Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
LA CONFIABILIDAD BASADA EN LA DISTRIBUCIÓN WEIBULL,
FUNDAMENTO PARA LA OPTIMIZACIÓN DEL MANTENIMIENTO
INDUSTRIAL
Ing. MSc. Oliverio García Palencia
[email protected] Universidad Pedagógica y Tecnológica de Colombia
PALABRAS CLAVES: Confiabilidad, Weibull, Optimización, PMO.
Resumen
La creciente necesidad de mejorar la productividad, de tomar decisiones acertadas, de
manejar un amplio volumen de información y de evaluar eficiente y eficazmente el
funcionamiento de los equipos, hace que los departamentos de mantenimiento adecúen
sus recursos para implantar programas de optimización cada vez más eficaces.
La Confiabilidad Operacional (CO) es una de las más recientes tecnologías y la que ha
logrado mayores retornos y beneficios a quienes la han aplicado. Se basa en la utilización
del análisis estadístico orientado hacia la Confiabilidad, y en la participación activa del
personal de la empresa.
El comportamiento histórico de las fallas de los equipos de producción se puede describir
por medio del Análisis de Confiabilidad basado en la distribución de Weibull. Partiendo de
su historial de fallas se puede determinar su comportamiento real y proyectar la influencia
del Mantenimiento Preventivo sobre algunos parámetros de control de los equipos, tales
como la Confiabilidad R(t), la Disponibilidad D(t) y la Efectividad Global (OEE).
La presente ponencia estudia algunos índices de gestión eficaz, analiza los modelos
matemáticos del Análisis de Confiabilidad de los equipos y la determinación de los costos
de las actividades de manutención, con su ciclo de mantenimiento ideal; con miras a
optimizar los programas y mejorar la productividad del departamento. El análisis se apoya
en una herramienta de software de simulación de políticas de mantenimiento, desarrollada
por el autor, para tal fin.
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
Introducción
Un sistema de mantenimiento eficaz incluye todas las actividades dirigidas a conservar las
características de diseño de los equipos, para evitar fallas imprevistas, prolongar su ciclo
de vida útil y mantener su óptima operación.
Las dos técnicas de mantenimiento, que están dando los resultados más eficaces, para
lograr la implementación de procesos de optimización industrial, son el Mantenimiento
Productivo Total (TPM), que persigue el mejoramiento continuo de la Productividad de la
Industria, con la participación integral de los trabajadores, y el Mantenimiento Centrado en
Confiabilidad (RCM) que optimiza la ejecución del Mantenimiento Preventivo, basado en
la conservación de la Confiabilidad Operacional, de los equipos. La aplicación de las
técnicas estadísticas de apoyo a estos sistemas básicos, ha dado origen a una nueva
tecnología de mantenimiento denominada Optimización de Mantenimiento Preventivo
(PMO).
La confiabilidad de un sistema se puede definir como la probabilidad de que dicha entidad
[1]
pueda operar durante un periodo de tiempo determinado sin pérdida de su función . El
análisis de confiabilidad de los equipos se está usando para pronosticar las posibles fallas,
así como para mejorar su operabilidad, apoyando la programación eficiente de la gestión
del mantenimiento. El objetivo del Análisis de Confiabilidad, basado en la distribución de
Weibull, es cambiar el Mantenimiento Correctivo, no programado y altamente costoso, por
Mantenimiento Preventivo Planeado que dependa de los datos históricos de los equipos, y
permita un adecuado control de costos.
El comportamiento histórico de las fallas de los equipos se puede hallar por medio del
[2]
Análisis Estadístico de Confiabilidad basado en la Distribución de Weibull . Partiendo del
historial de fallas se proyecta la influencia del Mantenimiento Preventivo sobre algunos
índices de gestión de los equipos, tales como Confiabilidad, Mantenibilidad, Disponibilidad
y Efectividad Global (OEE).
La metodología desarrollada para utilizar la Confiabilidad Operacional, en el proceso de
optimización, incluye las siguientes etapas [2]:
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
• Establecimiento de un procedimiento para determinar la Confiabilidad de los equipos.
• Análisis y registro de la influencia del Mantenimiento Preventivo en la tasa de fallas del
equipo y en la mejora de su Confiabilidad.
• Análisis del costo de las actividades programadas y no programadas, para establecer
la frecuencia óptima de programación.
• Desarrollo del sistema de asignación de recursos, tanto físicos como humanos, para
llevar a cabo una programación óptima de actividades.
La Distribución de Weibull
La distribución de Weibull es una función estadística múltiple que cambia fácilmente, es
[1]
asimétrica y presenta diferentes valores para la media y la mediana . Se presenta como
una aproximación de la distribución normal, o como una representación de la exponencial.
La expresión matemática de la función de Confiabilidad R(t), que es complementaria a la
función de Probabilidad de Falla F(t), tiene dos expresiones principales que reciben el
nombre de distribuciones de dos y de tres parámetros. Sus valores son [3]:
t β
R(t ) = exp −
θ
t − T β
R (t ) = exp − 0
θ − T0
En donde la primera es la función Weibull de dos parámetros, porque T0 toma el valor de
cero, y la segunda expresión es la Weibull de tres parámetros.
Estos parámetros son:
β [Beta] = Parámetro de forma o geométrico (β > 0).
θ [Theta] = Parámetro de escala o valor característico (θ ≥ T0).
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
T0 = Parámetro de localización, es el valor garantizado de t (T0 ≥ 0).
La Distribución de Weibull está limitada por T0 en la cota inferior, que en el caso de la
Confiabilidad significa el mínimo tiempo que el equipo funciona con seguridad antes de
fallar. La variable característica θ es similar a la media y representa un valor de t debajo
del cual se encuentra el 63.2% de las observaciones. El parámetro geométrico o de forma
β controla la asimetría de la distribución.
Con frecuencia la teoría que maneja la distribución Weibull, reemplaza el parámetro θ, por
su valor a partir del valor garantizado, y lo representa por η (Eta), es decir, asigna este
valor como segundo parámetro de Weibull, que corresponde a:
η = θ − T0
Por lo cual la expresión de Weibull para tres parámetros se convierte en:
t − T β
R(t ) = exp − 0
η
Para obtener la función de distribución de probabilidad, se observa que:
F (t ) = 1 − R(t )
Por lo tanto, para la distribución de tres parámetros, se tiene que la densidad de la falla
[ f (t) ] viene dada por:
dF (t ) dR(t )
f (t ) = =
dt dt
Derivando la expresión anterior se obtiene:
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
β t − T0
β −1
t − T β
f (t ) = exp − 0
η η η
Es bastante difícil obtener la media, que equivale al Tiempo Medio Entre Fallas (MTBF). El
proceso implica integración por partes y luego se debe recurrir a una tabla de integrales
indefinidas. Se obtiene como resultado:
1
µ t = T0 + (η )Γ1 +
β
Donde Γ es la función matemática Gamma que se puede hallar en las tablas, definida por
la ecuación:
∞
Γ(n) = ∫ t n−1e −t dt
0
La desviación estándar está dada por:
1/ 2
2 1
σ t = (η ) Γ1 + − Γ 2 1 +
β β
Las otras dos medidas de la tendencia central pueden ser de utilidad. La mediana es el
valor de la variable que tiene la posibilidad de ser excedida en partes iguales. Es por tanto:
t mediana = T0 + (η )(ln 2)1 / β
La moda es la observación con la más alta probabilidad, con frecuencia es el punto más
estacionario de la función de probabilidades. Para la distribución de Weibull es:
1/ β
β −1
t mod a = T0 + (η )
β
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
El Análisis de Confiabilidad
El Análisis de la Confiabilidad, basado en la distribución de Weibull, se obtiene de los
datos históricos de fallas de los equipos, con ayuda de diversos programas de software, o
mediante procedimientos gráficos, con ayuda de Excel, como el descrito en Shigley -
[3]
Mischke . El objetivo final es relacionar la Confiabilidad de los equipos y predecir su
comportamiento, con estos datos. Si se seleccionan muestras pequeñas y grandes para la
estimación de las mediciones se tiene:
A. Para muestras pequeñas, la función de confiabilidad en el tiempo i de falla (ti) para un
tamaño de muestra (n) se estima por [3]:
R (t i ) = [(n − 1) + 0.7 ]/(n + 0.4)
B. Para una muestra grande, si el número de unidades que sobreviven a un tiempo (t) se
definen como N(t), y el número total de unidades como N, entonces la confiabilidad es
determinada por [3]:
R(t ) = N (t ) / N
El análisis de la función de distribución de las fallas se puede utilizar también para tomar
acciones en el equipo, considerando que este mantiene su comportamiento en un periodo
futuro.
Teniendo en cuenta la importancia del mantenimiento de los equipos, la utilización de la
función de distribución de fallas se amplía, para predecir la influencia de las actividades de
mantenimiento preventivo sobre su disponibilidad y confiabilidad. De esta forma la función
de distribución de Weibull, deja de ser una función que sólo describe el comportamiento
histórico de las fallas de un equipo para pasar a ser una herramienta que permite predecir
la influencia del mantenimiento preventivo en el equipo [4].
El método propuesto, se inicia tomando un periodo de tiempo donde se contabiliza el
número de fallas que han ocurrido en un equipo (o una línea de producción), este periodo
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
de tiempo debe ser lo más amplio, de forma que permita obtener un número de datos de
fallas que se puedan ajustar a una función de distribución. La totalidad de las fallas (N)
que han sucedido en el periodo en estudio se analizan para identificar las causas de cada
una de ellas, y de esta forma ubicar qué tipo de falla es la que está ocurriendo con mayor
frecuencia. De las N fallas se selecciona un subgrupo, de aquellas fallas que por su
frecuencia y características se pueden controlar por medio del mantenimiento preventivo,
a este grupo se les designa como fallas prevenibles [5].
Con los datos del momento en el cual ocurren las fallas, se procede a calcular el tiempo
entre fallas (TBF) que es el tiempo transcurrido entre dos fallas consecutivas. Con los
datos de TBF se realiza un ajuste a la distribución de probabilidad, para lo cual se hace
necesario calcular los parámetros β, η y T0 de la distribución de Weibull. Como resultado
se obtiene la distribución F(t) construida con la totalidad de las fallas durante el periodo de
estudio, y con esta función se calcula la probabilidad de falla del equipo en un instante t.
A partir de los parámetros de la función ajustada se obtiene el tiempo medio entre fallas
(MTBF), con el cual se puede predecir cuando se podrá presentar la siguiente falla si se
mantienen las condiciones de operación del equipo.
De forma análoga se pueden obtener los datos de tiempos de reparación (TTR), con los
cuales se pueden hacer ajustes a la función de distribución de Weibull (similar a la de
confiabilidad) que permite calcular la mantenibilidad del equipo. Con los parámetros
obtenidos se puede realizar una simulación del equipo, para luego compararla con la
información estadística sobre su operación real, y así verificar la precisión del modelo y
las bondades del sistema.
Optimización de Costos
El objetivo del proceso de optimización de los costos del mantenimiento, es determinar los
intervalos óptimos de mantenimiento, para aumentar la productividad de los equipos y
minimizar el costo total del departamento.
El estudio de costos realiza el análisis económico de los índices de gestión y determina el
nivel de mantenimiento necesario para lograr la Confiabilidad Operacional de los equipos.
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
Ahora bien, el nivel óptimo de mantenimiento, como se muestra en la Figura 1, es el punto
en el que los costos totales, que combinan costos directos, tiempo perdido y deterioro
excesivo, son mínimos, lo cual se presenta cuando el costo directo se aproxima al costo
indirecto [6].
Figura 1. Costos del Mantenimiento
Costos Costo Total de
Mantenimiento
Costo Total Mínimo
Costo Directo
Costo de Tiempo Perdido
Inversión en Mantenimiento
Fuente: García 1992
El análisis de costos del mantenimiento programado y no programado, sirve para resolver
el problema de optimización del proceso de mantenimiento, cuando se tiene un sistema
asistido por computador.
El costo del mantenimiento programado Cs(t) en un tiempo dado to se expresa como [7]:
n
C s (t ) = t 0 ∑ (Ci / t i )
i =1
Haciendo:
t1 = tK1
t 2 = tK 2 ....
t n = tK n
Entonces:
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
n
C s (t ) = t 0 / t ∑ (Ci / K i )
i =1
Definiendo:
n
a = ∑ (Ci / K i )
i =1
Entonces:
C s (t ) = a(t 0 / t )
Donde el tí es el término i del tiempo medio para falla, y el Ci es el término i de la acción de
mantenimiento.
El costo de mantenimiento no programado Cu (t) se estima por [7]:
n
Cu (t ) = t / t 0 ∑ ( f i Ci )
i =1
Definiendo:
n
b = ∑ ( f i Ci )
i =1
Entonces:
Cu (t ) = b(t / t 0 )
Donde el fi es el término i del periodo de acción de mantenimiento no programada durante
el tiempo to.
Ambos la probabilidad de supervivencia de un equipo y la probabilidad de ocurrencias de
fallas son competencias en el mismo tiempo. Basado en esta consideración, el costo total
de mantenimiento Cm(t) para las políticas asociadas de los dos tipos de mantenimiento
puede determinarse por [7]:
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
C m (t ) = C s (t ) + cu (t )
Reemplazando las ecuaciones anteriores, el costo total se convierte en:
C m (t ) = a (t 0 / t ) + b(t / t 0 )
El problema ahora es minimizar Cm(t) para calcular el ciclo de mantenimiento óptimo t*.
Este problema puede ser resuelto diferenciando Cm(t) con respecto a t, e igualando este
término a cero. El ciclo de mantenimiento óptimo t* se obtiene por [8]:
t * = t 0 (a / b) 0.5
Generalizando esta ecuación para un periodo de estudio dado se puede decir que el ciclo
de mantenimiento óptimo es igual a la frecuencia seleccionada por la raíz cuadrada de la
relación de los costos de mantenimiento programado sobre los costos de mantenimiento
no programado [2]:
t * = t 0 (C s / Cu ) 0.5
Análisis para un Vehículo Renault PENTA
Como ejemplo de cálculo del análisis de Weibull, se presenta el caso de una patrulla de la
policía nacional, modelo 1994 trabajando continuamente durante un período de 2000 días.
Paso l. Tomando como intervalo de estudio 150 días, se han obtenido los datos del
historial de mantenimiento que incluye las fallas ocurridas en el equipo (Tabla 1). El
cálculo del TBF se obtiene entre el día en que el equipo fue puesto en operación y el día
de la siguiente falla.
Paso 2. El ajuste de la distribución de Weibull se realiza utilizando los datos de la Tabla 1,
sin incluir las acciones de mantenimiento preventivo, ya que el número de datos de fallas
disponible (n = 21), es suficiente para que tenga validez estadística.
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
Tabla 1. Datos Históricos de Fallas
DIA de Mantto. TBF1 Fallas DIA de falla TBF2 Tiempo de COSTO
PARO Preventivo Prevenibles Parada Miles
140 X 126
168 168 X 106
316 148 X 160
537 221 537 537 15 580
571 34 X 360
626 X 465
665 94 X 215
776 X 420
802 137 802 265 21 3328
1010 X 64
1024 222 X 697
1066 X 103
1081 57 X 126
1102 21 X 515
1183 81 1183 381 15 1490
1190 X 90
1210 27 X 131
1299 89 1299 116 3 2620
1329 30 X 225
1362 X 65
1408 79 X 290
1473 65 1473 174 1 435
1551 78 X 340
1620 X 293
1699 148 1699 226 5 1050
1722 23 1722 23 2 920
1754 X 760
1801 79 1801 79 10 972
1856 55 X 612
1920 64 1920 119 4 550
MTBF1 91.6 MTBF2 213.9 18.108
Usando el simulador diseñado por el autor, o cualquier otro software comercial, se pueden
determinar los parámetros de la ecuación característica de Weibull, estos son:
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
β = 1.9645, η = 1235.2, y T0 = 125.5 días.
El valor para este caso del MTBF = 91.6 días.
Paso 3. Considerando las fallas que se pueden eliminar por medio de actividades de
Mantenimiento Preventivo (m = 12), como “fallas prevenibles” (que se han seleccionado
en la columna 4 de la Tabla 1), y usando para este grupo de fallas el mismo método, se
obtienen los valores de los parámetros de la distribución de Weibull para las fallas
prevenibles:
β = 1.6562, η = 1097.4, y T0 = 92.5 días.
El valor para este caso de MTBF = 159.7 días.
La confiabilidad del histórico de fallas es equivalente al producto de la confiabilidad de las
fallas prevenibles por las no prevenibles, por tanto es posible obtener la confiabilidad, y
los parámetros de Weibull de las fallas no prevenibles.
β = 2.6383, η = 1565.3, y T0 = 170.5 días.
El valor para este caso de MTBF = 213.9 días.
Las Figuras 2, 3 y 4, ilustran gráficamente estos resultados. Las gráficas nos muestran
que se puede establecer claramente el aumento de la confiabilidad en la medida que se
reduce el número de fallas del equipo en un periodo de estudio determinado.
Paso 4. Teniendo en cuenta los valores del MTBF obtenidos y usando las ecuaciones de
Weibull con los parámetros hallados, se seleccionan varias periodicidades posibles, para
la programación de actividades de Mantenimiento Preventivo: 150, 300, 450 y 600 días.
La ecuación de Confiabilidad de Weibull para el comportamiento histórico del equipo, con
los parámetros obtenidos, será:
t − 125.5 1.9645
R (t ) = exp −
1235.2
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
Figura 2. Confiabilidad del Histórico de Fallas
Figura 3. Confiabilidad de las Fallas Prevenibles
Figura 4. Confiabilidad de las Fallas no Prevenibles
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
Para los periodos seleccionados se obtienen los valores de la Tabla 2.
Tabla 2. Resultados para varias periodicidades
Periodo F(t) R(t) n
(espera)
150 días 0.0005 0.9995 14
300 días 0.0212 0.9788 13
450 días 0.0698 0.9302 12
600 días 0.1416 0.8584 11
El valor de n es el número de fallas que realmente se pueden eliminar con el ciclo de
programación correspondiente.
Considerando el número de fallas no prevenibles y las que no se pueden eliminar de la
lista de prevenibles para cada periodicidad, se obtienen por el mismo procedimiento y con
la ayuda del simulador los parámetros de Weibull para el comportamiento esperado del
equipo con la frecuencia de programación dada. Los resultados se muestran en la Tabla 3.
Tabla 3. Parámetros de Weibull para las frecuencias dadas
Periodo β η T0 MTBF
150 días 1.935 1145.1 120.8 213.7
300 días 2.011 1182.6 140.2 173.9
450 días 2.190 1164.5 170.5 147.8
600 días 2.225 1195.0 185.8 127.4
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
Evidentemente la mayor mejora se logra con la programación para 150 días ya que el
MTBF aumenta en (214 – 96) = 118 días respecto al comportamiento histórico. Pero se
debe tener en cuenta los costos directos de este mantenimiento que se pueden calcular
con base en los costos históricos de la Tabla 1.
Paso 5. Con la ayuda del simulador, se hace el análisis económico para cada una de las
frecuencias dadas y la de menos costos totales se escoge como alternativa elegida.
Para el periodo estudiado el costo total de mantenimiento programado fue de $2.386.000
y el costo total del mantenimiento no programado fue de $15.722.000, por tanto el ciclo de
mantenimiento óptimo t* para cada periodicidad, calculado con base en las ecuaciones de
costos, se da en la Tabla 4; donde se observa que el tiempo óptimo de programación
preventiva es de 58 días, y su costo mínimo anual (proyectado) de mantenimiento es de
$2.193.000, también muestra que esta es la mejor opción pues cumple el principio de
costos mínimos, cuando los valores de Cs y Cu se aproximan.
Tabla 4. Costos para las frecuencias dadas
Periodo N Fallas t* Cs Anual Cu Anual Ct Anual
(miles) (miles) (miles)
150 días 9 58 1032 1161 2193
300 días 11 117 586 1692 2278
450 días 13 175 411 2152 2563
600 días 15 234 308 2612 2920
Finalmente utilizando una programación de mantenimiento preventivo cada 60 días se
disminuye el número de paradas en el período de estudio de 21 a 9, con un costo total
inferior en un 40%. El seguimiento posterior al análisis que se realizó al vehículo, durante
dos años, mostró que para este periodo solo se presentaron 4 paradas imprevistas y su
costo total de mantenimiento fue inferior a $ 4.000.000, lo cual confirmó la validez del
estudio.
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
Conclusiones
La Gestión de Mantenimiento moderno, está cambiando viejos principios por nuevos
paradigmas de excelencia. Las prácticas de Ingeniería de la Confiabilidad, Gerencia de
Activos y análisis de costos de mantenimiento, constituyen los objetivos centrales de las
empresas enfocadas a la Competitividad Internacional.
Se presenta un sistema eficaz para mejorar la programación de todas las actividades de
mantenimiento. El análisis de fallas es la etapa más importante en la determinación de un
programa de mantenimiento óptimo, y éste depende del historial de fallas de los equipos
durante su vida útil.
La metodología propuesta constituye un análisis comparativo basado en la periodicidad de
programación del Mantenimiento Preventivo. El método permite incluir criterios técnicos y
económicos, para la decisión de la periodicidad óptima de mantenimiento.
Un correcto Análisis de Confiabilidad permite definir los problemas de los equipos antes
de que fallen, eliminar la causa raíz de las fallas, y establecer las tendencias del futuro
comportamiento de los equipos.
Mejorando las condiciones de operación de los equipos y su ciclo de mantenimiento, se
logra extender el MTBF, y aumentar su eficiencia global, su confiabilidad, disponibilidad y
mantenibilidad, lo cual mejora la productividad y competitividad de la organización.
Referencias Bibliográficas
[1]. LEWIS, E. E. “Introduction to reliability engineering”. John Wiley & Sons. New York.
1991.
[2]. GARCÍA PALENCIA, Oliverio. “Diseño de un Simulador para Optimización del
Mantenimiento Industrial”. Tesis de Grado de Magíster en Ingeniería Mecánica.
Universidad de los Andes. Santafé de Bogotá. 2000.
[3]. SHIGLEY, J. y MISCHKE, Charles R. “Diseño en Ingeniería Mecánica”. Quinta
Edición. McGraw - Hill. México. 2000.
Conferencia Latinoamericana de Gestión de Mantenimiento y Confiabilidad
Operacional (GMC 2004)
[4]. GOPALAKRISHNAN, M. y AHINE, R. “Maximizing the Effectiveness of a Preventive
Maintenance Systems”: An Adaptive Modeling Approach. Management Science,
Volume 6. No. 44. Pp. 827-840. 1997.
[5]. ORTIZ S., Yesid. “Optimización de las Actividades de Mantenimiento”. Universidad
de los Andes. Facultad de Ingeniería. Departamento de Ingeniería Mecánica. Tesis
de Grado de Magíster en Ingeniería Mecánica. Santafé de Bogotá. 1999.
[6]. GARCÍA PALENCIA, Oliverio. “Administración de Mantenimiento y Sistemas de
Control”. Preedición. UPTC. Duitama, 1.992.
[7]. METWALLI, S. M., SALAMA, M. S. and TAHER, R. A. "Optimum Evaluation of
Weibull Distribution for Planned Maintenance Applications". Sixth Cairo University
International Conference. Cairo. January 2 - 4. 1996.
[8]. TAHER, Roushdy A. "Computer Aided Reliability and Maintainability for Optimum
Maintenance Planning". MSc. Thesis. Cairo University. 1992.
El Autor
Oliverio García Palencia es Ingeniero Colombiano, graduado en Ingeniería Mecánica en
la UIS (Universidad Industrial de Santander); con títulos de Especialista en Mantenimiento
Industrial del Incolda. Especialista en Administración de Sistemas de Información de la
UNAL (Universidad Nacional de Colombia); Especialista en Ingeniería de Software de la
UIS (Universidad Industrial de Santander); Magíster (MSc) en Ingeniería Mecánica de la
Universidad de los Andes, con línea de investigación en Vibraciones y Mantenimiento
Industrial, y Candidato a Magíster (MSc) en Ingeniería de Sistemas y Computación de la
Universidad de los Andes, con línea de investigación en Ingeniería de Software para
Educación Virtual.
Actualmente, y desde hace 23 años, es profesor de Ingeniería Electromecánica y de
postgrados de la Universidad Pedagógica y Tecnológica de Colombia, en la Seccional de
Duitama (Boyacá), donde se ha desempeñado en las áreas administrativa, docente, de
investigación, de extensión y de consultoría industrial.
Es el representante actual de las Universidades Oficiales Colombianas, en el Consejo
Profesional Nacional de Ingenierías Eléctrica, Mecánica y Profesiones Afines. Su amplia
experiencia, industrial y docente, le ha permitido participar en una gran cantidad de
congresos y seminarios, realizar diversas investigaciones y publicaciones docentes y
escribir diversos artículos relacionados con la Gestión de Mantenimiento y la Educación
Superior. Sus áreas de interés especial son el Mantenimiento Industrial, y la Capacitación
Virtual.
