arrow_back_ios

Main Menu

arrow_back_ios

Main Menu

arrow_back_ios

Main Menu

arrow_back_ios

Main Menu

arrow_back_ios

Main Menu

arrow_back_ios

Main Menu

arrow_back_ios

Main Menu

Tratamiento de fallos de causa común en árboles de fallos

El análisis de fallas de causa común es importante en estudios de fiabilidad y seguridad, ya que las fallas de causa común a menudo dominan las fallas aleatorias de hardware. Los sistemas afectados por fallas de causa común son sistemas en los que dos o más eventos tienen el potencial de ocurrir debido a la misma causa. Algunas causas comunes típicas incluyen impacto, vibración, presión, suciedad, estrés y temperatura. HBK Prenscia proporciona un enfoque innovador para manejar fallos de causa común. Las fallas que causan que diferentes eventos ocurran pueden ser modeladas con bloques reflejados en ReliaSoft BlockSim.

ft-banner

Bloques reflejados

 

Los bloques reflejados le permiten colocar el mismo bloque en múltiples ubicaciones dentro de un diagrama de bloques de fiabilidad (RBD) o un árbol de fallas. Esto puede ser útil para muchos propósitos, como modelar caminos bi-direccionales dentro de un diagrama y fallas de causa común. El reflejo se logra añadiendo bloques a un grupo de espejos. Los grupos de espejos son recursos que pueden ser compartidos entre análisis y pueden ser gestionados a través del Administrador de Recursos. Los bloques que pertenecen a un grupo de espejos tienen un cuadrado en la esquina inferior izquierda del bloque; la apariencia del indicador y su título son configurables.

 

Los bloques reflejados se tratan como instancias múltiples totalmente equivalentes de un solo bloque, en lugar de considerarse como un original y copias. Los tiempos de fallo y todos los eventos de mantenimiento son idénticos para cada bloque en el grupo de espejos. Cualquier cambio realizado en las propiedades de un bloque en un grupo de espejos se aplicará a todos los demás bloques en el grupo de espejos.

 

El uso de bloques reflejados garantiza que múltiples bloques exhiban el mismo comportamiento (por ejemplo fallas...) y experimenten la misma acción (por ejemplo mantenimiento correctivo, inspecciones...) simultáneamente. Ingresar las mismas propiedades para diferentes bloques en un diagrama no garantiza que estos bloques actúen como bloques reflejados. Por ejemplo, debido a la aleatoriedad, los bloques que tienen la misma distribución de fallas y los mismos parámetros aún podrían fallar en diferentes momentos al realizar una simulación. 

Uso de bloques reflejados para el análisis de fallos de causa común

 

Tradicionalmente los fallos de causa común se han manejado utilizando los modelos Beta, MGL, Alpha y BFR. BlockSim tiene un enfoque más simple y efectivo para manejar fallas de causa común que se basa en el uso de bloques reflejados. Por lo tanto, los métodos tradicionales de análisis de fallas de causa común no se discutirán en este artículo. El siguiente ejemplo ilustra el enfoque de BlockSim.

Considere el siguiente ejemplo en el que el Evento A podría causar tanto una falla X (si ocurre junto con un evento B) como una falla Y (si ocurre junto con un evento C).

blocksim simple common cause failure problem
El ejemplo anterior describe un problema simple de fallo de causa común. En este ejemplo, el evento A es la causa común. Se necesita especificar una distribución de fallas para los eventos A, B y C. Las distribuciones de fallas de los eventos se enumeran a continuación.
blocksim mirrored blocks

Puede usar bloques reflejados para indicar que los dos eventos A son en realidad el mismo evento y para especificar que si ocurre el evento A, entonces podrían ocurrir las fallas X e Y.

La probabilidad de que ocurra un fallo a nivel de sistema se puede encontrar utilizando el Panel de Cálculo Rápido de la siguiente manera.

blocksim two events A results

Si los dos eventos A en este ejemplo de árbol de fallas no estuvieran reflejados, los resultados habrían sido diferentes, como muestra la siguiente figura.

blocksim difference with model complexity increase
La diferencia se vuelve más significativa cuando aumenta la complejidad del modelo.

¿Listo para tener éxito gracias a la predicción de fallos?