimiento de los
fallos acorde con el comportamiento general de los sistemas
electromecánicos.
– Modelo PLP para múltiples ítems:
o El modelo de PLP es rechazado en los cuatro sistemas objeto de ensayo,
dada la dispersión de datos de fallos y tendencias de fallo de los sistemas
de tracción de cada tren y de cada escalera mecánica.
Conclusiones y líneas de investigación 265
– Tendencia de los fallo de cada ítem:

o En los sistemas de tracción de los trenes 5000-4ª mayoritariamente la
tendencia es creciente en fallos y algunos items no presentan tendencia.
o En los sistemas de tracción de los trenes 2000-B los items sin tendencia son
los más comunes, seguidos por items con tendencia creciente de fallos, y
en menor proporción con tendencia decreciente de fallos.
o En los sistemas de tracción de los trenes 8000 los items sin tendencia son
mayoritarios, con un número destacable de items con tendencia
decreciente de fallos.
o En las escaleras mecánicas TNE los items sin tendencia son los más
comunes, con casi la misma proporción por items con tendencia creciente
de fallos, y en menor grado con tendencia decreciente de fallos.
– Modelo HPP aplicado a los 95 ítems sin tendencia de fallo:
o 77 items sin tendencia en el fallo no pueden ser modelados HPP, ya que
sus TBF no se distribuyen exponencialmente.
o Para 18 items sin tendencia en el fallo se acepta el modelo mediante un
proceso de Poisson homogéneo HPP.
o El modelo HPP para items sin tendencia de fallo fracasa de forma
generalizada.
– Modelo de PLP aplicado a los 92 ítems con tendencia de fallo:
o 73 items con tendencia en el fallo no pueden ser modelados PLP.
o Para 19 items con tendencia en el fallo se acepta el modelo mediante un
proceso de Poisson no homogéneo NHPP con ley de potencia PLP.
o El modelo PLP para items con tendencia de fallo fracasa de forma
generalizada.
– Sólo se han podido modelar la fiabilidad 37 de los 187 items, de los cuatro
sistemas reparables objeto de este estudio mediante la aplicación de las normas
IEC, lo que supone un fracaso masivo de los modelos recogidos en las normas y
que ha motivado analizar detalladamente los TBF y la naturaleza de los fallos de
los sistemas y efectuar ensayos complementarios a las normas IEC.

Resultados del estudio complementario de la fiabilidad:

– Análisis de los TBF y naturaleza de los fallos:
o Los TBF de los ítems de cada sistema tiene una gran dispersión en su
tendencia y valor cuantitativo (E[N(t)]).
o Los TBF presentan una tendencia generalizada a la acumulación de varios
fallos consecutivos durante cortos periodos temporales, a los que
preceden y anteceden largos periodos temporales sin fallos acumulados.
Son los denominados “fallos repetitivos” (recurrent failures).
o Los TBF no se ajustan a una distribución exponencial. En los datos se
observa que existe una gran concentración de TBF cercanos al origen, y
que son los fallos repetitivos.
o Se ha analizado la posible dependencia de los TBF de diferentes variables
operativas, técnicas y humanas, y no se ha podido rechazar la hipótesis de
su independencia.
o No se puede afirmar que exista una relación causa-efecto entre un fallo
que, después de la revisión del sistema, el técnico de mantenimiento
clasifica como “sin anormalidad aparente” y la potencial repetición del
fallo, no se evidencia correlación alguna.
o Cualquier TBF por pequeño que sea, 0, se encuentra dentro de los
rangos esperados de su distribución. No se puede establecer un valor
crítico de TBF para la identificación de los episodios con “acumulación de
fallos supuestamente anormales” y tipificar estos TBF como fallos
repetitivos.
o No se ha evidenciado patrón estadísticamente reconocible en los fallos
repetitivos, siendo episodios con una distribución idéntica respecto de km
o t y sin asociación aparente entre tipos de fallos o reparación efectuada,
resultando en la práctica los fallos primarios y los supuestos secundarios,
indistinguibles.
o Los TBF de los items de los estudios no han permitido, siquiera, efectuar
una discriminación matemáticamente aceptable entre los supuestos TBF
primarios y los TBF repetitivos (o secundarios). Tampoco existen cambios
de tendencia en los fallos con patrones observables, ni distribuciones en
los TBF.
o Asimismo los estudios de dependencia de los TBF no han podido
demostrar la existencia de ninguna variable de los sistemas que
demuestre correlación con los fallos.
– Modelo RP aplicado a los 95 ítems sin tendencia de fallo:
o La distribución logística generalizada la que mejor ajusta a los TBF en los
tres (3) sistemas de tracción de trenes.
o En el caso de las escaleras mecánicas es la distribución log-normal 3
parámetros la que mejor se ajusta a los datos de TBF.
o En los cuatro (4) sistemas ensayados se han aceptado el modelo RP en 56

items de un total de 95 items, mejorando los resultados de ensayo del
modelo HPP que sólo ha permitido modelar 18 items. Estos resultados
permiten estimar para items sin tendencia en TBF mediante modelos RP
con un nivel de rechazo moderado.
– Modelo NHPP aplicado a los 92 ítems sin tendencia de fallo:
o En los cuatro (4) sistemas ensayados se han aceptado modelos NHPP en 8
items de un total de 92 items. Estos niveles de aceptación de los modelos
NHPP empeoran los niveles de aceptación de los modelos PLP, pasando
de 19 items con modelo PLP aceptado a los 8 items con modelo NHPP
aceptado.
o Dado que mayoritariamente los TBF de los items no tienen una
distribución exponencial, todos los modelos NHPP fracasan masivamente
ya requieren que los TBF tengan una distribución exponencial.
– Modelos de “reparación imperfecta” y otros:
o Tienen una serie de importantes limitaciones en su aplicación práctica:
 Existencia de una multitud de modelos plausibles para ensayar.
 Necesidad de un complejo aparato matemático.
 Falta de implementación y soporte de software para estos modelos
en el contexto del análisis de datos estadísticos y de contraste.
o Estimación de E[N(t)] mediante regresión simple (método de mínimos
cuadrados):
 Para los items sin tendencia en los fallos el modelo de regresión
simple más aceptado y de mayor ajuste es el lineal.
 Para los items con tendencia creciente en los fallos el modelo de
regresión simple más aceptado y de mayor ajuste es el cuadrado de
x.
 Para los items con tendencia decreciente en los fallos el modelo de
regresión simple más aceptado y de mayor ajuste es la raíz
cuadrada de x.
 Los resultados no muestran una gran robustez, ya que para cada
ítem los modelos de regresión simple aceptados con un nivel de
significación de 5% son múltiples y en algunos casos con un ajuste
de la tendencia de los fallos divergente. Asimismo en cada ítem la
prueba de bondad de ajuste con un nivel de significación de 5%
admite entre 6 y 9 modelos de regresión simple y cuya tendencia
no es coincidente en algunos casos, lo que cuestiona los resultados
obtenidos.

Resultados del análisis multivariante:

– Representación gráfica tridimensional de z(t) del sistema reparable:
o Esta gráfica permite realizar una primera identificación cualitativa de las
diferencias existentes entre las z(t) de los items objeto de estudio de cada
sistema reparable.
– Potenciales aplicaciones de herramientas estadísticas de análisis multivariante:
o El análisis de correlaciones permite analizar la posible dependencia y/o
interdependencia de los TBF con una o varias variables.
o El análisis de componentes principales detecta la existencia (o no) del ítem
o ítems con mayor semejanza a fiabilidad de un sistema (conjunto de
ítems iguales).
o El análisis factorial detecta la existencia (o no) del ítem o ítems con
mayor semejanza a fiabilidad de un sistema (conjunto de ítems iguales).
o El análisis de conglomerados permite crear clústeres (grupos) de ítems
que tienen una fiabilidad similar.
o El análisis de regresión crea modelos la fiabilidad de los sistemas
reparables (orientado a datos).
– Caracterización y creación de clústeres de sistemas reparables:
o Es una herramienta muy útil para ajustar las decisiones en las estrategias
de mantenimiento de grandes flotas por agrupaciones de acuerdo a la
fiabilidad observada en operación, personalizando las tareas de
mantenimiento y ajustando los recursos de forma más eficiente y eficaz.
o El método de Ward el más apropiado en la creación de los clúster con un
número de ítems equilibrado por grupo, y sin mayor relevancia en los
resultados la métrica de distancia que se emplee.
9.2. Principales resultados de la investigación

i. Los TBF de ítems de cada sistema reparable no se comportan de forma
semejante. Es lo que se podría esperar al ser sistemas reparables
constructivamente idénticos, pero los datos muestran una gran dispersión en su
tendencia y valor cuantitativo (E[N(t)]).
ii. La aplicación del análisis metodológico de la fiabilidad propuesto por las
normas IEC fracasa masivamente en el modelo HPP para TBF sin tendencia y en
el modelo PLP para TBF con tendencia, como consecuencia de que se rechaza la
hipótesis de que los TBF tienen una distribución exponencial.

iii. Los ensayos efectuados manifiestan la existencia en todos los sistemas reparables,
de periodos de incrementos de fallos, a los que preceden y anteceden periodos
sin fallos. Este fenómeno tipificado como “fallos repetitivos” es el causante de
que los modelos HPP y PLP fracasen.
iv. En los periodos de incrementos de fallos (fallos repetitivos), no se ha

evidenciado patrón estadísticamente reconocible, siendo episodios con una
distribución idéntica respecto de km o t y sin asociación aparente entre tipos de
fallos, resultando en la práctica los fallos primarios y los supuestos secundarios,
indistinguibles.
v. Si no se rechaza la hipótesis de que los TBF son independientes, para aquellos

sistemas que no presentan tendencia se puede aceptar que los TBF son
independientes e idénticamente distribuidos (i.i.d.). A estos sistemas se les ha
aplicado modelos RP con un grado moderado de items con modelos aceptados,
siendo las distribuciones que de forma mayoritaria mejor caracterizan el TBF la
logística generalizada en los sistemas de tracción eléctrica y la log-normal 3
parámetros en las escaleras mecánicas.
vi. Los modelos NHPP alternativos al PLP para sistemas con tendencia, han
fracasado en casi su totalidad, ya que requieren que los TBF tengan una
distribución exponencial.
vii. Es necesario que a corto plazo se incorporen a los estándares del IEC modelos
RP, NHPP y modelos de “reparación imperfecta”, al objeto disponer de modelos
aceptados y normalizados internacionalmente, de especial interés en los sectores
industriales que son auditados externamente por requisitos de seguridad.
viii. La potencial aplicación de modelos de “reparación imperfecta” y otros (BPP,

MRP, BP, BBS, TRP, GRP, PI, etc.) en la práctica está muy limitada; por las
innumerables posibilidades selección del tipo y modelo más adecuado a los datos
y el acceso a las complejas herramientas de cálculo requeridas para su adecuada
aplicación en cada caso. Es poco probable que exista un modelo de “reparación
imperfecta” “perfecto”, pero sería conveniente que la comunidad científica logre
avances para seleccionar el o los modelos de “reparación imperfecta” “menos
malos” y que de esta forma se puedan trasladar a las organizaciones
empresariales de mantenimiento.
ix. Los ítems de un sistema reparable pueden presentan valores de fiabilidad

dispersos y en muchos casos divergentes, y los métodos de análisis
multivariante pueden muy ser útiles para avanzar en el conocimiento de la
naturaleza de los fallos y las causas primigenias de las diferencias de fiabilidad
entre los ítems.

x. Se propone a los responsables de mantenimiento que reorienten sus esfuerzos

al estudio de la fiabilidad de cada ítem y no del conjunto, y que implementen
mecanismos para la detección proactiva de episodios de incrementos temporales
de fallos en cada ítem, y aplicar un mantenimiento diferencial en cada caso.
xi. Dado que los sistemas reparables ensayados son opuestos en su tecnología
constructiva y contexto operacional, potencialmente se pueden generalizar estas
hipótesis y conclusiones a otros sistemas reparables.
9.3. Aportaciones originales al conocimiento general en el campo de la fiabilidad
Se estima que esta investigación aporta al menos seis (6) novedades destacables en el
campo de la fiabilidad de sistemas reparables, ya que es la primera vez que se presenta y
publica un estudio (compendiado en esta tesis) que:
1. Aplica el procedimiento metodológico recogido en las normas IEC para el

modelado de la fiabilidad de sistemas reparables.
2. Presenta los resultados de fiabilidad de tres (3) sistemas de tracción eléctrica

ferroviaria.
3. Presenta los resultados de fiabilidad de escaleras mecánicas.
4. Obtiene modelos RP aceptados con distribuciones de TBF log-normal 3

parámetros y logística generalizada en sistemas reparables sin tendencia en los
fallos.
5. Aplica métodos de análisis multivariante para la creación de clústeres en los

sistemas reparable que permiten personalizar las estrategias de
mantenimiento.
6. Desarrolla y ensaya un procedimiento metodológico complementario al IEC

para el modelado de la fiabilidad de sistemas reparables.

9.4. Conclusiones
La fiabilidad de los sistemas reparables complejos, como los ensayados en estudio, no
responde a modelos matemáticos simples, o no tan simples. Los cientos de modelos
estocásticos desarrollados durante décadas (1964 – Actual) han tenido un éxito limitado
en su aplicación para modelar sistemas con los datos reales de operación.
Los primeros modelos HPP y NHPP resultaban insuficientes para representar el
comportamiento de los fallos de los sistemas reparables. Desde un principio se detectó el
impacto en la fiabilidad de los episodios de fallos repetitivos y la existencia de cambios
de tendencia en los fallos durante la operación.
Esta circunstancia que ha dado pié a un prolífico desarrollo, ensayo y publicación de
modelos estocásticos más complejos que intentan modelar los fallos; BPP, SRP, MRP,
PEXP, BP, BBS, GRP, TRP, etc. Su aplicación es compleja y sus posibilidades de éxito
también limitada.
Otras líneas de investigación han optado por intentar ajustar los datos de los fallos
mediante ecuaciones matemáticas. Su aceptación científica está cuestionada, ya que no
se responde a la pregunta crucial de porqué del comportamiento de los TBF,
simplemente se busca la ecuación o ecuaciones que mejor representan las series de
datos.
A finales del siglo XX se empiezan a presentar modelos de fiabilidad que abandonan la
suposición del carácter aleatorio de los fallos, los fallos no son independientes. Los TBF
tiene dependencia de una o varias variables, y una vez identificadas se puede modelar la
fiabilidad del sistema, mediante la formulación adecuada de estas variables; PI, PWP,
AG, LWL, etc.
Ya en el siglo XXI se presentan los modelos de fragilidad para datos correlacionados y
los modelos con dependencia multivariantes. Estos modelos han iniciado su aplicación
para el análisis de supervivencia multivariante en otros campos; medicina, economía,
etc. y se prevé una próxima aplicación en la fiabilidad de los sistemas reparables.
Las publicaciones, artículos, ponencias, etc. reflejan la complejidad del problema y la
dificultad de darle una explicación científica convincente al comportamiento de la
fiabilidad de los sistemas reparables.
Quedan aún muchas incógnitas por responder, no sólo en el desarrollo y aceptación
internacional de modelos que representen adecuadamente la fiabilidad de los sistemas
reparables, sino en la explicación del porqué sistemas reparables idénticos a lo largo de
años de operación, presentan fiabilidades no homogéneas e incluso con tendencias
opuestas.
Los ensayos y estudios presentados en esta tesis demuestran, mediante evidencias
objetivas, que la fiabilidad de los sistemas reparables debe orientarse al análisis de
cada ítem y no del conjunto, y que es necesario implementar mecanismos para la
detección proactiva de episodios de incrementos temporales de fallos en cada ítem, para
aplicar un mantenimiento diferencial correctivo en esos casos.

Los actuales modelos de la fiabilidad de sistemas reparables complejos no satisfacen

las necesidades de las Empresas y Responsables de Mantenimiento. De hecho existe
un claro divorcio entre la comunidad científica, que sigue desarrollando modelos de
compleja aparementa matemática y dudosa aplicabilidad, y el mundo empresaria que
orienta sus esfuerzos en el desarrollo de estrategias de optimización de los costes de
mantenimiento; mantenimiento predictivo, monitorización en tiempo real, etc.
9.5. Conclusions
The reliability of complex reparable systems, such as those tested in study, does not
respond to simple, or not so simple, mathematical models. The hundreds of stochastic
models developed for decades (1964 - Present) have had limited success in their
application for modeling systems with actual operating data.
The first HPP and NHPP models were insufficient to represent the failure behavior of
the repairable systems. From the beginning, the impact on the reliability of recurrent
failure episodes and the existence of trend changes in failures during operation were
detected.
This circumstance has led to a prolific development, testing and publication of more
complex stochastic models that attempt to model failures; BPP, SRP, MRP, PEXP, BP,
BBS, GRP, TRP, etc. Its application is complex and its chances of success also limited.
Other lines of research have chosen to try to adjust the fault data using mathematical
equations. Its scientific acceptance is questioned, since it is not answered the crucial
question of why the behavior of the TBF, simply look for the equation or equations that
best represent the data series.
At the end of the twentieth century, reliability models that abandon the assumption of
the random character of the failures begin to appear, the failures are not independent.
The TBF has dependence on one or several variables, and once identified can be
modeled the reliability of the system, through the appropriate formulation of these
variables; PI, PWP, AG, LWL, etc.
In the 21st century fragility models for correlated data and models with multivariate
dependence are presented. These models have started their application for multivariate
survival analysis in other fields; medicine, economics, etc. And an upcoming application
on the reliability of repairable systems is envisaged.
Publications, articles, presentations, etc., reflect the complexity of the problem and the
difficulty of giving a convincing scientific explanation to the performance of the
reliability of the repairable systems.
There are still many unknowns to answer, not only in the development and
international acceptance of models that adequately represent the reliability of the
repairable systems, but also in explaining why identical repairable systems over years of
operation, have non-homogeneous reliability and even with opposite tendencies.

The tests and studies presented in this thesis show, through objective evidence, that the
reliability of the repairable systems must be oriented to the analysis of each item and not
of the whole, and that it is necessary to implement mechanisms for the proactive
detection of episodes of temporary failure increments in each item, to apply differential
corrective maintenance in such cases.
The current models of the reliability of complex repairable systems do not meet the
needs of the companies and maintenance personnel. In fact there is a clear divorce
between the scientific community, which continues to develop models of complex
mathematical appearance and dubious applicability, and the business world that guides
their efforts in the development of strategies to optimize maintenance costs; predictive
maintenance, real-time monitoring, etc.
9.6. Potenciales futuras líneas de investigación

No se prevé una convergencia a corto plazo de los estudios científicos para modelar la
fiabilidad de los sistemas reparables y su aplicación en el mundo empresarial. Es por
ello que se proponen potenciales líneas de investigación en ambos campos, y que serán
de momento paralelas:
– Estudios científicos: Son esperanzadores los desarrollos en el campo de los
modelos de fragilidad para datos correlacionados, y estos parece que apuntan en
la dirección correcta. Pensemos en los siguientes paralelismos entre un ser vivo y
un sistema reparable complejo:
o Los eventos que en un ser vivo generan “indisponibilidad” son los días
que está enfermo y los eventos que en un sistema reparable generan
“indisponibilidad” son los fallos.
o En ambos casos los eventos aparecen agrupados en el tiempo, y se
alternan largos periodos de disponibilidad con otros periodos de
indisponibilidad de duración variable (días de enfermedad en los seres
vivos y fallos repetitivos en los sistemas reparables).
o No todos los seres vivos de una misma especie enferman igual en un
mismo entorno, ni todos los sistemas reparables fallan igual aunque sean
idénticos y operen en las mismas condiciones.
o Una vez que se enferma (ser vivo) o se falla (sistema reparable) con unos
determinados síntomas, y se aplican medicinas/terapias (ser vivo) o
mantenimiento correctivo (sistema reparable), cada ser vivo y sistema
reparable reacciona de una manera individual no idéntica.

o Los estudios epidemiológicos en los seres vivos indican que existen una
serie de variables (genéticas, ambientales, alimenticias, etc.) que
correlacionan el desarrollo y prevalencia de las muchas enfermedades,
pero no se cumple en todos los individuos, persistiendo grados de
aleatoriedad. Los estudios en los sistemas reparables atisban que existen
una serie de variables (técnicas, humanas y operativas) que correlacionan
los fallos, pero no se cumple en todos los ítems, persistiendo grados de
aleatoriedad.
Por todo ello, parece una línea de investigación alentadora adaptar los modelos
existentes y que se desarrollen en el campo de la Bioestadística a la fiabilidad de
los sistemas reparables complejos.
– Desarrollos empresariales: La empresas de mantenimiento de sistemas reparables
complejos están orientando sus esfuerzos, no en modelar la fiabilidad, sino en ser
más eficientes y eficaces. Menos fallos son menos costes de mantenimiento y
mayor fiabilidad y disponibilidad; hay que anticiparse a la aparición del siguiente
fallo.
El mantenimiento predictivo es el mantenimiento basado en la condición que se
realiza siguiendo una predicción obtenida del análisis repetido o de
características conocidas y de la evaluación de los parámetros significativos de la
degradación del elemento. Hay dos factores que van a permitir la implantación
de forma exponencial del mantenimiento predictivo en los sistemas reparables:
o Internet de las cosas (Internet of things, IoT): El desarrollo y abaratamiento
de las pasarelas de conectividad (cable, WIFI, UTMS, etc.) a la red TCP/IP,
va a permitir que los sistemas reparables estén monitorizados en tiempo
real desde puestos remotos de supervisión. Cuando acontezca un fallo se
podrán registrar múltiples variables (temperatura, potencia, etc.) y estados
del sistema (frenando, acelerando, etc.), cuya información es vital para
analizar las potenciales causas de los fallos.
o Procesamiento de macro-datos (Big Data y Smart Data): Actualmente ya
es posible el procesado de cientos de miles de datos con tiempos de
respuesta bajos. La captura, transformación, almacenamiento, análisis y
visualización de datos masivos permitirá el ensayo e identificación de
patrones de fallo en los sistemas reparables monitorizados, al objeto de
identificar aquellas variables notables que permitan la implantación de un
mantenimiento predictivo.
Este escenario permite anticipar grandes avances en la compresión de la naturaleza
de los fallos en los sistemas reparables, al registrase en el momento de cada fallo
una gran cantidad de información de gran relevancia, como son los estados
operativas y los valores de las variables.
Asimismo, se podrá efectuar un análisis personalizado de cada ítem (sistema),
ajustando las estrategias de mantenimiento de acuerdo al comportamiento de su
fiabilidad en el corto, medio y largo plazo.

Actualmente hay varias iniciativas de corporaciones internacionales que se están

desarrollando en este campo, como por ejemplo:
o Max de Thyssenkrupp y Microsoft: aplicado al mantenimiento predictivo
de ascensores.
o E-Link de Kone: aplicado al mantenimiento predictivo de ascensores y
escaleras mecánicas.
o Mantenimiento Predictivo de Siemens: aplicado a trenes de alta
velocidad.
Base de Datos Tablas de Consulta Análisis Estadístico

Terminales
Multivariante
Equipo
Multidisciplinar
Información en tiempo real:

 Fallos. Conjunto de Sistemas Reparables
Estados.
Variables
Ubicación A Ubicación B Ubicación N
Figura 97 – El futuro análisis de la fiabilidad de sistemas reparables.
Se estima que a medio plazo los estudios científicos y los desarrollos empresariales
confluirán, con la creación de equipos de trabajo multidisciplinares, ingenieros y
matemáticos, que analicen conjuntamente la información recolectada y almacenada.
Por un lado, es imprescindible unos profundos conocimientos estadísticos para aplicar
correctamente los métodos matemáticos apropiados en la búsqueda de patrones,
correlaciones, etc. en los fallos. También es imprescindible un extenso conocimiento del
equipo reparable que se está analizando, sus modos y causas de fallos y los procesos de
mantenimiento a los que es sometido.

De esta manera, se podrá avanzar en el análisis de la fiabilidad de los sistemas

reparables, que actualmente no está completamente resuelta, como se ha podido
contrastar en este estudio presentado. El futuro de operación de los sistemas reparables
será un mantenimiento predictivo personalizado, basado en un modelo de fiabilidad
adaptativo en el tiempo. Y respecto a la naturaleza de los fallos de los sistemas
reparables se intuye que se demostrará:
1. Que una parte de los fallos muestran grados de correlación con valores de
variables y estados de operación del sistema reparable en el momento del fallo.
2. Que la otra parte de los fallos son de naturaleza aleatoria.
No podré olvidar la cita del azar

- Jeremías -

Bibliografía
1 . Achen, C. H. (1982), Interpreting and using regression, Sage.

2 . Allan, J., Mellitt, B., and Pong, M. H. (1984), "Rheostatic stabilisation of a
chopper-controlled brake for traction drives", IEE Proceedings B-Electric Power
Applications IET, Vol. 131 No. 5, pp. 190-194.
3 . Alva, J. A. V., and Carreño, M. A. D. (2016), "Pruebas no paramétricas para
procesos poisson no homogéneos".
4 . Amo, D. (2008), Estudio sobre la evolución de la tracción eléctrica ferroviaria, PFC,
Universidad de Zaragoza.
5 . Anderson, G. B., and Peters, A. J. (1993), "An overview of the maintenance
and reliability of AC traction systems", Railroad Conference, 1993., Proceedings
of the 1993 IEEE/ASME Joint, pp. 7-15.
6 . Andronov, A. (2014), "Resampling Estimators of the Renewal Function",
Journal of Mathematical Sciences, Vol. 196 No. 1.
7 . Arab, A., Rigdon, S. E., and Basu, A. P. (2012), "Bayesian inference for the
piecewise exponential model for the reliability of multiple repairable
systems", Journal of Quality Technology, Vo. 44 No. 1, pp. 28.
8 . Arjas, E. (1981), "A stochastic process approach to multivariate reliability
systems: notions based on conditional stochastic order", Mathematics of
Operations Research, Vol. 6 No. 2, pp. 263-276.
9 . Arqués, J. L. (2009), Ingeniería y gestión del mantenimiento en el sector ferroviario.
Ediciones Díaz de Santos.
10 . Ascher, H. and Feingold, H. (1984), Repairable System Reliability, Marcel
Dekker, New York, NY.
11 . Attardi, L. and Pulcini, G. (2005), “A new model for repairable systems with
bounded failure intensity”, IEEE Transactions on Reliability, Vol. 54 No. 4, pp.
572-582.
12 . Avery C. R. (1998), "Power electronics reliability in rail traction", IEE
Colloquium on Power Electronics Reliability - Promise and Practice, pp. 6/1-6/7.
13 . Bain, L., Engelhardt, M. and Wright, F. (1985), "Tests for an Increasing Trend
in the Intensity of a Poisson Process: A Power Study", Journal of the American
Statistical Association, Vol. 80 No. 390, pp. 419-422.
14 . Băjenescu, T. I., and Bâzu, M. I. (2010), Component reliability for electronic
systems, Artech House.
15 . Barabady, J. and Kumar, U. (2008), “Reliability analysis of mining equipment:
A case study of a crushing plant at Jajarm Bauxite Mine in Iran”, Reliability
engineering & system safety, Vol. 93 No. 4, pp. 647-653.
16 . Barlow, R. E., and Proschan, F. (1996), Mathematical theory of reliability, Society
for Industrial and Applied Mathematics.
17 . Basile, O., Dehombreux, P., and Riane, F. (2007), "Evaluation of the
uncertainty affecting reliability models", Journal of Quality in Maintenance
Engineering, Vol. 13 No. 2, pp. 137-151.
18 . Baxter, L.A., Scheuer, E.M., McConalogue, D.J. and Blischke, W.R. (1982),
“On the tabulation of the renewal function”, Technometrics, Vol. 24 No. 2, pp.
151-156.
19 . Beiser, J.A. and Rigdon, S.E. (1997), “Bayes prediction for the number of
failures of a repairable system”, IEEE Transactions on Reliability, Vol. 46 No. 2,
pp. 291-295.
20 . Berman, M. (1981), "Inhomogeneous and modulated gamma processes",
Biometrika, Vol. 68 No. 1, pp. 143-152.
21 . Bernet, S. (2000), "Recent developments of high power converters for
industry and traction applications", IEEE Transactions on Power Electronics,
Vol. 15 No. 6, pp. 1102-1117.
22 . Bettini, G., Giansante, R. and Tucci, M. (2007), “Forecasting fleet warranty
returns using modified reliability growth analysis”, Proceedings of annual IEEE
reliability and maintainability symposium, 2007 (RAMS ’07), pp. 350-355.
23 . Blischke, W.R., and Murthy, D.P. (2011), Reliability: modeling, prediction, and
optimization, John Wiley & Sons.
24 . Block, H., Borges, W. and Savits, T. (1985), “Age-dependent minimal repair”,
Journal of Applied Probability, Vol. 22 No. 2, pp. 370-385.
25 . Block, J., Ahmadi, A., Tyrberg, T., and Kumar, U. (2013), "Fleet-level
reliability analysis of repairable units: a non-parametric approach using the
mean cumulative function", International Journal of Pedagogy, Innovation and
New Technologies, Vol. 9 No. 3, pp. 333-344.
26 . Blumenthal, S. (1993), "New approximations for the event count distribution
for superimposed renewal processes at the time origin with application to the
reliability of new series systems", Operations research, Vol. 41 No. 2, pp. 409-
418.
27 . Blumenthal, S., Greenwood, J. A., and Herbach, L. (1973), "The transient
reliability behavior of series systems or superimposed renewal processes",
Technometrics, Vol. 15 No. 2, pp. 255-269.
28 . Bonnett, C. F. (2005), Practical railway engineering, Imperial College Press.
29 . Bozzo, R., Fazio, V., and Savio, S. (2003), "Power electronics reliability and
stochastic performances of innovative ac traction drives: a comparative
analysis", Power Tech Conference Proceedings, IEEE Bologna, Vol. 3, pp. 7-pp.
30 . Bredrup, E., Evensen, K., Helvik, B.E. and Swensen, A. (1986), “The activity-
dependent failure intensity of SPC systems – some empirical results”, IEEE
Journal on Selected Areas in Communications, Vol. 4 No. 7, pp. 1052-1059.
31 . Brown, M. and Proschan, F. (1983), “Imperfect repair”, Journal of Applied
Probability, Vol. 20, pp. 851-859.
32 . Búger, J.M. (2002), Tracción ferroviaria, PFC, Universidad Carlos III.
33 . CAF (1982), Manual de mantenimiento C-5000, CAF.
36 . Cangussu, J. W., Mathur, A. P., and DeCarlo, R. A. (2002), "Effect of
disturbances on the convergence of failure intensity", Software Reliability
Engineering, 2002. ISSRE 2003. Proceedings. 13th International Symposium on

Bibliografía 279
IEEE, pp. 377-387.
37 . CEI 60300-3-9:1995, Gestión de la confiabilidad. Parte 3: Guía de aplicación. Sección

9: Análisis del riesgo de sistemas tecnológicos.
38 . CEI 61163-2:1998, Selección mediante pruebas de vida bajo condiciones de esfuerzo.
Parte 2: Componentes electrónicos.
39 . Chen, S. K., Ho, T. K. and Mao, B. H. (2007), “Reliability evaluations of
railway power supplies by fault-tree analysis”, IET Electric Power Applications,
Vol. 1 No. 2, pp. 161-172.
40 . Cheng, Y., and Elsayed, E. A. (2016), "Reliability modeling and prediction of
systems with mixture of units", IEEE Transactions on Reliability, Vol. 65 No. 2,
pp. 914-928.
41 . Ciappa, M., and Castellazzi, A. (2007), "Reliability of high-power IGBT
modules for traction applications", Reliability physics symposium, 2007.
proceedings. 45th annual. IEEE international, pp. 480-485.
42 . Cinlar, E. (2013), Introduction to stochastic processes, Courier Corporation.
43 . Coetzee, J. L. (1997), “The role of NHPP models in the practical analysis of
maintenance failure data”, Reliability Engineering & System Safety, Vol. 56 No.
2, pp. 161-168.
44 . Cornwell, W. L. (2002), Switching Frequency Effects on Traction Drive System
Efficiency, Doctoral dissertation, Virginia Polytechnic Institute and State
University.
45 . Cosulich, G., Firpo, P., and Savio, S. (1996), "Power electronics reliability
impact on service dependability for railway systems: a real case study",
Industrial Electronics, 1996. ISIE'96., Proceedings of the IEEE International
Symposium on IEEE, Vol. 2, pp. 996-1001.
46 . Cox, D.R. (1972), “The statistical analysis of dependencies in point process”,
Stochastic Point Process: Statistical Analysis, Theory and Applications, Wiley,
New York, NY.
47 . Crow, L. H. (1990), "Evaluating the reliability of repairable systems",
Reliability and Maintainability Symposium, 1990. Proceedings., Annual IEEE, pp.
275-279.
48 . Crow, L. H. (1993), “Confidence intervals on the reliability of repairable
systems”, Reliability and Maintainability Symposium, 1993. Proceedings., Annual,
pp. 126-134.
49 . Crow, L.H. (1975), “Reliability analysis for complex, repairable systems”,
AMSAA Technical Report, No. 138.
50 . Crowder, M. J., Kimber, A., Sweeting, T., and Smith, R. (1994), Statistical
analysis of reliability data (Vol. 27). CRC Press.
51 . Cuadras, C. M. (2007), Nuevos métodos de análisis multivariante, CMC Editions.
52 . Darling, D. A. (1957), "The kolmogorov-smirnov, cramer-von mises tests", The
Annals of Mathematical Statistics, Vol. 28 No. 4, pp. 823-838.
53 . De la Fuente S., (2011), Análisis de Conglomerados, Universidad Autónoma de
Madrid.
54 . Denning, R. (2012), Applied R&M Manual for Defence Systems. MoD, Abbey

Wood.
55 . Dhillon, B. S. (2016), Transportation systems reliability and safety, CRC press.
56 . Díaz, J. (2009), Regulación de velocidad de un motor de SRM para tracción eléctrica,
TFM, Universidad Politécnica de Catalunya.
57 . Dixon, J. W., Ortúzar, M., and Ríos, F. (2002), "Traction Drive System for
Electric Vehicles, Using Multilevel Converters", 19th International Battery,
Hybrid and Fuel Cell Electric Vehicle Symposium, Bexco, Busan, Korea, Vol. 19.
58 . Duane, J.T. (1964), “Learning curve approach to reliability monitoring”, IEEE
Transactions on Aerospace, Vol. 2 No. 2, pp. 563–566.
59 . Dylis, D. D., and Priore, M. G. (2001), "A comprehensive reliability
assessment tool for electronic systems", Reliability and Maintainability
Symposium, 2001. Proceedings. Annual IEEE, pp. 308-313.
60 . Eckel, H. G., Bakran, M. M., Krafft, E. U., and Nagel, A. (2005), "A new
family of modular IGBT converters for traction applications", Power
Electronics and Applications, 2005 European Conference on IEEE, pp. 10.
61 . EN 50126-1 (1999), Railway Applications-The Specification and Demonstration of
Reliability. Availability, Maintainability, and Safety (RAMS)-Part, 1.
62 . EN 61165:2006, Application of Markov techniques (IEC 61165:2006).
63 . EN 62502:2010 , Analysis techniques for dependability - Event tree analysis (ETA)
64 . EN 62506:2013, Methods for product accelerated testing
65 . EN 62508:2010 , Guidance on human aspects of dependability
66 . EN 62673:2013, Methodology for communication network dependability assessment
and assurance
67 . Epstein, B., and Weissman, I. (2008), Mathematical models for systems reliability,
CRC Press.
68 . Fajardo, J.F., Perez, A.A.J., Alsina, S.S.M. and Ramirez-Marquez, J.E. (2010),
Simulation methods for reliability and availability of complex systems, Springer
Science & Business Media.
69 . Franz, J., Jokiel-Rokita, A., and Magiera, R. (2014), "Prediction in trend-
renewal processes for repairable systems", Statistics and Computing, Vol. 24
No. 4, pp. 633-649.
70 . Frenkel, I.B., Gertsbakh, I.B. and Khvatskin, L.V. (2003), "Parameter
Estimation and Hypotheses Testing for Nonhomogeneous Poisson Process",
Transport and Telecommunication, Vol. 4 No 2.
71 . Gámiz, M. L., Kulasekera, K. B., Limnios, N., and Lindqvist, B. H. (2011),
Applied nonparametric statistics in reliability, Springer Science & Business
Media.
72 . García J.L. (2006), Análisis de máquinas de tracción ferroviaria, PFC,
Universidad Carlos III.
73 . García, S. M., and Gil, J. A. G. (2006), Electrónica de potencia: componentes,
topologías y equipos, Editorial Paraninfo.
74 . Garmabaki, A.H.S., Ahmadi, A., Block, J., Pham, H. and Kumar, U. (2016), “A
reliability decision framework for multiple repairable units”, Reliability
Engineering & System Safety, Vol. 150, pp. 78-88.
75 . Gayathry, G., and Selvi, R. T. (2015), "Classification of software reliability

Bibliografía 281
models to improve the reliability of software", Indian Journal of Science and

Technology, Vol. 8 No. 29.
76 . Ghosh, S. and Majumdar, S.K. (2011), “Reliability modeling and prediction
using classical and Bayesian approach: a case study”, International Journal of
Quality & Reliability Management, Vol. 28 No. 5, pp. 556-586.
77 . González, F. J. (2005), Teoría y práctica del mantenimiento industrial avanzado, FC
Editorial.
78 . González, F. J. (2010), Ingeniería ferroviaria. Segunda edición actualizada y
ampliada, Editorial UNED.
79 . Griful, E. (2004), Fiabilidad industrial (Vol. 65). Universitat Politècnica de
Catalunya. Iniciativa Digital Politècnica.
80 . Guo, R., Ascher, H. and Love, E. (2000), “Generalized models of repairable
systems – a survey via stochastic processes formalism,” ORiON, Vol. 16 No.
2, pp. 87-128.
81 . Hall, J.B. and Mosleh, A. (2009), “Bayesian methods for evaluating discrete
reliability growth”, Proceedings of annual IEEE reliability and maintainability
symposium, 2009 (RAMS 2009), pp. 383-388.
82 . Hamada, M. S., Wilson, A., Reese, C. S., and Martz, H. (2008), Bayesian
reliability, Springer Science & Business Media.
83 . Hansen, C. K. (1995), "Reliability prediction and simulation for a
communications-satellite fleet", Reliability and Maintainability Symposium,
1995. Proceedings., Annual IEEE, pp. 152-158.
84 . Harris, B. (1971), “Hypothesis testing and confidence intervals for products
and quotients of Poisson parameters with applications to reliability”, Journal
of the American Statistical Association, Vol. 66 No. 335, pp. 609-613.
85 . Hatton, L. (2009), “Repetitive failure, feedback and the lost art of diagnosis”,
Journal of Systems and Software, Vol. 47 No. 2–3, pp. 183-188.
86 . Higgins, J. J., and Tsokos, C. P. (1981), "A quasi-Bayes estimate of the failure
intensity of a reliability-growth model", IEEE Transactions on Reliability, Vol.
30 No. 5, pp. 471-475.
87 . Hill, R. J. (1994), "Electric railway traction. I. Electric traction and DC traction
motor drives", Power Engineering Journal, Vol. 8 No.1, pp. 47-56.
88 . Hnatek, E. R. (2002), Practical reliability of electronic equipment and products (Vol.
116), CRC press.
89 . Horie, A., Mizobuchi, T., Nakamura, K., and Eng, D. (1999), "Efficient Train
Traction System That Reduces Maintenance Work", Hitachi Review, Vol.48 No.
3, pp. 139.
90 . Hoseinie, S.H., Ataei, M., Khalookakaie, R., Ghodrati, B. and Kumar, U.
(2012), “Reliability analysis of drum shearer machine at mechanized longwall
mines”, Journal of Quality in Maintenance Engineering, Vol. 18 No. 1, pp. 98-
119.
91 . Hoseinie, S.H., Ataie, M., Khalookakaei, R. and Kumar, U. (2011), “Reliability
modeling of hydraulic system of drum shearer machine”, Journal of Coal
Science and Engineering (China), Vol. 17 No. 4, pp. 450-456.
92 . Hougaard, P. (2012), Analysis of multivariate survival data, Springer Science &

Business Media.
93 . Hussin, H., Mohd-Hashim, F., Halim-Ramli, O. and Muhammad-Afdhal-
Ghazali, S. (2013), “Maintainability analysis of an offshore gas compression
train system, a case study”, International Journal of Quality & Reliability
Management, Vol. 30 No. 5, pp. 495-510.
94 . Huzurbazar, A. V., and Williams, B. J. (2010), "Incorporating covariates in
flowgraph models: Applications to recurrent event data", Technometrics, Vol.
52 No. 2, pp. 198-208.
95 . IEC 60300-1:2014, Dependability management - Part 1: Guidance for management
and application.
96 . IEC 60300-3-1:2003, Dependability management - Part 3-1: Application guide -
Analysis techniques for dependability - Guide on methodology .
Maintainability.
Reliability centred maintenance.
Integrated logistic support .
Maintenance and maintenance support.
Engineering of system dependability.
Guidelines for specification of maintenance support services.
Collection of dependability data from the field.
104 . IEC 60300-3-3:2004, Dependability management - Part 3-3: Application guide - Life
cycle costing.
Guide to the specification of dependability requirements .
Reliability test conditions and statistical test principles.
107 . IEC 60300-3-9 :1995, Dependability management - Part 3: Application guide -
Section 9: Risk analysis of technological systems.
108 . IEC 60319:1999, Presentation and specification of reliability data for electronic
components.
109 . IEC 60605-2:1994, Equipment reliability testing - Part 2: Design of test cycles.
110 . IEC 60605-4:2001, Equipment reliability testing - Part 4: Statistical procedures for
exponential distribution - Point estimates, confidence intervals, prediction intervals
and tolerance intervals.
111 . IEC 60605-6:2007, Equipment reliability testing - Part 6: Tests for the validity and
estimation of the constant failure rate and constant failure intensity.
112 . IEC 60706-2:2006, Maintainability of equipment - Part 2: Maintainability
requirements and studies during the design and development phase.
113 . IEC 60706-3:2006, Maintainability of equipment - Part 3: Verification and

Bibliografía 283
collection, analysis and presentation of data.

114 . IEC 60706-5:2007, Maintainability of equipment - Part 5: Testability and diagnostic
testing.
115 . IEC 60812:2006, Analysis techniques for system reliability - Procedure for failure
mode and effects analysis (FMEA).
116 . IEC 61014:2003, Programmes for reliability growth.
117 . IEC 61025:2006, Fault tree analysis (FTA).
118 . IEC 61070:1991, Compliance test procedures for steady-state availability.
119 . IEC 61078:2006, Analysis techniques for dependability - Reliability block diagram
and boolean methods.
120 . IEC 61123:1991, Reliability testing - Compliance test plans for success ratio.
121 . IEC 61124:2012, Reliability testing - Compliance tests for constant failure rate and
constant failure intensity.
122 . IEC 61160:2005, Design review.
123 . IEC 61163-1:2006, Reliability stress screening - Part 1: Repairable assemblies
manufactured in lots.
124 . IEC 61163-2:1998, Reliability stress screening - Part 2: Electronic components.
125 . IEC 61164:2004, Reliability growth - Statistical test and estimation methods.
126 . IEC 61165:2006, Application of Markov techniques.
127 . IEC 61649:2008, Weibull analysis.
128 . IEC 61650:1997, Reliability data analysis techniques - Procedures for comparison of
two constant failure rates and two constant failure (event) intensities.
129 . IEC 61703:2001, Mathematical expressions for reliability, availability,
maintainability and maintenance support terms.
130 . IEC 61709:2011, Electric components - Reliability - Reference conditions for failure
rates and stress models for conversion.
131 . IEC 61710:2013, Power law model - Goodness-of-fit tests and estimation methods.
132 . IEC 61882:2001, Hazard and operability studies (HAZOP studies) - Application
guide.
133 . IEC 61907:2009, Communication network dependability engineering.
134 . IEC 62198:2013, Managing risk in projects - Application guidelines.
135 . IEC 62308:2006, Equipment reliability - Reliability assessment methods.
136 . IEC 62309:2004, Dependability of products containing reused parts - Requirements
for functionality and tests.
137 . IEC 62347:2006, Guidance on system dependability specifications.
138 . IEC 62402:2007, Obsolescence management - Application guide.
139 . IEC 62429:2007, Reliability growth - Stress testing for early failures in unique
complex systems.
140 . IEC 62502:2010, Analysis techniques for dependability - Event tree analysis (ETA).
141 . IEC 62506:2013, Methods for product accelerated testing.
142 . IEC 62508:2010, Guidance on human aspects of dependability.
143 . IEC 62551:2012, Analysis techniques for dependability - Petri net techniques.
144 . IEC 62628:2012, Guidance on software aspects of dependability.
145 . IEC 62673:2013, Methodology for communication network dependability assessment
and assurance.

146 . IEC 62740:2015, Root cause analysis (RCA).

147 . IEC 62741:2015, Demonstration of dependability requirements - The dependability
case.
148 . IEC TR 62380:2004, Reliability data handbook - Universal model for reliability
prediction of electronics components, PCBs and equipment.
149 . IEC/ISO 31010:2009, Risk management - Risk assessment techniques.
150 . Iglesias, J. I., and Jiménez, J. A. (2000), "Sistemas de tracción en los trenes
españoles de alta velocidad", Ingeniería Civil, Vol. 118.
151 . Inarida, S., and Kaneko, T. (2005), "A novel power control method achieving
high reliability of auxiliary power supply system for trains", Power Electronics
and Applications, 2005 European Conference on IEEE, pp. 8-.
152 . Jaafar, A., Sareni, B. and Roboam, X. (2012), “Clustering analysis of railway
driving missions with niching”, COMPEL-The international journal for
computation and mathematics in electrical and electronic engineering, Vol. 31 No.
3, pp. 920-931.
153 . Jacob, P., Held, M., and Scacco, P. (1995), "IGBT power semiconductor
reliability analysis for traction application. In Physical and Failure Analysis
of Integrated Circuits", Proceedings of the 1995 5th International Symposium on
the IEEE, pp. 169-175.
154 . Jenney, B. W., and Sherwin, D. J. (1986), "Open & short circuit reliability of
systems of identical items", IEEE transactions on reliability, Vol. 35 No. 5, pp.
532-538.
155 . Ji, G., Wu, W., Zhang, B., and Sun, H. (2013), "A renewal-process-based
component outage model considering the effects of aging and maintenance",
International Journal of Electrical Power & Energy Systems, Vol. 44 No. 1, pp. 52-
59.
156 . Jiang S.T., Landers T.L. and Rhoads T.R. (2005), “Semi-parametric
proportional intensity models robustness for right-censored recurrent failure
data”, Reliability Engineering and System Safety, Vol. 90 No. 1, pp. 91-98.
157 . Jones, J., and Hayes, J. (2001), "Estimation of system reliability using a" non-
constant failure rate" model", IEEE Transactions on Reliability, Vol. 50 No. 3,
286-288.
158 . Juarez, C., Messina, A.R., Castellanos, R. and Espinosa-Perez, G. (2011),
“Characterization of multimachine system behavior using a hierarchical
trajectory cluster analysis”, IEEE Transactions on Power Systems, Vol. 26 No. 3,
pp. 972-981.
159 . Kaminskiy, M. and Krivtsov, V. (2015), “Geometric G1-renewal process as
repairable system model”, Proceedings of annual IEEE reliability and
maintainability symposium (RAMS), 2015, pp. 1-6.
160 . Kaminskiy, M., and Krivtsov, V. (2010), "G1-renewal process as repairable
system model", arXiv preprint arXiv:1006.3718.
161 . Karanikas, N. (2013), “Using reliability indicators to explore human factors
issues in maintenance databases”, International Journal of Quality & Reliability
Management, Vol. 30 No. 2, pp. 116-128.
162 . Kashyap, R., and Nasburg, R. (1974), "Parameter estimation in multivariate

Bibliografía 285
stochastic difference equations", IEEE Transactions on Automatic Control, Vol.

19 No. 6, pp. 784-797.
163 . Kijima, M. (1989), “Some results for repairable systems with general repair”,
164 . Kim, H. K. (2009), Reliability modeling and evaluation in aging power systems,
Doctoral dissertation, Texas A&M University.
165 . Kim, H., and Singh, C. (2010), "Reliability modeling and simulation in power
systems with aging characteristics", IEEE Transactions on Power Systems, Vol.
25 No. 1, pp. 21-28.
166 . Kim, J., and Dobson, I. (2010), "Approximating a loading-dependent
cascading failure model with a branching process", IEEE Transactions on
Reliability, Vol. 59 No. 4, pp. 691-699.
167 . Kjellqvist, T. (2009), On design of a compact primary switched conversion system
for electric railway propulsion, Doctoral dissertation, KTH.
168 . Knafl, G. J., and Sacks, J. (1991), "Poisson processes with nearly constant
failure intensity", Software Reliability Engineering, 1991. Proceedings., 1991
International Symposium on IEEE, pp. 60-66.
169 . Koseki, T. (2010), "Technical trends of railway traction in the world", Power
Electronics Conference (IPEC), IEEE 2010 International, pp. 2836-2831.
170 . Krasich, M. (2012), “Power law model, correct application in reliability
growth do the cumulative times indeed always add up?”, Proceedings of
annual IEEE reliability and maintainability symposium, 2012 (RAMS 2012), pp. 1-
7.
171 . Krivtsov, V. (2007), "Recent advances in theory and applications of stochastic
point process models in reliability engineering", Reliability Engineering and
System Safety, Vol. 5 No. 92, pp. 549-551.
172 . Krivtsov, V. and Wasiloff, J. (2000), “Classical vs. Bayes reliability growth in
theory and practice”, in Proceedings of ASQ World Conference on Quality and
Improvement, Vol. 54.
173 . Krivtsov, V., and Frankstein, M. (2014), "Reliability analysis of “sibling”
components", Reliability and Maintainability Symposium (RAMS), 2014 Annual
IEEE,pp. 1-4.
174 . Kulworawanichpong, T. (2003), Optimising AC electric railway power flows with
power electronic control, Doctoral dissertation, The University of Birmingham.
175 . Kulworawanichpong, T., and Goodman, C. J. (2005), "Optimal area control of
AC railway systems via PWM traction drives", IEE Proceedings-Electric Power
Applications, Vol.152 No.1, pp. 33-40.
176 . Kumamoto, H., Tanaka, K., Inoue, K. and Henley, E.J. (1980), “State-
transition Monte Carlo for evaluating large, repairable systems”, IEEE
Transactions on Reliability, Vol. R-29 No. 5, pp. 376-380.
177 . Kumar, U. (1990), Reliability analysis of load-haul-dump machines, Doctoral
dissertation, Lulea Tekniska Universitet.
178 . Kumar, U., Klefsjö, B. and Granholm, S. (1989), “Reliability investigation for a
fleet of load haul dump machines in a Swedish mine”, Reliability Engineering
& System Safety, Vol. 26 No. 4, pp. 341-361.

179 . Kurien, K.C., Sekhon, G.S. and Chawla O.P. (1993), “Analysis of aircraft
reliability using Monte Carlo simulation”, International Journal of Quality &
Reliability Management, Vol. 10 No. 2.
180 . Landers, T. L., Jiang, S. T., and Peek, J. R. (2001), "Semi-parametric PWP
model robustness for log-linear increasing rates of occurrence of failures",
Reliability Engineering & System Safety, Vol. 73 No. 2, pp. 145-153.
181 . Lawless, J. F., and Nadeau, C. (1995), "Some simple robust methods for the
analysis of recurrent events", Technometrics, Vol. 37 No. 2, pp. 158-168.
182 . Lawless, J. F., and Thiagarajah, K. (1996), "A point-process model
incorporating renewals and time trends, with application to repairable
systems", Technometrics, Vol. 38 No. 2, pp. 131-138.
183 . Léger, C., and Wolfson, D. B. (1987), "Hypothesis testing for a non-
homogeneous Poisson process", Stochastic Models, Vol. 3 No. 3, pp. 439-455.
184 . Lewis, P. (1964), “A branching Poisson process model for the analysis of
computer failure patterns”, Journal of the Royal Statistical Society. Series B
(Methodological), Vol. 26 No. 3, pp. 398-456.
185 . Lewis, P. A. (1967), "Non-homogeneous branching Poisson processes", Journal
of the Royal Statistical Society. Series B (Methodological), pp. 343-354.
186 . Li, Z., Zhou, S., Choubey, S., and Sievenpiper, C. (2007), "Failure event
prediction using the Cox proportional hazard model driven by frequent
failure signatures", IIE transactions, Vol. 39 No. 3, pp. 303-315.
187 . Liang, Y. (2008), “Combining neural networks and genetic algorithms for
predicting the reliability of repairable systems”, International Journal of Quality
& Reliability Management, Vol. 25 No. 2, pp. 201-210.
188 . Liang, Y. (2011), “Analyzing and forecasting the reliability for repairable
systems using the time series decomposition method”, International Journal of
189 . Limnios, N., and Ionescu, D. C. (2012), Statistical and probabilistic models in
reliability, Springer Science & Business Media.
190 . Lindley, D. V., and Singpurwalla, N. D. (1986), "Multivariate distributions for
the life lengths of components of a system sharing a common environment",
191 . Lindqvist, B. H. (1999). "Repairable systems with general repair".
192 . Lindqvist, B.H. (2006), “On the statistical modeling and analysis of repairable
systems”, Statistical Science, Vol. 21 No. 4, pp. 532-551.
193 . Lindqvist, B.H., Elvebakk, G. and Heggland, K. (2003), “The trend-renewal
process for statistical analysis of repairable systems”, Technometrics Vol. 45,
pp. 31-44.
194 . Lisnianski, A., Frenkel, I. and Ding, Y. (2010), Multi-state system reliability
analysis and optimization for engineers and industrial managers, Springer Science
& Business Media.
195 . Liu, Z., Ma, X., and Zhao, Y. (2011), "Mission reliability assessment for plane
fleet based on flight profile", Reliability, Maintainability and Safety (ICRMS),
2011 9th International Conference on IEEE, pp. 154-158.

Bibliografía 287
196 . Lozynsky, O., and Shcherbovskykh, S. (2010), "Failure intensity

determination for renewal doubling system with parallel redundancy";
Modern Problems of Radio Engineering, Telecommunications and Computer Science
(TCSET), 2010 International Conference on IEEE, pp. 316-316.
197 . Lu, S., Lu, H., and Kolarik, W. J. (2001), "Multivariate performance reliability
prediction in real-time", Reliability Engineering & System Safety, Vol. 72 No. 1,
pp. 39-45.
198 . Lucero, A. (2006), Tracción Eléctrica, Publicaciones Docentes.
199 . Luo, M., Wu, M. L., and Wang, X. Y. (2010), "Study on Reliability Test for
Brake Control Execution Unit of Rail Transit Vehicle", E-Product E-Service and
E-Entertainment (ICEEE), 2010 International Conference on IEEE, pp. 1-4.
200 . Luo, M., Wu, M.L. and Wang, X.Y. (2010), “Study on reliability test for brake
control execution unit of rail transit vehicle”, E-Product, E-Service and E-
Entertainment (ICEEE), 2010 International Conference on, pp. 1-4.
201 . Lyu, M. R. (1996), Handbook of software reliability engineering, McGraw-Hill.
202 . Ma, Z., and Krings, A. W. (2008), "Multivariate survival analysis (I): shared
frailty approaches to reliability and dependence modeling", Aerospace
Conference, 2008 IEEE, pp. 1-21.
203 . Ma, Z., Krings, A. W., and Hiromoto, R. E. (2008), "Multivariate survival
analysis (II): an overview of multi-state models in biomedicine and
engineering reliability", BioMedical Engineering and Informatics, 2008. BMEI
2008. International Conference on IEEE, Vol. 1, pp. 536-541.
204 . Maghsoodloo, S. and Helvaci, D. (2014), “Renewal and Renewal-Intensity
Functions with Minimal Repair”, Journal of Quality and Reliability Engineering,
Vol. 2014.
205 . Mahadevan, S. (2000), Probability, reliability, and statistical methods in
engineering design. Wiley.
206 . Mallor, F., and Santos, J. (2003), "Reliability of systems subject to shocks with
a stochastic dependence for the damages", Test, Vol. 12 No. 2, pp. 427-444.
207 . Maricau, E., De Jonghe, D., and Gielen, G. (2012), "Hierarchical analog circuit
reliability analysis using multivariate nonlinear regression and active
learning sample selection", IEEE Design, Automation & Test in Europe
Conference & Exhibition (DATE), pp. 745-750.
208 . Markovich, N. M., and Krieger, U. R. (2006), "Nonparametric estimation of
the renewal function by empirical data", Stochastic Models, Vol. 22 No. 2, pp.
175-199.
209 . Martinez, C., Vazquez, R., Quesada, I., Lucena, C., Lazaro, A., and Barrado,
A. (2011), "PWM-VSI overmodulation technique with carrier harmonics
reduction for auxiliary railway power supply" IEEE Compatibility and Power
Electronics (CPE), 7th International Conference-Workshop, pp. 252-257.
210 . Mealing, S. W., and Hinsley, W. (2011), "In-service reliability demonstration
testing", Railway Condition Monitoring and Non-Destructive Testing (RCM 2011),
5th IET Conference on IET, pp. 1-6.
211 . Meeker, W. Q., and Escobar, L. A. (2010), SPLIDA (S-PLUS life data analysis),
Iowa State University and Louisiana State University.

212 . Melis, M., and González, F. J. (2002), Ferrocarriles metropolitanos: tranvías,

metros ligeros y metros convencionales, Colegio de Ingenieros de Caminos,
Canales y Puertos.
213 . Mermet-Guyennet M. and Piton M. (2010), "Railway traction reliability", 6th
International Conference on Integrated Power Electronics Systems IEEE,
Nuremberg,pp. 1-6.
214 . Mester, V. (2007), Conception optimale systémique des composants des chaînes de
traction électrique,Doctoral dissertation, Ecole Centrale de Lille.
215 . Metro de Madrid (2006), Electrónica de potencia C-2000,Metro de Madrid.
216 . Metro de Madrid (2008), Descripción del regulador de marcha MITRAC, Metro
de Madrid.
217 . Metro de Madrid (2015), Plano 22.500, Metro de Madrid.
218 . Mettas, A., and Zhao, W. (2005), "Modeling and analysis of repairable
systems with general repair", Reliability and Maintainability Symposium, 2005.
Proceedings. Annual IEEE, pp. 176-182.
219 . MIL-HDBK-108, Sampling Procedures and Tables for Life and Reliability Testing
(Based on Exponential Distribution).
220 . MIL-HDBK-189 (1981), “Reliability Growth Management”, Headquarters, US
Army Communication Research and Development Command, A’ITN: DRDCO-PT,
Fort Monmouth, NJ.
221 . MIL-HDBK-189C, Reliability Growth Management - Revision C.
222 . MIL-HDBK-2164A, Environmental Stress Screening Process for Electronic
Equipment - Revision A.
223 . MIL-HDBK-217F, Reliability Prediction of Electronic Equipment - Revision F.
224 . MIL-HDBK-251, Reliability/Design Thermal Applications.
225 . MIL-HDBK-338B, Electronic Reliability Design Handbook - Revision B.
226 . MIL-HDBK-344A, Environmental Stress Screening (ESS) of Electronic Equipment
- Revision A.
227 . MIL-HDBK-470A, Designing and Developing Maintainable Products and Systems
- Revision A .
228 . MIL-HDBK-472, Maintainability Prediction.
229 . MIL-HDBK-781A, Handbook for Reliability Test Methods, Plans, and
Environments for Engineering, Development, Qualification, and Production -
Revision A
230 . MIL-P-24534A, Planned Maintenance System: Development of Maintenance
Requirement Cards, Maintenance Index Pages, and Associated Documentation-
Revision A.
231 . MIL-STD-1543B, Reliability Program Requirements for Space and Launch Vehicles
- Revision B.
232 . MIL-STD-1629A, Procedures for Performing a Failure Mode Effects and Criticality
Analysis - Revision A.
233 . MIL-STD-2073E, Standard Practice for Military Packaging - Revision E.
234 . MIL-STD-2074, Failure Classification for Reliability Testing.
235 . MIL-STD-2155, Failure Reporting, Analysis and Corrective Action Systems.
236 . MIL-STD-2173, Reliability Centered Maintenance Requirements for Naval Aircraft,

Bibliografía 289
Weapons Systems and Support Equipment.

237 . MIL-STD-3034, Reliability-Centered Maintenance (RCM) Process.
238 . MIL-STD-471A, Maintainability Verification/Demonstration/Evaluation - Revision
A.
239 . MIL-STD-690D, Failure Rate Sampling Plans and Procedures - Revision D.
240 . MIL-STD-721C, Definition of Terms for Reliability and Maintainability - Revision
C.
241 . MIL-STD-756B, Reliability Modeling and Prediction - Revision B.
242 . MIL-STD-781D, Reliability Testing for Engineering Development, Qualification
and Production - Revision D.
243 . MIL-STD-785B, Reliability Program for Systems and Equipment Development and
Production - Revision B.
244 . MIL-STD-790F, Established Reliability and High Reliability Qualified Products List
(QPL) Systems For Electrical, Electronic, and Fiber Optic Parts Specifications -
Revision F.
245 . MIL-STD-882C, System Safety Program Requirements- Revision C.
246 . MIL-STD-883J, Test Method Standard Microcircuits - Revision J.
247 . Montanés V., (2012), Procesos de Renovación en tiempo discreto: Aplicación del
caso tipo fase en fiabilidad, TFM, Univesidad de Granada.
248 . Moore, A. H., Harter, H. L., and Antoon, D. F. (1981), "Confidence intervals
and tests of hypotheses for the reliability of a 2-parameter Weibull system",
IEEE Transactions on Reliability, Vol. 30 No. 5, pp. 468-470.
249 . Musa, J. D. (1994), "Adjusting measured field failure intensity for operational
profile variation", Software Reliability Engineering, 1994. Proceedings., 5th
International Symposium on IEEE, pp. 330-333.
250 . Musa, J. D. (1994), "Sensitivity of field failure intensity to operational profile
errors", Software Reliability Engineering, 1994. Proceedings., 5th International
Symposium on IEEE, pp. 334-337.
251 . Nakagawa, T. (1979), "Optimum policies when preventive maintenance is
imperfect", IEEE Transactions on Reliability, Vol. 28 No.4, pp 331-332.
252 . Narváez, M. (2015)., Modelo para la evaluación de la fiabilidad de sistemas
dinámicos reparables de múltiples componentes, tesis doctoral, Universidad de
Cali.
253 . Nelson, W. (2003), Recurrent Events Data Analysis for Product Repairs, Disease
Recurrences, and Other Applications, ASA/SIAM, Providence, RI.
254 . Nicholls, D. (2005), System reliability toolkit, Riac.
255 . Niu, C., Liang, X., Ge, B., Tian, X., and Chen, Y. (2016), "Optimal replacement
policy for a repairable system with deterioration based on a renewal-
geometric process", Annals of Operations Research, Vol. 244 No. 1, pp. 49-66.
256 . Ntafos, S., and Poceciun-Benson, V. (2000), "Improved testing using failure
cost and intensity profiles", Application-Specific Systems and Software
Engineering Technology, 2000. Proceedings. 3rd IEEE Symposium, pp. 143-147.
257 . Ocaña J., (2001), Notas sobre la generación de procesos estocásticos, Universidad
de Barcelona.
258 . O'connor, P. D., O'Connor, P., and Kleyner, A. (2012), Practical reliability

engineering, John Wiley & Sons.

259 . Onda, S., and Maekawa, K. (2010), "Hardware embedded current control
PWM" Hi-PWM" to reduce switching frequency for application to railway",
Power Electronics Conference (IPEC), 2010 International IEEE, pp. 1596-1599.
260 . Onuki, J., Koizumi, M., and Suwa, M. (2000), "Reliability of thick Al wire
bonds in IGBT modules for traction motor drives", IEEE Transactions on
Advanced Packaging, Vol. 23 No. 1, pp. 108-112.
261 . Panja, S.C. and Ray, P.K. (2007), “Reliability analysis of track circuit of Indian
railway signalling system”, International Journal of Reliability and Safety, Vol. 1
No. 4, pp. 428-445.
262 . Peña, E.A. (2006), “Dynamic modeling and statistical analysis of event
times”, Statistical Science, Vol. 21 No. 4, pp. 487-500.
263 . Peña, E.A. and Hollander, M. (2004), “Models for recurrent events in
reliability and survival analysis”, in Soyer, T., Mazzuchi, T. and
Singpurwalla, N. (Eds.), Mathematical Reliability: An Expository Perspective,
Kluwer Academic Publishers, Dordrecht, pp. 105-123.
264 . Péres V., and Reynoso D. (2010), Introducción a los Procesos de Poisson,
Universidad de Guanajuato.
265 . Pérez-Alonso, M., Moriñigo-Sotelo, D., and Duque-Pérez, Ó. (2011), "Los
motores eléctricos de tracción ferroviaria. Características y técnicas de
mantenimiento del sistema eléctrico", DYNA-Ingeniería e Industria, Vol. 86
No. 4.
266 . Perpina, X., Jordà, X., Vellvehi, M., Rebollo, J., and Mermet-Guyennet, M.
(2011), "Long-term reliability of railway power inverters cooled by heat-pipe-
based systems", IEEE transactions on industrial electronics, Vol. 58 No. 7, pp.
2662-2672.
267 . Pham, H. (2007), System software reliability, Springer Science & Business
Media.
268 . Pham, H. and Wang, H. (1996), “Imperfect maintenance”, European Journal of
Operational Research, Vol. 94 No. 3, pp. 425-438.
269 . Pita, S., and Pértega, S. (1997), "Relación entre variables cuantitativas", Cad
Aten Primaria, Vol. 4, pp. 141-144.
270 . Plaza J. (2013), Modelos de fiabilidad del software, TFM, Universidad de
Valladolid.
271 . Powers, W. A., and Posten, H. O. (1975), "The Robustness of Reliability
Predictions For Parallel Systems of Identical Components", IEEE Transactions
on Reliability, Vol. 24 No. 2, pp 126-128.
272 . Proust, M. (2013), Reliability and Survival Methods, JMP, A. - SAS.
273 . Qian, X., and Wu, Y. (2011), "A practical method of predicting the failure
intensity of hydropower generating units", Prognostics and System Health
Management Conference (PHM-Shenzhen), 2011 IEEE, pp. 1-5.
274 . Quiroga, J. A. (2000), Onduladores trifásicos aplicados a tracción ferroviaria, PFC,
Universidad Politécnica de Madrid.
275 . Qurashi, M. and Hamdi, A.M.A. (2016), “Stochastic renewal process model
for maintenance (case study: thermal electricity generation in Sudan)”,

Bibliografía 291
International Journal of Advanced Statistics and Probability, Vol. 4 No.1, pp. 11-
15.
276 . Ranganathan, J., and Kale, B. K. (1979), "Tests of hypotheses for reliability
functions in two-parameter exponential models", Canadian Journal of
Statistics, Vol. 7 No. 2, pp. 177-184.
277 . Rashid, M. H., and Sood, V. K. (1984), "Comparative evaluations of thyristor
choppers for railway applications", Vehicular Technology Conference, 34th
IEEE, Vol. 34, pp. 235-241.
278 . Rastegari, A. and Mobin, M. (2016), “Maintenance decision making,
supported by computerized maintenance management system”, IEEE 2016
Annual Reliability and Maintainability Symposium (RAMS), pp. 1-8.
279 . Rausand, M. and Hoyland, A. (2004), System Reliability Theory: Models,
Statistical Methods, and Applications, 2nd ed., Wiley, New York, NY.
280 . ReliaSoft Corporation (2003), Blueprint for a Comprehensive Reliability
Program,ReliaSoft Corporation.
281 . ReliaSoft Corporation (2014), RGA 9 Quick Start Guide, ReliaSoft Corporation.
282 . ReliaSoft Corporation (2014), RGA 9 Software, ReliaSoft Corporation.
283 . ReliaSoft Corporation (2015), Experiment Design & Analysis Reference, ReliaSoft
Corporation.
284 . ReliaSoft Corporation (2015), Life Data Analysis Reference, ReliaSoft
Corporation.
285 . ReliaSoft Corporation (2015), Reliability Growth & Repairable System Data
Analysis, ReliaSoft Corporation.
286 . ReliaSoft Corporation (2015), RGA 10 Quick Start Guide, ReliaSoft
Corporation.
287 . ReliaSoft Corporation (2015), Software & services, ReliaSoft Corporation.
288 . Rigdon S.E., Basu A.P. (2000), Statistical Methods for the Reliability of Repairable
Systems, Wiley, New York, NY.
289 . Rincón L., (2011), Introducción a los procesos estocásticos, Universidad Nacional
Autónoma de México.
290 . Roy, D. (2001), "Some properties of a classification system for multivariate life
distributions", IEEE Transactions on reliability, Vol. 50 No. 2, pp. 214-220.
291 . Ruggeri, F. (2006), "On the reliability of repairable systems: methods and
applications”, Proceedings of progress in industrial mathematics at ECMI 2004,
Vol. 8, pp. 535-553.
292 . Sagareli, S. (2004), "Traction power systems reliability concepts", ASME/IEEE
2004 Joint Rail Conference, pp. 35-39.
293 . Salinas M., (2013), Modelos de fragilidad paramétricos, TFM, Univesidad de
Granada.
294 . Sanjuán, E. L. (2004), Estudio de la fiabilidad de sistemas con reparaciones
pospuestas, tesis doctoral, Universidad de Extremadura.
295 . Santos, A. F. D. (2007), Gerenciamento da confiabilidade em projetos de material
rodante ferroviário, Doctoral dissertation, Universidade de São Paulo.
296 . Santos, R. Á. (1979), Materiales y componentes electrónicos: materiales,
componentes pasivos, componentes activos. Editesa.

297 . Sari, J. K. (2007), Multivariate degradation modeling and its application to

reliability testing, Doctoral dissertation, National University of Singapore.
298 . Sawyer, E., Hosking, T., and Brubaker, M. (2011), "Advanced simulation tools
used to provide high-reliability next generation film capacitors for traction
drives and power electronics", Electrical Machines and Systems (ICEMS), 2011
International Conference on IEEE,pp. 1-5.
299 . Schilling, M.T., Praca, J.C.G., De Queiroz, J.F., Singh, C. and Ascher, H.
(1988), “Detection of ageing in the reliability analysis of thermal generators”,
IEEE transactions on power systems, Vol. 3 No. 2, pp. 490-499.
300 . Shang, L. and Wang, S. (2015), "Application of the principal component
analysis and cluster analysis in comprehensive evaluation of thermal power
units", 5th International Conference on Electric Utility Deregulation and
Restructuring and Power Technologies (DRPT), Changsha, pp. 2769-2773.
301 . Sharifi, M., Ganjian, M., and Ghajar, H. R. (2005), "Expansion of Reliability
Models based on Markov Chain with Consideration of Fuzzy Failure Rates:
System with two Parallel and Identical Elements with Constant Failure
Rates", Computational Intelligence for Modelling, Control and Automation, 2005
and International Conference on Intelligent Agents, Web Technologies and Internet
Commerce, International Conference on IEEE, Vol. 2, pp. 1022-1026.
302 . Sharifi, M., Ganjian, M., and Shafiee, P. (2006), "Reliability of a System with n
Parallel and Not Identical Elements with Constant Failure Rates",
Computational Intelligence for Modelling, Control and Automation, 2006 and
International Conference on Intelligent Agents, Web Technologies and Internet
Commerce, International Conference on IEEE, pp. 48-48.
303 . Sharma, R. (2015), "Reliability Analysis for a Repairable System under N-
policy and Imperfect Coverage", Proceedings of the International Multi-
Conference of Engineers and Computer Scientists, Hong Kong, Vol. 2.
304 . Shen, J., and Butterworth, N. (1997), "Analysis and design of a three-level
PWM converter system for railway-traction applications", IEE Proceedings-
Electric Power Applications, Vol.144 No.5, pp. 357-371.
305 . Shima, K., Takada, S., Matsumoto, K. I., and Torii, K. (1997), "A study on the
failure intensity of different software faults", Proceedings of the 19th
international conference on Software engineering ACM, pp. 86-94.
306 . Siemens (2011), Sibas 32, Siemens.
307 . Simpson, K.G.L. and Kelly, M. (2002), “Reliability assessments of repairable
systems – Is Markov modeling correct?”, Safety and Reliability Society Journal,
Vol. 22 No. 2.
308 . Smeitink, E. and Dekker, R. (1990), “A simple approximation to the renewal
function [reliability theory]”, IEEE transactions on reliability, Vol. 39 No. 1, pp.
71-75.
309 . Smith, S.A. and Oren, S.S. (1980), “Reliability growth of repairable systems”,
Naval Research Logistics Quarterly, Vol. 27 No. 4, pp. 539-547.
310 . Solano Hurtado, H. (2008), Análisis de Supervivencia en Fiabilidad. Predicción en
condiciones de alta censura y truncamiento: el caso de las redes de suministro de
agua potable, tesis doctoral, Universidad Politécnica de Valencia.

Bibliografía 293
311 . Solé, A. C. (2005), Fiabilidad y seguridad: su aplicación en procesos industriales,

Marcombo.
312 . Sommer, H. W., Himmelstoss, F. A., and Zach, F. C. (1991), "Analysis of a low
loss turn-off network for a GTO chopper for international railway cars
operating under different railway supply voltages", Industrial Electronics,
Control and Instrumentation, 1991. Proceedings. IECON'91., 1991 International
Conference on IEEE, pp. 656-661.
313 . Statgraphics (2006), Ajustando Distribución (Datos No Censurados),
Statgraphics.
314 . Statgraphics (2006), Análisis de Conglomerados,Statgraphics.
315 . Statgraphics (2006), Análisis de Factores,Statgraphics.
316 . Statgraphics (2006), Análisis Discriminante,Statgraphics.
317 . Statgraphics (2006), Análisis Multivariable,Statgraphics.
318 . Statgraphics (2006), Corelaciones Canónicas,Statgraphics.
319 . Statgraphics (2006), Histogramas,Statgraphics.
320 . Statgraphics (2006), Procedimientos de Análisis,Statgraphics.
321 . Statgraphics (2006), Regresión de Datos de Vida,Statgraphics.
322 . Statgraphics (2006), Riesgos Proporcionales de Cox,Statgraphics.
323 . Statgraphics (2007), Análisis de Componentes de la Varianza,Statgraphics.
324 . Statgraphics (2007), Análisis de Una Variable,Statgraphics.
325 . Statgraphics (2007), Análisis de Weibull,Statgraphics.
326 . Statgraphics (2007), ANOVA Multifactorial,Statgraphics.
327 . Statgraphics (2007), ANOVA Simple,Statgraphics.
328 . Statgraphics (2007), Componentes Principales,Statgraphics.
329 . Statgraphics (2007), Distribuciones de Probabilidad,Statgraphics.
330 . Statgraphics (2007), Regresión Múltiple,Statgraphics.
331 . Statgraphics (2007), Regresión Simple,Statgraphics.
332 . Statgraphics (2007), Selección del Modelo de Regresión,Statgraphics.
333 . Statgraphics (2007),Tablas de Vida (Intervalos),Statgraphics.
334 . Statgraphics (2007),Tablas de Vida (Tiempos),Statgraphics.
335 . Statgraphics (2009), Correspondence Analysis,Statgraphics.
336 . Statgraphics (2009), Multiple Correspondence Analysis,Statgraphics.
337 . Statgraphics (2009), Point Processes (One Dimensional),Statgraphics.
338 . Statgraphics (2009), Repairable Systems (Intervals),Statgraphics.
339 . Statgraphics (2009), Repairable Systems (Times),Statgraphics.
340 . Steimel, A. (2008), Electric traction-motive power and energy supply: basics and
practical experience, Oldenbourg Industrieverlag.
341 . Stocker IV, R. S., and Peña, E. A. (2007), "A general class of parametric
models for recurrent event data", Technometrics, Vol. 49 No. 2, pp. 210-221.
342 . Sun, Y. (2006), Reliability prediction of complex repairable systems: an engineering
approach, Doctoral dissertation, Queensland University of Technology.
343 . Suryanarayana, N. V. (1994), Utilisation of electric power: Including electric
drives and electric traction, New Age International.
344 . Sykes, A. J., and Faddoul, R. Y. (1993), "Thermal evolution of air cooled
traction converters", Thermal Management in Power Electronics Systems, IEE

Colloquium on IET, pp. 5-1.
345 . Tan F.R., Jiang, Z.B. and Bai, T.S. (2008), “Reliability analysis of repairable
systems using stochastic point processes”, Journal of Shanghai Jiaotong
University (Science), Vol. 13, pp. 366-369.
346 . Tanaka, A., Mori, M., Inoue, H., Koike, Y., Kushima, T., Shimizu, H., and
Saito, R. (1997), "3300 V 400 A, 600 A and 1200 A high power IGBT modules
with high reliability for traction applications", Power Conversion Conference-
Nagaoka 1997., Proceedings of the IEEE, Vol. 2, pp. 967-970.
347 . Tang, L.C. and Chen, L.P. (2014), “A piecewise constant failure intensity
model”, Proceedings of annual IEEE reliability and maintainability symposium,
2014 (RAMS 2014), pp. 1-6.
348 . Tang, L.C. and Xie, M. (2002), “A simple graphical approach for comparing
reliability trends of different units in a fleet”, Proceedings of annual IEEE
reliability and maintainability symposium, 2002, pp. 40-43.
349 . ThyssenKrupp (2005), Descripción Técnica Escalera Mecánica TNE,
ThyssenKrupp.
350 . Tian, Y. (2013), "Estimating a parametric lifetime distribution from
superimposed renewal process data", Digital Repository @ Iowa State
University.
351 . Tobias, P.A. and Trindade, D. (2011), Applied reliability, CRC Press
352 . Tong, L. and Liang, Y. (2005), “Forecasting field failure data for repairable
systems using neural networks and SARIMA model”, International Journal of
353 . Trindade, D., and Nathan, S. (2006), "Analysis of field data for repairable
systems", Proceedings of Reliability and Maintainability Symposium.
354 . Trivedi, K. S. (2008), Probability & statistics with reliability, queuing and computer
science applications, John Wiley & Sons.
355 . Turkkan, N., and Pham-Gia, T. (2007), "System stress-strength reliability: The
multivariate case", IEEE Transactions on Reliability, Vol. 56 No. 1, pp. 115-124.
356 . Tusell, F. (1999), Análisis multivariante, F. Tusell.
357 . UNE 200001-3-5:2002, Gestión de la confiabilidad. Parte 3-5: Guía de aplicación.
Condiciones para los ensayos de fiabilidad y principios para la realización de
contrastes estadísticos.
358 . UNE 20512-6:2001, Presentación y especificación de datos de fiabilidad de
componentes electrónicos.
359 . UNE 20608-2:1999, Pruebas de fiabilidad de equipos. Parte 2: Diseño de los ciclos de
prueba.
360 . UNE 20932:1996, Ensayos de fiabilidad. Planes de ensayo de conformidad con una
proporción de éxitos.
361 . UNE 20970:1999, Procedimientos de ensayo de conformidad con la disponibilidad en
régimen permanente.
362 . UNE 50136:1997, Documentación. Presentación de tesis y documentos similares.
363 . UNE-CEN/TS 115-4, Seguridad de escaleras mecánicas y andenes móviles. Parte 4:
Interpretaciones relativas a las normas de la familia EN 115.

Bibliografía 295
364 . UNED (2013), Tesis Doctoral. Elaboración: Idioma, Estructura, Redacción,

Formato/Soporte, Vicerrectorado de Investigación de la UNED.
365 . UNE-EN 115-1:2009+A1:2010, Seguridad de escaleras mecánicas y andenes
móviles. Parte 1: Construcción e instalación.
366 . UNE-EN 115-2:2011, Seguridad de escaleras mecánicas y andenes móviles. Parte 2:
Reglas para la mejora de la seguridad de las escaleras mecánicas y de los andenes
móviles existentes.
367 . UNE-EN 12015:2014, Compatibilidad electromagnética. Norma de familia de
productos para ascensores, escaleras mecánicas y andenes móviles. Emisión.
368 . UNE-EN 12016:2014, Compatibilidad electromagnética. Norma de familia de
productos para ascensores, escaleras mecánicas y andenes móviles. Inmunidad.
369 . UNE-EN 13015:2002+A1, Mantenimiento de ascensores y escaleras mecánicas.
Reglas para instrucciones de mantenimiento.
370 . UNE-EN 13306, Mantenimiento. Terminología del mantenimiento.
371 . UNE-EN 31010:2011, Gestión del riesgo. Técnicas de apreciación del riesgo.
372 . UNE-EN 50126-1:2005, Aplicaciones Ferroviarias. Especificación y demostración de
la fiabilidad, la disponibilidad, la mantenibilidad y la seguridad (RAMS). Parte 1:
Requisitos básicos y procesos genéricos.
373 . UNE-EN 60300-1:2015, Gestión de la confiabilidad. Parte 1: Directrices para su
gestión y aplicación.
374 . UNE-EN 60300-3-1:2005, Gestión de la confiabilidad. Parte 3-1: Guía de aplicación.
Técnicas de análisis de la confiabilidad. Guía metodológica.
375 . UNE-EN 60300-3-11:2013, Gestión de la confiabilidad. Parte 3-11: Guía de
aplicación. Mantenimiento centrado en la fiabilidad.
aplicación. Soporte logístico integrado.
aplicación. Mantenimiento y logística de mantenimiento. (IEC 60300-3-14:2004)
aplicación. Ingeniería de la confiabilidad de sistemas.
aplicación. Directrices para la especificación de los servicios de logística de
mantenimiento.
Recogida de datos de confiabilidad en la explotación.
Cálculo del coste del ciclo de vida.
Guía para la especificación de los requisitos de confiabilidad.
383 . UNE-EN 60706-2:2009, Mantenibilidad de equipos. Parte 2: Requisitos y estudios
de mantenibilidad durante la fase de diseño y desarrollo.
384 . UNE-EN 60706-3:2009, Mantenibilidad de equipos. Parte 3: Verificación y recogida,
análisis y presentación de datos.
385 . UNE-EN 60706-5:2011, Mantenibilidad de equipos. Parte 5: Facilidad de ensayo y
ensayos de diagnóstico.

386 . UNE-EN 60812:2008, Técnicas de análisis de la fiabilidad de sistemas.

Procedimiento de análisis de los modos de fallo y de sus efectos (AMFE).
387 . UNE-EN 61014:2004, Programas de crecimiento de fiabilidad.
388 . UNE-EN 61025:2011, Análisis por árbol de fallos (AAF).
389 . UNE-EN 61078:2006, Técnicas de análisis de la confiabilidad. Método del diagrama
de bloques de la fiabilidad y métodos booleanos (IEC 61078:2006).
390 . UNE-EN 61124:2014, Ensayos de fiabilidad. Planes de ensayos de conformidad para
tasa de fallo constante y para intensidad de fallo constante.
391 . UNE-EN 61160:2007, Revisión de diseño. (IEC 61160:2005).
392 . UNE-EN 61163-1:2010, Cribado de elementos mediante esfuerzos. Parte 1:
Elementos reparables fabricados en lotes.
393 . UNE-EN 61164:2005, Crecimiento de la fiabilidad. Ensayos estadísticos y métodos
de estimación.
394 . UNE-EN 61649:2012, Análisis de Weibull.
395 . UNE-EN 61703:2003, Expresiones matemáticas para los términos de fiabilidad,
disponibilidad, mantenibilidad y de logística de mantenimiento.
396 . UNE-EN 61709:2014, Componentes electrónicos. Fiabilidad. Condiciones de
referencia para tasas de fallo y modelos de conversión en función de los esfuerzos.
397 . UNE-EN 61710:2014, Modelo de ley de potencia. Ensayos de bondad de ajuste y
398 . UNE-EN 61907:2013, Ingeniería de confiabilidad de las redes de comunicación.
399 . UNE-EN 62198:2015, Gestión de riesgos del proyecto. Directrices de aplicación.
400 . UNE-EN 62308:2010, Fiabilidad de los equipos. Métodos de evaluación de la
fiabilidad.
401 . UNE-EN 62309:2005, Confiabilidad de productos que contienen componentes
reutilizados. Requisitos para funcionabilidad y ensayos.
402 . UNE-EN 62347:2010, Directrices para especificaciones de confiabilidad de sistemas.
403 . UNE-EN 62402:2011, Gestión de la obsolescencia. Guía de aplicación.
404 . UNE-EN 62429:2012, Crecimiento de la fiabilidad. Ensayos de esfuerzo para revelar
fallos infantiles en sistemas complejos únicos.
405 . UNE-EN 62551:2014, Técnicas de análisis de la confiabilidad. Técnicas de redes de
Petri.
406 . UNE-EN 62628:2015, Guía sobre la confiabilidad del software.
407 . UNE-EN 62740:2015, Análisis de causa raíz (RCA).
408 . UNE-EN 62741:2015, Demostración de los requisitos de confiabilidad. El caso de
confiabilidad.
409 . UNE-IEC 60300-3-10:2007, Gestión de la confiabilidad. Parte 3-10: Guía de
aplicación. Manteniblidad. (IEC 60300-3-10:2001).
410 . Uriel E., (2913), Contraste de hipótesis en el modelo de regresión múltiple,
Universidad de Valencia.
411 . Ushakov, I. A. (1994), Handbook of reliability engineering, John Wiley & Sons.
412 . Valis, D., Vintr, Z., and Koucky, M., (2010), "Contribution to reliability
analysis of highly reliable items", Theory & Applications, Vol 1., pp. 239.
413 . Volovoi, V. (2004), "Modeling of system reliability Petri nets with aging
tokens", Reliability Engineering & System Safety, Vol. 84 No. 2, pp 149-161.

Bibliografía 297
414 . Wang, P. and Coit, D.W. (2005), “Repairable systems reliability trend tests
and evaluation”, Proceedings of annual IEEE reliability and maintainability
symposium, 2005, pp. 416-421.
415 . Weckman, G.R., Shell, R.L. and Marvel, J.H. (2001), “Modeling the reliability
of repairable systems in the aviation industry”, Computers & Industrial
Engineering, Vol. 40 No. 1-2, pp. 51-63.
416 . Wood, A. (1996), Software reliability growth models, Tandem technical report,
96(130056).
417 . Wu, W., Ma, J. and Liu, L. (2011), “Research on FFOP prediction approach of
a pulse generator based on Homogeneous Poisson process”, Reliability,
Maintainability and Safety (ICRMS), 2011 9th International Conference on, pp.
334-338.
418 . Xie, M. and Ho, S.L. (1999), “Analysis of repairable system failure data using
time series models”, Journal of Quality in Maintenance Engineering, Vol. 5 No.
1, pp. 50-61.
419 . Xu, D., and Zhao, W. (2005), "Reliability prediction using multivariate
degradation data", IEEE Reliability and Maintainability Symposium, 2005.
Proceedings. Annual, pp. 337-341.
420 . Xu, Z., Hong, Y., Meeker, W. Q., Osborn, B. E., and Illouz, K. (2016), "A Multi-
level Trend-Renewal Process for Modeling Systems with Recurrence Data",
Technometrics, (just-accepted), 00-00.
421 . Yanez, M., Joglar, F., and Modarres, M. (2002), "Generalized renewal process
for analysis of repairable systems with limited failure experience", Reliability
Engineering & System Safety, Vol. 77 No. 2, pp. 167-180.
422 . Yang, Q., Zhang, N., and Hong, Y. (2013), "Reliability analysis of repairable
systems with dependent component failures under partially perfect repair",
IEEE Transactions on Reliability, Vol. 62 No. 2, pp. 490-498.
423 . Yépez, A. A., and López, L. R. (2007), "Análisis de fiabilidad de sistemas
aplicando técnicas de crecimiento de fiabilidad del software", Revista de
Procesos y Métricas de las tecnologías de la información, Vol. 4 No. 3, pp. 65-73.
424 . Yongqin, H., and Xishi, W., (1996), "The reliability and performability of a
repairable and degradable ATP system", Vehicular Technology Conference, 1996.
Mobile Technology for the Human Race., IEEE 46th,Vol. 3, pp. 1609-1612.
425 . Yu, F. W. and Chan, K. T. (2012), “Assessment of operating performance of
chiller systems using cluster analysis”, International Journal of Thermal
Sciences, Vol. 53, pp. 148-155.
426 . Zapata, C. J., (2011), Confiabilidad en Ingeniería, Universidad Tecnológica de
Pereira.
427 . Zapata, C. J., Silva, S. C., Gonzalez, H. I., Burbano, O. L., and Hernández, J. A.
(2008), "Modeling the repair process of a power distribution system",
Transmission and Distribution Conference and Exposition: Latin America, 2008
IEEE/PES, pp. 1-7.
428 . Zapata, C.J., Torres, A., Kirschen, D.S. and Rios, M. A. (2009), “Some common
misconceptions about the modeling of repairable components”, Proceedings of
IEEE Power & Energy Society General Meeting, 2009 (PES ’09), pp. 1-8.

429 . Zhang, X., and Wang, Y. (2010), "Estimation of Structural Reliability for
Exponential Strength and Multivariate Exponential Distribution Stress",
Computational Intelligence and Software Engineering (CiSE), 2010 International
Conference on IEEE, pp. 1-4.
430 . Zhang, X., Ning, Y., and Meng, G. (2013), "Delayed renewal process with
uncertain interarrival times", Fuzzy Optimization and Decision Making, Vol. 12
No. 1, pp. 79-87.
431 . Zhao, M., and Xie, M. (1996), "On maximum likelihood estimation for a
general non-homogeneous Poisson process", Scandinavian journal of statistics,
pp. 597-607.
432 . Zhu, L., Sun, J., Tong, X., and Srivastava, D. K. (2010), "Regression analysis of
multivariate recurrent event data with a dependent terminal event", Lifetime
data analysis, Vol. 16 No. 4, pp. 478-490.

Apéndices
Tabla de fractiles de X2 (IEC 60605-4)


Apéndices 301
Tabla de valores críticos para ensayo bondad de ajuste

Cramer-von-Mise (IEC 61710)

Test de bondad de ajuste K-S (STATGRAPHICS)
Esta prueba compara la distribución de acumulación de los datos, a la distribución de

acumulación ajustada. Se evalúa la distribución de acumulación ajustada en cada uno de
los datos;
y entonces calcula y muestra el máximo de las distancias de la CDF empírica por encima
de la CDF ajustada;
y el máximo de las distancias de la CDF empírica por debajo de la CDF ajustada;
La estadística Kolmogorov-Smirnov es la más grande de las dos distancias;
El criterio empleado en estos ensayos es rechazar H0 con un 5% de nivel de significación

si D > Dcrítico, con;

Apéndices 303
Test de tendencia de Laplace U (EIC 60605-6)
Para ensayo terminado por tiempo;
Siendo:
r el número total de fallos a considerar
Tr el tiempo total del ensayo terminado por fallo
Ti el tiempo acumulado del ensayo a considerar en el fallo i-enésimo
una distribución exponencial tipificada de media 0 y desviación 1. Un ensayo bilateral
para crecimiento positivo o negativo con el nivel de significación α tiene los valores
críticos u1-α/2 y -u1-α/2 , donde u1-α/2 es el percentil (1-α/2)x100% de la distribución normal
tipificada. Si:
entonces no hay evidencia de crecimiento de la fiabilidad positivo o negativo al nivel de

significación α. En este caso se acepta la hipótesis de distribución exponencial de los
tiempos entre fallos sucesivos (o un proceso de Poisson homogéneo HPP) con el nivel de
significación α. Los valores críticos u1-α/2 y -u1-α/2 corresponden a un ensayo unilateral
para crecimiento positivo o negativo, respectivamente, con el nivel de significación α/2.
de la tabla de percentiles de la distribución normal tipificada:
α Valor de Uα
0,025 2,24
0,050 1,96
0,100 1,64
Valores críticos estadístico U

Test de tendencia RAT (STATGRAPHICS)
Para la muestra q, sea Xi el i-enésimo tiempo entre fallos. Sea Rq el número de veces que
Xi < Xj para i = 1,…,nq-1 y j = i+1,…,nq, el test estadístico;
se compara con una distribución norma estándar y se calcula el P-valor de Pq. Para
combinar los resultados de la prueba, se utiliza la prueba compuesta de Fisher, que
calcula;
que se compara con una distribución de chi-cuadrado con 2k grados de libertad.

Apéndices 305
Test de tendencia Mil-Hdbk-189 (STATGRAPHICS)
Para la muestra truncada por tiempo, el test es;
que se compara con una distribución de chi-cuadrado con 2nq grados de libertad.
Para la muestra truncada por fallo, el test es;
que se compara con una distribución de chi-cuadrado con 2(nq -1) grados de libertad.
Coeficiente de correlación de Pearson (STATGRAPHICS)
El t estadístico se compara con una t distribución con n-2 grados de libertad.
Coeficiente de determinación R2

Distribución exponencial (STATGRAPHICS)
Con parámetro λ > 0, la media es 1/λ y la varianza 1/λ2.
Distribución Logística generalizada (STATGRAPHICS)
Con parámetros; localización μ, escala κ > 0 y forma γ > 0.
0 , donde ψ(z) es la función digamma.
Distribución log-normal 3 parámetros (STATGRAPHICS)
Con parámetros; localización μ, escala σ > 0 y umbral θ.

Apéndices 307
Regresión Simple, estimadores de mínimos cuadrados (STATGRAPHICS)
donde;
Bondad de ajuste ANOVA (STATGRAPHICS)

donde c = número de valores únicos de X.
Métricas de Análisis de Conglomerados (STATGRAPHICS)

Navas Alvarez Miguelangel Tesis

Cargado por

Copyright:

Formatos disponibles

Navas Alvarez Miguelangel Tesis

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Navas Alvarez Miguelangel Tesis

Cargado por

Copyright:

Formatos disponibles

TESIS DOCTORAL

Estudio de la fiabilidad de los sistemas reparables

MIGUEL ANGEL NAVAS ALVAREZ

DEPARTAMENTO DE INGENIERÍA DE ELÉCTRICA, ELECTRÓNICA,

ESCUELA TÉCNICA SUPERIOR DE INGENIEROS INDUSTRIALES

Dr. D. José Carpio Ibáñez

Dr. D. Carlos Sancho de Mingo

DEPARTAMENTO DE INGENIERÍA DE ELÉCTRICA, ELECTRÓNICA,

ESCUELA TÉCNICA SUPERIOR DE INGENIEROS INDUSTRIALES

Estudio de la fiabilidad de los sistemas reparables y

A mi familia Nuria, Arturo y

En primer lugar quisiera agradecer a Metro de Madrid, S.A. el apoyo recibido y la

Y por supuesto, al Director y Codirector de la investigación, Dr. D. José Carpio Ibáñez y

Miguel Ángel Navas Alvarez

Para el análisis y modelado de la fiabilidad de sistemas reparables la comunidad

La norma IEC 60300-3-5 recoge los métodos estadísticos y procedimientos de

La norma IEC 60605-6 desarrolla los contrastes para comprobar la existencia o no

Se ha aplicado la metodología propuesta por IEC al sistema de tracción eléctrica

2.7.9. Procedimiento para la selección del método estadístico 91

Figura 1 - Distribución exponencial aplicada a la fiabilidad ..................................................................................... 29

Figura 35 – Circuitos de corriente con interruptor chopper cerrado y abierto................................................... 127

Tabla 1 – Símbolos que se utilizan en la representación del árbol de fallos. .......................................................... 46

Tabla 74 – Métodos multivariantes. Aplicación a la fiabilidad de sistemas reparables .................................... 255

R(t) Función de fiabilidad

Λ(t) Función de renovación (= E[N(t)])

f(t) Función densidad de probabilidad de fallo

z(t) Función intensidad de fallo

N(t) Numero acumulado de fallos

E[N(t)] Numero acumulado esperado de fallos

μ(t) Tasa de aparación de fallos (ROCOF)

λ Tasa de fallo constante

Tasa de fallo constante estimada

μ(t) Tasa de reparación

μ Tasa de reparación constante

λ(t) Tasa instantánea de fallo

K-S Test Kolmogorov-Smirnov

v.a. Variables Aleatorias

MPLP Ley de potencia modulada (Modulated Power Law Process)

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA

- Aplicar los métodos para el cálculo de la fiabilidad de sistemas industriales

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA

– Y una buena parte de los modelos estadísticos aceptados mayoritariamente para

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA

Por lo tanto, la metodología aplicada consta de tres fases y se desarrollará

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA

Con el objetivo marcado para que los hallazgos y conclusiones obtenidos en la

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA

 Capítulo 4 – Sistemas de tracción eléctrica ferroviaria: Sucinta introducción

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA

Todos los hombres tienen por

E l estudio de la fiabilidad de los sistemas industriales es uno de los retos más

– Elemento consumible: elemento o material que es fungible, que puede ser

2.2. Expresiones matemáticas básicas para términos de fiabilidad

2.2.1. Elementos no reparables

Se procede a enumerar y desarrollar las expresiones matemáticas básicas para elementos

Donde es la función de densidad de probabilidad del tiempo hasta el fallo

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA

La función de densidad de probabilidad del fallo (PDF) , representa la

La función acumulada de la probabilidad de fallo (CDF) representa la