Mejora de los modelos dinámicos de máquina-herramienta mediante la aplicación del acoplamiento de receptancias inverso para la caracterización de uniones
- EALO MUÑOZ, JON ANDER
- Jokin Muñoa Gorostidi Director
- María Helena Fernandes Rodrigues Director
Universidade de defensa: Universidad del País Vasco - Euskal Herriko Unibertsitatea
Fecha de defensa: 24 de xaneiro de 2020
- L. N. López de Lacalle Marcaide Presidente
- Jesús María Hernández Vázquez Secretario
- Xavier Beudaert Vogal
- Hernán Alberto González Rojas Vogal
- Andrés Bustillo Iglesias Vogal
Tipo: Tese
Resumo
Debido a que los tipos de unión entre componentes que forman las máquinas-herramienta tienen una gran influencia en su comportamiento dinámico, su correcta modelización es fundamental para la obtención de modelos fiables de estos sistemas mecánicos. Está tesis, desarrolla un método numérico-experimental para la identificación de las propiedades de las uniones entre componentes pertenecientes a la máquinas-herramienta. La metodología de identificación de uniones se basa en el método de acoplamiento de receptancias inverso y se desarrolla una novedosa y optimizada metodología de identificación de propiedades de las uniones de estructuras multi-componente por medio de identificación secuencial. Se utilizan información adquirida de medidas experimentales de la máquina ensamblada, con lo que la fase de medición no requiere la separación de los componentes. Los parámetros obtenidos para las uniones,dan lugar a modelos numéricos que reproducen adecuadamente el comportamiento dinámico real de la estructura ensamblada. Con respecto a la modelización de uniones se han tratado por separado los sistemas de accionamiento y los de guiado. Con la metodología se puede predecir el comportamiento de las máquinas en distintas configuraciones. Esta predicción parte de las propiedades de las uniones identificadas con la metodología presentada y la aplicación del método de Craig-Bampton adaptado al caso de una máquina-herramienta industrial. Este planteamiento permite avanzar en la obtención de modelos virtuales que permitan estimar el comportamiento de las máquinas en todo su espacio de trabajo.