Introducción al mantenimiento y confiabilidad en automatismos eléctricos

El montaje de instalaciones electrotécnicas con automatismos exige no solo una ejecución técnica inicial excelente de acuerdo con el Reglamento Electrotécnico para Baja Tensión (REBT), sino también un planteamiento riguroso de su ciclo de vida y conservación. Los automatismos eléctricos modernos, que integran elementos electromecánicos (como contactores, relés auxiliares, temporizadores y disyuntores), dispositivos electrónicos de control de potencia (como variadores de frecuencia, arrancadores suaves y fuentes de alimentación) y controladores programables (como autómatas PLC), constituyen sistemas complejos susceptibles a fallos y desgaste con el tiempo.

El mantenimiento de estos sistemas se define como el conjunto de operaciones técnicas y administrativas destinadas a conservar o restaurar un equipo a un estado específico en el que pueda realizar la función requerida. La inoperancia de un automatismo debido a una avería no solo detiene la producción fabril con el consecuente impacto económico directo por lucro cesante, sino que puede comprometer seriamente la seguridad de las personas y de la infraestructura, contraviniendo normativas de seguridad en máquinas como la UNE-EN 60204-1.

Para gestionar el mantenimiento de manera profesional, la ingeniería emplea la teoría de la confiabilidad o fiabilidad, la cual aporta herramientas cuantitativas para predecir cuándo fallarán los componentes mecánicos y eléctricos y estructurar de manera óptima las rondas preventivas. El comportamiento de los componentes se analiza a través de variables aleatorias temporales que permiten planificar de forma científica el stock de repuestos y evitar paradas catastróficas.

Fiabilidad física y matemática del automatismo: la tasa de fallos

La fiabilidad, denotada matemáticamente como $R(t)$, es la probabilidad de que un dispositivo o sistema realice satisfactoriamente su función bajo unas condiciones operativas especificadas (tensión nominal, rango de temperatura, ciclos de maniobras) durante un intervalo de tiempo determinado $t$. Si definimos $T$ como la variable aleatoria que representa el tiempo transcurrido hasta que se produce el fallo, la fiabilidad se expresa como:

$$R(t) = P(T > t)$$

Complementariamente, la probabilidad de que el equipo falle antes de alcanzar dicho tiempo se conoce como función de distribución de fallos, denotada por $F(t) = 1 - R(t)$. A partir de estas funciones, se define la tasa instantánea de fallos $\lambda(t)$, que representa la frecuencia con la que un componente que ha sobrevivido hasta el instante $t$ experimenta una avería en el intervalo inmediatamente posterior. Para la mayoría de los automatismos eléctricos que operan en su etapa de vida útil estable, esta tasa de fallos se asume constante ($\lambda(t) = \lambda$), lo que da lugar al modelo exponencial de fiabilidad:

$$R(t) = e^{-\lambda \cdot t}$$

Este modelo indica que la probabilidad de que el automatismo funcione sin averías decrece exponencialmente a medida que transcurre el tiempo de servicio. Los factores que elevan la tasa de fallos $\lambda$ incluyen las sobretemperaturas en el interior de los armarios (regidos por la ley de Arrhenius, que establece que la tasa de degradación química y térmica del aislamiento se duplica por cada 10ºC de incremento), las vibraciones mecánicas y la acumulación de humedad y polvo conductivo en bornas y contactos.

Figura: Ensayo de aislamiento eléctrico en un motor de CA conectado al armario de maniobras. Fuente: Generada para fines educativos / Licencia: CC BY-NC-SA

Mantenibilidad y MTTR: el reto de simplificar la reparación

Mientras que la fiabilidad mide la resistencia a fallar, la mantenibilidad, denotada como $M(t)$, es la probabilidad de que un sistema que ha sufrido un fallo sea restaurado a su condición de funcionamiento normal dentro de un periodo de tiempo $t$, utilizando los procedimientos y recursos de personal especificados. En términos matemáticos, si asumimos una tasa de reparación constante $\mu$ (donde $\mu$ es el número medio de reparaciones completadas por unidad de tiempo), la mantenibilidad responde a una ley exponencial:

$$M(t) = 1 - e^{-\mu \cdot t}$$

El indicador clave que resume la mantenibilidad es el Tiempo Medio de Reparación (MTTR, *Mean Time To Repair*), el cual se define físicamente como el promedio de tiempo necesario para identificar, localizar, diagnosticar, reparar y verificar una avería eléctrica o mecánica en el equipo. El MTTR es el valor recíproco de la tasa de reparación constante ($\text{MTTR} = 1/\mu$).

Reducir el MTTR es uno de los objetivos más urgentes en el taller. Un automatismo bien diseñado posee una mantenibilidad muy alta (y por tanto un MTTR bajo) si cumple con los siguientes principios: etiquetado unívoco de todos los conductores de fuerza y mando, disposición limpia de cables en canaletas ranuradas, inclusión de pilotos de estado de averías en la puerta del armario, uso de regletas de bornas desmontables y posesión de un dosier con esquemas eléctricos unifilares y funcionales actualizados y legibles para el técnico de guardia.

Disponibilidad operativa y la relación de indicadores críticos

La disponibilidad, denotada como $A$ (*Availability*), es el indicador sintético de excelencia en el mantenimiento. Representa la fracción del tiempo de diseño durante la cual el automatismo eléctrico se encuentra en estado de funcionamiento y en condiciones de realizar la tarea productiva encomendada. Se calcula a partir de dos parámetros temporales críticos: el Tiempo Medio Entre Fallos (MTBF, *Mean Time Between Failures*), que es la inversa de la tasa de fallos ($\text{MTBF} = 1/\lambda$) y define el tiempo medio que el equipo opera sin interrupciones, y el MTTR:

$$A = \frac{\text{MTBF}}{\text{MTBF} + \text{MTTR}}$$

Para maximizar la disponibilidad de una línea de producción automatizada (acercándola idealmente al 100% o valores de excelencia industrial superiores al 99.5%), el departamento de mantenimiento debe actuar sobre dos ejes complementarios: por un lado, incrementar el MTBF mediante técnicas de mantenimiento preventivo (limpieza, reapriete de bornas, comprobación térmica) y predictivo para estirar el tiempo operativo; y por otro lado, minimizar el MTTR facilitando herramientas rápidas de diagnóstico sistemático y disponiendo de un almacén de repuestos de componentes críticos (contactores, relés térmicos, fuentes) inmediatamente disponibles.

Figura: Curva de bañera con las fases típicas de tasa de fallos a lo largo de la vida de un equipo. Fuente: Generada para fines educativos / Licencia: CC BY-NC-SA

Medidas de resistencia de aislamiento y el efecto de la temperatura

Uno de los ensayos fundamentales en el mantenimiento predictivo y preventivo de automatismos y motores es la medición de la resistencia de aislamiento dieléctrico. Este ensayo se realiza aplicando una elevada tensión en corriente continua (típicamente 500V o 1000V en CC para redes de baja tensión de 400V) entre las partes activas conductores (fases L1, L2, L3) y el chasis metálico conectado a tierra (conductor PE), registrando el valor de corriente de fuga que logra atravesar el aislante. La resistencia de aislamiento resultante se expresa en megaohmios ($MΩ$).

La resistencia medida se ve fuertemente afectada por las condiciones ambientales del taller. La resistencia de aislamiento decrece de manera exponencial con el incremento de la temperatura del motor debido a la excitación térmica de los electrones libres en el polímero dieléctrico. De acuerdo con el estándar internacional IEEE 43, para poder comparar mediciones tomadas en diferentes estaciones o estados de carga, es obligatorio corregir los valores a una temperatura de referencia de 40ºC empleando un factor de corrección exponencial ($K_t$) que divide el aislamiento a la mitad por cada aumento de 10ºC:

$$R_{40} = R_{\text{medida}} \cdot 0.5^{\frac{40 - T_{\text{medida}}}{10}}$$

El Reglamento Electrotécnico para Baja Tensión, en su instrucción ITC-BT-19, establece los criterios mínimos de aceptación de resistencia de aislamiento para comprobar que una línea es segura. En instalaciones con tensiones nominales de ensayo de 500V CC, la resistencia de aislamiento mínima exigible es de 1.0 MO. Para motores eléctricos, se suele emplear la fórmula empírica de seguridad que exige un mínimo de 1 MO más 1 MO por cada kV de tensión nominal de servicio del motor (por ejemplo, a 400V o 0.4kV, el mínimo absoluto se establece en $1 + 0.4 = 1.40\text{ M}Ω$). Toda lectura inferior a este umbral térmicamente corregido indica degradación del aislamiento e impone la parada del motor para evitar una avería destructiva o fugas peligrosas a chasis.

🐍 Código Python: Simulación de Disponibilidad y Corrección de Megger IEEE 43


# Script para calcular la Disponibilidad, Tasa de Fallo y MTBF de un automatismo,

# así como la resistencia de aislamiento corregida por temperatura según IEEE.

import math



def calcular_indicadores_mantenimiento(fallos, horas_totales, tiempo_reparacion_horas):

    # Tasa de fallo (lambda) = fallos / horas totales

    tasa_fallo_lambda = fallos / horas_totales

    # MTBF = 1 / lambda

    mtbf = horas_totales / fallos if fallos > 0 else float('inf')

    # MTTR = tiempo total de reparacion / fallos

    mttr = tiempo_reparacion_horas / fallos if fallos > 0 else 0

    # Disponibilidad = MTBF / (MTBF + MTTR)

    disponibilidad = mtbf / (mtbf + mttr) if (mtbf + mttr) > 0 else 0

    

    print("💡 INDICADORES DE GESTIÓN DE MANTENIMIENTO:")

    print("=" * 65)

    print(f"💡 Horas totales de operación: {horas_totales} h")

    print(f"💡 Número de fallos registrados: {fallos}")

    print(f"💡 Tiempo total de reparación: {tiempo_reparacion_horas} h")

    print("-" * 65)

    print(f"💡 Tasa de fallo (?): {tasa_fallo_lambda:.6f} fallos/hora")

    print(f"💡 Tiempo medio entre fallos (MTBF): {mtbf:.2f} horas")

    print(f"💡 Tiempo medio de reparación (MTTR): {mttr:.2f} horas")

    print(f"💡 Disponibilidad del sistema (A): {disponibilidad * 100:.4f} %")

    print("=" * 65)



# Ejecución de simulación para un automatismo que falla 5 veces al año operando 24/7

calcular_indicadores_mantenimiento(fallos=5, horas_totales=8760, tiempo_reparacion_horas=24)

Este código calcula las métricas de fiabilidad y disponibilidad operativa a partir del registro histórico de fallos y paradas de reparación del cuadro.

💡 Evaluación de aislamiento en el simulador: Comprueba cómo influye la temperatura en el aislamiento corregido a 40ºC y verifica la seguridad de la instalación en el simulador: Abrir Módulo de Mantenimiento en REBT Calc.
Generador de Curvas de Fiabilidad Exponencial y MTBF
Copia este prompt en tu asistente de Inteligencia Artificial para generar un programa en Python que calcule la fiabilidad acumulada R(t) y la mantenibilidad acumulada M(t) en función de un tiempo dado 't' en horas.
Actúa como un Ingeniero de Confiabilidad y Mantenimiento Industrial en Automatismos. Escribe un script en Python que calcule la fiabilidad acumulada R(t) y la mantenibilidad acumulada M(t) en función de un tiempo dado 't' en horas. El usuario debe ingresar la tasa de fallos promedio (lambda) y la tasa de reparación promedio (mu) del automatismo eléctrico. El script debe: 1. Calcular e imprimir R(t) y M(t) utilizando las funciones exponenciales R(t) = e^(-lambda * t) y M(t) = 1 - e^(-mu * t). 2. Estimar la disponibilidad intrínseca del sistema. 3. Graficar en consola o mostrar una tabla con la evolución de R(t) y M(t) en intervalos desde 0 hasta el valor de t ingresado.

💡 Instrucciones de Uso:

  1. Copia el prompt haciendo clic sobre el contenedor.
  2. Utilízalo en tu asistente de Inteligencia Artificial para programar la lógica adiabática.
  3. Ejecuta el script para comprobar el impacto del tiempo de despeje en la seguridad térmica.
💡 Verificación del aislamiento del motor en el simulador: Utiliza el test Megger en el panel interactivo para evaluar la resistencia del motor bajo diferentes temperaturas de servicio: Abrir Megger Test en REBT Calc.

🔧 Laboratorio Práctico: Evaluación de aislamiento a 40ºC de un motor trifásico

Se dispone de un motor trifásico asíncrono que trabaja a una tensión nominal de 400V CA en una planta papelera húmeda. Durante la ronda de mantenimiento preventivo, el operario mide una resistencia de aislamiento de 2.50 MO entre la Fase L1 y la carcasa metálica, registrando una temperatura de motor de 20ºC. Se debe evaluar la aptitud del motor según la norma IEEE 43 y el REBT.

  1. Abre el módulo de Auditoría de Mantenimiento y Motores de la calculadora REBT Calc.
  2. Introduce los parámetros de medición en la sección del Test de Aislamiento (Megger):
    • Tensión Red (V): Escribe 400 V.
    • R. Medida (MO): Escribe 2.5.
    • Temp. Motor (ºC): Escribe 20.
  3. Haz clic en el botón Evaluar Aislamiento.
  4. Observa la resistencia de aislamiento corregida a 40ºC calculada automáticamente.
  5. Compara el valor corregido con el límite de seguridad normativo y registra el dictamen.
📂 Abrir Módulo de Mantenimiento en REBT Calc

Pregunta de Laboratorio:

Tras realizar el ensayo de aislamiento Megger en la calculadora con 400V, 2.5 MO a 20ºC, ¿cuál es el resultado del aislamiento corregido a 40ºC y su dictamen?

📋 Caso Práctico: Disponibilidad de Automatismos

Contexto: Una línea de empaquetado automático de una azucarera experimenta paradas frecuentes debido al fallo de los sensores fotoeléctricos.

Pregunta: ¿Cuál de las siguientes relaciones define la disponibilidad de un automatismo?

📋 Caso Práctico: El Parámetro MTBF

Contexto: En la auditoría de mantenimiento de una celda robotizada de soldadura, se recopilan los fallos ocurridos durante un año.

Pregunta: ¿Qué representa físicamente el parámetro MTBF en un equipo eléctrico?

📋 Caso Práctico: Ensayo Megger y Temperatura

Contexto: Un operario realiza una prueba Megger a un motor por la mañana a 15ºC y luego repite la prueba al mediodía a 35ºC.

Pregunta: ¿Cómo influye la temperatura medida en un ensayo Megger de aislamiento?