En las instalaciones de fabricación, comprender las causas potenciales de los errores del sistema es crucial para prevenirlos. El análisis de árbol de anomalías (FTA) ofrece un enfoque para el análisis de la causa raíz, identificando y analizando la raíz de los problemas de los activos antes de que el equipo se averíe.
El análisis del árbol de anomalías es un enfoque deductivo y descendente para determinar la causa de un suceso específico no deseado dentro de un sistema complejo. Consiste en desglosar la causa raíz de una anomalía en sus factores contribuyentes y representarla a través de un modelo gráfico llamado árbol de anomalías, que ayuda a los gestores e ingenieros a identificar los posibles modos de anomalía (y la probabilidad de cada modo de anomalía) para realizar análisis de seguridad y fiabilidad.
Desarrollado por primera vez a principios de los años 60 por los Laboratorios Bell para ayudar a las Fuerzas Aéreas de EE. UU. a comprender las posibles anomalías del sistema de misiles Minuteman, el FTA se ha utilizado ampliamente en diversas industrias, como los sectores aeroespacial, nuclear, químico y automovilístico, entre otros.
Los gestores de mantenimiento pueden utilizar el análisis de árbol de anomalías para:
- Diseñar e instalar un sistema nuevo
- Realizar cambios en los sistemas existentes
- Investigar la seguridad o fiabilidad del sistema
- Evaluar el cumplimiento normativo
- Optimizar los presupuestos de mantenimiento
A medida que los entornos de fabricación continúan evolucionando y se vuelven más complejos, la necesidad de herramientas efectivas de gestión de riesgos como FTA se vuelve cada vez más importante. La incorporación de los análisis del árbol de anomalías en los análisis de seguridad y las prácticas de ingeniería de fiabilidad de su organización puede ayudar a la organización a obtener información más profunda sobre las posibles causas de las anomalías del sistema, mejorar el rendimiento general y reducir la probabilidad de incidentes costosos y potencialmente catastróficos.
Explore IBM Maximo para descubrir cómo los datos de IoT, los análisis y la IA pueden ayudarle a optimizar sus operaciones de activos.
Suscríbase al boletín de IBM
Realizar un análisis de árbol de anomalías es un proceso complejo que implica siete pasos clave.
Antes de ejecutar el análisis, debe definir claramente el evento no deseado que desea analizar. Este evento debe ser específico y medible, como un error de componente o un mal funcionamiento del sistema. También es importante definir el evento en términos claros y consistentes, ya que servirá como punto de partida para su diagrama de árbol de anomalías.
Una vez que defina el evento no deseado, debe comenzar a identificar los factores y eventos que podrían contribuir a su aparición. Los factores contribuyentes tienden a caer en dos categorías amplias: eventos básicos y eventos intermedios.
Los eventos básicos (aquellos eventos que no se pueden dividir en eventos más simples) son los eventos más fundamentales en un árbol de anomalías y representan el nivel más bajo de eventos que se puede analizar. Un evento básico en un árbol de anomalías para un accidente automovilístico, por ejemplo, podría ser "el conductor pierde el control del vehículo".
Los eventos intermedios se encuentran entre los eventos básicos de nivel inferior y el evento superior (el evento primario no deseado que se está analizando). Los eventos intermedios son causados por otros eventos en el árbol de anomalías y, a su vez, causan otros eventos. Representan eventos de nivel superior que se pueden analizar más a fondo. Usando el mismo accidente automovilístico como ejemplo, un evento intermedio en el árbol de anomalías podría ser "la rotura de un neumático".
Asegúrese de tener en cuenta eventos internos y externos, como errores de componentes, errores humanos y condiciones ambientales. Es posible que en esta fase del análisis necesite consultar a expertos en la materia y/o revisar datos históricos, informes de incidentes y registros de mantenimiento.
Con símbolos de puerta y símbolos de eventos estándar, cree una representación gráfica de las relaciones entre el evento no deseado (o de salida) y sus factores contribuyentes (también denominados eventos de entrada). El árbol de anomalías debe organizarse jerárquicamente, con el evento no deseado en la parte superior y los factores contribuyentes ramificados debajo de él.
Diseñar eventos básicos es bastante sencillo, ya que los eventos básicos no pueden producir otros eventos. Sin embargo, incluir eventos intermedios es un poco más complejo, ya que los eventos intermedios requerirán puertas lógicas booleanas que indiquen las relaciones entre eventos de nivel superior, intermedio y básico.
Hay dos tipos principales de puertas lógicas que se utilizan en los árboles de anomalías: puertas AND y puertas OR.
- Puertas AND: utilice puertas AND cuando todos los eventos contribuyentes deben ocurrir simultáneamente para que ocurra el evento no deseado. Por ejemplo, si un fallo del sistema requiere tanto un error de componente como un error del operador, se utilizará una puerta AND para conectar los eventos en el árbol de anomalías.
OR gates: utilice una puerta OR cuando cualquiera de los eventos de entrada sea suficiente para causar el evento de salida. En otras palabras, el evento de salida ocurrirá si ocurre al menos uno de los eventos de entrada conectados a la puerta OR. Si, por ejemplo, un error del sistema podría deberse a un error del componente o a un error del operador, se utilizará una puerta OR para conectar los eventos.
Aunque se utilizan con menos frecuencia, las puertas NOT, XOR , K/N e INHIBIT también pueden ayudar a identificar relaciones específicas entre los eventos de entrada y salida.
Puertas NO: las puertas NO representan la inversa de un evento de entrada. Si no se produce el evento de entrada, se producirá el evento de salida. Estas puertas son menos comunes en el análisis de árbol de fallas, ya que modelan la ausencia de un evento o la aparición de un evento complementario.
Puertas XOR (puertas OR exclusivas): UTILICE una puerta XOR cuando deba ocurrir exactamente uno de los eventos de entrada para que ocurra el evento de salida. Si no se produce ninguno o más de uno de los eventos de entrada, no se producirá el evento de salida.
Puertas K/N: las puertas K/N, también conocidas como puertas de votación o puertas de umbral, se utilizan cuando debe producirse un número específico de eventos de entrada (K) de todos los posibles eventos de entrada (N) para que se produzca el evento de salida. Las puertas K/N pueden ayudarle a ilustrar relaciones más complejas en un análisis de árbol de anomalías.
Puertas INHIBIT: al igual que una puerta AND, una puerta INHIBIT indica que se producirá un evento de salida si se producen eventos de entrada y un evento condicional (una condición o restricción que puede aplicarse a cualquier puerta).
Los eventos intermedios también pueden incluir eventos no desarrollados, que son eventos que no se comprenden completamente o no se han analizado completamente.
El uso de las distintas puertas disponibles le ayudará a crear un árbol de anomalías completo que capture las complejas interacciones entre los distintos eventos y factores que precipitaron el evento no deseado.
Es importante recordar que crear un árbol de anomalías es un proceso iterativo, por lo que continuará dividiendo los eventos contribuyentes en sus subeventos básicos hasta que los eventos no se puedan analizar más. A medida que obtenga nueva información o cambien las condiciones del sistema, es posible que deba realizar varios ajustes para refinar el árbol de anomalías.
Para cuantificar los riesgos asociados con el evento no deseado, deberá recopilar datos de anomalías (de registros históricos, bases de datos de la industria, opiniones de expertos, etc.) para los eventos básicos en el árbol de anomalías. Los datos de anomalías deben expresarse como probabilidades de error o tasas de error, dependiendo del tipo de análisis que realice.
Una vez que construya el árbol de anomalías y recopile los datos de anomalías, realizará el análisis, donde calculará la probabilidad de que se produzca el evento no deseado e identificará los factores contribuyentes más críticos. Utilice un método de análisis cualitativo o cuantitativo de datos.
Un análisis cualitativo se centra en comprender la estructura del árbol de anomalías, las relaciones entre eventos y la identificación de rutas críticas y conjuntos de cortes mínimos (el conjunto de eventos más pequeño que puede crear el evento no deseado). El análisis cualitativo puede ayudar a priorizar las acciones correctivas e identificar áreas para una mayor investigación.
Una metodología cuantitativa, por otro lado, implica calcular la probabilidad de que ocurra el evento no deseado en función de las probabilidades de error de los eventos básicos. El análisis cuantitativo puede ayudar a informar las decisiones de gestión de riesgos y evaluar la efectividad de las mejoras propuestas.
Una vez realizado el análisis, es hora de interpretar los resultados y comunicar la información pertinente a las partes interesadas.
Es importante recordar que los resultados de un análisis de árbol de eventos dependen de la calidad de los datos de entrada y de las suposiciones realizadas durante el análisis. Como tal, debe ver los resultados como un punto de partida para una mayor investigación y validación, en lugar de una conclusión definitiva.
Con base en los hallazgos del análisis del árbol de anomalías, implementará medidas preventivas y/o mejoras para eliminar o disminuir la probabilidad de un evento no deseado. Asegúrese de supervisar el rendimiento de estas mejoras y de actualizar continuamente el árbol de anomalías para reflejar cualquier cambio en el diseño del sistema, las condiciones de funcionamiento o el rendimiento de los componentes, de modo que su árbol siga siendo preciso (y, por tanto, útil) para su organización.
El FTA proporciona una descripción visual de los factores y eventos que pueden provocar un error del sistema, lo que facilita la comprensión de las interacciones complejas entre los componentes del sistema.
El FTA le permite calcular la probabilidad de que se produzca un evento de error, lo que permite una mejor gestión de riesgos y toma de decisiones y ayuda a los equipos a ser proactivos sobre las acciones correctivas.
Como solo se puede analizar un evento de salida a la vez, el análisis del árbol de anomalías ayuda a los equipos a mantenerse organizados mientras evalúan los niveles del sistema y trabajan metódicamente en los análisis de efectos.
A diferencia de otros enfoques de los análisis de modos y efectos de anomalías (AMFE), el AMFE tiene en cuenta el error humano, lo que puede ayudar a los equipos a entender si los problemas están relacionados con desviaciones del procedimiento operativo estándar.
El FTA identifica qué anomalías tienen más probabilidades de ocurrir, ayudando a los equipos a decidir qué problemas requieren atención urgente.
- La precisión y eficacia del FTA depende en gran medida de la experiencia de los analistas, su capacidad para identificar causas relevantes de error y su comprensión de las complejidades del árbol de anomalías.
- El FTA es más adecuado para análisis de sistemas más pequeños. Es probable que los sistemas grandes y complejos requieran árboles de anomalías grandes y complejos, lo que hace que el análisis lleve mucho tiempo y sea un desafío.
- La disponibilidad y la calidad de los datos sobre anomalías determinarán la precisión de las probabilidades calculadas en un árbol de anomalías.
- El análisis del árbol de anomalías solo le permite examinar un evento principal a la vez.
Gestión inteligente, monitorización, mantenimiento predictivo y fiabilidad en una única plataforma.
Mejore la monitorización del rendimiento de sus aplicaciones para disponer del contexto necesario para resolver las incidencias con mayor rapidez.
Conozca distintas herramientas y metodologías para realizar análisis de causas y resolver problemas rápidamente.
Explore las diferencias entre los enfoques de mantenimiento preventivo, predictivo y reactivo.
Obtenga un mayor control de los entornos de activos complejos al aprender cómo la administración inteligente de activos empresariales puede ayudar a sus resultados finales.