Navas Alvarez Miguelangel Tesis
Navas Alvarez Miguelangel Tesis
Navas Alvarez Miguelangel Tesis
AÑO 2017
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
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
ii
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
Agradecimientos
iii
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
Resumen
iv
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
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
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
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
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
vii
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
Bibliografía 277
Apéndices 299
viii
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
Índice de Figuras
ix
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
x
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
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
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
Índice de Tablas
xii
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
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
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
xiv
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
Abreviaturas
F(t) Función acumulada de la probabilidad de fallo
H0 Hipótesis nula
α Parámetro de escala
β Parámetro de forma
γ Parámetro de localización
A2 Test Anderson-Darling
χ2 Test Chi-cuadrado
C2 Test Cramer-von-Mises
V Test Kuiper
U2 Test Watson
Tiende a
xv
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
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
Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
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.
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
.
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.
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
(1)
(2)
(3)
(4)
(5)
(6)
(7)
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)
(11)
(12)
(13)
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.
(14)
(15)
(16)
(17)
(18)
(19)
(20)
(21)
(22)
(23)
(24)
(25)
(26)
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.
(28)
Siendo;
Ni = Número de componentes i.
λg = Tasa de fallo del componente i.
ΠQ = Factor de ajuste de la calidad del componente.
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.
(30)
(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)
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.
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.
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]
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.
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
[IEC 61165:2006]
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.
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]
[UNE-EN 60812:2008]
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.
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.
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;
[UNE 200001-3-5:2002]
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.
Mortalidad
λ Infantil
λ(t)
Vida Útil
Envejecimiento
t
Figura 7 – Curva de la bañera de λ(t)
(33)
(34)
(35)
[Zapata (2011) ]
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.
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)
T>0 (38)
T>0 (39)
[UNE 200001-3-5:2002]
Figura 11 – Ejemplo de tendencia creciente del tiempo entre fallos de un solo elemento reparable
[UNE 200001-3-5:2002]
Figura 12 – Ejemplo sin tendencia del tiempo entre fallos de un solo elemento reparable
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.
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".
(40)
[Rincón (2011)]
(41)
0 0 (42)
(43)
(44)
(45)
[Zapata (2011)]
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.
[Zapata (2011)]
λ (46)
(47)
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)]
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)
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.
4
N(t)
3
0
0 2 4 6 8 10
t
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
(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
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).
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:
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.
(63)
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
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)
Figura 23 – Procedimiento básico para la selección del método estadístico en elementos reparables.
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.
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
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).
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.
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.
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.
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.
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
métodos de estimación.
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.
–
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:
i. Dominio requerido:
l. Comprobaciones de credibilidad:
m. Disponibilidad de herramientas:
n. Normalización:
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.
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)
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.
[UNE-EN 61703:2003]
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.
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.
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).
(64)
(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)
α Valor de Uα
0,025 2,24
0,050 1,96
0,100 1,64
(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
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.
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.
(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%.
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.
(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
Siendo:
Siendo;
(78)
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:
A continuación se selecciona el valor crítico C2 0,90 (M) para un nivel de significación del
10% de la tabla que se adjunta;
>
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:
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
Test de Intensidad de
IEC 60605-6
Fallo Constante
A
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 ?
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
-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
ESTATOR INDUCIDO
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
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
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
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
U tcon. tdes.
Ue tcon x Ue
Us = -------------- = tcon / T
T
T t Us = x Ue
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
C T
L
C-L C-L
HT LT
HT L D
L-C L-C
C
Circuito oscilante L-C T = 2 LC
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.
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.
MOTORES
ONDULADOR
B.FRENADO
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.
[CAF (2003)]
[CAF (2003)]
[CAF (1987)]
[CAF (2003)]
[SIEMENS (2011)]
[CAF (2003)]
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.
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.
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.
-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.
[ThyssenKrupp (2005)]
[ThyssenKrupp (2005)]
- 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
Cofre Ondulador
Pantógrafo Disyuntor Eléctrico PWM
Resistencia Motores de
Controlador
de freno tracción
electrónico
Sistema Pasamanos
Balaustradas
eléctrico y de
seguridades
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.
Tabla 9 – Resumen de datos de los fallos de los sistemas de tracción en trenes 5000-4ª
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
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 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.
0 (79)
(80)
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
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);
(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.
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.
(64)
Tabla 16 – Resultados del test de tendencia U de cada sistema de tracción de trenes 5000-4ª
Tabla 19 – Resultados del test de tendencia U de cada sistema de tracción de trenes 8000
Tabla 21 – Resumen de resultados del test de tendencia U de cada ítem por sistema
5000-4ª 2000-B
8000 TNE
Figura 58 – Distribución de resultados del test de tendencia U de cada ítem por sistema
(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
TREN λ Dcrítica D H0
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)
TREN λ Dcrítica D H0
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)
TREN λ Dcrítica D H0
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
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
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.
Tracción 5000-4ª 36 10 10 0
Tracción 2000-B 88 50 38 12
Tracción 8000 23 17 12 5
Escaleras Mecánicas TNE 40 18 17 1
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.
10 Exponencial
Media=38164,4
8
frecuencia
0
0 3 6 9 12 15
tiempos entre fallos (TBF) (X 10000,0)
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).
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
5,00E-05
4,50E-05
4,00E-05
3,50E-05
3,00E-05
2,50E-05 λL2 (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
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,)
(72)
(74), (76)
(81)
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.
Tracción 5000-4ª 36 26 23 3
Tracción 2000-B 88 38 25 13
Tracción 8000 23 6 4 2
Escaleras Mecánicas TNE 40 22 21 1
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.
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
(52)
y función intensidad de fallo;
(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
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.
– 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.
- 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.
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.
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
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
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.
(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)
(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
Orden Fecha
TREN Nº TBF Promedio TBF
Fabricación Fabricación
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
TREN Nº TBF Promedio TBF
Fabricación Fabricación
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
Tabla 38 - Correlaciones de los TBF con variables de contexto en trenes 2000-B (II)
Orden Fecha
TREN Nº TBF Promedio TBF
Fabricación Fabricación
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
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
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
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
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
Correlaciones Pearson
-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
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
Correlaciones Pearson
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
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”.
(X 0,000001)
8
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”.
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.
Tabla 50 – Parámetros básicos de los grupos de TBF de las escaleras mecánicas TNE
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”.
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
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
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,)
4500
4000
3500
Número de intervalos
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
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
1600
1400
Número de intervalos
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
En la Tabla 53 se han destacado los intervalos con una acumulación de fallos igual o
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
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.
4000
3500
Número de intervalos
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
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
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)
(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.
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
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.
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.
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,)
120
80
40
0
0 0,5 1 1,5 2 2,5 3
(X 1000,0)
TBF
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.
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
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.
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.
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.
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
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:
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.
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
3 Creciente Cuadrado de x 5,18E-11 Creciente 6
4 Constante Lineal 4,60E-05 Constante 6
5 Creciente Cuadrado de x 4,61E-11 Creciente 6
6 Creciente Lineal 4,92E-05 Constante 6
7 Creciente Cuadrado de x 3,70E-11 Creciente 6
8 Creciente Cuadrado de x 4,30E-11 Creciente 6
9 Constante Lineal 4,72E-05 Constante 6
10 Creciente Cuadrado de x 3,83E-11 Creciente 9
11 Creciente Cuadrado de x 4,68E-11 Creciente 6
12 Creciente Lineal 3,32E-05 Constante 6
13 Creciente Cuadrado de x 3,99E-11 Creciente 6
14 Creciente Lineal 3,65E-05 Constante 6
15 Creciente Cuadrado de x 2,91E-11 Creciente 6
16 Constante Lineal 5,52E-05 Constante 6
17 Creciente Cuadrado de x 2,83E-11 Creciente 6
18 Creciente Cuadrado de x 2,97E-11 Creciente 6
19 Constante Logarítmico-Y Raíz Cuadrada-X 3,61E-03 Creciente 9
20 Constante Lineal 4,54E-05 Constante 6
21 Constante Lineal 4,66E-05 Constante 6
22 Creciente Cuadrado de x 3,90E-11 Creciente 9
23 Creciente Logarítmico-Y Raíz Cuadrada-X 3,84E-03 Creciente 9
24 Creciente Lineal 3,32E-05 Constante 6
25 Creciente Lineal 3,33E-05 Constante 9
26 Creciente Logarítmico-Y Raíz Cuadrada-X 3,88E-03 Creciente 9
27 Creciente Lineal 5,58E-05 Constante 9
28 Creciente Cuadrado de x 2,58E-11 Creciente 6
29 Constante Lineal 4,22E-05 Constante 6
30 Constante Cuadrado Doble 4,73E-09 Constante 6
31 Creciente Cuadrado de x 3,05E-11 Creciente 6
32 Creciente Lineal 3,93E-05 Constante 6
33 Creciente Lineal 4,15E-05 Constante 6
34 Creciente Lineal 4,46E-05 Constante 6
35 Constante Cuadrado Doble 2,84E-09 Constante 6
36 Creciente Logarítmico-Y Raíz Cuadrada-X 4,01E-03 Creciente 9
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,)
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,)
Nº DE MODELOS
MEJOR MODELO
TENDENCIA TENDENCIA ACEPTADOS (H0
ESCALERAS REGRESIÓN PARÁMETRO
TEST U MODELO con 5% nivel de
SIMPLE
REGRESIÓN significación)
1 Constante Lineal 2,65E-03 Constante 9
2 Constante Lineal 2,20E-03 Constante 6
3 Constante Lineal 2,30E-03 Constante 6
4 Decreciente Raíz Cuadrada de X 6,25E-01 Decreciente 9
5 Creciente Lineal 4,81E-03 Constante 6
6 Constante Lineal 2,21E-03 Constante 6
7 Constante Lineal 2,86E-03 Constante 6
8 Constante Lineal 3,72E-03 Constante 9
9 Decreciente Lineal 4,47E-03 Constante 6
10 Constante Lineal 2,33E-03 Constante 6
11 Constante Lineal 2,62E-03 Constante 6
12 Creciente Cuadrado Doble 1,54E-05 Constante 6
13 Creciente Lineal 4,54E-03 Constante 6
14 Creciente Lineal 3,36E-03 Constante 6
15 Creciente Cuadrado de X 7,95E-08 Creciente 6
16 Creciente Lineal 3,48E-03 Constante 6
17 Constante Lineal 2,50E-03 Constante 9
18 Constante Lineal 1,88E-03 Constante 6
19 Creciente Lineal 2,01E-03 Constante 6
20 Decreciente Lineal 3,27E-03 Constante 6
21 Creciente Cuadrado Doble 6,79E-06 Constante 6
22 Decreciente Lineal 4,02E-03 Constante 9
23 Creciente Cuadrado de X 5,10E-08 Creciente 9
24 Constante Lineal 4,43E-03 Constante 6
25 Creciente Lineal 3,67E-03 Constante 9
26 Creciente Lineal 4,59E-03 Constante 9
27 Constante Lineal 1,75E-03 Constante 9
28 Constante Lineal 4,43E-03 Constante 6
29 Constante Lineal 4,32E-03 Constante 9
30 Creciente Lineal 1,22E-03 Constante 6
31 Constante Cuadrado Doble 9,26E-06 Constante 6
32 Constante Lineal 1,87E-03 Constante 6
33 Decreciente Raíz Cuadrada de X 9,83E-01 Decreciente 6
34 Constante Lineal 4,41E-03 Constante 6
35 Creciente Lineal 3,74E-03 Constante 6
36 Constante Lineal 1,86E-03 Constante 9
37 Creciente Cuadrado de X 3,98E-08 Creciente 9
38 Creciente Cuadrado de X 1,34E-08 Creciente 6
39 Creciente Cuadrado de X 4,19E-08 Creciente 6
40 Creciente Lineal 2,12E-03 Constante 9
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.
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.
- 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.
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
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
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
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.
Orden Fecha
Nº TBF Sentido Longitud Tránsito
Fabricación Fabricación
Nº TBF -0,1604 -0,1783 0,1074 0,1856 0,3547
– 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.
– 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.
– 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.
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.
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.
UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA
258 Estudio de la fiabilidad de los sistemas reparables y desarrollo de un procedimiento de análisis multivariante
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
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
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.
SI SI
SI SI
NO NO
- 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.
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.
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.
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:
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.
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.
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.
Equipo
Multidisciplinar
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.
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.
34 . CAF (1987), Manual de mantenimiento C-2000, CAF.
35 . CAF (2003), Manual de mantenimiento C-8000, 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
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
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 .
97 . IEC 60300-3-10:2001, Dependability management - Part 3-10: Application guide -
Maintainability.
98 . IEC 60300-3-11:2009, Dependability management - Part 3-11: Application guide -
Reliability centred maintenance.
99 . IEC 60300-3-12:2011, Dependability management - Part 3-12: Application guide -
Integrated logistic support .
100 . IEC 60300-3-14:2004, Dependability management - Part 3-14: Application guide -
Maintenance and maintenance support.
101 . IEC 60300-3-15:2009, Dependability management - Part 3-15: Application guide -
Engineering of system dependability.
102 . IEC 60300-3-16:2008, Dependability management - Part 3-16: Application guide -
Guidelines for specification of maintenance support services.
103 . IEC 60300-3-2:2004, Dependability management - Part 3-2: Application guide -
Collection of dependability data from the field.
104 . IEC 60300-3-3:2004, Dependability management - Part 3-3: Application guide - Life
cycle costing.
105 . IEC 60300-3-4:2007, Dependability management - Part 3-4: Application guide -
Guide to the specification of dependability requirements .
106 . IEC 60300-3-5:2001, Dependability management - Part 3-5: Application guide -
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
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
Quality & Reliability Management, Vol. 28 No. 3, pp. 317-327.
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",
Journal of Applied Probability, Vol. 23 No. 2, pp. 418-431.
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.
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.
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
Quality & Reliability Management, Vol. 22 No. 4, pp. 410-420.
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.
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.
y entonces calcula y muestra el máximo de las distancias de la CDF empírica por encima
de la CDF ajustada;
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. 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:
α Valor de Uα
0,025 2,24
0,050 1,96
0,100 1,64
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 2nq grados de libertad.
que se compara con una distribución de chi-cuadrado con 2(nq -1) grados de libertad.
Coeficiente de determinación R2
donde;