Ajuste y validación de modelos teóricos mediante ensayos de 

vibración sobre el componente.

M. E. Garbayo, J. M. Pintor 

Universidad Pública de Navarra, Dpto. Ingeniería Mecánica Energética y Materiales,  
Campus Arrosadía s/n, 31006 Pamplona (España), Tlf: 948169631
txma@unavarra.es

Resumen
En el presente trabajo, se pretende avanzar en el campo de la validación y correlación de 
modelos teóricos mediante la realización de ensayos y medidas de vibración sobre la pieza 
real a estudio.
Se   realiza   una   recopilación   de   los   métodos   conocidos   actualmente   para   el   ajuste   y 
validación   de   modelos   (MAC,   CoMAC,   etc.),   dando   una   breve   explicación   de   en   qué 
consisten. También se propone el uso de un nuevo método para seleccionar los grados de 
libertad “maestros” de un modelo de grandes dimensiones (reducción de Fisher).
Se implementan y se hace una comparación entre todos los  métodos, usando para ello 
piezas sencillas, como una viga o varias vigas soldadas o atornilladas.
Por último, se comentan los resultados obtenidos y se discute su viabilidad.

Palabras Clave: Ajuste, Correlación, Validación, Análisis Modal.

Abstract
In this  work, it   is   intended  to go  deep  into the  correlation  and  updating of  theoretical 
models by means of modal testing and vibration analysis on the real workpiece.
A collection of the more used methods for updating is presented, and it is given a short 
explanation of each method. One new method about how to select the “master” degrees of 
freedom is proposed too (Fisher reduction).
It has been tried to implement and to compare all these methods between them, using for 
the  tests   simple   workpieces,  like  a   beam   or  combinations  of  short   beams  (welded  and 
screwed).
At last, the achieved results are presented and discussed in the conclusion.

Keywords: Adjustment, Correlation, Updating, Modal Testing.

1. Introducción

En las últimas décadas, se ha desarrollado ampliamente el diseño en 3D mediante la 

extensión   del   uso   de   programas   informáticos   de   CAD   (CATIA,   IDEAS,   ...)   y   el 
posterior cálculo por elementos finitos de dichos diseños (CAE). Circunstancias ambas 

que   han   sido   posibles   gracias   al   aumento   en   prestaciones   de   los   ordenadores   y   al 

desarrollo de programas a tal efecto (Ansys, Abaqus, Nastram, ...). En este sentido, las 

herramientas   de   software   utilizadas   principalmente   en   el   presente   trabajo   han   sido 

CATIA, ANSYS, LMS TestLab y MATLAB.

Desde   esta   perspectiva,   es   indudable   que   el   empleo   de   las   citadas   herramientas   de 

cálculo por Elementos Finitos (EF) de los modelos virtuales ha acelerado notablemente 

las fases de desarrollo de nuevos productos, a la vez que ha reducido de manera muy 

importante los costos asociados a dicha actividad de desarrollo. Se habla así del término 

de   “ingeniería   concurrente”   para   referirse   a   la   complementariedad   de   las   fases   de 

desarrollo realizadas ahora sobre los modelos virtuales, mediante las herramientas de 

simulación  mencionadas,  y aquellas  fases  que  siguen  fundamentadas  en la  labor  de 

carácter experimental llevadas a cabo sobre modelos reales o prototipos de los mismos.

Actividad esta última, la experimental, que si bien cada día ocupa menos espacio dentro 

de   esa   “ingeniería   concurrente”   (gracias   al   aumento   de   las   capacidades   de   las 

herramientas de simulación y del hardware que las soporta), no por ello deja de resultar 

del  todo  imprescindible. No en vano, bajo este planteamiento subyace la duda y la 

necesidad de saber si efectivamente el modelo virtual de EF se comportará igual que el 

componente real que se está diseñando o analizando; después de todo, si los resultados 

no son fiables, las herramientas de simulación y el modelo virtual serán de nula utilidad.

1.1. Ajuste y validación del modelo virtual

Surge   entonces   la   necesidad   de   ajustar   el   modelo   virtual   al   real   y   de,   finalmente, 

validarlo. Para ello se dispone de diferentes métodos, entre los que aquellos basados en 

ensayos de vibraciones, habitualmente en base a la aplicación de las técnicas de análisis 

modal experimental, resultan de los más efectivos, rápidos y fiables. Ensayos en los que 

se introduce al componente real una excitación (acción externa, variable en el tiempo, 
de carácter impulsivo, armónico, periódico o, con carácter totalmente general, aleatorio) 

para   registrar   su  respuesta  en  varios   puntos   (grados   de   libertad)   y,   a   partir   de  ahí, 

extraer   ciertos   parámetros   del   sistema   (parámetros   modales:   frecuencias   y   modos 

naturales de vibración, …) que puedan ser comparados con los parámetros deducidos 

del modelo virtual de EF. De esta manera, la posterior labor de correlación teórico – 

experimental deberá permitir llevar a cabo el necesario ajuste y validación de modelo 

virtual.

En este sentido, las zonas más comunes donde suele fallar el modelo de EF son las 

uniones   entre   los   componentes,   así   como   la   caracterización   de   las   condiciones   de 

contorno (empotramientos, restricciones de movimientos, etc.). Sin embargo, el modelo 

virtual   de   EF   suele   resultar   ser   un   modelo   teórico   con   bastantes   simplificaciones 

respecto del real, por lo que podría errar también en muchos otros aspectos como la 

falta de homogeneidad del material, la presencia de comportamientos no lineales, la 

existencia de imperfecciones, etc.

2. Métodos de ajuste y validación. Aplicación a un ejemplo

Dentro de los ensayos de vibración existen actualmente varios métodos para ajustar o 

validar el modelo de EF. Se recoge a continuación una breve recopilación de algunos de 

los más importantes, que a su vez pueden dividirse en tres grandes familias:

 Comparación y correlación de los parámetros modales.
 Comparación y correlación de las propiedades de la respuesta temporal.
 Métodos de reducción y expansión de modelos.

Para facilitar la interpretación, se han aplicado los diferentes métodos sobre una barra 

de aluminio de 25x50x1000 mm, ajustando los parámetros de geometría, densidad y 

módulo de Young.

2.1. Diferencia de frecuencias
Es un método sencillo y rápido de aplicar consistente en calcular la diferencia entre la 

frecuencia natural del modelo analítico (ωA) y el experimental (ωX), obteniendo un valor 

para cada uno de los M modos calculados. Es importante comparar la frecuencia para el 

mismo modo, entre los modos correlacionados entre sí, ya que podría existir un modo 

virtual que en el ensayo experimental no apareciese (ver Tabla 1).

wAi - wX i
Diferencia_freci (%) =
wX i
100 " i = 1...M

2.2. Error en frecuencia

Si se desea obtener un único valor (escalar) que cuantifique el error global cometido en 

el cálculo de las frecuencias naturales, se suma ponderadamente la Diferencia_frec para 

varios modos (los que sean más importantes para caracterizar la estructura) y después se 

normaliza el resultado. Normalmente interesará darle más importancia a unos modos 

que a otros, de ahí el factor de ponderación (ver Tabla 1).

(Wi Diferencia_freci )
Error_frec (%) = i
" i = modos seleccionados
(Wi )
i

donde  Wi  es valor de ponderación para cada modo.
Frec. teórica  Frec. Exp.  Error frec.  Diferencia  vector  Error ponderado  error total 
MODO
(Hz) (Hz) (Hz) frec (%) ponderación (%) (%)
1 131.2 125.6 ­5.7 ­4.53 1.00 4.53
2 361.2 345.4 ­15.8 ­4.59 1.00 4.59
3 706.7 671.0 ­35.6 ­5.31 1.00 5.31
4 1165.2 1100.2 ­65.1 ­5.92 0.90 5.32
5 1735.5 1641.4 ­94.0 ­5.73 0.90 5.15
7.20
6 2415.5 2255.5 ­160.0 ­7.09 0.85 6.03
7 2556.9 2981.5 424.6 14.24 0.50 7.12
8 3203.1 3769.6 566.4 15.03 0.40 6.01
9 4096.1 4675.4 579.3 12.39 0.40 4.96
10 5091.7 5694.7 603.0 10.59 0.30 3.18
Tabla 1 – Comparación de frecuencias naturales

2.3. Matriz de diferencias en frecuencia (NFD = Natural Frequency Difference)
La   matriz   está   formada   por   la   diferencia   de  10
MATRIZ DE DIFERENCIA EN FRECUENCIA

4000
9

frecuencias entre las posibles combinaciones de  8
3000

2000
7

los modos del modelo virtual y el experimental.  1000

modos teoricos
6
0

5
Será   una   matriz   de   dimensión   MxM,   y   podría 
­1000

4 ­2000

­3000

usarse   para   correlacionar   los   modos 

3
­4000
2
­5000

experimentales con los teóricos (Figura 1). 1
1 2 3 4 5 6 7
modos experimentales
8 9 10

Figura 1 – Matriz NFD
wAi - wX j
NFDij (%) =
wX i
100    " i, j = 1...M

2.4. Criterios de ortogonalidad

Los   modos   naturales   de   vibración,   vectores   propios,   si   se   encuentran   normalizados 

respecto a la matriz de masas cumplirán las ecuaciones siguientes.
[F ]T × [ M ] ×[F ] = [ I ] [F ]T × [ K ] ×[F ] = [ D]

2.5. Factor de escala modal (MSF = Modal Scale Factor)

El MSF compara un modo teórico con su correspondiente experimental. Dependiendo 

de   cuál   de   los   modelos   sea   tomado   como   referencia   (Figura   2)   se   obtienen   dos 

expresiones distintas para este factor:

i =N i =N
(Y X )ij ( Y A ) Hji (Y A )ij (Y X ) Hji
MSFj =    " j = 1...M MSFj =   " j = 1...M
i =1 i =1
i =N i=N
(Y A )ij ( Y A ) Hji (Y X )ij (Y X ) Hji
i =1 i =1

Se  podría hallar para todas  las combinaciones posibles de modos construyendo una 

matriz   MSFij  de  dimensión  MxM,  pero tiene  más  sentido  construir  un vector  MSFj 

(Mx1) que proporcione un valor de MSF para cada modo.
 Modal Scale Factor ­ reference = modo teorico Coordinate Modal Scale Factor ­ reference = modo teorico
2 2

1.5 1.5

CoMSF
MSF
1 1

0.5 0.5

0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6

Modal Scale Factor ­ reference = modo experimental Coordinate Modal Scale Factor ­ reference = modo experimental
2 2

1.5 1.5

CoMSF
1
MSF

0.5 0.5

0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6
Nº DE MODO Nº DE G.D.L.

Figura 2 – Factor MSF Figura 3 – Factor CoMSF

2.6. MSF por coordenadas (CoMSF = Coordinate Modal Scale Factor)

El CoMSF es igual que el MSF, pero en vez de correlacionar modos correlaciona los 

grados de libertad, comparando el valor de la deformada modal en el g.d.l. (i) para todos 

los modos, entre el modelo teórico y el experimental. De nuevo, dependiendo de qué 

modelo sea tomado como referencia, se obtienen dos expresiones distintas.

j =M j =M
( Y X )ij ( Y A ) Hji (Y A )ij (Y X ) Hji
  " i = 1...N " i = 1...N
j =1 j =1
CoMSFi = j =M
CoMSFi = j =M
( Y A )ij (Y A ) Hji (Y X )ij (Y X ) Hji
j =1 j =1

2.7. Criterio de confianza modal (MAC = Modal Assurance Criterion)

El MAC es un método para estimar el grado de correlación entre un modo natural de 

vibración del modelo virtual y un modo del experimental. Proporciona un factor de 

correlación entre cada una de las posibles combinaciones entre los modos teóricos y 

experimentales, con lo que se obtiene una matriz de dimensión MxM (Figura 4).

i=N 2

(Y X )ik ( Y A ) Hji
MAC jk = i =N
i =1
i=N
" j , k = 1...M
( Y A )ij ( Y ) H
A ji (Y X )ik ( Y X ) H
ki
i =1 i =1

Una variante es el criterio “MAC mejorado” (IMAC  ­ Improved Modal Assurance 

Criterion):   consiste   en   eliminar   los   g.d.l.   incorrectos;   esto   es,   cuya   medida   haya 

resultado dificultosa o simplemente aquellos que introduzcan errores que puedan dar 

lugar a una estimación incorrecta de la correlación entre los modos. No obstante, hay 
que tener cuidado de no eliminar g.d.l. buscando simplemente mejorar el resultado de 

los   valores   de   MAC,   ya   que   podría   conducir   a   un   resultado   incorrecto,   y   tan   sólo 

eliminar como se ha dicho aquellos que puedan tener errores.
mac
10

9 0.9

0.8 1
8

0.7 0.8
7
0.6 0.6
mo
dos 6
teo 0.4
0.5
rico
s 5 0.2
0.4
0
4
0.3 1
2
3
3 4
0.2 5 10
6 9
7 8
8 7
2 9 6
0.1 10 5
4
3
2
1 1
1 2 3 4 5 6 7 8 9 10
modos experimentales

Figura 4 – Matriz MAC: modos analíticos vs modos experimentales
También,  de forma análoga al CoMSF, existe el criterio “MAC por coordenadas” 

(CoMAC ­ Coordinate Modal Assurance Criterion) consistente en aplicar el MAC para 

correlacionar los g.d.l. entre sí en lugar de los modos.

2
j =M
(Y X )ij ( Y A ) Hji
j =1
CoMACi = j =M j =M " i = 1...N
(Y A )ij (Y A ) Hji (Y X )ij (Y X ) Hji
j =1 j =1

2.8. Autocriterio de confianza modal (AutoMAC)

El AutoMAC es el método MAC aplicado sólo a un conjunto de modos, el experimental 

o   el   teórico   (Figuras   5a   y   5b)   formando   una   matriz   AutoMAC   (dim=MxM).   Por 

definición todos los elementos de la diagonal serán la unidad, ya que la correlación de 

un modo consigo mismo siempre será total. Este método puede usarse, por ejemplo, 

para comparar y distinguir dos modos muy próximos.

2.9. NCO (Normalized Cross Orthogonality)

El MAC normalizado (Normalized Modal Assurance Criterion) es muy similar al MAC, 

pero tiene en cuenta que los modos propios son ortogonales entre sí con respecto a la 

matriz de masas y a la matriz de rigidez, esto es:

( F ) j ×[ M ] × ( F ) k
T
=0 ( F ) j ×[ K ] × ( F ) k
T
=0 " j k
 automac exp automac ansys
10 1 10 1

9 0.9 9 0.9

0.8 0.8
8 8
m
0.7 od 0.7
m 7 7
od os
os 0.6 te 0.6
ex 6 ori 6
pe 0.5 co 0.5
ri s
5 5
m 0.4 0.4
en
tal 4 4
0.3 0.3
es
3 3
0.2 0.2

2 0.1 2 0.1

1 1 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
modos experimentales modos teóricos

Figura 5a –AutoMAC modos exps. Figura 5b –AutoMAC modos analíticos
Por ello, el MAC no proporcionará realmente valores nulos para modos independientes 

entre sí. Pero, si tenemos en cuenta lo anterior, podemos definir el NCO mediante la 

introducción en el MAC de una matriz de ponderación   [W ]   con respecto a la cual se 

normalizan los modos. Esta matriz podría ser la de masa [M] o la de rigidez [K].
2
( Y X )Tk [W ] (Y A ) j
NCO jk = " j , k = 1...M
( (Y X )Tk [W ] (Y X )k ) ( (Y A )Tj [W ] (Y A ) j )

En las Figuras 6a y 6b se puede observar cómo la correlación mejora con el NCO 

(comparada con el algoritmo MAC sin ponderación).
MAC MAC MAC MAC
10 10
MAC MAC 0.9 MAC MAC
9
10 109 0.9

0.8 0.8 1
89 8 0.9 0.9 1
9
0.7
7 0.7
0.8 0.8 1 1
78 8
modos teoricos
modos teoricos

0.6
6 0.6
0.7 0.7 0.5
67 7 0.5
0.5
modos teoricos
modos teoricos

5 0.5
0.6 0.6
56 6 0.4 0.5 0.5
4 0.4
0.5 0.5 0
45 5 0.3 0
0.3 0.4 12
3 0.4 1 34
4 0.2 0 23 0 5
34 0.2
0.3 0.3 45 67 9 10
2 0.1 12 12 67 89 107 8
23 3 0.1 0.2 3489 34 10 7 8 59 6
0.2 56 6 3 4
1 5 6 10
78 4 51 2 9 10 9 10
12 2 2 4 6 8 10 0.1 78
modos teoricos
910 2 3 7 8
8 modos experimentales
     
0.1 6 7
2 4 6 modos experimentales
8 10 modos teoricos 910 1 5 4 5 6
modos experimentales
1 modos experimentales 3 4 3
1
1 2 1 2
2 4 2 64 86 108 10 modos teoricos
modos teoricos modos experimentales
modos experimentales
Figura 6a – MAC  sin ponderaciónNCO
modos experimentales
modos experimentales NCO NCO
10 NCO
10 0.9
9 NCO NCO
NCO NCO
10 10 0.9 0.8
9 8 1
9 0.8 0.9
89 0.9 0.7 1
7
modos teoricos

0.7 0.8
0.6 1
8 0.8 1
78 6 0.5
modos teoricos

0.6 0.7
0.5
7 0.7 0.5
67
modos teoricos

5
modos teoricos

0.5 0.6
0.4
6 0.6 0.5
56 4 0.5 0
0.5
0.3
0.4
0.5 12
5 0
45 3 0.4
0.2 34
0.3
0.4 56
4 1 78 0 9 10
34 2 0.3
0.1 0 23 910 7 8
0.2
0.3 45 12 5 610
3 12 67 34 3 84 9
1 0.2 34
23 2 4 6 8 0.1
0.2 10 89 56 1 26 7 9 10
5modos teoricos
6 7 10 78
2 modos experimentales 0.1 910 4 5 9 10 7 8
modos experimentales
12 0.1 89 3 7 8 5 6
2 4 6 8 10 modos teoricos 10 1 2 5 6
3 4
1 modos experimentales
1 2 4
modos experimentales 6 8 10 modos teoricos 3 4 1 2
2 4 6modos experimentales
modos experimentales
8 10
       modos teoricos 1 2 modos experimentales
modos experimentales

Figura 6b – NTO (MAC con ponderación)
2.10. SCO (SEREP Cross Orthogonality)
La mayor dificultad en el método anterior (NCO) está en calcular la matriz de masa o de 

rigidez, ya que no suele ser obvia su extracción. Aprovechando las propiedades de la 

matriz de modos, siempre que se haya podido obtener en su forma normalizada   [ F ] , 

puede calcularse de forma sencilla y rápida las pseudo­matrices de masa o de rigidez:

=[ F ] [F] =[ F ] [ D] [ F ]
+T + +T +
MP KP

Así, usando como matriz de ponderación la pseudo­matriz de masa obtenemos el SCO:
2
[F] [F]
+T +
(Y X )Tk (Y A ) j
SCO jk = " j , k = 1...M
( (Y X )Tk [F]
+T
[F]
+
(Y X ) k ) ( (Y A )Tj [F]
+T
[F]
+
(Y A ) j )
2.11. AutoSCO (Auto SEREP Cross Orthogonality)

Al igual que una aplicación del MAC era el AutoMAC, del SCO también se puede 

obtener fácilmente el AutoSCO (es igual que el AutoMAC sólo que aplicando como 

matriz de ponderación la pseudo­matriz de masa.

2
[F] [F]
+T +
( Y ) Tk (Y ) j
AutoSCO jk =    " j , k = 1...M
( (Y ) T
k [F]
+T
[F]
+
(Y )k ) ( (Y ) T
j [F]
+T
[F]
+
(Y ) j )
2.12. Criterio de confianza modal y frecuencia (FMAC = Frequency scaled Modal 

Assurance Criterion)
grafico FMAC

Recoge (Figura 7) una representación conjunta 
6000

MAC
5000
AutoMAC teorico

del   MAC,   del   AutoMAC   y   de   la   frecuencia  AutoMAC experimental

4000
frecuencia experimental

natural de cada combinación de modos. 3000

2.13. Gráficos 2000

Existe el llamado “Gráfico de araña” (Spider) 
1000

0
0 1000 2000 3000 4000 5000 6000

consistente   una   gráfica   (Figura   8)   donde   se  frecuencia teorica

Figura 7 – Gráfico FMAC
representa   de   manera   conjunta   el   error 

cometido   en   MAC   (en   eje   “y”)   y   el   error 

cometido en frecuencia (en eje “x”), para los 

modos seleccionados.
 GRAFICO DE ARAÑA (SPIDER)

También se utilizan gráficos comparativos para 
0.1

las   frecuencias   naturales,   para   los   vectores  0.08

y = 1 ­ MAC
modales, o para cada g.d.l., y hallar la línea de 
0.06

0.04

regresión que mejor se ajuste a los puntos. 0.02

0
0 0.02 0.04 0.06 0.08 0.1
error relativo en frec

Figura 8 – Gráfico de araña (Spider)
3. Reducción de grados de libertad en el modelo teórico

Resulta   fundamental   en   modelos   de   gran   tamaño   realizar   una   reducción   de   éste   (o 

expandir los resultados experimentales). En este trabajo, se ha implementado un método 

para   seleccionar   del   modelo   teórico   aquellos   g.d.l.   que   mejor   definan   su 

comportamiento, mediante el cálculo de la matriz de Fisher  [ F]  (de dimensión NxN) y 

la eliminación de aquellos elementos de la diagonal principal de valor más bajo, que 

contribuyen menos a la ortogonalidad de los modos y pueden ser eliminados:

[ A ] = [ F ] [ F ]     
T
[ F] =[ F ] [ A] [F]
­1 T

En cualquier caso, hay que tener especial cuidado al invertir la matriz  [ A ] , ya que suele 

estar  mal condicionada y el cálculo directo de la inversa puede dar lugar a errores 

numéricos. La Figura 9a muestra tres formas de calcularla: haciendo directamente la 

inversa   (inv),   lo   que   provoca   errores   numéricos;   obteniendo   la   pseudo­inversa   de 

Moore­Penrose (pinv); determinando una solución que minimiza la norma del error (\). 

Se   ha   escogido   esta   última   que   utiliza   una   descomposición   L*U   muy   estable 

numéricamente. Observando la Figura 9b se observa que no tiene mayor complicación 

la elección de los g.d.l. para la barra, ya que el g.d.l. “ux” presenta siempre un valor 

más bajo de Fisher que el g.d.l. “uy” para cada nudo: por ello, se han escogido 6 puntos 

equidistantes, 1 en cada extremo, midiendo el desplazamiento vertical (“uy”).
 REDUCCIÓN DE FISHER
2
  1.2
1.8 inv
 
1.6 pinv
  1
valor de FISHER 1.4 \

1.2 0.8

1
0.6
0.8

0.6
0.4
0.4

0.2 0.2

0
0 10 20 30 40 50 60 70 80 90 100 0
nº de g.d.l. (ordenados espacialmente) 0 10 20 30 40 50 60 70 80 90 100

Figura 9a – Reducción de Fisher con “uy” Figura 9b ­ Reducción con “ux” y “uy”

4. Conclusiones

Se   han   expuesto   “esquemáticamente”   los   principales   métodos   de   correlación   de 

parámetros   modales   existentes.   Cabe   destacar   los   gráficos   Spider   y   FMAC,   muy 

intuitivos   y   con   mucha   información   para   poder   tomar   una   decisión   rápida   en   la 

validación   de   un   modelo,   y   la   reducción   de   Fisher   para   seleccionar   los   g.d.l.   más 

apropiados para realizar una correlación correcta del modelo.

5. Referencias

1.  M.   I.   Friswell,   J.   E.   Mottershead,  Finite   Element   Model   updating   in   Structural  

Dynamics, Kluwer Academic Publishers, Dordrecht, (1995).
2.  D. J. Ewins, Modal Testing: Theory and Practice, Research Studies Press, Baldock 
(2000).
3.  R. J. Allemang, D. L. Brown, A correlation coefficient for modal vector analysis, 1st 
International Modal Analysis Conference, pp. 110­116, (1982).
4.   N. A. J. Lieven, D. J. Ewins,  Spatial correlation of mode shapes, the coordinate  
modal assurance criterion (CoMAC), 6th International Modal Analysis Conference, 
(February 1988).