1

Trabajo Fin de Grado

Diseño de experimentos y algoritmos bioinspirados

aplicados a la mejora del comportamiento de un
sistema mecánico

Desing of experiments and bio-inspired algorithms

applied to the improvement of performance on a
sewing machine

Autor

Fernando Pelegrín Bravo

Directora

Carmen Galé Pola

Ingeniería de Tecnologías Industriales

ESCUELA DE INGENIERÍA Y ARQUITECTURA

2020
 2

RESUMEN
En este TFG se van implementar dos procedimientos dirigidos a la mejora del
comportamiento mecánico de un sistema. El primero, basado en diseño de
experimentos, se denomina metodología de superficie respuesta y es un método
estadístico. El segundo, es un algoritmo bioinspirado, denominado algoritmo de
enjambre de partículas y es una técnica heurística de optimización.
En un conjunto mecánico se pueden identificar una colección de parámetros de diseño
que influyen en su comportamiento bajo diferentes criterios como la vida útil, la calidad
de ejecución o las fuerzas aplicadas, entre otros. Los dos procedimientos anteriores
persiguen la mejora u optimización de alguno de esos criterios. Dado que el interés del
trabajo se centra en la comprensión y aplicación de ambos procedimientos, se ha
elegido un sistema mecánico sencillo, una máquina de coser doméstica.
El primer paso, previo a la aplicación de cualquiera de los procedimientos, consiste en
la revisión de la literatura sobre la máquina de coser. Es preciso estudiar el
funcionamiento de estas máquinas, los mecanismos que la componen, los principales
parámetros de diseño y los inconvenientes mecánicos más relevantes. Tras esta
revisión se ha elegido el mecanismo de arremetida de material porque es el mecanismo
que más fuerzas y momentos genera, así como el que provoca un mayor consumo
eléctrico. Con la información recogida se persigue determinar la variable respuesta que
va a permitir medir la mejora del sistema y los factores de diseño, cuyo valor puede
influir en dicha variable respuesta y habrá que determinar. Tras el análisis se decide
añadir al mecanismo de arremetida un grupo muelle-amortiguador. Este grupo se
caracteriza por su capacidad de disminuir vibraciones y esfuerzos no deseados. Por
ello, los procedimientos de mejora van a considerar el valor de las constantes del muelle
y del amortiguador como factores de diseño cuyo valor hay que elegir para obtener la
reducción o minimización de las vibraciones y fuerzas.
El segundo paso consiste en modelar matemáticamente el mecanismo de arremetida
de material con el grupo-muelle amortiguador. Al ser un mecanismo sencillo el valor de
las fuerzas y momentos se ha podido evaluar de forma exacta mediante la resolución
de las ecuaciones de la dinámica y de la cinemática. Los resultados obtenidos se han
comparado con resultados de la literatura para validar el modelo. El hecho de poder
evaluar las variables respuesta en poco tiempo computacional ha facilitado la validación
de los resultados obtenidos y muestra el potencial de los procedimientos implementados
cuando la evaluación de las medidas de rendimiento sea más costosa.
El tercer paso consiste en la implementación de la metodología de superficie respuesta
y el algoritmo de enjambre de partículas para la optimización de forma individual del par
motor, las fuerzas en la dirección -x, -z en el punto de unión del brazo con el motor y la
fuerza en la deslizadera, los puntos en contacto con la carcasa y que por lo tanto
producen vibraciones. Los dos procedimientos proporcionan los mismos valores de las
constantes del muelle y amortiguador para minimizar las variables respuesta en el rango
fijado.
Finalmente, dado que ninguna selección de los valores de las constantes de muelle y
amortiguador minimizan simultáneamente todas las variables respuestas, se ha
realizado un análisis de optimización multiobjetivo, calculando una solución eficiente.
 3

CONTENIDO
1. Introducción ...................................................................................................................... 5
1.1. Metodología de la Superficie Respuesta ........................................................................ 5
1.2. Algoritmos de enjambre de partículas ........................................................................... 6
2. Sistema mecánico: la máquina de coser ............................................................................ 8
2.1. Estructura y mecanismo ................................................................................................ 8
2.2. Estudio de la literatura sobre variables de diseño y medidas de rendimiento............... 10
3. Selección de factores y variable respuesta ....................................................................... 13
3.1. Ecuaciones de la cinemática ........................................................................................ 14
3.2 Ecuaciones de la dinámica ........................................................................................... 15
3.2. Resolución de las ecuaciones cinemáticas ................................................................... 18
3.3. Resolución de las ecuaciones de la dinámica ............................................................... 22
4. Metodología de superficie respuesta............................................................................... 27
4.1. Selección de factores de entrada y variables respuesta ............................................... 27
4.2. Ajuste del modelo de superficie respuesta .................................................................. 28
4.2.1. Par motor ................................................................................................................ 29
4.2.2. Rango de Fox ........................................................................................................... 34
4.2.3. Rango de FoZ ........................................................................................................... 35
4.2.4. Rango de FG3 .......................................................................................................... 37
4.3. Tratamiento multiobjetivo del problema ..................................................................... 39
4.4. Conclusiones ............................................................................................................... 51
5. Algoritmos bioinspirados ................................................................................................. 53
5.1. Esquema de un algoritmo de enjambre de partículas .................................................. 53
5.2. Algoritmo aplicado al sistema mecánico ...................................................................... 55
6. Conclusión ...................................................................................................................... 62
Bibliografía ............................................................................................................................. 64
Anexo 1: Códigos en R ............................................................................................................. 66
Anexo 1.1 Código utilizado para la resolución de las ecuaciones de la cinemática en R. ....... 66
Anexo 1.2: Código de la interpolación de la fuerza de penetración ...................................... 70
Anexo 1.3Código para el cálculo de la fuerza del muelle y del amortiguador ....................... 71
Anexo 1.4: Código para la resolución de las ecuaciones de la dinámica ............................... 72
Anexo 1.5: Código de la función de cálculo de rango de cada variable ................................. 74
Anexo 1.6: Código de la función utilizada en el análisis multiobjetivo del algoritmo PSO ..... 76
Anexo 2: RSM ......................................................................................................................... 78
Anexo 2.1: Datos utilizados para el RSM .............................................................................. 78
 4

Anexo 2.2: Modelo RSM del de Fox ..................................................................................... 83

Anexo 2.3: Modelo RSM del FG3 ........................................................................................ 84
Anexo 2.4: Modelo RSM del de Foz ..................................................................................... 85
Anexo 2.5: Modelo RSM del par motor con nuevos límites .................................................. 86
Anexo 2.6: Modelo RSM Fox con nuevos límites .................................................................. 87
Anexo 2.7: RSM de Foz con nuevos límites .......................................................................... 88
Anexo 2.8: RSM de FG3 con nuevos límites ......................................................................... 89
 5

1. INTRODUCCIÓN
El objetivo de este trabajo es el uso de dos procedimientos de optimización aplicados a
un sistema mecánico. El primero basado en el diseño de experimentos se denomina
metodología de la superficie respuesta (RSM), del inglés, Research Methodology
Surface. El segundo procedimiento, se basa en un algoritmo bioinspirado, en particular
el conocido como algoritmo de enjambre de partículas (PSO), del inglés, Particle Swarm
Algorithm. Estos procedimientos se utilizan en la mejora y optimización de procesos
cuyo comportamiento depende de múltiples factores de diseño. Ambos métodos son
muy utilizados en la actualidad en multitud de ramas de la industria y la tecnología. Por
ejemplo, se emplean tanto para incrementar el ahorro energético de una planta de
producción como para reducir los costes medioambientales y de transporte en rutas de
vehículos.
Aunque los dos métodos son de naturaleza bien diferente, en ambos casos se precisa
determinar los criterios o variables respuesta que describen el comportamiento del
sistema y cuya comparación establecerá la dirección de mejora.
En el caso de la metodología de la superficie respuesta se utilizan técnicas estadísticas
para ajustar un modelo que represente lo mejor posible el valor de una variable
respuesta de interés a partir de valores de la variable evaluados en un conjunto discreto
de valores de los factores fijado de forma adecuada por el diseño. Además, el
procedimiento permite cuantificar el efecto y valorar la significación de cada uno de los
factores de diseño en el valor de la variable respuesta.
Los algoritmos bioinspirados determinan el procedimiento de búsqueda de los valores
óptimos de los factores de diseño en la región de factibilidad o conjunto de valores
posibles de los mismos. Estos procedimientos son estocásticos y, habitualmente, se
componen de dos fases. Una fase de exploración que permite recorrer toda la región y
escapar de óptimos locales. Y una fase de explotación, que una vez elegida una zona
de la región de factibilidad se realiza una búsqueda intensiva para localizar posibles
óptimos locales.
Con el objetivo de ilustrar ambos procedimientos de optimización se va a elegir un
sistema mecánico sencillo, como es el mecanismo de arremetida de material de una
máquina de coser.

1.1.METODOLOGÍA DE LA SUPERFICIE RESPUESTA

RSM es un conjunto de técnicas estadísticas empleadas para optimizar y mejorar
procesos (Montgomery, 2017). Esta técnica se utiliza en procesos cuyo rendimiento se
puede cuantificar a partir de una o varias respuestas de interés y cuyo comportamiento
se espera dependa de uno o más factores. El objetivo último al aplicar esta metodología
es determinar los valores de los factores que proporcionan el valor óptimo de la variable
respuesta. La diferencia entre un diseño de experimentos estándar y RSM es que el
primero tiene como objetivo localizar los niveles de los factores, entre los que se han
probado, que proporcionan un mejor valor de la variable respuesta, mientras que RSM
tiene como finalidad encontrar los valores óptimos para el sistema que se esté
estudiando, a partir del modelo ajustado utilizando los valores de la variable respuesta
evaluados en un conjunto de valores discretos de los factores.
El procedimiento es el siguiente:
 6

Se supone que el comportamiento de una variable respuesta Y se puede explicar a partir

del conocimiento del valor de distintos factores o variables explicativas, x1, x2, x3,…,xk,
esto es, obtener el valor de Y como función de las variables x1, x2, x3,…,xk más un
ruido  que recoge aquella parte del valor de Y determinada por otros factores
desconocidos:
𝑌 = 𝑓(𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑘 ) + є
Al desconocerse la relación entre la respuesta y los factores se pueden ajustar distintos
modelos, los más comunes son los de primer orden y los de segundo orden, siendo los
de primer orden de la siguiente forma:
𝑌 = 𝛽0 + 𝛽1 ∗ x + 𝛽2 ∗ 𝑥2 + 𝛽3 ∗ 𝑥3 + ⋯ + 𝛽𝑘 ∗ 𝑥𝑘 + є
y los modelos de segundo orden:

Al utilizar la RSM se ajustan los modelos anteriores, proporcionando unos coeficientes

de regresión para los factores y las combinaciones de ellos, en el caso de que se utilice
un modelo de segundo orden. Estos coeficientes indican el efecto que tienen cada factor
o multiplicación de dos factores en la variable respuesta y mediante la inferencia
estadística, se determina la significación de los mismos.
En la minimización de una función, cuando se explora en una región alejada de un
máximo o mínimo con una pendiente moderada, es suficiente utilizar el modelo de
primer orden. Sin embargo, cuando el procedimiento de optimización se aproxima a la
región próxima a un óptimo local, en general, es necesario usar un modelo de segundo
orden, debido a la presencia de un máximo o un mínimo.

1.2.ALGORITMOS DE ENJAMBRE DE PARTÍCULAS

Los algoritmos bioinspirados, como se ha mencionado antes, se pueden aplicar en la
optimización sobre regiones de forma continua o discreta. Estos algoritmos se inspiran
en la evolución biológica de la naturaleza y proporcionan métodos para la búsqueda de
las soluciones óptimas en problemas complejos que, como pasaba en el caso anterior,
se desconoce la relación funcional entre las respuestas u objetivo a optimizar y los
factores. De esta clase de algoritmos, se ha elegido un algoritmo de enjambre de
particular, introducido por Kennedy y Eberhart en 1995 (Eberhar, 2008) (kulkarni, 2019)
En este método hay una población, a la que se le llama “enjambre”, compuesto por
partículas. Cada partícula es tratada como un punto en el espacio de búsqueda de la
solución, y estas partículas modifican su posición dependiendo de sus experiencias
anteriores y las experiencias de las otras partículas en el enjambre.
Las partículas se distribuyen aleatoriamente en el espacio en el que se busca la solución
óptima, que se denomina región de factibilidad. La dimensión del espacio queda
determinada por el número de factores considerado, ya que una posición de una
partícula viene dada por los valores de, x1, x2, x3,…,xk.
Estas partículas se mueven con una velocidad aleatoria, cambiando así su posición. En
la nueva posición calculan la variable respuesta y el proceso se vuelve a repetir hasta
que se alcance el criterio de parada o se llegue al número máximo de iteraciones. Este
 7

criterio de parada suele ser que el mejor óptimo hallado no se haya modificado en un
numero de iteraciones dado.
Una vez finalizado el proceso el programa implementado nos devuelve el valor de este
óptimo y el número de iteraciones en el que se ha encontrado.
El método comienza evaluando el valor de la variable respuesta la posición inicial de
cada partícula. A cada partícula se le asigna una velocidad inicial aleatoria y una
dirección de búsqueda. En las sucesivas iteraciones se asigna una nueva velocidad y
dirección a la partícula con el fin de definir la siguiente posición de la partícula. Esta
posición determina el nuevo valor asociado de la variable respuesta para la partícula.
Es importante destacar que tanto la asignación de la velocidad y de la dirección tienen
un componente aleatorio con la intención de evitar el estancamiento en mínimos locales.
(Darwish, 2018).
 8

2. SISTEMA MECÁNICO: LA MÁQUINA DE COSER

En la actualidad la industria textil es una industria potente. Desde sus inicios fue
creciendo de forma paulatina hasta el siglo XVIII. En este siglo se produjo una
importante mejora técnica con la invención por parte del clérigo Edmud Cartwright del
telar mecánico. Este primer modelo se mejoró por parte de la firma de ingeniería Sharp
and Roberts y sustituyó al telar manual en la industria en los principios de la segunda
década del siglo XIX. Desde entonces esta industria no ha parado de innovar y crear
nuevas técnicas que han mejorado tanto la producción como la eficiencia de esta.
(ROMERO, 2017)
Una de estas nuevas técnicas fue la máquina de coser, inventada a finales del siglo
XVIII por el francés Bartolomé Thimonnier. Esta primera versión no tuvo mucho éxito y
fueron varios ingenieros los que intentaron mejorarla, como Elias Howe. o W. Baker y
W. Grower. Pero no fue hasta que Isaac M. Singer y Edward C. Clark, con la introducción
del pedal, donde la máquina de coser consiguió un éxito mundial. El modelo “New
Family” de la empresa que fundarían Singer y Clark permitió que miles de hogares
contaran con máquinas de coser domésticas además de mejorar notablemente la
producción industrial de prendas. (CurioSfera, 2020)

2.1.ESTRUCTURA Y MECANISMO
La estructura de la máquina de coser se compone de cuatro mecanismos principales,
mecanismo de alimentación del hilo, de toma de hilos, de gancho rotativo y de
arremetida del material. Todos estos mecanismos encajan perfectamente en un ciclo
continuo de trabajo, a no ser que el hilo se rompa o se produzca algún otro tipo de
inconveniente. (Yang & Liu, 2013)

Figura 1. Estructura de los mecanismos de una máquina de coser. (Yang & Liu, 2013)

De los mecanismos anteriores, los mecanismos de alimentación del hilo y de toma de

hilos, están constituidos por simples bobinas cuya rotación se produce gracias a la
tensión del hilo provocando la cesión de más cantidad de material para continuar con la
costura. Dicha tensión es importante mantenerla en niveles óptimos, pues de lo
contrario, podría producirse, tanto la rotura del hilo, si esta tensión supera el valor de
tensión máxima del hilo, o también la falta de resistencia de la costura en aquel supuesto
en el que la tensión no resulte ser suficientemente elevada La diferencia entre estos dos
mecanismos es que el mecanismo de toma de hilos alimenta al mecanismo de
arremetida de material, mientras que el de alimentación de hilo al gancho rotativo.
 9

Conviene puntualizar que la tensión del hilo es controlada por medio del disco de
tensión. Para una correcta funcionalidad de este mecanismo de la máquina de coser
hay que tener presente que la tensión óptima depende de varios parámetros de
utilización, como del tipo de tela y tipo de costura, entre otros (Mellero & Biegas, 2017).
El mecanismo del disco de tensión consiste en dos discos que aplican presión sobre el
hilo, permitiendo así un control de la tensión.
El gancho rotativo es el mecanismo mediante el cual se realiza el entrelazamiento de la
tela para realizar el nudo de la costura. Cuando la aguja con el hilo enhebrado penetra
completamente la tela, el gancho rotatorio captura este hilo y procede a entrelazarlo con
su hilo, consiguiéndose así un punto de la costura. Una vez realizado lo anterior, tanto
la aguja como el gancho vuelven a su posición inicial, repitiéndose el proceso hasta que
se termina la costura (figura 3).

Figura 2. Mecanismo de gancho rotativo (Kolade, 2020)

Figura 3. Mecanismo de arremetida de material.

 10

En la figura 4 está representado, de manera simplificada, el esquema del mecanismo

de arremetida del material. Este mecanismo es el encargado de realizar los puntos de
costura con la aguja y el hilo enhebrado. Esto se consigue mediante la rotación del punto
O, que provoca un movimiento de ascendente y descendente en el punto B, la aguja.
De los mecanismos sobre los que se acaba de incidir, el considerado como más crítico
para el correcto funcionamiento, así como la durabilidad de la máquina es el de la
arremetida del material, puesto que es en él donde concurren las fuerzas y momentos
de mayor magnitud, así como donde se producen las mayores temperaturas.
Combinando esto con el hecho de que es un proceso que se realiza cíclicamente a
elevadas revoluciones por minuto, pudiendo estas llegar a un máximo de 6.000 en las
máquinas más avanzadas.

2.2.ESTUDIO DE LA LITERATURA SOBRE VARIABLES DE DISEÑO Y

MEDIDAS DE RENDIMIENTO
Con objeto de disponer de una idea genérica de las variables de diseño más relevantes
del sistema mecánico de interés, en este caso la máquina de coser, se ha procedido a
realizar una lectura general de la literatura.
El hecho de que una máquina de coser sea de calidad o no, viene determinado por dos
parámetros principalmente, la velocidad de producción, y la calidad de la misma,
estando estas dos íntimamente relacionadas entre sí.
Por su parte, la velocidad es el parámetro que limita el ritmo de producción, parámetro
cuya medición se realiza en revoluciones por minuto. La principal limitación a la hora de
aumentar la velocidad viene constituida por el calentamiento de la aguja, así como del
aumento de las vibraciones y el compromiso que esto presenta este hecho en cuanto a
la calidad de la costura.
En relación con la limitación de la temperatura, es importante remarcar que a medida
que crece el número de ciclos del mecanismo por minuto, la temperatura de la aguja
aumenta, cuestión que se traduce en la existencia de conflicto con la calidad de la
producción. Es a consecuencia de un aumento de la temperatura, que las propiedades
de tracción del hilo empeoran de forma considerable. Ha sido descubierto que, a
consecuencia del calentamiento y la fricción entre la tela y el hilo, la resistencia de este
último se ve reducida en un 60% respecto de la costura y en el caso de los hilos de
algodón se produce un 20% de pérdida, tanto en el alargamiento de fractura como en el
módulo de Young, así como un 45% de pérdida en la energía de rotura. Todos estos
factores son de vital importancia para la costura dado que todos ellos se encuentran
íntimamente relacionados con la calidad y durabilidad de la misma. Por estos motivos
se llega a la conclusión que el calentamiento y la fricción provocan una pérdida de
resistencia, rigidez y tenacidad en el hilo, haciéndolo mucho más frágil (Midha, Kothari,
Chatopadhyay, & and Mukhopadhyay, 2009).
La temperatura de la aguja, es función de muchas variables de la máquina de coser,
como sería el caso de la forma de la aguja, la velocidad de penetración, la ausencia o
presencia de lubricante, el tamaño de la misma o su ángulo de entrada (Mazari, Bal, &
Havelka, 2016). En concreto, es necesario centrar la atención en la forma de la aguja y
el lubricante, pues juegan un papel importante en la temperatura que alcanzará la aguja,
constituyéndose como los dos parámetros más influyentes en el coeficiente de fricción
entre la aguja y la tela (Mazari & Havelka, 2015).
 11

La temperatura, como se ha explicado, limita la tensión del hilo, parámetro primordial

que es necesario controlar puesto que es uno de los más influyentes de cara a la
correcta ejecución de la costura, con el fin último de que sea ésta resistente, duradera
y fiable. Este hecho es debido a que la existencia de una costura con una tensión de
hilo alta produce menos holguras entre la tela y el hilo, haciéndola así más resistente.
Además, es necesario tener en cuenta que una elevada tensión podría dañar el hilo,
daño que se incrementaría a temperatura más elevada, convirtiéndose ello en un
inconveniente para una costura óptima (Wesley & Samuel, 2014).
En la figura 5 se muestra la forma de onda de la citada tensión, valor representado en
el eje de ordenadas y cuya magnitud son centinewtons, mientras que el eje de abscisas
representa el momento en el ciclo en el que se encuentra el mecanismo y cuya
representación se realiza mediante grados sexagesimales.
Asimismo, puede apreciarse también la existencia de dos picos principales, siendo el
primero, y menor de los dos, producido en la fase de ascenso de la aguja tras haber
atravesado la tela y antes de volver a atravesarla en la trayectoria de subida, mientras
que el segundo, aquel en el que se alcanza el valor máximo de tensión, se produce una
vez que la aguja atraviesa la tela en el recorrido de subida, pudiendo llegar a soportar
hasta 0.7N, constituyendo este el punto más crítico de cara a la rotura del hilo, pues en
aquel supuesto caso en el que se supere la tensión de rotura, será necesario se pare la
producción, procediendo a enhebrar la aguja de nuevo. Finalmente cabe mencionar que
este hecho no tiende a ser muy frecuente en la práctica (Carvalho & Rocha, 2008).

Figura 4. Tensión del hilo (Carvalho & Rocha, 2008)

Volviendo a incidir sobre la velocidad, es importante conocer que el aumento de la

misma provoca que las fuerzas sufridas por el mecanismo, además de suponer un
aumento en la magnitud de estas, tengan lugar de forma menos espaciada en el tiempo,
generándose así un aumento importante de las vibraciones. Estas fuerzas producen un
importante y para nada despreciable desgaste, y se debe considerar el hecho de que
en las maquinas modernas el ciclo se puede repetir hasta unas 6000 veces por minuto
(Salahshoor & Ebrahimi, 2017).
 12

Es importante resaltar que las calidades de los ajustes entre brazos tienen gran
influencia en la cantidad de vibraciones que sufre la máquina de coser, de manera que
cuanto mayor holgura tengan las piezas o los brazos entre sí, mayores serán las
vibraciones que se produzcan. Consecuencia de lo anterior es la necesidad de mantener
las denominadas tolerancias de fabricación dentro de unos límites que sean
considerados aceptables, a lo que se añade la necesidad de que las uniones sean de
una calidad mínima necesaria con el objetivo de aprovechar al máximo la vida útil de la
máquina a la que en este trabajo se alude. (Erkaya, 2012).
 13

3. SELECCIÓN DE FACTORES Y VARIABLE RESPUESTA

En la tabla 1 se hace un resumen, a partir de la información recopilada de la revisión de
la literatura, de las principales variables que definen la calidad de una máquina de coser.
El hecho de que una máquina de coser sea de calidad o no viene definido, en general,
por dos variables, la velocidad de producción y la calidad de la costura.
Tabla 1. Resumen del estudio de la literatura

Temperatura Tensión del hilo Vibraciones

Un aumento de la
A mayor velocidad mayor
velocidad
A mayor velocidad más temperatura de la aguja lo
Velocidad provoca un
temperatura de la aguja que limita la tensión
mayor número de
máxima del hilo
vibraciones

Cuanto menor es la Una tensión de hilo Las vibraciones

temperatura de la aguja elevada provoca una provocan
Calidad de menos se degrada el costura firme y sin imprecisiones en
la costura hilo y la tela, por lo tanto holguras consiguiendo así la costura,
mayor calidad de una costura resistente y bajando así la
costura duradera calidad de esta

Como se muestra en la tabla, la pérdida de calidad proviene de diferentes fuentes, lo

que convierte en una tarea de difícil el intento de resolución de todos los inconvenientes
en una misma propuesta. En este trabajo se va a estudiar la posibilidad de llevar a cabo
una mejora del diseño del mecanismo de arremetida de material, que como ya se ha
apuntado, es considerado una de las principales fuentes de vibraciones y desgaste de
este conjunto mecánico.
En particular, se va a estudiar la reacción del mecanismo de arremetida de material al
añadir un grupo muelle-amortiguador. Este grupo se caracteriza por disminuir las
vibraciones, y es usado en una gran cantidad de aplicaciones, como por ejemplo en la
suspensión de la gran mayoría de vehículos. Con el objetivo de que el mencionado
grupo tenga el mejor comportamiento posible, se va a estudiar cual sería la combinación
de constantes del muelle y del amortiguador que mejores respuestas proporciona en
cuanto a vibraciones.
El objetivo de este apartado es formular el sistema matemático que permita calcular
analíticamente las vibraciones que sufre una máquina de coser. En primer lugar, se
plantearán los parámetros del movimiento y las ecuaciones de la cinemática del sistema
mecánico y posteriormente se expondrán las ecuaciones de la dinámica de este
conjunto.
En la figura 6 se ha representado el sistema de referencia que se ha utilizado para la
formulación de estas ecuaciones.
 14

Figura 5. Mecanismo arremetida de materia.

3.1.ECUACIONES DE LA CINEMÁTICA
Para realizar este apartado es imprescindible definir los parámetros del movimiento:
Posición:
Entrada: θ
Salida: φ, s
Una vez se ha identificado las variables de entrada y salida, se procede a buscar las
ecuaciones que las relacionan, que serían las siguientes:
eje x → 𝑟𝑠𝑒𝑛𝜃 — 𝑙𝑠𝑒𝑛𝜑 = 0
eje z → rco𝑠𝜃 + 𝑙𝑐𝑜𝑠𝜑 = 𝑠
De las ecuaciones anteriores obtenemos la siguiente relación:
𝑟
𝜑 = 𝑠𝑒𝑛−1 ( 𝑠𝑒𝑛(θ))
𝑙

Velocidad

Entrada: θ̇
Salida: φ̇,𝑠̇
 15

Derivando las ecuaciones anteriores obtenemos las siguientes relaciones:

𝑟θ̇𝑐𝑜𝑠θ − lφ̇𝑐𝑜𝑠φ = 0

−𝑟θ̇𝑠𝑒𝑛θ − lφ̇𝑠𝑒𝑛φ = 𝑠̇

Agrupando estas ecuaciones en forma de matriz se obtiene la siguiente expresión:

𝑙𝑐𝑜𝑠φ 0 φ̇ 𝑐𝑜𝑠θ
( ) ( ) = 𝑟θ̇ ( )
𝑙𝑠𝑒𝑛φ 1 𝑠̇ −𝑠𝑒𝑛θ
Aceleración

Entrada: 𝜃̈
Salida: φ̈, 𝑠̈
Si se derivan las ecuaciones que definían la velocidad obtenemos las siguientes
ecuaciones con las que se pueden obtener las aceleraciones en cada punto de interés:

𝑟𝜃̈𝑐𝑜𝑠θ − r𝜃̇ 2 𝑠𝑒𝑛θ − 𝑙φ̈𝑐𝑜𝑠φ + lφ̇2 𝑠𝑒𝑛φ = 0

−𝑟𝜃̈𝑠𝑒𝑛θ − r𝜃̇ 2 𝑐𝑜𝑠θ − 𝑙φ̈𝑠𝑒𝑛φ − lφ̇2 𝑐𝑜𝑠φ = 𝑠̈

Se agrupan las ecuaciones por matrices:
𝑙𝑐𝑜𝑠φ 0 φ̈ 𝑐𝑜𝑠θ 𝑠𝑒𝑛θ 𝑠𝑒𝑛φ
( ) ( ) = 𝑟𝜃̈ ( ) − r𝜃̇ 2 ( ) + lφ̇2 (−𝑐𝑜𝑠φ)
𝑙𝑠𝑒𝑛φ 1 𝑠̈ −𝑠𝑒𝑛θ 𝑐𝑜𝑠θ
Con este resultado, se puede de manera sencilla las aceleraciones de los centros de
gravedad y de A, la de B no sería necesaria calcularla al coincidir esta con la aceleración
de G3. Se necesita calcular la aceleración de estos puntos porque es ahí donde se
calcularán las fuerzas y momentos de la dinámica de este sistema mecánico.

Aceleración absoluta de G1:

𝑎𝐺1𝑥
𝑎𝑏𝑠 (𝐺1) = ( 𝑎 ) = 𝑟1 𝜃̈ ( 𝑐𝑜𝑠θ ) − 𝑟1 𝜃̇ 2 (𝑠𝑒𝑛θ)
𝐺1𝑧 −𝑠𝑒𝑛θ 𝑐𝑜𝑠θ

Aceleración absoluta de G2:

𝑎𝐺2𝑥 𝑠𝑒𝑛φ 𝑐𝑜𝑠φ
𝑎𝑏𝑠 (G2) = (𝑎 ) = 𝑟𝜃̈ ( 𝑐𝑜𝑠θ ) − r𝜃̇ 2 (𝑠𝑒𝑛θ) + 𝑙1 φ̇2 (−𝑐𝑜𝑠φ) − 𝑙1 φ̈ (𝑠𝑒𝑛φ)
𝐺2𝑧 −𝑠𝑒𝑛θ 𝑐𝑜𝑠θ

Aceleración absoluta de G3:

𝑎𝐺3𝑥 0
𝑎𝑏𝑠 (G3) = ( 𝑎 )=( )
𝐺3𝑧 𝑠̈

Aceleración absoluta de A:
𝑎𝐴𝑥
𝑎𝑏𝑠 (A) = ( 𝑎 ) = 𝑟𝜃̈ ( 𝑐𝑜𝑠θ ) − r𝜃̇ 2 (𝑠𝑒𝑛θ)
𝐴𝑧 −𝑠𝑒𝑛θ 𝑐𝑜𝑠θ

3.2 ECUACIONES DE LA DINÁMICA

Se ha realizado el análisis dinámico de las 2 barras y la deslizadera. Se han calculado
las fuerzas producidas por el movimiento del conjunto mecánico como de los momentos
que dichas fuerzas generan.
 16

Barra OA:

Figura 6. Acciones en el brazo OA.

𝐹𝑂𝑥 + 𝐹𝐴𝑥 = 𝑚1 𝑎𝐺1𝑥

𝐹𝑂𝑧 + 𝐹𝐴𝑧 + 𝑚1 𝑔 = 𝑚1 𝑎𝐺1𝑧

𝛤 − 𝑟1 𝑚1 𝑔𝑠𝑒𝑛𝜃 + 𝑟(𝐹𝐴𝑥 𝑐𝑜𝑠𝜃 + 𝐹𝐴𝑧 𝑠𝑒𝑛𝜃) = 𝐼𝑜𝑦 𝜃̈

En este esquema cabe señalar que no se ha añadido la fuerza que hace el muelle en
O, esto es debido a que este muelle estaría anclado en la carcasa y no contribuiría a las
acciones en O, y por lo tanto tampoco a las vibraciones que estas fuerzas y momentos
podrían causar.
Barra AB

Figura 7. Acciones en el brazo AB.

−𝐹𝐴𝑥 + 𝐹𝐵𝑥 = 𝑚2 𝑎𝐺2𝑥

−𝐹𝐴𝑧 + 𝐹𝐵𝑧 = 𝑚2 𝑎𝐺2𝑧

𝑙1 𝑚2 𝑔𝑠𝑒𝑛φ + 𝑙 (𝐹𝐵𝑥 𝑐𝑜𝑠φ + 𝐹𝐵𝑧 𝑠𝑒𝑛φ) − 𝑙1 𝑚2 (𝑎𝐴𝑥 𝑐𝑜𝑠φ + 𝑎𝐴𝑧 𝑠𝑒𝑛φ) = −𝐼𝐴𝑦 𝜑̈
 17

Deslizadera:
Para realizar este análisis de una manera más sencilla sin perder apenas precisión, las
fuerzas de rozamiento han sido consideradas como nulas. Esta simplificación se
fundamenta en que el orden de las fuerzas de rozamiento en la deslizadera es muy
inferior al orden de FG3 y a la fuerza de penetración. Además de esta consideración,
hay que tener en cuenta que es en este punto donde, tanto las fuerzas producidas por
el grupo muelle-amortiguador como la fuerza de penetración actúan, por lo que las
tendremos que introducir en las ecuaciones junto al resto de fuerzas que se encuentran
en este sistema.

Figura 8. Acciones en la deslizadera.

−FBx + FG3 = 0

−𝐹𝐵𝑧 − 𝐹𝐾 + 𝐹𝐶 + 𝑚3 𝑔 − 𝐹𝑝 = 𝑚3 𝑎𝐺3

−𝐹𝐵𝑥 ℎ − 𝑀𝐺3𝑦 = 0
Con todas estas ecuaciones, se puede obtener un sistema de 9 ecuaciones, incógnitas:
Γ, FOx, FOz, FAx, FAz, FBx, FBz, FG3, MG3:

Las ecuaciones planteadas son las que se van a utilizar para realizar el cálculo de las
fuerzas y momentos.
 18

3.2.RESOLUCIÓN DE LAS ECUACIONES CINEMÁTICAS

El primer paso para aplicar un procedimiento de mejora, es identificar las variables
cinemáticas de los elementos que forman el conjunto mecánico tratado que permiten
valorar el rendimiento del conjunto. Estas variables se evalúan a partir de la resolución
de las ecuaciones diferenciales tratadas ya anteriormente. Estas ecuaciones se han
resuelto con la plataforma Rstudio (ver Anexo 1) y se han obtenido unos resultados que
concuerdan con la literatura sobre la materia.
Las dimensiones del sistema y las masas de los componentes se han escogido a partir
de una máquina de coser estándar casera, habiendo sido los datos obtenidos del
artículo (Salahshoor & Ebrahimi, 2017)
- r: 1.5 cm.
- r1: 0.75 cm
- l: 4.8 cm.
- l1: 2.4 cm.
- h: 0.1 cm
- m1: 0.0368 kg
- m2: 0.1176 kg
- m3: 0.03 kg
En la resolución de las ecuaciones es necesario calcular, además, el momento de
inercia del brazo 2. El momento de inercia del brazo 1 no es necesario tenerlo en cuenta
debido a que se van a estudiar las fuerzas y momentos cuando la velocidad angular es
constante, o lo que es lo mismo 𝜃̈ = 0, por lo que el término donde aparece el momento
de inercia del brazo 1 (𝐼𝑜𝑦 𝜃̈) se anula.

El momento de inercia del brazo 2 ha sido calculado con la hipótesis de que este brazo
es una barra delgada que gira sobre un extremo por lo que su momento de inercia es el
siguiente:
1 1
𝐼𝐴𝑦 = ∗ 𝑚 ∗ 𝑙 2 = ∗ 0.01176 ∗ 0.0482 = 9.03 ∗ 10−5 𝑘𝑔 ∗ 𝑚 2
3 3
La velocidad de costura ha sido elegida una velocidad estándar de una máquina de
coser actual.
Velocidad de costura: 1000 rpm.
Este sistema tiene un solo grado de libertad (𝜃) es por esto que conociendo el valor de
este parámetro, será posible obtener el valor del resto de valores de las variables del
sistema utilizando las ecuaciones presentadas anteriormente.
Para definir el valor de 𝜃 se ha definido primero una velocidad angular nominal de
104.7rad/s, o lo que es lo mismo, 1000rpm velocidad que será alcanzada a los 0.5s de
simulación, ya que la aceleración angular ha sido establecida en 294rad/s2.
El hecho de que la aceleración angular sea constante es una hipótesis que simplifica
enormemente el cálculo de los valores de 𝜃. Aunque esta hipótesis se acerque a la
realidad razonadamente, el hecho de que no sea suficientemente exacta no va a influir
en los cálculos de fuerzas y momentos, ya que estos cálculos se realizarán suponiendo
que la máquina está en funcionamiento a velocidad angular constante.
Para resolver las ecuaciones se ha tenido que definir un 𝜃0 , para determinar la posición
de partida de la aguja. Se ha escogido un 𝜃0 sea 180º, lo que implica que la aguja está
 19

en su posición más elevada, como es lógico para que sea posible colocar la tela en la
posición adecuada y comenzar la costura correctamente.
En la gráfica 10 representa la velocidad angular en función del tiempo, esta velocidad
angular es la que ha sido utilizada para la resolución de las ecuaciones.

Figura 9. Velocidad angular.

Las gráficas representadas a continuación son los resultados obtenidos al resolver las
ecuaciones de la cinemática. Las gráficas de la izquierda se corresponden a la
representación completa de todo el modelo matemático. Las gráficas de la derecha se
corresponden a la parte que será usada posteriormente para la resolución de las
ecuaciones de la dinámica, ya que este sistema de ecuaciones va a ser resuelto en
régimen continuo de trabajo.

Posición de la aguja
 20

Velocidad de la aguja

Figura 12. Velocidad de la aguja tiempo Figura 13. Velocidad de la aguja tiempo de
completo. calculo de la dinámica

Aceleración de la aguja

Figura 14. Aceleración de la aguja tiempo Figura 15. Aceleración de la aguja tiempo de
completo. calculo de la dinámica.

Con la intención de comparar si los resultados obtenidos de las ecuaciones de la

cinemática son correctos, se comparan estos resultados con resultados obtenidos de la
literatura, en concreto, los resultados de la referencia (Yang & Liu, 2013). Para poder
comprobar correctamente las gráficas, se han cambiado parámetros del sistema
mecánico en nuestras ecuaciones para que coincidan con los utilizados en el artículo.
Los parámetros utilizados en este caso son los siguientes:
- r: 1.5 cm.
- l: 4.5cm.
- Velocidad de costura: 300 rpm.
Este artículo no tiene en cuenta la aceleración angular al iniciar la costura por lo que
compararemos el movimiento en régimen permanente.
 21

Figura 16. Posición de la aguja (Yang & Liu, 2013) Figura 17. Posición de la aguja calculada.

Figura 18. Velocidad de la aguja (Yang & Liu, 2013) Figura 19. Velocidad de la aguja calculada.

Figura 20. Aceleración de la aguja (Yang & Liu, 2013) Figura 21. Aceleración de la aguja calculada.
 22

Como se puede comprobar en las gráficas, haciendo el pertinente cambio de unidades,

coinciden posición, velocidad y aceleración de la aguja por lo que podemos asumir que
se han resuelto correctamente las ecuaciones de la cinemática.

3.3.RESOLUCIÓN DE LAS ECUACIONES DE LA DINÁMICA

Se ha partido En primer lugar, se han considerado el valor de unas constantes para el
grupo muelle-amortiguador estándar para esta tipología de máquinas, las dos
constantes serían k=800 c=10. Para el diseño de experimentos se van a escoger 7
valores de estas constantes tendrán valores desde un 0 a un 50% mayor de los
mencionados valores, de esta forma los valores serían:
Constantes del muelle:
- 0 (N/m)
- 200 (N/m)
- 400 (N/m)
- 600 (N/m)
- 800 (N/m)
- 1000 (N/m)
- 1200 (N/m)
Constantes amortiguador:
- 0 (Ns/m)
- 2.5 (Ns/m)
- 5 (Ns/m)
- 7.5 (Ns/m)
- 10 (Ns/m)
- 12.5 (Ns/m
- 15 (Ns/m)
Para obtener las fuerzas del muelle-amortiguador en cada instante se han utilizado las
ecuaciones que definen su comportamiento:
Muelle:
𝐹𝑘 = (𝑠0 − 𝑠)𝑘
Amortiguador:
𝐹𝑐 = −(𝑠̇ )𝒄
 23

En las figuras 22 y 23 se ha representado la fuerza que estos dos elementos en función

del tiempo para dos parejas de constantes diferentes.

Figura 22. Fuerza ejercida por el grupo muelle- Figura 23. Fuerza ejercida por el grupo muelle-
amortiguador para k=1200(N/m) y c=5(N*s/m) amortiguadro para k=1200(N/m) y c=15(N*s/m)

Antes de resolver las ecuaciones de la dinámica, hay que tener en cuenta la fuerza de
penetración de la aguja ya que esta fuerza va a tener que ser ejercida por el sistema
mecánico tratado. La forma de onda de esta fuerza en función del momento del ciclo en
el que se encuentre está representada en la figura 25, además del tipo de tela y aguja.
Se ha decidido utilizar para este caso el tipo de tela que se ha utilizado en la referencia
(Carvalho & Rocha, 2008) de la cual se han obtenido los valores para dicha fuerza de
penetración, ya que, estos valores son coherentes con los que aparecerían en una
máquina de coser doméstica trabajando con una tela delgada.
En la figura 25 puede observarse la existencia de tres fases:
- La primera fase comienza cuando la punta contacta con la tela, produciéndose
aquí el primer pico de tensión.
- En la segunda fase la aguja atraviesa la tela, momento en el que tiene lugar el
segundo pico de tensión, siendo este el mayor de los tres.
- En la tercera y última fase se produce la vuelta de la aguja a la posición inicial para
volver a repetir el ciclo, produciéndose en esta fase una fuerza de penetración
negativa a consecuencia de estar la aguja penetrando la tela en sentido contrario
a las dos primeras fases.
(Carvalho & Rocha, 2008). Para simular la fuerza de penetración, se ha realizado una
interpolación lineal de los picos más significativos que posee la forma de onda de esta
variable (ver anexo 1.2), siendo estos obtenidos de la figura 25. Como se puede
observar en las figuras 24 y 25, estos picos coinciden. La fuerza máxima de penetración
se observa para 4.6 radianes (264º) en la figura 24 y 720º para la figura 25. La diferencia
de los grados a los que se producen los picos se debe a que en el artículo del cual se
ha obtenido la forma de onda de la fuerza de penetración ha escogido un sistema de
referencia de 𝜃 distinto al que se ha escogido en este trabajo.
 24

Figura 24. Fuerza de penetración (Carvalho &

Rocha, 2008)
Figura 25. Fuerza de penetración utilizada.

Con los resultados obtenidos en la resolución de las ecuaciones de la cinemática y con

las fuerzas de penetración y del grupo muelle-amortiguador, se ha procedido a resolver
el sistema de nueve ecuaciones de la dinámica. Estas ecuaciones han sido resueltas,
como las de la cinemática, con R (ver Anexo 1.4).
De las 9 incógnitas del sistema de ecuaciones de la dinámica, hay que prestar especial
atención en aquellas fuerzas y momentos que producen vibraciones. Estas fuerzas y
momentos serían las fuerzas y momentos que están en contacto con la carcasa de la
máquina de coser, estos puntos son los puntos G y O por lo que las fuerzas y momentos
son FOx, -FOz, Γ, FG3, MG3y (ver figuras 26-35).
En las siguientes figuras se muestran las fuerzas y momentos mencionados para 2
ciclos de la máquina de coser con las constantes del muelle y amortiguador a 0 y con
las constantes del muelle k = 933N/m y del amortiguador c = 5Ns/m.

Figura 26. Par motor calculado para K = 0(N/m) Figura 27. Par motor calculado para para K = 800(N/m)
C = 0(N*m/s) C = 5(N*m/s)
 25

Figura 28. Fox calculado para K = 0(N/m) Figura 29. Fox calculado para para K = 800(N/m)
C = 0(N*m/s) C = 5(N*m/s)

Figura 30. Foz calculado para K = 0(N/m) Figura 31. FOz calculado para para K = 800(N/m)
C = 0(N*m/s) C = 5(N*m/s)

Figura 32. FG3 calculado para K = 0(N/m) Figura 33. FG3 calculado para para K = 800(N/m)
C = 0(N*m/s) C = 5(N*m/s)
 26

Figura 35. Momento en G3 calculado para para

Figura 34. Momento en G3 calculado para K = 0(N/m)
K = 800(N/m) C = 5(N*m/s)
C = 0(N*m/s)
 27

4. METODOLOGÍA DE SUPERFICIE RESPUESTA

4.1.SELECCIÓN DE FACTORES DE ENTRADA Y VARIABLES RESPUESTA

Las variables respuesta son las variables que miden el rendimiento de un sistema y se
busca optimizar para mejorar el funcionamiento del sistema bajo estudio. En un diseño
de experimentos, los factores de entrada o variables de diseño son aquellas variables
que se cree influyen en la variable respuesta e interesa fijar su valor de entre un conjunto
de valores posibles.
En este caso, la evaluación de la variable respuesta dado un valor de los factores de
entrada se obtendrá resolviendo las ecuaciones del capítulo anterior. Esto implica
diferencias al uso del diseño de experimentos en un contexto empírico. Cuando para
evaluar la variable respuesta se realiza un experimento de laboratorio, aunque las
condiciones se crean son las mismas y que se controla las principales causas de
variabilidad, puede existir un error experimental debido a factores no controlables. Esto
significa que, con un mismo nivel de los factores de entrada, se pueden obtener varios
valores de la variable respuesta. De ahí la gran importancia de que el experimento esté
bien diseñado. Sin embargo, en el diseño que se plantea, la evaluación de la variable
respuesta se realiza a través de un algoritmo de resolución de las ecuaciones del
sistema. Esto evita esa variabilidad experimental y reduce la complejidad que supone
realizar un número elevado de experimentos en un laboratorio.
En particular, en el diseño que se plantea, se ha resuelto el sistema dinámico para 49
combinaciones de la constante del muelle, K, y del amortiguador, C. El objetivo de la
realización del diseño de experimentos, al igual que el objetivo del algoritmo
bioinspirado, será el de encontrar la combinación de estás constantes que mejor
comportamiento ofrezca para nuestro sistema mecánico. Por lo que las constantes del
muelle y del amortiguador serán los factores del diseño de experimentos. Además de 4
niveles con valor positivo de las constantes, se va a considerar los niveles K=0 y C=0,
que representan la ausencia de muelle y amortiguador, respectivamente. En total, se va
a resolver el sistema en 25 combinaciones de los factores de entrada.
Las ecuaciones de la dinámica han sido resueltas para 2 ciclos de la máquina de coser
a una velocidad de 1000 revoluciones por minuto, con un Δt = 0.00005(s), lo que hacen
un total de 2400 valores de las 9 variables del sistema relativas a las fuerzas y los
momentos. Por tanto, se ha de escoger una variable respuesta a partir de estos 2400
valores de cada fuerza y momento estudiado que mejor represente la cantidad de
vibraciones que las fuerzas y momentos provocarán en el sistema mecánico. El primer
paso para elegir la variable respuesta consiste en realizar un resumen estadístico de los
datos.
Como se ha explicado en el apartado de las ecuaciones de la dinámica, de las 9 fuerzas
y momentos registradas se va a estudiar el comportamiento de aquellos que contribuyen
a las vibraciones, que son las producidas en los puntos que están en contacto con la
carcasa. Por tanto, las fuerzas y momentos a optimizar son: Par motor, Fox, Foz, FG3
y MG3. Se ha obtenido el máximo, mínimo, media, mediana, primer cuartil, tercer cuartil,
coeficiente de variación y coeficiente de simetría para todas las combinaciones de K y
C. En la tabla 2, se presentan los valores estadísticos para K = 0 y C = 0 de las cinco
variables elegidas:
Tabla 2. Resumen estadístico de datos para K=0(N/m) y C=0(N*s/m)
 28

En dicha tabla llama la atención que las medidas de MG3 y FG3 son exactamente
iguales pero divididas por un factor de 1000, esto se explica mediante las ecuaciones
que relacionan estas dos variables.
−FBx + FG3 = 0
−𝐹𝐵𝑥 ℎ − 𝑀𝐺3𝑦 = 0

Despejando se obtiene la siguiente relación:

−FG3 ∗ ℎ = 𝑀𝐺3𝑦

Al estar estas dos variables relacionadas entre sí simplemente por un factor que las
multiplica, no será necesario estudiar las dos variables por separado, con el estudio de
solo una de ellas se obtendrá la información que nos proporcionará los datos para la
otra variable. En el análisis se va a considerar FG3.
La variable respuesta elegida ha de representar la cantidad de vibraciones que
ocasionan estas fuerzas y momentos. Las vibraciones aparecen por un cambio de
sentido de la fuerza o momento en un corto espacio de tiempo y cuanto mayor sean
estas fuerzas o momentos y menor el espacio de tiempo, mayores serán las vibraciones
que sufrirá el sistema tratado.
Las tablas correspondientes a todas las combinaciones de K y C con las medidas
resumen de cada una de las variables se incluyen en el Anexo 2..1 En todas las
combinaciones de K y C, todas las fuerzas y momentos tienen sus máximos positivos y
sus mínimos negativos, por lo que el rango será una buena opción como variable
respuesta. Al tomar todas las fuerzas y momentos valores negativos y positivos, es
decir, valor en ambos sentidos, el rango expresará la magnitud del cambio de sentido
que ha sufrido la fuerza o momento estudiado.

4.2.AJUSTE DEL MODELO DE SUPERFICIE RESPUESTA

La aplicación de la RSM se ha realizado con el software estadístico Minitab, versión
2018.
En primer lugar, se ha la RSM de forma independiente para cada respuesta, con la
intención de observar qué factor tiene un mayor efecto en la variable respuesta y cuál
es la combinación de niveles de K y C proporciona el valor mínimo del rango de la
respuesta de interés. A continuación, se va a realizar el análisis completo de la variable
respuesta Par motor y se incluye en el Anexo 2 el análisis completo de RSM de las otras
tres variables respuesta.
 29

4.2.1. PAR MOTOR

El primer paso consiste en representar gráficamente los valores mínimo, máximo y
rango para cada una de las combinaciones de los niveles de los factores de entrada K
y C. Esto va a permitir, observar como es la variación que sufren estos valores en función
de las constantes del muelle y del amortiguador.

Máximo, mínimo y rango del par motor

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6
2,5 (Ns/m)

2,5 (Ns/m)

2,5 (Ns/m)
5
5
10
15

10
15

5
10
15

5
10
15
12,5
0 (Ns/m)

7,5

0 (Ns/m)

7,5
12,5
0 (Ns/m)

7,5
12,5
0 (Ns/m)
0 (N/m) 200 (N/m) 400 (N/m) 600 (N/m) 800 (N/m) 1000 (N/m) 1200 (N/m)
Rango Par motor (Nm) Mínimo Par motor (Nm) Máximo Par motor (Nm)

Figura 36. Variación del Rango, máximo y mínimo del par motor en función de K y C.

Como se puede ver en la figura 36, el aumento de la constante del amortiguador C hace
que el valor absoluto del máximo y mínimo aumenten, por lo que también aumenta el
rango. En cuanto a la influencia del muelle, se observa que un aumento de la constante
conlleva una disminución en el valor absoluto de mínimo y el máximo, y por tanto, del
rango. Además, se puede apreciar, que la cantidad de variación que sufre el módulo del
mínimo no cambia demasiado en comparación con la variabilidad del máximo. El sentido
físico del mínimo del par motor es el momento máximo que tiene que aplicar el motor
para que no aumente la velocidad angular θ̇ en ningún instante a causa de las fuerzas
y momentos que se ocasionan en el conjunto mecánico. La escasa variabilidad del
mínimo del par motor indica que debido a la fuerza del muelle-amortiguador, el muelle
apenas contribuye al aumento de la velocidad angular de la máquina, por lo que el
momento que tiene que realizar el par motor para contrarrestarlo es pequeño.
Atendiendo a la figura, en el caso del par motor, un aumento de la constante del muelle
provocaría un menor número de vibraciones, mientras que el aumente de la constante
del amortiguador provocaría un aumento de estas. Esta es una primera conclusión
descriptiva y el ajuste del modelo nos indicará si las diferencias que se aprecian en la
figura son significativas. A continuación, se realiza el ajuste del modelo.
 30

Se va a comenzar ajustando un modelo de segundo grado. El análisis de varianza nos

indicará si los términos del modelo correspondientes a K, C, K*K y K*C y C*C son
significativos o por el contrario se puede prescindir de estos. En este caso, tal y como
se observa en la figura…, el p-valor de todos ellos es 0 lo que nos indica que todos ellos
son relevantes para el modelo. Los términos lineales explicarían el 98.21% siendo la C
el factor que más variabilidad explica de la variable respuesta, un 64.04%. Esto
concuerda con lo observado en la figura…. De los términos cuadráticos, el que mayor
variabilidad explica es C*C, siendo apenas un 0.95%.
El valor de R2 muestra que el modelo explica el 99.94% de la variabilidad observada en
los valores registrados del par motor.
Tabla 3. Análisis de varianza del rango del par motor.

Tabla 4. Resumen del modelo RSM utilizado.

En el gráfico de Pareto (figura 37) y el gráfico normal (figura 38) de los efectos
estandarizados se identifican los efectos significativos y su magnitud. Además, en el
caso del gráfico normal se identifica el signo del efecto. Como se ha visto antes, todos
los términos son significativos pero los términos lineales lo son en mucha mayor medida.
Primero aparece el factor C con un efecto positivo, y a continuación K, con un efecto
negativo. Notemos que, el interés se centra en minimizar la variable respuesta. Por ello,
un efecto positivo incrementa el valor de la respuesta, luego son de particular interés los
términos con efecto negativo, que disminuyen el valor de la respuesta. El único término
que consigue reducir la magnitud del rango del par motor, es decir, tiene un efecto
negativo, es el término lineal correspondiente a la constante del muelle, como era de
esperar después del análisis visual que se ha hecho con la figura 36.
 31

Figura 37. Gráfica de Pareto de los efectos estandarizados par el par motor.

Figura 38. Gráfica normal de los efectos estandarizados del par motor.

En la figura 39 se han representado los residuos estandarizados del modelo ajustado.

Se observa un buen ajuste a la distribución normal y no hay residuos atípicos, todos se
sitúan entre -2 y 2.
 32

Figura 39. Graficas de los residuos del rango del par motor

El modelo ajustado en unidades no codificadas es:

Regression Equation in Uncoded Units

Par = 0,54978 - 0,000234 K + 0,007676 C + 0,000000 K*K + 0,000503 C*C + 0,000004 K*C

En la figura 40 se han representado las curvas de nivel de la superficie ajustada, en la

que se observa ese comportamiento ligeramente cuadrático.

Contour Plot of Par vs C; K

Par
14 < 0,4
0,4 – 0,5
0,5 – 0,6
12
0,6 – 0,7
> 0,7
10

8
C

0
0 250 500 750 1000
K

Figura 40. Curvas de nivel del rango del par motor.

Por último, a partir de la superficie ajustada sobre el plano de K y C del valor del rango
del Par motor, se ha procedido a optimizar este valor, calculando el valor mínimo. En la
 33

figura 41 se obtiene que el valor de este mínimo es de 0.31(Nm) obtenido para una K =
1200(N/m) y una C = 0(Ns/m). Notemos que, el valor del rango del par motor en ausencia
del grupo muelle amortiguador es 0.504(Nm) se ha conseguido una reducción del
38.49%.

Figura 41. Optimización del rango del par motor.

Para comprobar el ajuste de este modelo sobre la región, la figura 42 están

representadas las curvas de nivel de los residuos estandarizados, que permite observar
en qué zonas de la región de ajuste del modelo se han producido errores de mayor
magnitud en la estimación bien por defecto o por exceso.

Contour Plot of Residuos Par vs K; C

Residuos
Par
< -2
1000 -2 – -1
-1 – 0
0 – 1
1 – 2
750 > 2
K

500

250

0
0 2 4 6 8 10 12 14
C

Figura 42. Curvas de nivel de los residuos estandarizados del rango del par motor.

Se observa que los errores estandarizados se sitúan entre -2 y 2, luego son pequeños.
Si se fija la atención en la zona donde hemos obtenido el mínimo, constante de muelle
elevada y del amortiguador baja, se observa que es una zona en la que el modelo
 34

presenta un residuo negativo, luego el ajuste dado por el modelo sobreestima el valor
observado, es decir, el valor dado por RSM es mayor que el valor obtenido al resolver
las ecuaciones. El valor del rango del par motor para las constantes obtenidas en esta
optimización (K = 1200(N/m) C = 0(Ns/m)) es de 0.30(Nm), algo menor que el predicho
por el RSM. Esto explica porque la deseabilidad no es de 1 en el caso de la optimización,
ya que el valor mínimo de referencia para obtener la deseabilidad en Minitab es el valor
observado, que es menor que el calculado con el modelo. Se ha visto que los residuos
en la zona donde se encuentra el óptimo son negativos.
El mismo análisis se ha realizado para el resto de variables respuesta. Los resultados
completos del ajuste se han incluido en el anexo 2. A continuación, se va mostrar de
forma resumida, los resultados de la optimización.

4.2.2. RANGO DE F0X

En cuanto al RSM de esta respuesta, se ajustó un modelo de segundo orden como en
el caso del par motor. En este caso, el p-valor correspondiente a la interacción K*C era
de 0.405 por lo que se ha eliminado este término del modelo para el modelo de RSM.

Figura 43. Gráfica normal de los efectos estandarizados.

Tabla 5. Análisis de varianza del rango de Fox

Analysis of Variance
Source DF Seq SS Contribution Adj SS Adj MS F-Value P-Value
Model 4 133,765 99,99% 133,765 33,441 76887,24 0,000
Linear 2 132,695 99,19% 132,695 66,348 152545,09 0,000
K 1 0,344 0,26% 0,344 0,344 790,13 0,000
C 1 132,352 98,93% 132,352 132,352 304300,06 0,000
Square 2 1,069 0,80% 1,069 0,535 1229,38 0,000
K*K 1 0,109 0,08% 0,109 0,109 251,44 0,000
C*C 1 0,960 0,72% 0,960 0,960 2207,32 0,000
Error 44 0,019 0,01% 0,019 0,000
Total 48 133,784 100,00%
 35

Tabla 6. Resumen del modelo RSM del rango de Fox

La parte lineal de este modelo explica la variabilidad del rango de Fox en un 99,19%,
siendo la constante del amortiguador C el factor más significativo, con un efecto positivo,
explicando un 98,93% de la variabilidad. El modelo escogido tiene una R2 de 99.99%.

En la figura 44 se muestra los resultados de la optimización a partir de la superficie

ajustada con el objetivo de minimizar el rango de Fox. El valor mínimo es de 35,46 N
con una K= 909.09(N/m) y una C = 0(Ns/m).

Figura 44. Optimización del rango de Fox

El valor de la de Fox sin el grupo muelle-amortiguador es de 35.71, por lo que se ha

conseguido una reducción menor del 1%. Esto se debe a que la fuerza del grupo muelle-
amortiguador se aplica en la componente Z, por lo que las fuerzas en el eje X no se van
a ver muy afectadas por este grupo.

4.2.3. RANGO DE F0Z

Para el caso de la variable respuesta Foz, como se ve en la figura 45, solo el término lineal de la
constante del muelle C tiene un efecto reductor en el rango de Foz.
 36

Figura 45. Gráfica normal de los efectos estandarizados para el rango de Foz

Tabla 7. Análisis de varianza de Foz

Tabla 8. Resumen del modelo RSM para el rango de Foz.

La componente lineal del modelo escogido tiene una contribución a explicar la

variabilidad del 97,61%, siendo el término más significativo la constante del
amortiguador, C. La R2 de este modelo es de 98,12%.
 37

Figura 46. Optimización del rango de Foz.

El mínimo dado por el modelo RSM es de 10,41(N) para una K = 1200(N/m) y C =

0(Ns/m). El rango de esta variable sin el grupo muelle-amortiguador era de 35.569(N) lo
que ha llevado una reducción del 70.7%.
La ecuación de regresión para esta variable es la siguiente.

Regression Equation in Uncoded Units

Foz = 34,723 - 0,028891 K + 1,0587 C + 0,000005 K*K + 0,05716 C*C + 0,000808 K*C

4.2.4. RANGO DE FG3

Para el caso de la variable respuesta FG3 todos los efectos principales, las interacciones
y términos cuadrática del modelo tienen un efecto positivo y van a contribuir al aumento
del rango de esta variable, tal y como se observa en el gráfico de normalidad de los
efectos en la figura 47.

Figura 47. Gráfica normal de los residuos estandarizados del rango de FG3.
 38

Tabla 9. Análisis de varianza del rango de FG3.

Tabla 10. Resumen del modelo RSM del rango de FG3

Para el caso de la variable respuesta FG3 la componente lineal explica el 67,06% de la

variabilidad del rango de FG3, siendo el término más significativo en este caso la
constante del muelle K con una contribución del 62,43%. En este caso, la parte
cuadrática del modelo tiene una mayor significación que en las variables respuesta
anteriores, un 30.34%, en particular K*K.

Figura 48. Optimización del rango de FG3.

El mínimo valor de la variable respuesta dado por el modelo RSM es 33.86(N) para una
K = 375.75(N/m) y C=3.18(Ns/m). El valor de la variable sin el grupo muelle-
amortiguador es 34.046(N). Esto supone una reducción menor del 1%. Notemos que, al
 39

igual que con la variable respuesta Fox, el grupo muelle-amortiguador actúa en la

dirección z y no ejerce mucha influencia en x.

Regression Equation in Uncoded Units

FG3 = 34,1119 - 0,001193 K - 0,01563 C + 0,000002 K*K + 0,001473 C*C + 0,000017 K*C

4.3.TRATAMIENTO MULTIOBJETIVO DEL PROBLEMA

En la optimización individual de cada una de las variables respuesta se ha obtenido los
valores de K y C que proporcionaban el mínimo. No hay una selección única de estos
valores que proporcione el mínimo en todas las variables respuesta. Por ello, se va a
considerar la programación multiobjetivo para ayudar a tomar una decisión.
En la aproximación elegida para abordar el problema de optimización multiobjetivo se
introducen los siguientes conceptos que facilitan la formulación de una única función
objetivo que combina los objetivos individuales:
 Deseabilidad: Este valor se sitúa entre 0 y 1. Proporciona el grado de cercanía de
la solución actual al óptimo, en términos de la función objetivo. El valor 0 indica estar
completamente alejado del óptimo y el valor 1 indica que la solución actual alcanza
el valor de la función objetivo óptimo.
 Importancia: Este valor, situado entre 0.1 y 10 ordena las funciones objetivo según
la prioridad en la optimización del objetivo, asignando el valor más alto al objetivo
que más importa en el momento de la optimización.
 Peso: Este valor indica la forma que tiene la función que calcula la deseabilidad de
una solución. El valor puede ir desde 0.1 a 10. A un valor más pequeño de este
peso la función de deseabilidad tiene menos énfasis en el óptimo y a un valor mayor
esta función le da más importancia a conseguir ese óptimo. Estas funciones se
muestran en la figura 49

Figura 49. Efecto del peso en la función de deseabilidad. (Minitab 18 Support, s.f.)

En el caso del sistema mecánico bajo estudio se consideran 4 variables respuesta. Para
obtener la deseabilidad global, D, de una solución se tienen en cuenta los siguientes
valores:
 di: la deseabilidad de la respuesta i, i=1,2,3,4.
 wi: la importancia de la repuesta i, i=1,2,3,4.
 W: sumatorio de todas las importancias.
 40

El software Minitab proporciona como solución del problema multiobjetivo los valores
de K y C en los que la deseabilidad global sea mayor, calculada como una media
geométrica ponderada:

𝐷 = (∏(𝑑𝑖)𝑤𝑖 )1/𝑊

Primero se va calcular una solución en la que la importancia y los pesos de todas las
variables respuestas sea igual a 1, excepto la importancia de FG3, que, al representar
esta también a MG3 va a tener el doble de importancia en nuestra optimización. Los
parámetros introducidos en Minitab se muestran en la tabla 11 y el resultado en la figura
50.
Tabla 11. Parámetros de la optimización multiobjetivo.

Tabla 12. Solución de la optimización multiobjetivo.

Al observar los resultados en la figura 50 y los valores introducidos en Minitab, indicando

los valores óptimos en cada respuesta y las cotas superiores, la amplitud de valores de
la función objetivo muestra grandes diferencias. Por ejemplo, FG3 toma valores en un
grado muy pequeño, esto es, presenta muy poca variabilidad sobre la región de
factibilidad determinada por los valores de K y C, apenas 1.7N. Sin embargo, la función
objetivo relativa a Foz, toma valores entre 7,4 y 63,3 N. Por ello, planteamos considerar
diferentes valores de importancia a estos objetivos.
 41

Figura 50. Gráfica de la optimización multiobjetivo.

Se plantea calcular una nueva solución al problema multiobjetivo prescindiendo de la

respuesta FG3. Como se ha indicado antes, el valor de esta respuesta apenas varía
para la región definida por los valores de las constantes del grupo muelle-amortiguador
analizadas. En la Tabla 13 se muestran los parámetros utilizados para calcular la
solución. En la variable Fox se ha reducido la importancia para que sea 5 veces menor
que la importancia de las otras dos variables, ya que la variabilidad de Fox en el rango
de K y C analizado es muy pequeña en comparación a las otras dos variables.
Tabla 13. Parámetros de la optimización multiobjetivo.

La figura 51 muestra el resultado de la optimización. Se observa que la deseabilidad

compuesta es mayor que en el caso anterior.
 42

Tabla 14. Valores de las respuestas para K y C óptimas.

Figura 51. Grafica de la optimización multiobjetivo.

En la figura 51 está representado el resultado de la optimización multiobjetivo. Se puede

observar que la curva de deseabilidad conjunta es ascendente en K y descendente en
C. Esta solución propuesta en la optimización multiobjetivo proporciona valores de
K=1200 y C=0, se sitúa en la frontera de la región de factibilidad, se va a ampliar dicha
región. Se plantea ajustar un nuevo modelo RSM que considere el valor de K desde 0
hasta 3000(N/m). Los valores de C se van a mantener. El procedimiento es el mismo
que el realizado. Primer se ajusta el modelo para cada variable respuesta individual y a
continuación, se realiza el tratamiento multiobjetivo. Los resultados completos se
incluyen en el Anexo 2 A continuación, se muestra el modelo ajustado y el resultado de
la optimización para cada una de las variables respuestas:
 43

Rango par motor

Tabla 15. Análisis de varianza del rango del par motor.

Tabla 16. Resumen del modelo RSM del rango del par motor.

Para el caso de la variable respuesta par motor la componente lineal explica el 81,15%
de la variabilidad del rango del par motor, siendo el término más significativo en este
caso la constante del amortiguador C con una contribución del 60,18%.

Figura 52. Optimización de la variable del rango del par motor

 44

Para este caso parece que se ha encontrado el mínimo global del par motor ya que
como se muestra en la figura 52, el comportamiento de esta variable es parabólico
teniendo el mínimo para la combinación de constantes K = 2157(N/m) y C = 0(Ns/m)
Rango Fox:
Tabla 17. Análisis de varianza del rango de Fox

Tabla 18. Resumen del modelo RSM del rango de Fox

La componente lineal del modelo escogido tiene una contribución a explicar la

variabilidad del 96,03%, siendo el término más significativo la constante del
amortiguador, C..La R2 de este modelo es de 99,92%.
 45

Figura 53. Optimización del rango de Fox.

El valor óptimo del rango de Fox obtenido es 35,36N y se obtiene con el valor de la
constante del muelle igual a 1060(N/m) y 0(Ns/m) para la constante del amortiguador.
Los valores de K y C obtenidos difieren de los calculados en la optimización del rango
de Fox con los antiguos límites (K = 909(N/m) y C = 0(Ns/m). Esto se debe a la poca
variabilidad de Fox en esa zona de la optimización ya que comparando el valor de esta
optimización con el valor calculado con los antiguos límites de las constantes (35,46N)
se observa que estos valores son muy parecidos.
Rango de Foz
Como se aprecia en la tabla 19, el modelo de Foz utilizado tiene los términos lineales
como las más significativas, siendo el más importante el término lineal de la constante
del amortiguador con un valor del 43,35%. El modelo RSM para esta variable tiene una
R2 de 97.44%.
Tabla 19. Análisis de varianza del rango de Foz
 46

Tabla 20. Resumen del modelo RSM del rango de Foz.

Como se muestra en la figura 54, el valor calculado para la optimización es de 15,629(N)

para una combinación de constantes de K = 1153,5(N/m) y una C = 0(Ns/m).
Comparando estos resultados con los calculados con los límites anteriores (10,4(N), K
= 1200(N/m), y C = 0(Ns/m)) se observa que estos valores difieren no tanto en las
constantes si no en el valor de la respuesta. Esto se debe al error en la estimación que
produce el RSM.

Figura 54. Optimización del rango de Foz.

 47

Rango de FG3
Tabla 21. Análisis de varianza del rango de FG3

Tabla 22. Resumen del modelo RSM del rango de FG3.

La componente lineal del modelo escogido tiene una contribución a explicar la

variabilidad del 90,82%, siendo el término más significativo la constante del muelle K..
La R2 de este modelo es de 99,66%.

Regression Equation in Uncoded Units

FG3 = 34,0785 - 0,000370 muelle - 0,0591 amortiguador + 0,000001 muelle*muelle
+ 0,00426 amortiguador*amortiguador + 0,000030 muelle*amortiguador
 48

Figura 55. Optimización del rango de FG3.

El valor de la optimización para esta variable respuesta es de 33,86N y el valor de las
constantes es de 90,90(N/m) para la constante del muelle y 6,6667(Ns/m) para la
constante del amortiguador. Los valores de K y C difieren con las calculados en la
optimización de esta variable con los antiguos límites (K = 375,75(N/m) y C =
3,18(Ns/m)) a pesar de que estas deberían de ser similares. Esto se debe a la poca
variabilidad de Fox en esa zona de la optimización ya que comparando el valor de esta
optimización con el valor calculado con los antiguos límites de las constantes (33,85N)
se observa que estos valores son muy parecidos.
Con los resultados anteriores se procede a buscar una solución desde la perspectiva de
la optimización multiobjetivo. En primer lugar, se les asigna a todas las variables
respuesta el mismo peso y la misma importancia, excepto en el caso de FG3 que se
considera peso 1 e importancia 2.
Tabla 23. Parámetros de la optimización multiobjetivo.

Response Goal Lower Target Upper Weight Importance

FG3 Minimum 33,9212 42,1213 1 2
Foz Minimum 10,4837 72,6968 1 1
Fox Minimum 35,5046 42,2444 1 1
Par motor Minimum 0,2168 0,7773 1 1
 49

Figura 56. Optimización multiobjetivo de las variables respuesta.

Solution
FG3 Foz Fox Par motor Composite
Solution muelle amortiguador Fit Fit Fit Fit Desirability
1 1030,30 0 34,6238 15,8002 35,3605 0,328641 0,906459

En la figura 56 se muestra. La optimización multiobjetivo de las variables, con estos

nuevos límites. Con los parámetros que se han utilizado para esta optimización sucede
el mismo problema que en la primera optimización con los límites antiguos. Este
problema sería que las variables FG3 y Fox tienen una elevada importancia a pesar de
su poca variabilidad.
Al aumentar el límite del valor de la constante del muelle K, el rango de FG3,
dependiendo de los factores de entrada K y C, puede oscilar entre 33,9 y 42,1(N). Así,
con este nuevo límite de la constante del muelle, esta fuerza ya no puede ser obviada
en la optimización. Sin embargo, se va a dar un valor de menor peso ya que la variación
 50

de estas fuerzas en el rango estudiado de las constantes K y C es menor a la de Fox y

par motor.
Tabla 24. Parámetros de la optimización multiobjetivo.

Tabla 25. Resultados de la optimización multiobjetivo.

Figura 56. Optimización multiobjetivo.

 51

Tabla 26. Resumen de resultados de optimización multiobjetivo.

Los valores para las constantes del muelle y del amortiguador para esta nueva
optimización (K = 1366,98(N/m) y C = 0(Ns/m)) son considerablemente distintas a las
de la optimización anterior. Los valores de FG3 y de Fox no han variado prácticamente,
respecto a los anteriores. El valor que más ha reducido su valor ha sido el valor del par
motor que se ha reducido un 12,5% respecto a la anterior optimización.

4.4.CONCLUSIONES
Se han analizado los valores del rango de cuatro variables respuesta para varias
combinaciones de K y C. Los valores de estas variables en ausencia del grupo muelle-
amortiguador son:
En la última solución obtenida del problema de optimización multiobjetivo, se ha
propuesto K= 1366,6(N/m) y C= 0(Ns/m), como valores de las constantes. A
continuación, se va a evaluar el valor de todas las variables respuesta, considerando
dichos valores de K y C, resolviendo las ecuaciones de la dinámica y así calcular, la
reducción real obtenida. Estos valores se compararán con los valores dados por el
modelo ajustado en la RSM.
Rango par motor
El valor calculado a partir de las ecuaciones de la dinámica resueltas es 0.28(Nm) para
esta variable. Este valor coincide con el valor propuesto por el modelo ajustado por
RSM. Con este resultado se ha reducido el rango del par motor en un 49% respecto al
rango en ausencia del grupo muelle-amortiguador.
Fox
El valor calculado para los valores de K y C fijados a partir de las ecuaciones de la
dinámica es de 35.54 N y el obtenido con el modelo ajustado con Minitab coinciden.
Esta fuerza no ha disminuido prácticamente su rango al añadir el grupo muelle-
amortiguador.
Foz
El valor del rango de esta fuerza calculado de forma exacta con las ecuaciones es de
9.24(N) y el resultado que la RSM predice es 16.13(N). Esto significa que el modelo
ajustado por la RSM está sobreestimando el valor de la variable respuesta para esta
combinación de constantes. El valor de 9,24, no se encuentra en el intervalo de
confianza ni en el intervalo de predicción. Analizado los residuos, se ha observado que
en esa zona de la región determinada por K y C, el modelo ajustado sobreestima la
magnitud de la fuerza, esto es, la fuerza real es más pequeña todavía que la calculada
con Minitab. En cualquier caso, para esta combinación de contantes se ha conseguido
una reducción del 74%.
 52

FG3
Esta variable respuesta para la combinación de constantes toma un valor de 35.22(N).
El valor que ha calculado Minitab es 33.9(N). En este caso, la superficie ajustada
subestima el valor de la variable respuesta. Con FG3 sucede algo similar al caso de
Fox, no se consigue reducir el valor obtenido de esta variable en ausencia de muelle y
amortiguador (34.037N).
En resumen, a partir del análisis realizado y los resultados obtenidos para este conjunto
mecánico, cuando el objetivo es reducir las vibraciones lo máximo posible se propone
colocar un muelle con una constante de 1366(N/m) y no poner ningún amortiguador.
Implantando este muelle se conseguiría una reducción del 49% en el rango del par motor
y un 74% en el rango de Foz, mientras que FG3, Fox y Mg3 sus magnitudes apenas se
verían afectadas.
 53

5. ALGORITMOS BIOINSPIRADOS
En este apartado se van a considerar los mismos factores de entrada y las variables
respuesta elegidas para aplicar la RSM. De forma alternativa, se va a proponer un
procedimiento metaheurístico, en particular, un algoritmo bioinspirado para calcular los
valores de los factores de entrada que optimizan el valor de las variables respuestas.
En primer lugar, se describe el esquema general de un algoritmo de enjambre de
partículas. A continuación, se aplica a la optimización de cada una de las variables
respuesta y finalmente se lleva a cabo una optimización multiobjetivo.

5.1.ESQUEMA DE UN ALGORITMO DE ENJAMBRE DE PARTÍCULAS

En este apartado se describe el funcionamiento general de un algoritmo PSO. Sea Y la
variable respuesta y se denota por P a una partícula.
El algoritmo, en primer lugar, inicializa la población de partículas que ubica en posiciones
aleatorias en la región de factibilidad del problema. En cada una de estas partículas se
evalúa el valor de la variable respuesta en su posición inicial. A cada partícula se le
asigna una velocidad inicial aleatoria y una dirección de búsqueda. En las sucesivas
iteraciones, se le asigna una nueva velocidad y dirección de búsqueda con el fin de
definir la siguiente posición de la partícula. En la nueva posición se obtiene el nuevo
valor asociado de la variable respuesta para la partícula.
La velocidad y dirección del movimiento en la región de factibilidad vienen definidas por
el algoritmo y se calculan como función de las posiciones ocupadas por la partícula y la
magnitud o valor de la respuesta correspondientes. De esta manera, en un punto
cercano a un óptimo local los movimientos son cortos y el cambio de dirección leve y
lejos de estos óptimos, las velocidades y los cambios de dirección son más
pronunciados. Es importante destacar que tanto la asignación de la velocidad y de la
dirección tienen un componente aleatorio con la intención de evitar el estancamiento en
mínimos locales. (Darwish, 2018).
En la figura 57 se muestra un esquema del algoritmo. A continuación, se describe con
más detalle cómo se produce el movimiento de las partículas en la región de factibilidad
en la búsqueda la solución que proporcione el valor óptimo del objetivo. (Eberhar, 2008)
(kulkarni, 2019).
Sea Yp, el valor de la función objetivo evaluado en la partícula P en una iteración del
algoritmo. Este valor se compara con el mejor valor obtenido hasta el momento por cada
partícula P, denominado “Pbest (Particle best)”. Este valor proporciona la mejor solución
del problema de optimización de cada partícula P. En un problema de minimización, si
“Pbest” es mayor que el valor actual de la partícula Yp, este valor pasa a ser el “Pbest”
y la nueva localización de P pasará a ser “XPbest”.
Una vez evaluadas en la iteración todas las partículas y actualizado si es necesario los
valores de “Pbest” y “XPbest”, se comparan los valores de la función objetivo dado por
todas las partículas para calcular el mejor punto global de todas las iteraciones,
denominado “Gbest (Global best)”. Si el mejor valor entre los valores de las partículas
actuales es mejor que el mejor valor registrado en todo el proceso,”Gbest” se actualiza
y ese mejor valor pasa a ser el nuevo “Gbest” y “XGbest” las coordenadas de la partícula
que ha calculado ese nuevo óptimo global.
 54

Figura 57. Diagrama del procedimiento del algoritmo de enjambre de partículas.

Tras actualizar, si es necesario el valor de ”Gbest” se comprueba si se ha alcanzado el
número máximo de iteraciones o se verifica el criterio de parada. Si no se ha alcanzado,
se vuelve a realizar una iteración del proceso. Un criterio habitual de parada consiste en
comprobar la magnitud del cambio del valor de ”Gbest” entre dos iteraciones
consecutivas y si han pasado un número establecido m de iteraciones sin una
mejorarsuperior a nivel dado ε, se detiene el algoritmo.
La velocidad del desplazamiento de una partícula en la iteración n se obtiene a partir de
XGbest y XPbest, el valor de la posición y la velocidad en la anterior iteración y un
término aleatorio:
 55

𝑉𝑛 = 𝑤 ∗ 𝑉𝑛−1 + 𝐶1 ∗ 𝑟𝑎𝑛𝑑() ∗ (𝑋𝑃𝑏𝑒𝑠𝑡 − 𝑋𝑛−1 ) + 𝐶2 ∗ 𝑟𝑎𝑛𝑑() ∗ (𝑋𝐺𝑏𝑒𝑠𝑡 − 𝑋𝑛−1 )

𝑋𝑛 = 𝑋𝑛−1 + 𝑉𝑛
Donde:
- w es un parámetro del algoritmo denominado inercia de la partícula. El valor de
esta inercia nos indica la predisposición que tiene la partícula a cambiar su
velocidad. A mayor inercia menos predisposición tendrá la partícula a cambiar su
velocidad.
- C1 y C2 son parámetros constantes del algoritmo.
- Rand() es una función que proporciona un valor aleatorio uniforme entre 0 y 1.
Esta función aleatoria se introduce, como ya se ha explicado anteriormente, con
el objetivo de que las partículas no se estanquen en óptimos locales.
- Xn es la posición de la partícula en la iteración n.
- Vn es la velocidad de la partícula en la iteración n.
- XGbest posición del óptimo global calculado hasta el momento en todas las
iteraciones.
- XPbest posición del valor óptimo que ha calculado la partícula en alguna de las
iteraciones anteriores.

5.2.ALGORITMO APLICADO AL SISTEMA MECÁNICO

La estructura común del algoritmo PSO se ha tomado de una librería en R descrita en
la referencia (Rodrigo, 2019). Por ello, la aplicación específica del algoritmo al sistema
mecánico estudiado se ha implementado en R. Para cada variable respuesta se ha
programado una función en R que evalúa el valor de la variable respuesta de interés
para un valor dado de las constantes K y C. El código de la función se encuentra en el
anexo 1.6. Esta función tiene como parámetros de entrada, la función objetivo a
minimizar por el algoritmo bioinspirado y las constantes K y C.
Con el objetivo de comparar los resultados se ha considerado el mismo rango que en
RSM, entre 0 y 1200 para la constante del muelle y entre 0 y 15 para la constante del
amortiguador. La respuesta de esta función será el rango que tiene esta acción para la
pareja de constantes de la entrada. El algoritmo bioinspirado proporciona como solución
el valor mínimo de la variable respuesta de interés y la posición en la que obtiene el
mínimo, esto es, los valores de las constantes del muelle y del amortiguador que
proporcionan ese mínimo.
Dado el carácter estocástico del algoritmo PSO se ha ejecutado 10 veces para
comprobar la robustez del procedimiento. En las tablas se incluirán los resultados de las
10 ejecuciones. Se han considerado los valores habituales en la literatura para definir el
algoritmo PSO.
- Número de partículas = 50
- Número de iteraciones = 250
- Inercia = 0.8
- Peso cognitivo = 2
- Peso social = 2
- Rondas sin cambio para la parada = 5
- Tolerancia de parada = 0.01
 56

Rango del Par motor:

Tabla 27. Óptimos obtenidos para el par motor.

En la tabla 27 se muestra en la primera columna número de ejecución y el valor mínimo

del par motor obtenido en esa ejecución se muestra en la segunda columna. Los valores
de K y C que proporcionan ese valor mínimo aparecen en las columnas tercera y cuarta.
En este caso, se observa que las 10 ejecuciones del algoritmo han proporcionado el
mismo valor óptimo, 0.309N. Este valor se obtiene en la frontera de la región analizada,
lo que puede hacer pensar que se podría aumentar el valor de la constante K. Con la
intención de conocer si el aumentar el valor de K contribuiría a reducir en mayor media
el rango de Fox, se han aumentado los límites de ambas constantes.
Para el cálculo de la tabla 28, se han calculado 10 mínimos del rango del par motor con
los límites de las constantes fijados en:
- K = 3000 (N/m)
- C = 20 (Ns/m)
Estos nuevos límites de las constantes son los que se van a utilizar para el resto de
respuestas.
En la tabla 28, se observa que las 10 ejecuciones no han proporcionado el mismo valor
mínimo, pero la desviación típica es muy pequeña, por lo que se puede asumir que el
mínimo para el par motor de 0,209(Nm).
 57

Tabla 28. Mínimos del par motor.

Tabla 29. Resumen estadístico de los mínimos del par motor.

Este mismo proceso se va a repetir con el resto de variables respuesta.

Rango del Fox:

Tabla 30. Mínimos de Fox.
 58

Tabla 31. Resumen estadístico de los mínimos de Fox

Como se puede observar en la tabla 31, la varianza de estos datos es muy pequeña,
por lo que se va a escoger el valor mínimo las constantes que producen una Fox mínima
(K = 893,119(N/m) y C = 0(Ns/m))

Rango del Foz:

Tabla 32. Mínimos de Foz

Tabla 33. Resumen estadístico de los mínimos de Foz

Como se puede observar en la tabla 33, la desviación de los valores dados por el
algoritmo es muy pequeña, por lo que se va a escoger el valor mínimo las constantes
que producen una Fox mínima (K = 1175,68(N/m) y C = 0(Ns/m).
 59

Rango de FG3
Tabla 34. Mínimos de FG3.

Tabla 35. Resumen estadístico de los mínimos de FG3

Como se puede observar en la tabla 35, la varianza de estos datos es muy pequeña,
luego el algoritmo es estable. Se va a escoger el valor mínimo las constantes que
producen una Fox mínima (K = 345,2(N/m) y C = 6,568(Ns/m))
Compromiso
Como en el caso anterior, se va proceder a realizar una optimización compromiso entre
las variables respuesta. Para realizar esta optimización, se va a implementar un nuevo
algoritmo PSO, similar al anterior, pero se va a cambiar la función a optimizar como una
combinación de los rangos de las variables respuesta en cada punto.
Para poder comparar los resultados de las optimizaciones multiobjetivo entre los dos
métodos utilizados en este trabajo se va a calcular la deseabilidad conjunta de las
variables usando las mismas fórmulas que usa Minitab para calcular la deseabilidad
conjunta (Minitab 18 Support, s.f.).
𝑑𝑖 = (𝑈𝑖 − 𝑦̂𝑖 )/(𝑈𝑖 − 𝑇𝑖 )𝑟𝑖

𝐷 = (∏(𝑑𝑖)𝑤𝑖 )1/𝑊
 60

𝑊 = ∑ 𝑤𝑖

Siendo:
- 𝑦̂𝑖 el valor que toma la respuesta i
- 𝑇𝑖 el valor objetivo para la respuesta i
- 𝑈𝑖 el valor aceptable más alto
- 𝑑𝑖 deseabilidad para la respuesta i
- 𝑟𝑖 peso de la función de deseabilidad para la respuesta i
- 𝑤𝑖 importancia de la respuesta i
- 𝑊 sumatorio de todas las importancias
- 𝐷 deseabilidad compuesta
Con estas fórmulas se ha implementado una función RSM que maximiza la deseabilidad
compuesta con los mismos valores que los utilizados en el RSM (véase anexo 1.6).
Estos valores serían
w = 1 para todas las respuestas menos para FG3, que sería 2
𝑟𝑖 = 1 para Foz y par motor y 0,2 para FG3 y Fox.
Se han obtenido los siguientes resultados.
Tabla 36. Resultados optimización multiobjetivo
 61

Tabla 37. Resultados optimización multiobjetivo

Como en los casos anteriores en los que se ha implementado el algoritmo PSO, se han
obtenido 10 valores de la deseabilidad conjunta con este algoritmo. Al ser todos estos
valores de una magnitud similar, escogemos el que tiene una deseabilidad más alta.
K = 1338,5(N/m) y C = 0 (Ns/m)
Comparando este valor con el obtenido en el RSM
K = 1366,97(N/m) y C = 0(Ns/m)
Los resultados se diferencian en un 2%, una diferencia pequeña.
Con este resultado se puede afirmar que a pesar de que el RSM no ajustara
perfectamente en todos los puntos, el óptimo que ha sido encontrado por este método
se acerca mucho al óptimo encontrado mediante las ecuaciones analíticas por medio
del algoritmo PSO.
 62

6. CONCLUSIÓN
El resultado de aplicar los dos procedimientos de optimización en el sistema mecánico
elegido, la máquina de coser doméstica, han proporcionado los siguientes valores
mínimos para las fuerzas y momentos que provocan vibraciones en este mecanismo:
Rango del Par motor: Utilizando el algoritmo PSO se ha conseguido disminuir
el rango de esta respuesta a un valor de 0,28(Nm). Al compararlo con el par
motor del mecanismo sin muelle ni amortiguador (0.55(Nm)) se ha conseguido
una reducción del 49%. Además, esta reducción reduciría el consumo de energía
de este mecanismo ya que la magnitud del par se ha reducido a casi la mitad.
Rango de Fox: Con el muelle-amortiguador, no se ha conseguido reducir
prácticamente el valor de esta variable, como se ha explicado anteriormente, la
fuerza de este grupo se ejerce en el eje vertical.
Rango de Foz: El valor de esta fuerza sin el grupo muelle-amortiguador añadido
es de 35,56N y con el muelle añadido se ha conseguido reducir a 8.89N. Esto
hace una reducción del 75%.
Rangos de FG3 y MG3: el valor de estas dos variables, prácticamente no se ha
podido reducir por el mismo motivo que el rango de Fox.
El hecho más significativo de este estudio ha sido la reducción del par motor en un 49%,
esto implicaría que el consumo eléctrico de este mecanismo teóricamente debería
reducir su consumo eléctrico en una proporción similar.
Hay que recordar que se ha realizado un planteamiento analítico, el siguiente paso sería
el de instalar un muelle y ver que comportamiento presenta el mecanismo de arremetida
de material en unas condiciones similares, de fuerza de penetración y revoluciones por
minuto.
El muelle a instalar en el mecanismo de arremetida de material deberá cumplir las
siguientes características:
K = 1300-1400(N/m)
Recorrido > 15(mm)
Longitud sin carga < 45(mm) (para que sea posible la instalación sin grandes
cambios estructurales en la máquina.)
Se ha consultado en páginas web de empresas especializadas en el sector y el precio
de un muelle que cumpla estas características es de 0.98€ comprando grandes
cantidades (Sodemann Muelles Industriales, s.f.). La ficha técnica del muelle del muelle
escogido se muestra en la tabla 38. La constante de este muelle es K = 1310(N/m), tiene
un recorrido máximo de 20,32(mm) y una longitud sin carga de 31,75(mm)
Al precio del muelle se le tendría que añadir los costes necesarios de colocación,
además, es posible que sea necesario hacer la carcasa más amplia para que el muelle
no roce con ningún otro elemento mecánico de la máquina de coser.
Añadiendo a lo anterior, sería interesante conocer de qué modo afectarían el tipo de tela
a la costura, es decir, la fuerza de penetración en las constantes tanto del muelle como
del amortiguador, ver su variabilidad y estudiar cuales de estas serían las más
apropiadas para cada tipo de tela y ya que la fuerza de penetración, como se ha
 63

expresado en el trabajo tiene una gran variabilidad. Posteriormente se podría realizar

un análisis RSM o utilizar un algoritmo bioinspirado para calcular la combinación de
constantes que mejor comportamiento proporcione independientemente del tipo de tela
con el que se esté trabajando.

Figura 58. Esquema de las magnitudes del muelle (Sodemann Muelles Industriales, s.f.)

Tabla 38. Ficha técnica del muelle (Sodemann Muelles Industriales, s.f.).
 64

BIBLIOGRAFÍA
Carvalho, H., & Rocha, A. (2008). Parameter Monitoring and Control in industrial sewing
machines - An integrated approach.

Carvalho, H., & Rocha, A. (s.f.). Parameter Monitoring and Control in industrial sewing machines
- An integrated approach.

Crow, R. H., & Chamberlain, N. H. (1969). The Performance of Sewing Threads in Industrial
Sewing Machines. En Clothing Institute Technological Report No. 21. London.

CurioSfera. (7 de julio de 2020). Historia de la máquina de coser – Inventor, origen y evolución.

Obtenido de https://curiosfera-historia.com/historia-maquina-de-coser-inventor/

Darwish, A. (2018). Bio-inspired computing: Algorithms review, deep analysis, and the scope of
applications. Future Computing and Informatics Journal 3 (2018) , 231-46.

Eberhar, Y. S. (2008). Population Diversity of Particle Swarms. Congress on Evolutionary

Computation, 1063-1067.

Erkaya, S. (2012). Prediction of vibration characteristics of a planar mechanism having imperfect

joints using neural networt. Journal of Mechanical Science and Technology .
Haghighat, E., & Etrati, S. M. (2013). Modeling of needle penetration force in denim fabric.
International Journal of Clothing Science and Technology, 361-379.

Kolade, S. (31 de Marzo de 2020). Parts of a Manual Sewing Machine and their Functions -
Tutorial. Obtenido de Youtube:
https://www.youtube.com/watch?v=B6k96KSwEIE&t=242s
kulkarni, V. S. (2019). Optimization of heat sink for thristor using particle swarm optimization.
Result in Engineering 4.

Mazari, A. A. (2012). Tensile Properties of Sewing Thread and Sewing Needle Temperature at
Different Speed of Sewing Machine. En A. M. 627.

Mazari, A., & Havelka, A. (2015). The effects of lubricant amount on sewing needle temperature
and tensile. Industria textila vol 66, 97-102.

Mazari, A., Bal, K., & Havelka, A. (2016). Prediction of needle heating in an industrial sewing
machine. Textile Reserch Journal volume 86 issue 3, 302-310.

Mazari, A., Bal, K., & Havelka, A. (2016). Prediction of needle heating in an industrial sewing
machine. Textile Reserch Journal volume 86 issue 3, 302-310.

Mellero, P., & Biegas, S. (2017). Monitoring and Control of Industrial Sewing Machines.

Mellero, P., & Biegas, S. (2017). Monitoring and Control of Industrial Sewing Machines.

Midha, V. K., Kothari, V. K., Chatopadhyay, R., & and Mukhopadhyay, A. (2009). Effect of high-
speed sewing on the tensile properties of sewingthreads at different stagesof sewing.
Int. J. Cloth. Sci. Technol volume 21(4), 217-238.

Midha, V. K., Mukhopadhyay, A., Chatopadhyay, R., & Kothari, V. K. (2009). Studies on the
Changes in Tensile Properties of Sewing Thread at Different Sewing Stages . Textile
Research Journal.
 65

Minitab 18 Support. (s.f.). Obtenido de https://support.minitab.com/en-us/minitab/18/help-

and-how-to/modeling-statistics/using-fitted-models/supporting-topics/response-
optimization/determining-the-weight/

Montgomery, D. C. (2017). Design and analysis of experiments.

Rodrigo, J. A. (marzo de 2019). Rpubs by Rsudio. Obtenido de

https://rpubs.com/Joaquin_AR/475474
ROMERO, J. V. (28 de septiembre de 2017). Tecnologia Textil y Moda. Obtenido de
https://www.tecnologiatextilymoda.com/2017/09/28/revolucion-textil/

Salahshoor, E., & Ebrahimi, S. (2017). The effect of joint clearance on the dynamic behavior of a
needle driver mechanism in a typical sewing machine. 578-593.

Sodemann Muelles Industriales. (s.f.). Obtenido de https://www.muelles-

industriales.es/c04800381250m

Wesley, R. S., & Samuel, D. (2014). Study on Dynamic Needle Thread Tensions in a Single Needle
Lock Stitch (SNLS) Sewing Machine. II. Effect of Sewing Speed, Thickness of Fabric Plies,
Thread Linear Density and Pre-tensions of Threads. En Fibers and Polymers 2014, Vol.15
(págs. 1773-1778).
Yang, J., & Liu, B. (2013). The Motion Analysis on Lunge Material Mechanism in Sewing Machine.
En a. B. Jiahui Yang1, Applied Mechanics and Materials Vols. 313-314 (págs. 1055-1059).
Trans Tech Publications, Switzerland.
 66

ANEXO 1: CÓDIGOS EN R
Anexo 1.1 Código utilizado para la resolución de las ecuaciones de la
cinemática en R.
r = 0.015#metros
l=0.048
dt=0.00005
theta0=pi
#1000 revoluciones por minuto
theta2<-200 #aceleración angular
n=15000
r1=r/2
l1=l/2
g=9.81
phi<-0
#las variables acabadas en "s" indican que son un vector en el que se almacenan todos los
valores de esta variable.
# los números indican el numero de la derivada. ss1, es la velocidad de la aguja, ss2 la
aceleración.
thetas1<-numeric(length=n)
thetas<-numeric(length=n)
phis<-numeric(length=n)
ss<-numeric(length=n)
phis1<-numeric(length=n)
phis2<-numeric(length=n)
ss1<-numeric(length=n)
ss2<-numeric(length=n)
aG1xs<-numeric(length=n)
aG1zs<-numeric(length=n)
aG2xs<-numeric(length=n)
aG2zs<-numeric(length=n)
aG3zs<-numeric(length=n)
aAxs<-numeric(length=n)
aAzs<-numeric(length=n)
i<-1
theta1<-0
#introduccion de las masas y las constantes de los muelles
mr=0.0368#kg
ml=0.1176
m3=0.03
MIr=6.8919*10^-7#kgm^2
MIl=9.033*10^-5
#constantes del muelle 900N/m-690
#constantes amortiguador 13.16-3.32Ns/m
Tiempo<-numeric(length = n)
h=0.001
Fp<-numeric(length = n)
for (i in 1:n){
if (theta1<104.7){
 67

#calculo de theta cuando se acelera

theta<-theta0+theta2*dt*i*dt*i/2
theta1<- theta2*dt*i
thetas[i]<-theta
thetas1[i]<-theta1
#calculo de phi
phi<-asin(r*sin(theta)/l)
phis[i]<-phi
#calculo de s

s<-r*cos(theta)+l*cos(phi)
ss[i]<-s

#calculo de phi1

phi1<-r*theta1*cos(theta)/(l*cos(phi))
phis1[i]<-phi1

#calculo de s1
s1<--r*theta1*sin(theta)-l*phi1*sin(phi)
ss1[i]<-s1
#calculo de phi2

phi2<-(-
r*theta1*theta1*sin(theta)+l*phi1*phi1*sin(phi)+r*theta2*cos(theta))/(l*cos(phi))
phis2[i]<-phi2

#calculo de s2

s2<--r*theta1*theta1*cos(theta)-l*phi2*sin(phi)-l*phi1*phi1*cos(phi)-
r*theta2*sin(theta)
ss2[i]<-s2

#calculo aceleracion G1x

aG1x<--r1*theta1*theta1*sin(theta)+r1*theta2*cos(theta)
aG1xs[i]<-aG1x

#calculo aceleracion G1z

aG1z<--r1*theta1*theta1*cos(theta)-r1*theta2*sin(theta)
aG1zs[i]<-aG1z

#calculo aceleracion G2
aG2x<--r1*theta1*theta1*sin(theta)+l1*phi1*phi1*sin(phi)-
l1*phi2*cos(phi)+r1*theta2*cos(theta)
aG2xs[i]<-aG2x

#calculo aceleracion G2z

aG2z<--r1*theta1*theta1*cos(theta)-l1*phi1*phi1*cos(phi)-
l1*phi2*sin(phi)-r1*theta2*sin(theta)
 68

aG2zs[i]<-aG2z

#la aceleracion de G3 es S2 ya esta calculada

#aceleracion de A

aAx<--r*theta1*theta1*sin(theta)
aAxs[i]<-aAx
aAz<--r*theta1*theta1*cos(theta)
aAzs[i]<-aAz

}
#cuando la velocidad angular llega a la velocidad angular de trabajo la aceleración
angular es nula

if(theta1>=104.7){
theta2<-0
thetas1[i]<-104.7
#calculo de theta

theta<-theta+theta1*dt
thetas[i]<-theta

#calculo de phi

phi<-asin(r*sin(theta)/l)
phis[i]<-phi
#calculo de s

phis[i]<-phi
s<-r*cos(theta)+l*cos(phi)
ss[i]<-s

#calculo de phi1

phi1<-r*theta1*cos(theta)/(l*cos(phi))
phis1[i]<-phi1
#calculo de s1

s1<--r*theta1*sin(theta)-l*phi1*sin(phi)
ss1[i]<-s1
#calculo de phi2

phi2<-(-r*theta1*theta1*sin(theta)+l*phi1*phi1*sin(phi))/(l*cos(phi))
phis2[i]<-phi2
#calculo de s2

s2<--r*theta1*theta1*cos(theta)-l*phi2*sin(phi)-l*phi1*phi1*cos(phi)
ss2[i]<-s2

#calculo aceleracion G1x

aG1x<--r1*theta1*theta1*sin(theta)
 69

aG1xs[i]<-aG1x
#calculo aceleracion G1z

aG1z<--r1*theta1*theta1*cos(theta)
aG1zs[i]<-aG1z

#calculo aceleracion G2x

aG2x<--r1*theta1*theta1*sin(theta)+l1*phi1*phi1*sin(phi)-l1*phi2*cos(phi)
aG2xs[i]<-aG2x

#calculo aceleracion G2z

aG2z<--r1*theta1*theta1*cos(theta)-l1*phi1*phi1*cos(phi)-l1*phi2*sin(phi)
aG2zs[i]<-aG2z
#la aceleracion de G3 es S2 ya esta calculada
#aceleracion de A
aAx<--r*theta1*theta1*sin(theta)
aAxs[i]<-aAx
aAz<--r*theta1*theta1*cos(theta)
aAzs[i]<-aAz
}}
 70

Anexo 1.2: Código de la interpolación de la fuerza de penetración

#Interpolación de la fuerza de penetración de la aguja en R.

modulotheta<-numeric(length = n)
#se define un vector con los ángulos de theta de 0-360.
for(i in 1:n){
modulotheta[i]<-thetas[i]%%(2*pi)
}
#se interpolan los picos de la función de la fuerza de penetración.

for (i in 1:n) {
if (modulotheta[i]>2.7 & modulotheta[i]<2.91){
Fp[i]<-(modulotheta[i]-2.7)*0.4/0.3

}
if (modulotheta[i]>2.91 & modulotheta[i]<3.2){
Fp[i]<-(3.2-modulotheta[i])*0.35/0.3
}
if (modulotheta[i]>=3.2 & modulotheta[i]<4.61){
Fp[i]<-(modulotheta[i]-3.2)*0.7/1.41

}
if (modulotheta[i]>4.61 & modulotheta[i]<6){
Fp[i]<--(5.3-modulotheta[i])*0.8/1.29
}
if (modulotheta[i]>6 & modulotheta[i]<2*pi){
Fp[i]<-(2*pi-modulotheta[i])*0.4/0.28

}
 71

Anexo 1.3Código para el cálculo de la fuerza del muelle y del amortiguador

k0<-numeric(length = 4531)
c0<-numeric(length = 4531)
Fk1<-numeric(length = 4531)
Fc1<-numeric(length = 4531)
Fk2<-numeric(length = 4531)
Fc2<-numeric(length = 4531)
Fk3<-numeric(length = 4531)
Fc3<-numeric(length = 4531)
Fk4<-numeric(length = 4531)
Fc4<-numeric(length = 4531)
Fk5<-numeric(length = 4531)
Fc5<-numeric(length = 4531)
Fk6<-numeric(length = 4531)
Fc6<-numeric(length = 4531)
k<-c(0,500,1000,1500,2000,2500,3000)
cs<-c(0,2.5,5,7.5,10,12.5,15)
i<-1
thetasgra<-numeric(length = 4531)
angulos<-numeric(length = 4531)
for (i in 10470:n){
Fk1[i-10469]<-(-0.048+ss[i])*k[2]
Fc1[i-10469]<--ss1[i]*cs[2]
Fk2[i-10469]<-(-0.048+ss[i])*k[3]
Fc2[i-10469]<--ss1[i]*cs[3]
Fk3[i-10469]<-(-0.048+ss[i])*k[4]
Fc3[i-10469]<--ss1[i]*cs[4]
Fk4[i-10469]<-(-0.048+ss[i])*k[5]
Fc4[i-10469]<--ss1[i]*cs[5]
Fk5[i-10469]<-(-0.048+ss[i])*k[6]
Fc5[i-10469]<--ss1[i]*cs[6]
Fk6[i-10469]<-(-0.048+ss[i])*k[7]
Fc6[i-10469]<--ss1[i]*cs[7]

k0[i-10469]<-0
c0[i-10469]<-0
}
Fk<-cbind(k0,Fk1,Fk2,Fk3,Fk4,Fk5,Fk6)
Fc<-cbind(c0,Fc1,Fc2,Fc3,Fc4,Fc5,Fc6)
 72

Anexo 1.4: Código para la resolución de las ecuaciones de la dinámica

#código resolución ecuaciones dinámica
i<-1
q<-2400
Parmotors<-numeric(length = q)
Foxs<-numeric(length = q)
Fozs<-numeric(length = q)
FG3s<-numeric(length = q)
MG3s<-numeric(length = q)
Fazs<-numeric(length = q)
Fbzs<-numeric(length = q)
Fbxs<-numeric(length = q)
Faxs<-numeric(length = q)
rangos<-numeric(length=7)
datos<-matrix(data = NA,ncol = 7)
datospar<-numeric(length = 49)
datosfox<-numeric(length = 49)
datosfoz<-numeric(length = 49)
datosfg3<-numeric(length = 49)
datosmg3<-numeric(length = 49)
muelle<-numeric(length = 49)
amortiguador<-numeric(length = 49)

m<-1
for (valork in 1:7){
for(valorc in 1:7){
for (i in 10470:12869){
Fbz<--m3*ss2[i]-Fk[i-10469,valork]+Fc[i-10469,valorc]-m3*g-Fp[i]
Fbzs[i-10469]<-Fbz
Fbx<-(MIl*phis2[i]-Fbz*l*sin(phis[i])-
l1*ml*g*sin(phis[i])+l1*ml*(aAxs[i]*cos(phis[i])+aAzs[i]*sin(phis[i])))/(l*cos(phis[i]))
Fbxs[i-10469]<-Fbx
Faz<-Fbz-ml*g-ml*aG2zs[i]
Fazs[i-10469]<-Faz

Fax<-Fbx-ml*aG2zs[i]
Faxs[i-10469]<-Fax

FG3<-Fbx
FG3s[i-10469]<-Fbx

MG3<--Fbx*h
MG3s[i-10469]<-MG3

parmotor<-r1*mr*g*sin(thetas[i])-r*(Fax*cos(thetas[i])-Faz*sin(thetas[i]))
Parmotors[i-10469]<-parmotor
Foz<--Faz-mr*g+mr*aG1zs[i]
Fozs[i-10469]<-Foz
Fox<--Fax+mr*aG1xs[i]
Foxs[i-10469]<-Fox
}
 73

datosfox[m]<-max(Foxs)-min(Foxs)
datospar[m]<-max(Parmotors)-min(Parmotors)
datosfoz[m]<-max(Fozs)-min(Fozs)
datosfg3[m]<-max(FG3s)-min(FG3s)
muelle[m]<-k[valork]
amortiguador[m]<-cs[valorc]
m<-m+1
}}
 74

Anexo 1.5: Código de la función de cálculo de rango de cada variable

#función de cálculo del rango para cada variable.
funcion<-function(k,cs){
respuesta=4 #poner el número de la respuesta que se necesite (1= par motor, 2= Fox, 3= Foz,
4=FG3)
#pasamos a resolver el sistema de ecuaciones de la dinamica
Fk<-numeric(length = 2400)
Fc<-numeric(length = 2400)
for (i in 10470:12869){
Fk[i-10469]<-(-0.048+ss[i])*k
Fc[i-10469]<--ss1[i]*cs

}
sol<-matrix(nrow=9,ncol=1)

q<-2400
Parmotors<-numeric(length = q)
Foxs<-numeric(length = q)
Fozs<-numeric(length = q)
FG3s<-numeric(length = q)
MG3s<-numeric(length = q)
Fazs<-numeric(length = q)
Fbzs<-numeric(length = q)
Fbxs<-numeric(length = q)
Faxs<-numeric(length = q)
for (i in 10470:12869){
Fbz<--m3*ss2[i]-Fk[i-10469]+Fc[i-10469]-m3*g-Fp[i]
Fbzs[i-10469]<-Fbz

Fbx<-(MIl*phis2[i]-Fbz*l*sin(phis[i])-
l1*ml*g*sin(phis[i])+l1*ml*(aAxs[i]*cos(phis[i])+aAzs[i]*sin(phis[i])))/(l*cos(phis[i]))
Fbxs[i-10469]<-Fbx

Faz<-Fbz-ml*g-ml*aG2zs[i]
Fazs[i-10469]<-Faz

Fax<-Fbx-ml*aG2zs[i]
Faxs[i-10469]<-Fax

FG3<-Fbx
FG3s[i-10469]<-Fbx

MG3<--Fbx*h
MG3s[i-10469]<-MG3

parmotor<-r1*mr*g*sin(thetas[i])-r*(Fax*cos(thetas[i])-Faz*sin(thetas[i]))
Parmotors[i-10469]<-parmotor

Foz<--Faz-mr*g+mr*aG1zs[i]
Fozs[i-10469]<-Foz
 75

Fox<--Fax+mr*aG1xs[i]
Foxs[i-10469]<-Fox
}
soluciones<-cbind(Parmotors,Foxs,Fozs,FG3s,MG3s)
return(max(soluciones[,respuesta]-min(soluciones[,respuesta])))
}
 76

Anexo 1.6: Código de la función utilizada en el análisis multiobjetivo del

algoritmo PSO
#la resolución es la misma que en el caso anterior, salvo que no se elige una respuesta
# la función devuelve una combinación de las deseabilidades de los rangos.
funcion<-function(k,cs){
Fk<-numeric(length = 2400)
Fc<-numeric(length = 2400)
for (i in 10470:12869){
Fk[i-10469]<-(-0.048+ss[i])*k
Fc[i-10469]<--ss1[i]*cs

sol<-matrix(nrow=9,ncol=1)
q<-2400
Parmotors<-numeric(length = q)
Foxs<-numeric(length = q)
Fozs<-numeric(length = q)
FG3s<-numeric(length = q)
MG3s<-numeric(length = q)
Fazs<-numeric(length = q)
Fbzs<-numeric(length = q)
Fbxs<-numeric(length = q)
Faxs<-numeric(length = q)
datos<-matrix(data = NA,ncol = 7)
for (i in 10470:12869){
Fbz<--m3*ss2[i]-Fk[i-10469]+Fc[i-10469]-m3*g-Fp[i]
Fbzs[i-10469]<-Fbz

Fbx<-(MIl*phis2[i]-Fbz*l*sin(phis[i])-
l1*ml*g*sin(phis[i])+l1*ml*(aAxs[i]*cos(phis[i])+aAzs[i]*sin(phis[i])))/(l*cos(phis[i]))
Fbxs[i-10469]<-Fbx

Faz<-Fbz-ml*g-ml*aG2zs[i]
Fazs[i-10469]<-Faz
Fax<-Fbx-ml*aG2zs[i]
Faxs[i-10469]<-Fax
FG3<-Fbx
FG3s[i-10469]<-Fbx
MG3<--Fbx*h
MG3s[i-10469]<-MG3
parmotor<-r1*mr*g*sin(thetas[i])-r*(Fax*cos(thetas[i])-Faz*sin(thetas[i]))
Parmotors[i-10469]<-parmotor
Foz<--Faz-mr*g+mr*aG1zs[i]
Fozs[i-10469]<-Foz
Fox<--Fax+mr*aG1xs[i]
Foxs[i-10469]<-Fox
}
rangopar<-max(Parmotors)-min(Parmotors)
rangofox<-max(Foxs)-min(Foxs)
rangofoz<-max(Fozs)-min(Fozs)
 77

rangoFG3<-max(FG3s)-min(FG3s)
dpar<-(0.7773-rangopar)/(0.7773-0.209)
dfox<-((42.24445-rangofox)/(42.24445-35.5028))^(0.2)
dfoz<-(72.6968-rangofoz)/(72.6968-7.1443)
dfg3<-((42.1213-rangoFG3)/(42.1213-33.8915))^(0.2)
Deseabilidad<-(dpar*dfox*dfoz*dfg3*dfg3)^(5)
return(1/Deseabilidad)}
#El algoritmo PSO está para minimizar, por lo que se ha puesto #como respuesta el inverso de
la deseabilidad
 78

ANEXO 2: RSM
Anexo 2.1: Datos utilizados para el RSM
K(N/m) C(Ns/m) Rango Par motor(Nm) Mínimo par motor(N/m) Máximo par motor(Nm)
0 0 0,552381379 -0,360700489 0,19168089
200 0 0,509336753 -0,337112821 0,172223931
400 0 0,466876367 -0,313902663 0,152973704
600 0 0,425206255 -0,291208538 0,133997717
800 0 0,384637085 -0,269238485 0,115398601
1000 0 0,345658889 -0,248326812 0,097332077
1200 0 0,309044235 -0,229003435 0,0800408
0 2,5 0,567964784 -0,338702245 0,229262539
200 2,5 0,527281636 -0,316454824 0,210826812
400 2,5 0,487622391 -0,294833216 0,192789176
600 2,5 0,449294563 -0,2740299 0,175264663
800 2,5 0,412747391 -0,254325492 0,158421899
1000 2,5 0,378595788 -0,236104094 0,142491694
1200 2,5 0,348047332 -0,220240293 0,127807039
0 5 0,595642464 -0,320476065 0,275166398
200 5 0,553835308 -0,299737491 0,254097817
400 5 0,516725103 -0,27983825 0,236886852
600 5 0,482066633 -0,260996444 0,221070189
800 5 0,449698743 -0,24349427 0,206204473
1000 5 0,42059326 -0,228041673 0,192551586
1200 5 0,395162557 -0,214730517 0,18043204
0 7,5 0,635388985 -0,305430373 0,329958612
200 7,5 0,596225354 -0,286231706 0,309993649
400 7,5 0,558807674 -0,268026692 0,290780982
600 7,5 0,523488282 -0,251024777 0,272463505
800 7,5 0,493592488 -0,235844748 0,257747741
1000 7,5 0,468455626 -0,222354244 0,246101382
1200 7,5 0,445557318 -0,210856647 0,23470067
0 10 0,679425674 -0,292989896 0,386435778
200 10 0,642758595 -0,27526992 0,367488675
400 10 0,608032092 -0,258691612 0,34934048
600 10 0,575755356 -0,243648488 0,332106868
800 10 0,545969739 -0,230033965 0,315935774
1000 10 0,519060439 -0,21808293 0,300977509
1200 10 0,496982945 -0,208013645 0,2889693
0 12,5 0,726893797 -0,282648986 0,44424481
200 12,5 0,692643587 -0,266418316 0,426225271
400 12,5 0,660466225 -0,251452228 0,409013996
600 12,5 0,630475563 -0,237749103 0,392726461
800 12,5 0,602941098 -0,225465526 0,377475572
 79

1000 12,5 0,578167722 -0,214775452 0,363392271

1200 12,5 0,556458019 -0,205844845 0,350613174
0 15 0,777259463 -0,274145021 0,503114443
200 15 0,745180578 -0,259255969 0,485924609
400 15 0,71502898 -0,245483294 0,469545686
600 15 0,687025 -0,23295515 0,45406985
800 15 0,661406215 -0,221800022 0,439606193
1000 15 0,638406531 -0,212154971 0,42625156
1200 15 0,618258473 -0,204140336 0,414118138

K(N/m) C(Ns/m) Rango Fox (N) Mínimo Fox (N) Máximo Fox(N)
0 0 35,7102625 -18,74334423 16,96691828
200 0 35,62352958 -18,31513697 17,30839261
400 0 35,56230751 -17,8875221 17,67478541
600 0 35,5237925 -17,46066851 18,06312399
800 0 35,50530853 -17,03481634 18,4704922
1000 0 35,50457907 -16,6103132 18,89426586
1200 0 35,51998537 -16,18770702 19,33227834
0 2,5 36,3377882 -18,18644513 18,15134307
200 2,5 36,23274443 -17,76743393 18,4653105
400 2,5 36,15476464 -17,35053614 18,8042285
600 2,5 36,10183325 -16,93623812 19,16559514
800 2,5 36,07230215 -16,52532634 19,54697582
1000 2,5 36,06469971 -16,1186839 19,94601581
1200 2,5 36,07839499 -15,717658 20,36073699
0 5 37,06001743 -17,70078596 19,35923147
200 5 36,94468614 -17,29543134 19,6492548
400 5 36,8577601 -16,89404574 19,96371436
600 5 36,79809185 -16,4974876 20,30060424
800 5 36,7647893 -16,10689371 20,65789559
1000 5 36,7572994 -15,7237198 21,03357961
1200 5 36,7754405 -15,34968812 21,42575239
0 7,5 37,86403687 -17,27874509 20,58529178
200 7,5 37,74432569 -16,88986791 20,85445778
400 7,5 37,65400929 -16,50673803 21,14727126
600 7,5 37,59264843 -16,13051577 21,46213266
800 7,5 37,55979556 -15,76249135 21,79730421
1000 7,5 37,55560959 -15,40430876 22,15130084
1200 7,5 37,5800441 -15,05778011 22,52226399
0 10 38,73792887 -16,91228649 21,82564239
200 10 38,61769214 -16,5410995 22,07659264
400 10 38,52755791 -16,1773002 22,35025771
600 10 38,4673975 -15,82207027 22,64532722
800 10 38,43726342 -15,47669579 22,96056763
 80

1000 10 38,43724674 -15,14281767 23,29442908

1200 10 38,46777501 -14,82223854 23,64553647
0 12,5 39,67070588 -16,59325102 23,07745486
200 12,5 39,55245903 -16,24009719 23,31236184
400 12,5 39,46468345 -15,89561146 23,56907198
600 12,5 39,40733315 -15,5609015 23,84643165
800 12,5 39,38064143 -15,23712575 24,14351567
1000 12,5 39,38493212 -14,92592952 24,4590026
1200 12,5 39,42035879 -14,6286933 24,79166549
0 15 40,65298849 -16,31452714 24,33846134
200 15 40,53838566 -15,97910092 24,55928474
400 15 40,45407581 -15,65317353 24,80090227
600 15 40,40031197 -15,33785098 25,06246098
800 15 40,37725228 -15,03417341 25,34307887
1000 15 40,38533833 -14,74357064 25,64176769
1200 15 40,42469761 -14,46726004 25,95743757

K(N/m) C(Ns/m) Rango Foz (N) Mínimo Foz(N) Máximo Foz(N)

0 0 35,56897043 -21,10292125 14,46604917
200 0 29,62406897 -18,10292127 11,52114769
400 0 24,20760188 -15,10292129 9,10468059
600 0 19,19928771 -12,10292131 7,096366402
800 0 14,61046857 -9,10292133 5,50754724
1000 0 10,48374341 -6,102946751 4,380796659
1200 0 7,410613881 -3,82835133 3,582262552
0 2,5 37,42399531 -21,48416348 15,93983183
200 2,5 32,26335522 -18,53226066 13,73109456
400 2,5 27,40924276 -15,59402519 11,81521757
600 2,5 22,9045166 -12,67627931 10,2282373
800 2,5 18,795341 -9,790971924 9,004369073
1000 2,5 15,10425852 -6,961295189 8,142963326
1200 2,5 11,59021953 -4,239029559 7,351189972
0 5 40,98742145 -22,59082446 18,39659699
200 5 36,30697862 -19,76855065 16,53842796
400 5 31,94511823 -16,99248022 14,95263801
600 5 27,9479789 -14,28231702 13,66566188
800 5 24,37405271 -11,67038861 12,7036641
1000 5 21,12450576 -9,212615015 11,91189075
1200 5 18,1373205 -7,017203106 11,12011739
0 7,5 45,59289586 -24,32881469 21,26408116
200 7,5 41,36399382 -21,68493967 19,67905415
400 7,5 37,47038661 -19,12257049 18,34781613
600 7,5 33,96059693 -16,67061321 17,28998372
800 7,5 30,84516134 -14,37256982 16,47259152
 81

1000 7,5 27,97742487 -12,2966067 15,68081817

1200 7,5 25,44875461 -10,55970979 14,88904481
0 10 50,98708348 -26,58038944 24,40669404
200 10 47,17445226 -24,13175298 23,04269927
400 10 43,70716866 -21,79252183 21,91464683
600 10 40,62799965 -19,59470735 21,0332923
800 10 37,82450154 -17,5829826 20,24151894
1000 10 35,27136055 -15,82161496 19,44974559
1200 10 33,35511326 -14,41024333 18,94486993
0 12,5 56,97843014 -29,23238184 27,74604831
200 12,5 53,53865914 -26,97442149 26,56423764
400 12,5 50,44532321 -24,84401377 25,60130944
600 12,5 47,67402959 -22,87180988 24,80221972
800 12,5 45,10876501 -21,09831865 24,01044636
1000 12,5 42,79639053 -19,57771752 23,21867301
1200 12,5 41,42978246 -18,38679967 23,04298279
0 15 63,42077498 -32,18985435 31,23092063
200 15 60,30844258 -30,10734849 30,20109409
400 15 57,52479787 -28,16187738 29,36292049
600 15 54,95219633 -26,38104919 28,57114714
800 15 52,57853923 -24,79916545 27,77937378
1000 15 50,54516085 -23,45984895 27,0853119
1200 15 49,56531816 -22,42026116 27,14505699

K(N/m) C(Ns/m) Rango FG3(N) Mínimo FG3(N) Máximo FG3

0 0 34,04624311 -16,9891086 17,05713451
200 0 33,92128483 -16,92145622 16,99982861
400 0 33,89519433 -16,90287777 16,99231655
600 0 33,97390166 -16,93659666 17,037305
800 0 34,15931211 -17,02375778 17,13555433
1000 0 34,44877243 -17,16322622 17,2855462
1200 0 34,83577748 -17,35194791 17,48382957
0 2,5 34,04742779 -18,29836359 15,7490642
200 2,5 33,92081659 -18,24073534 15,68008125
400 2,5 33,8952573 -18,22610013 15,66915717
600 2,5 33,97718555 -18,25673615 15,7204494
800 2,5 34,16810965 -18,33365757 15,83445208
1000 2,5 34,46435316 -18,45638141 16,00797176
1200 2,5 34,85820995 -18,62314339 16,23506657
0 5 34,05793843 -19,61078475 14,44715367
200 5 33,92274468 -19,56093436 14,36181032
400 5 33,89541454 -19,54932249 14,34609205
600 5 33,98405577 -19,57759922 14,40645655
 82

800 5 34,18933467 -19,64668226 14,54265241

1000 5 34,5042403 -19,75638342 14,74785689
1200 5 34,90560535 -19,90567772 14,99992763
0 7,5 34,08119334 -20,92539692 13,15579642
200 7,5 33,92806031 -20,88178916 13,04627115
400 7,5 33,89561334 -20,87254485 13,02306849
600 7,5 33,99669608 -20,89897039 13,09772569
800 7,5 34,22874623 -20,96180768 13,26693855
1000 7,5 34,5709175 -21,06116798 13,50974952
1200 7,5 34,96126517 -21,19634792 13,76491725
0 10 34,12582505 -22,24161676 11,88420829
200 10 33,93967123 -22,20308146 11,73658978
400 10 33,89600524 -22,19576721 11,70023803
600 10 34,020763 -22,22072585 11,80003715
800 10 34,2981544 -22,278583 12,0195714
1000 10 34,6441616 -22,36942246 12,27473914
1200 10 35,02287832 -22,49297145 12,52990688
0 12,5 34,21160237 -23,55902756 10,65257481
200 12,5 33,966841 -23,52467235 10,44216865
400 12,5 33,89697692 -23,51898956 10,37798736
600 12,5 34,07264177 -23,54265847 10,5299833
800 12,5 34,38101305 -23,59645203 10,78456103
1000 12,5 34,72006824 -23,68033947 11,03972876
1200 12,5 35,08900344 -23,79410694 11,2948965
0 15 34,37760608 -24,87735152 9,500254558
200 15 34,04521692 -24,8465943 9,198622617
400 15 33,90217637 -24,84221192 9,05996445
600 15 34,15930473 -24,86492182 9,294382912
800 15 34,46471907 -24,91516842 9,549550649
1000 15 34,82168683 -24,99312015 9,828566683
1200 15 35,40543868 -25,09880461 10,30663408
 83

Anexo 2.2: Modelo RSM del de Fox

Coded Coefficients
Term Coef SE Coef 95% CI T-Value P-Value VIF
Constant 37,5942 0,0057 (37,5827; 37,6057) 6589,76 0,000
K -0,12562 0,00447 (-0,13463; -0,11661) -28,11 0,000 1,00
C 2,46523 0,00447 (2,45623; 2,47424) 551,63 0,000 1,00
K*K 0,12274 0,00774 (0,10714; 0,13834) 15,86 0,000 1,00
C*C 0,36366 0,00774 (0,34806; 0,37926) 46,98 0,000 1,00

Contour Plot of ResiduosFox vs K; C

ResiduosFox
< -1
-1 – 0
1000 0 – 1
1 – 2
> 2

750
K

500

250

0
0 2 4 6 8 10 12 14
C
 84

Anexo 2.3: Modelo RSM del FG3

Coded Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 33,862 0,103 328,39 0,000
K -10,3346 0,0808 -127,94 0,000 1,00
C 18,0070 0,0808 222,93 0,000 1,00
K*K 1,682 0,140 12,02 0,000 1,00
C*C 3,215 0,140 22,98 0,000 1,00
K*C 3,636 0,121 30,01 0,000 1,00

Fits and Diagnostics for Unusual Observations

Obs Foz Fit Resid Std Resid
1 35,569 34,723 0,846 2,68 R
48 50,545 51,366 -0,821 -2,40 R
R Large residual

Contour Plot of Residuos FG3 vs K; C

Residuos
FG3
< -2
1000 -2 – -1
-1 – 0
0 – 1
1 – 2
750 > 2
K

500

250

0
0 2 4 6 8 10 12 14
C
 85

Anexo 2.4: Modelo RSM del de Foz

Coded Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 33,9883 0,0153 2219,14 0,000
K 0,4601 0,0120 38,35 0,000 1,00
C 0,1253 0,0120 10,45 0,000 1,00
K*K 0,5494 0,0208 26,44 0,000 1,00
C*C 0,0828 0,0208 3,99 0,000 1,00
K*C 0,0769 0,0180 4,27 0,000 1,00

Fits and Diagnostics for Unusual Observations

Obs FG3 Fit Resid Std Resid
43 34,3776 34,2089 0,1688 3,60 R
45 33,9022 34,0785 -0,1763 -3,40 R
49 35,4054 35,2829 0,1225 2,62 R
R Large residual

Contour Plot of Residuos Foz vs K; C

Residuos
Foz
< -2
1000 -2 – -1
-1 – 0
0 – 1
1 – 2
750 > 2
K

500

250

0
0 2 4 6 8 10 12 14
C
 86

Anexo 2.5: Modelo RSM del par motor con nuevos límites
Coded Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 0,41423 0,00363 114,11 0,000
Muelle -0,09232 0,00284 -32,46 0,000 1,00
amortiguador 0,15641 0,00284 55,00 0,000 1,00
muelle*muelle 0,14225 0,00493 28,88 0,000 1,00
amortiguador*amortiguador 0,01786 0,00493 3,63 0,001 1,00
muelle*amortiguador 0,03226 0,00427 7,56 0,000 1,00

Fits and Diagnostics for Unusual Observations

Obs Par motor Fit Resid Std Resid
29 0,21681 0,24996 -0,03316 -2,70 R
43 0,32226 0,29335 0,02891 2,61 R
R Large residual
 87

Anexo 2.6: Modelo RSM Fox con nuevos límites

Coded Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 37,6945 0,0149 2522,31 0,000
Muelle 0,6640 0,0117 56,72 0,000 1,00
amortiguador 2,5781 0,0117 220,22 0,000 1,00
muelle*muelle 0,8499 0,0203 41,92 0,000 1,00
amortiguador*amortiguador 0,3142 0,0203 15,50 0,000 1,00
muelle*amortiguador 0,1740 0,0176 9,91 0,000 1,00

Fits and Diagnostics for Unusual Observations

Obs Fox Fit Resid Std Resid
15 35,5046 35,3617 0,1429 2,82 R
22 35,5708 35,4306 0,1402 2,76 R
43 36,6746 36,7706 -0,0959 -2,10 R
R Large residual
 88

Anexo 2.7: RSM de Foz con nuevos límites

Coded Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 28,522 0,715 39,90 0,000
Muelle 7,999 0,560 14,28 0,000 1,00
amortiguador 15,114 0,560 26,99 0,000 1,00
muelle*muelle 25,158 0,970 25,94 0,000 1,00
amortiguador*amortiguador 3,561 0,970 3,67 0,001 1,00
muelle*amortiguador -3,614 0,840 -4,30 0,000 1,00

Fits and Diagnostics for Unusual Observations

Obs Foz Fit Resid Std Resid
1 35,57 30,52 5,05 2,31 R
7 63,42 67,97 -4,55 -2,08 R
15 10,48 15,89 -5,41 -2,23 R
22 11,52 16,97 -5,45 -2,25 R
R Large residual
 89

Anexo 2.8: RSM de FG3 con nuevos límites

Coded Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 35,6259 0,0442 805,79 0,000
Muelle 3,7158 0,0346 107,29 0,000 1,00
amortiguador 0,3779 0,0346 10,91 0,000 1,00
muelle*muelle 1,9645 0,0600 32,75 0,000 1,00
amortiguador*amortiguador 0,2395 0,0600 3,99 0,000 1,00
muelle*amortiguador 0,3422 0,0520 6,59 0,000 1,00

Fits and Diagnostics for Unusual Observations

Obs FG3 Fit Resid Std Resid
14 34,0169 34,4112 -0,3943 -2,69 R
35 38,1182 37,8143 0,3039 2,03 R
R Large residual