Documente Academic
Documente Profesional
Documente Cultură
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
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
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
herramientas de simulación y del hardware que las soporta), no por ello deja de resultar
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
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,
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
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
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
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
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
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
4000
frecuencia experimental
natural de cada combinación de modos. 3000
Existe el llamado “Gráfico de araña” (Spider)
1000
0
0 1000 2000 3000 4000 5000 6000
Figura 7 – Gráfico FMAC
representa de manera conjunta el error
cometido en frecuencia (en eje “x”), para los
modos seleccionados.
GRAFICO DE ARAÑA (SPIDER)
También se utilizan gráficos comparativos para
0.1
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
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
parámetros modales existentes. Cabe destacar los gráficos Spider y FMAC, muy
intuitivos y con mucha información para poder tomar una decisión rápida en la
apropiados para realizar una correlación correcta del modelo.
5. Referencias