Академический Документы
Профессиональный Документы
Культура Документы
&RQWULEXFLyQDOD6tQWHVLV'LPHQVLRQDOGH0HFDQLVPRV
3ODQRVSDUD*HQHUDFLyQGH7UD\HFWRULD
Dirigida por:
Prof. Dr. Antonio Prez Gonzlez
Agradecimientos
Resulta curioso que durante las incontables horas que uno ha dedicado a la realizacin
de esta tesis doctoral raramente es consciente del nmero de personas que, de una u otra
forma, han influido en ella. Pero an tras la reflexin que sigue a la finalizacin, este recuento
se hace complicado por la enorme cifra que resulta.
Al resto, que son muchos y no menos importantes, les estoy tambin sinceramente
agradecido.
Indice
Captulo 1. Introduccin ........................................................................................................ 1
1.1. El diseo de mecanismos .............................................................................................. 1
1.2. Subdivisin del problema de sntesis de mecanismos .................................................. 4
1.3. Objetivos ........................................................................................................................ 13
1.4. Plan de trabajo ............................................................................................................... 15
Indice
iii
6.4. Aplicacin a la generacin de una trayectoria con puntos dobles ................................. 311
6.5. Conclusiones .................................................................................................................. 316
Bibliografa............................................................................................................................. 327
Indice de abreviaturas
Indice de abreviaturas
ABC
BSC
CC
CET
DM
Diseo de Mecanismos.
ED
Espacio de Diseo.
EDA
LSOP
MCC
MPE
Minimizing the
perpendicular).
PD
PDCP
SM
Sntesis de Mecanismos.
TE
TMM
Perpendicular
Error
(mtodo
de
minimizacin
del
error
&DStWXOR
,QWURGXFFLyQ
Captulo 1
Introduccin
siquiera una buena solucin) que como la mejor solucin posible. Por ejemplo, pinsese en el
mecanismo biela-manivela que ha sido masivamente utilizado en motores de combustin de
vehculos automviles. Este mecanismo que transforma un movimiento rectilneo en otro
circular posee caractersticas desfavorables en su funcionamiento. En efecto, el pistn
constituye una masa que se ve sometida a grandes cambios de velocidad, lo que implica
grandes aceleraciones y, consecuentemente, grandes fuerzas de inercia. Estas fuerzas de
inercia provocan, por un lado, una gran irregularidad en el movimiento y, por otro, grandes
fuerzas internas entre los eslabones de los mecanismos que tendrn que ser transmitidas por
1
los pares cinemticos . Para limitar la irregularidad del movimiento se han de incluir volantes de
inercia pero esto aumenta todava ms la inercia del conjunto y supone un aspecto negativo
cuando se pretende potenciar la capacidad de aceleracin/deceleracin del motor. Por otro
lado, las fuerzas internas obligan a realizar un diseo robusto de los elementos del mecanismo
(manivela, biela, pasadores de articulaciones, etc.), lo cual aumenta su masa e influye en la
inercia y en la irregularidad del movimiento. Adems, la velocidad media de funcionamiento
impuesta al mecanismo se ve limitada por las fuerzas mximas que los elementos podrn
resistir, quedando limitadas las prestaciones del motor.
Sin embargo, pese a los problemas descritos, este mecanismo es utilizado en millones
de vehculos y, dada su extensin, utilidad y necesidad, cualquier nuevo mecanismo que
mejorara el mecanismo biela-manivela supondra un enorme beneficio a nivel mundial.
Lo anterior es tan solo un ejemplo de que la SM es un pilar fundamental sobre el que
se asienta la TMM, que su desarrollo influye enormemente en el de la TMM y que, por tanto,
influye en el desarrollo industrial.
Captulo 1
Introduccin
En la figura 1.1 se observa una tpica clasificacin de los subproblemas en los que se
ha dividido la SM. En primera instancia se divide el problema en dos grandes categoras:
2
2
sntesis de mecanismos planos y sntesis de mecanismos espaciales . La inclusin de una
nueva dimensin al pasar de mecanismos planos a mecanismos espaciales complica
considerablemente el problema de sntesis. Tanto es as que hasta hace relativamente poco
tiempo solamente existan soluciones para sntesis de mecanismos planos, siendo muy
recientes los trabajos orientados al diseo de mecanismos espaciales. As, J. Nieto (Nieto,
1978) afirm en 1978 que an estaba por escribir el primer libro dedicado a la sntesis de
mecanismos espaciales. De hecho en la actualidad el problema de sntesis tridimensional
todava no ha sido abordado de una forma extensiva, nicamente se ha trabajado en la sntesis
de determinados mecanismos espaciales con una utilidad muy concreta. Solamente existen
mtodos de sntesis de mecanismos espaciales para algunos casos, muy pocos en relacin a
las numerosas posibilidades con las que se pueden disear estos mecanismos.
Brazos m anipuladores.
O tros.
de cadena cerrada:
Captulo 1
No solo pueden alcanzar a cualquier punto dentro de su espacio accesible, sino que adems pueden acceder a cada punto
segn un amplio rango de direcciones.
5
Introduccin
Por su parte, los mecanismos paralelos son mecanismos en los cuales los eslabones y
pares forman parte de dos o ms cadenas cinemticas (que estn dispuestas para funcionar en
paralelo). Existen muchas posibles configuraciones de mecanismos de este tipo, siendo la ms
conocida la Plataforma de Stewart (figura 1.2) que fue introducida como base para un
simulador de vuelo por Stewart en 1965 (Stewart, 1965). Este mecanismo consta de una
plataforma superior que hace el papel de actuador final movida por diferentes cilindros
hidrulicos formando cadenas cinemticas paralelas. Sus seis grados de libertad le
proporcionan una gran movilidad a la vez que una precisin considerablemente mayor que los
brazos manipuladores. En efecto, la disposicin de los eslabones formando cadenas cerradas
disminuye sustancialmente el error de posicionamiento ya que evita su acumulacin. Esta
mayor precisin es una de las caractersticas que les permite competir con los brazos
manipuladores en aplicaciones en las que se pueden utilizar ambos mecanismos. Otra
caracterstica es la mayor fuerza que pueden realizar o mejor relacin fuerza/precisin.
La sntesis de mecanismos paralelos se centra, fundamentalmente, en la bsqueda de
nuevas configuraciones (sntesis de tipo) y en el dimensionamiento de los eslabones para el
cumplimiento de una serie de requisitos de movilidad.
Captulo 1
Figura 1.4. Curva de puntos alcanzables por un punto de un mecanismo plano con un grado de libertad.
Figura 1.5. Area alcanzable por un punto de un mecanismo plano con dos grados de libertad.
Introduccin
planas durante el movimiento. Este subgrupo fue el primero en ser investigado all en los
albores de la SM, aportando soluciones a los casos ms sencillos.
En primera instancia, el problema de sntesis de mecanismos planos se puede dividir
en aquellos problemas que ataen a mecanismos con mltiples grados de libertad y
mecanismos con un nico grado de libertad (desmodrmicos). Los primeros son mecanismos
que, en el plano tienen una gran movilidad (por ejemplo, un mecanismo plano con dos grados
de libertad puede alcanzar cualquier punto de su rea de trabajo. Vase figura 1.5). Por el
contrario, los mecanismos desmodrmicos (figura 1.4) poseen una movilidad restringida y
solamente pueden alcanzar los puntos de un lugar geomtrico unidimensional (como una curva
plana). Sin embargo y pese a su menor movilidad, los segundos han sido y son ms utilizados
que los primeros en aplicaciones industriales. Los motivos son varios y entre ellos destaca el
hecho de que los mecanismos desmodrmicos son mucho ms precisos y fiables, no necesitan
ms que un accionamiento y con ello evitan los problemas derivados de la coordinacin de
varios accionamientos, son robustos y duraderos y, consecuentemente, su mantenimiento es
casi nulo. En definitiva, resulta siempre aconsejable utilizar mecanismos desmodrmicos
(frente a mecanismos con mltiples grados de libertad) all donde es posible.
Cada uno de los dos subgrupos anteriores puede, a su vez subdividirse de forma
7
similar como se observa en la figura 1.1 en mecanismos con pares superiores e inferiores
y mecanismos nicamente con pares inferiores. Dentro de los primeros existe una muy amplia
variedad de tipologas, entre las que destacan los mecanismos con pares tipo leva-seguidor.
Estos mecanismos se caracterizan por presentar un diseo muy flexible, pudiendo conseguir
un muy elevado abanico de posibilidades de movimiento. Por el contrario, son mecanismos
caros y sufren de desgaste, necesitando unas condiciones de trabajo ptimas (lubricacin,
mantenimiento, etc.) para su buen funcionamiento.
Una vez ms, en estos mecanismos con pares superiores e inferiores, la elevada
diversidad de soluciones ha ocasionado que el problema de sntesis no sea abordado de una
forma global, sino que se hayan creado mtodos muy especficos para dar solucin a casos
concretos.
10
Captulo 1
Introduccin
11
con otra variacin angular (de salida) o una variacin angular con la variacin de una distancia.
Utilizando como ejemplo el mecanismo de 4 barras (figura 1.6), los requisitos para generacin
de funcin relacionan ngulos de la barra de entrada (manivela accionadora) con los ngulos
de la barra de salida (manivela conducida).
En el caso de sntesis dimensional para guiado de slido rgido el objetivo es obtener
las dimensiones de un mecanismo tal que sea capaz de mover un slido rgido cumpliendo
unos requisitos. Dado que un slido rgido en el plano tiene tres grados de libertad, los
requisitos sern de posicin del slido rgido y tambin de orientacin del mismo. En el
mecanismo de cuatro barras (figura 1.7), las dos manivelas poseen movimientos de rotacin
pura, siendo la biela la que sufre un movimiento de rotacin y traslacin. Consecuentemente,
cuando se utiliza este mecanismo para guiar un slido rgido, es la biela la barra que realiza el
guiado y el objetivo de la sntesis es encontrar las dimensiones necesarias para que el
movimiento descrito por la biela se ajuste a los requisitos del problema.
12
Captulo 1
Figura 1.8. Curvas trazadas por diferentes puntos del acoplador de un mecanismo de 4 barras.
En los tres casos de sntesis dimensional expuestos, los requisitos pueden venir
especificados con prescripcin de tiempo o sin prescripcin de tiempo. En el primer caso, los
requisitos ataen no solo a la posicin sino tambin al tiempo que el mecanismo emplea para
adoptar esa posicin. De esta forma, en la sntesis se est condicionando la velocidad del
mecanismo que es la derivada temporal del espacio (lineal o angular) recorrido. Por este
motivo a este tipo de sntesis se le da el nombre de sntesis de orden superior. En
contrapartida, si los requisitos especifican parmetros relacionados con la posicin,
independientemente del tiempo que el mecanismo emplea para llegar a esa posicin, el
problema de sntesis es llamado sntesis de primer orden.
Es lgico pensar que los problemas de sntesis son ms complejos cuando los
requisitos incluyen el factor tiempo que cuando no, por lo que los mtodos de solucin de tales
problemas aportan soluciones menos ptimas.
Introduccin
13
1.3. Objetivos.
El objetivo ltimo de esta tesis es enunciado como la mejora de los recursos
metodolgicos existentes en sntesis dimensional aproximada de mecanismos planos para
generacin de trayectoria sin prescripcin de tiempo. Para ello se persigue el diseo de una
8 Salvo que los puntos cumplan una serie de condiciones, de la misma forma en la que solo es posible trazar una circunferencia
que pasa por cuatro puntos si uno de ellos cumple la ecuacin de la circunferencia que pasa por los otros tres; no siendo ste el
caso ms general.
14
Captulo 1
estrategia numrica que permita, en la medida de lo posible, obtener las dimensiones ptimas
del mecanismo para la generacin aproximada de una trayectoria requerida.
Un parmetro importante en la obtencin del ptimo global es el coste computacional
implicado, por lo que un segundo objetivo consiste en probar la viabilidad prctica de la
estrategia planteada mediante la implementacin del mtodo en un programa informtico capaz
de resolver casos prcticos de sntesis.
La utilizacin de una estrategia robusta que permita asegurar el logro del ptimo global.
En base al objetivo ltimo de la tesis, se plantea como objetivo el planteamiento de una
estrategia que permita asegurar el logro del ptimo global si se emplea el tiempo de
computacin suficiente, aparte de minimizar este coste. Este objetivo tiene como
finalidad estimar el coste computacional asociado a la consecucin del ptimo global y
las vas segn las cuales ste puede ser disminuido.
El anlisis de diferencias entre sntesis de trayectorias abiertas y cerradas. Aparte de los
objetivos anteriores, tambin se establece como objetivo el estudio de las diferencias de
9 Funcin que se pretende minimizar en la optimizacin de las dimensiones del mecanismo. En sntesis dimensional de
trayectoria, esta funcin compara, de una forma u otra, la curva generada por el mecanismo con la curva requerida.
Introduccin
15
planteamiento entre los problemas de sntesis en los que sequiere la generacin de una
trayectoria abierta y los problemas de sntesis para generacin de trayectorias cerradas.
Esto incluye estudiar la posibilidad de proposicin de estrategias de resolucin comunes
para ambos tipos de sntesis de trayectoria.
b)
c)
Estudio por separado de las diferentes partes que constituyen el problema de sntesis
ptima de trayectoria:
Funcin objetivo.
S
Espacio de diseo.
S
16
Captulo 1
Algoritmo de optimizacin.
S
d)
e)
f)
&DStWXOR
$QWHFHGHQWHV
Introduccin
La sntesis de mecanismos planos es una disciplina englobada por la ingeniera
mecnica que se encarga de proporcionar mtodos para obtener mecanismos planos capaces
de cumplir tareas especficas representadas por medio de unos requisitos de diseo.
Esta materia empez a ser estudiada sistemticamente a finales del siglo XIX cabe
citar los trabajos de Burmester (Burmester, 1888), Mller (Mller, 1892), Allievi (Allievi, 1895) y
Somov (Somov, 1899), entre otros y desde entonces el nmero de investigadores que han
realizado trabajos relacionados con sta ha crecido notablemente.
Segn Nieto (Nieto, 1978), la historia de la sntesis dimensional puede dividirse en tres
etapas claramente diferenciadas. La primera etapa comprende desde la construccin de las
primeras mquinas en los tiempos antiguos hasta la dcada de 1870 (aprox.). Esta etapa se
caracteriza por una carencia de estudio disciplinado y, consecuentemente, por un crecimiento
aleatorio del conocimiento relacionado con el diseo de mquinas bajo la presin de la
necesidad. Pese a la no sistematizacin y la falta de disciplina en la investigacin, cabe
destacar los trabajos de algunos eruditos del perodo tales como Leonardo Da Vinci (14521519), que fue creador de varias mquinas y escribi varios libros de rico contenido mecnico;
J. Watt (1736-1783) que fue el primero en realizar trabajos orientados a la sntesis de
10
movimiento; Ampre (1775-1836) que introdujo el concepto de cinemtica o Reuleaux (18291905) que sent las bases de la cinemtica moderna en su libro Cinemtica.
La segunda etapa, que comprende desde algn momento de la dcada de 1870 hasta
fin de la primera mitad del siglo XX, se caracteriz por la existencia de varias escuelas
francesa, alemana, inglesa y rusa, principalmente que trabajaron fundamentalmente en dos
enfoques del problema de sntesis dimensional: el desarrollo de mtodos grficos y el
desarrollo de mtodos analticos. El primero fue trabajado sobre todo por la escuela alemana,
10
18
Captulo 2
cuyos miembros utilizaron herramientas grficas como nica va de solucin de los problemas
de sntesis dimensional (en ausencia de mquinas de clculo). Los primeros casos fueron
11
planteados en trminos de puntos de precisin (sntesis exacta ) y se crearon mtodos para
dar solucin a problemas con un nmero creciente de ellos, creando una teora de curvatura
considerable para tal fin. Por otro lado la escuela rusa propuso alternativas analticas para los
mismos casos de sntesis.
Publicaciones clsicas de este perodo son monografas tales como Lehrbuch der
12
Kinematik (Tratado de cinemtica), debida a Burmester (Burmester, 1888) o Cinemtica
della biella plana (Allievi, 1895) y numerosas publicaciones cientficas.
Al final de este segundo perodo, la sntesis de mecanismos estaba totalmente
consolidada como parte de la ciencia, se estudiaba el acoplador de los mecanismos como la
barra ms fecunda, se haban creado numerosos mtodos de sntesis para otros tantos casos
e incluso se haban elaborado trabajos iniciales relacionados con el anlisis y la sntesis de
mecanismos espaciales.
La tercera etapa comprende desde mediados del siglo XX hasta la actualidad. Esta
etapa se caracteriza por la introduccin de las rpidas mquinas de clculo en la sntesis
dimensional, llegando a adaptarse sta ltima a la filosofa de trabajo de las primeras para
permitir que los problemas sean abordados de una forma eficiente. Si la segunda etapa era la
etapa grfica y analtica, esta tercera puede llamarse la etapa numrica.
Tambin es patente la influencia del progreso mundial, que ha permitido la existencia
de un incontable nmero de investigadores dedicados al desarrollo del diseo de mquinas.
Esto ha proporcionado un creciente nmero de los trabajos publicados y una enorme
dispersin de los mtodos propuestos. En la actualidad se han publicado numerosos libros
relacionados con la sntesis de mecanismos y existen diferentes revistas de investigacin
relacionadas con esta disciplina. Esto facilita la difusin de las investigaciones realizadas entre
los cientficos de la materia y asegura el desarrollo de la misma.
Sin embargo, y pese a todos los avances en la metodologa cientfica nombrados
anteriormente, se observa que la sntesis dimensional de mecanismos sigue siendo un terreno
en continua exploracin ya que peridicamente se publican diferentes propuestas de nuevos
mtodos para resolver el problema.
La mayora de los trabajos de investigacin recientes pueden clasificarse dentro de una
de las siguientes categoras:
11
12
Obra maestra que introdujo de forma extensiva numerosos mtodos grficos para sntesis con puntos de precisin finita e
infinitesimal. Constituye un clsico de la materia que an hoy es referenciada por numerosos investigadores.
Antecedentes
19
Trabajos relacionados con la sntesis de tipo. En los ltimos aos ha tenido cierto auge la
investigacin sobre la generacin de cadenas cinemticas y la seleccin del tipo
adecuado para la realizacin de unas determinadas tareas. La mayor parte de los
trabajos recientemente publicados estn relacionados con la generacin de cadenas
cinemticas contemplando ciertas caractersticas requeridas y las posteriores tcnicas
13
de deteccin de cadenas isomrficas , degeneradas, simtricas, etc (Vucina y
Freudenstein, 1991) (Yan, 1992) (Dijksman y Timmermans, 1994) (Yadav et al., 1995)
(Liu y Yu, 1995) (Tuttle, 1996) (Nageswara y Rao, 1996) (Rao, 1997a) (Rao, 1997b).
Tambin existen otros trabajos con aplicaciones ms especficas como, por ejemplo, el
mtodo geomtrico para la generacin de pantgrafos de 5 barras, presentado por Lu y
Hwang (Lu y Hwang, 1996).
Trabajos relacionados con la sntesis dimensional. Como se ha visto, la sntesis
dimensional tiene una gran carga histrica. Sin embargo, en los ltimos aos an se
siguen desarrollando nuevos mtodos de sntesis que intentan aprovechar al mximo la
creceinte potencia de los ordenadores de clculo. No obstante, tambin se publica un
nmero considerable de trabajos de desarrollo de la sntesis ms tradicional. De una
forma no rigurosa, todos estos trabajos que tienen relacin con la sntesis dimensional
pueden ser clasificados en los siguientes subgrupos:
S
13
20
Captulo 2
Antecedentes
21
22
Captulo 2
14
Antecedentes
23
han propuesto diferentes formas de plantear el problema de sntesis aproximada pero contina
sin existir una estrategia apta para solucionar todos los casos.
Para la comprensin del problema en toda su magnitud, se considera fundamental la
evolucin de las soluciones aportadas a lo largo de la historia. Esto permitir realizar una
evaluacin del progreso de las tcnicas utilizadas y permitir observar la tendencia seguida y el
futuro probable de la sntesis de mecanismos. Por este motivo se realiza a continuacin una
revisin de los antecedentes siguiendo un orden cronolgico. En esta revisin se han incluido
las publicaciones fundamentales, existiendo otras que, aunque tal vez sean menos relevantes,
tambin podran ser dignas de consideracin.
24
Captulo 2
15
Ya que si el cociente entre la longitud mxima y la longitud mnima de las barras no es un valor moderado, el mecanismo es
excesivamente deforme y presenta varios problemas prcticos entre los que figuran el problema de fuerzas internas elevadas y
prdida de precisin.
16 En la actualidad existen otras tcnicas de optimizacin, como son los mtodos aleatorios o los modernos mtodos evolutivos,
pero no solo son posteriores (especialmente los mtodos evolutivos) sino que presentan otros problemas.
Antecedentes
25
Cuatro aos ms tarde, Fox y Willmert (Fox y Willmert, 1967) publicaron uno de los
primeros trabajos en los que el problema de sntesis dimensional aproximada de mecanismos
es tratado como un problema de optimizacin global con restricciones. Plantearon el problema
de sntesis como un problema de programacin matemtica en el que se parte de un nmero
de variables (que forman un vector) y se ha de encontrar su valor de forma que haga mnima
una funcin la funcin objetivo considerando dos tipos de restricciones aplicables al vector
de variables: de igualdad y de desigualdad.
Este trabajo posee varios aspectos destacables. En primer lugar, los autores
propusieron como funcin objetivo para la generacin de trayectoria el rea entre la curva
17
generada con la estimacin intermedia y la curva requerida , sin embargo, debido a lo
complejo de su determinacin vieron la imposibilidad de abordar el problema utilizando este
18
indicador como funcin objetivo y recurrieron a la utilizacin de puntos de aproximacin . Pero
la utilizacin de puntos de aproximacin es, en s mismo, un hecho relevante ya que se separa
de la idea de utilizacin de puntos de precisin en la resolucin de problemas de sntesis
dimensional.
Las restricciones impuestas por Fox y Willmert limitaban el espacio de diseo alegando
la necesidad de que las dimensiones del mecanismo fueran positivas y menores que un valor
razonable a eleccin del diseador. Otra restriccin importante fue introducida (mediante la
ecuacin de Grashof) para asegurar la rotabilidad completa de la barra accionadora.
Para resolver el problema de optimizacin con restricciones, adaptaron las tcnicas de
Fiacco y McCormick (Fiacco y McCormick, 1963) para minimizar una funcin con restricciones.
Posteriormente utilizaron el mtodo iterativo de Fletcher y Powell (Fletcher y Powell, 1963) para
llegar al ptimo dentro del espacio de diseo, no siendo necesaria la evaluacin de las
derivadas de la funcin objetivo.
El planteamiento realizado del problema es de una globalidad importante. Sin embargo,
el avance tecnolgico solamente se produce en cuanto a la optimizacin fina de las
dimensiones del mecanismo debido a que, en los ejemplos resueltos, el punto de partida es un
mecanismo considerablemente bueno es decir, que est cerca del mecanismo ptimo en
relacin a los objetivos. Adems, el mtodo de Fletcher y Powell est basado en el gradiente
de la funcin objetivo y lleva a una solucin que es funcin de la posicin de partida, siendo un
mnimo local en la mayora de los casos. Este problema de la posicin de partida fue ignorado
por los autores an cuando puede constituir un problema mayor que el problema de
optimizacin resuelto.
17 Otros autores (Thompson, 1975) (Akali y Dittrich, 1989b) tambin han destacado que el rea encerrada entre las curvas
planas es el mejor indicador de su diferencia.
18
26
Captulo 2
En el mismo ao, Lewis y Gyory (Lewis y Gyory, 1967) propusieron el uso de la tcnica
de mnimos cuadrados amortiguados para resolver el problema de sntesis cinemtica de
curvas planas. Reflexionaron sobre la existencia de ciertos tipos de curvas que pueden ser
generadas por un mecanismo de 4 barras, indicando implcitamente la existencia de otras
curvas que no son reproducibles (con un mnimo de exactitud). Este es un aspecto clave en la
sntesis de mecanismos para generacin de trayectoria y pone de manifiesto el hecho de que
un mecanismo de 4 barras no puede generar cualquier trayectoria, an cuando sus
dimensiones pueden variar de forma continua existiendo infinitos valores para cada una de
ellas. Por lo tanto, la viabilidad de la aproximacin en el problema de sntesis depender de
que la trayectoria requerida sea generable por el mecanismo. Si no se da esta circunstancia, el
ptimo encontrado no ser una solucin suficientemente buena es decir, la trayectoria
generada no se parecer a la trayectoria requerida y, consecuentemente, carecer de
utilidad prctica.
En lo referente a la funcin objetivo, Lewis y Gyory manifestaron que una curva plana
puede ser especificada por medio de una serie de puntos y en el caso de curvas generadas por
19
mecanismos, destacaron su carcter paramtrico . Con ello estaban expresando la necesidad
de incluir los parmetros en la comparacin de puntos de diferentes curvas paramtricas, lo
que complica la optimizacin. En efecto, al hacerlo as, durante la optimizacin no solamente
se tendran que modificar las variables de diseo del mecanismo, sino tambin el parmetro
asociado a cada uno de los puntos de aproximacin.
Lewis y Gyory resolvieron el problema de optimizacin transformndolo en un problema
de resolucin de ecuaciones no lineales, que resolvieron de forma iterativa utilizando el mtodo
de Levenberg (Levenberg, 1944), el cual propuso la inclusin de un coeficiente amortiguador.
Al aplicar el mtodo propuesto a la sntesis del mecanismo de 4 barras y en la
evaluacin de una curva generada mediante la funcin objetivo, los autores observaron la
necesidad de escalar, rotar y desplazar la curva generada por el mecanismo para que esta
pasara lo ms cerca posible de los puntos de aproximacin requeridos. Para ello utilizaron el
20
mximo dimetro de ambas curvas. Sin embargo, intuitivamente se puede adivinar que
resultar siempre mucho ms adecuado realizar una superposicin acorde con la mnima suma
de los cuadrados de las distancias de n puntos elegidos en ambas curvas, aunque la eleccin
de sta plantea otros problemas adicionales.
Un ao ms tarde, Lewis y Falkenhagen (Lewis y Falkenhagen, 1968) extendieron la
formulacin propuesta en el trabajo anterior de forma que en la sntesis se pudiera contemplar
no solo desplazamientos sino tambin velocidades (sntesis de segundo orden).
19
20
Antecedentes
27
Toms (Toms, 1968) realiz una importante reflexin sobre la sntesis de mecanismos
considerada como un problema de programacin no lineal. Aunque su trabajo no estaba
directamente aplicado a la sntesis de trayectoria, Toms obtuvo conclusiones importantes en
relacin al planteamiento iterativo del problema de sntesis. Afirm que la mayora de los casos
de sntesis de mecanismos podan ser formulados como un problema de programacin no
lineal (optimizacin). Destac, asimismo, una de las ventajas fundamentales de este
planteamiento: no es necesario establecer expresiones matemticas complejas ni resolver
complejos sistemas de ecuaciones; en oposicin a los resultantes de los mtodos algebraicos.
Finalmente, concluy que el tiempo de computacin era, en muchos casos, inferior al necesario
en mtodos algebraicos.
Toms formul el problema con rigor y propuso la limitacin del espacio de diseo
mediante ecuaciones de restriccin. Aadi nuevas restricciones para asegurar unas buenas
caractersticas en el mecanismo rotabilidad, rango de ngulo de transmisin permitido, rango
de fluctuacin de la velocidad, etc.. Posteriormente repar en la dependencia entre el
resultado obtenido en la optimizacin y el punto de partida, algo inherente a las caractersticas
de los mtodos de optimizacin. Sin embargo, explic que los algoritmos para la determinacin
de una buena posicin inicial es decir, que pudiera conducir a un buen ptimo (si no al
ptimo global) no estaban suficientemente desarrollados. En la mayora de los casos, la
tarea de eleccin del punto de partida exiga experiencia y una iteracin en el anlisis
preliminar de las restricciones en relacin con las propiedades fsicas del problema.
21
22
23
Los autores llamaron la atencin sobre la inutilidad prctica de mecanismos con una desproporcin mayor que la propuesta por
ellos, por problemas que ya se han comentado con anterioridad.
28
Captulo 2
mecanismos obtenidos de la primera. Para ello se utiliza el mismo tipo de generacin aleatoria,
pero la amplitud de los valores generados se va reduciendo paulatinamente en torno al mejor
mecanismo obtenido y, de esta forma, se converge hacia el ptimo.
Es de considerable importancia la reflexin de Garrett y Hall sobre la propensin de los
investigadores de este rea hacia el planteamiento de mtodos de resolucin con una
formulacin clsica. Citando textualmente, estos autores alegaron que en muchas situaciones,
la impresionante velocidad de los ordenadores no est siendo completamente utilizada debido
a la tendencia de los diseadores hacia mtodos de resolucin ms clsicos. Se est de
acuerdo en que, aunque en la actualidad esa tendencia ha cambiado mucho, continua siendo
necesario realizar un esfuerzo mayor por comprender las nuevas tecnologas y formular los
problemas de acuerdo con las nuevas posibilidades de resolucin.
Garrett y Hall tambin hicieron alusin al hecho de que los diseadores de mquinas y
mecanismos, en la prctica, estn sujetos a necesidades en constante cambio. Para poder
resolver sus problemas necesitan no solo mtodos para obtener mecanismos practicables, sino
que necesitan comprender todo el proceso para ser capaces de adaptarlo a las peculiaridades
de cada problema.
Nolle y Hunt (Nolle y Hunt, 1971) heredaron los trabajos anteriores y replantearon el
problema modificando la funcin objetivo. En su trabajo consideraron la descripcin de la curva
requerida mediante puntos de aproximacin pero formularon una funcin objetivo que no
24
solamente involucraba el error estructural sino tambin la relajacin necesaria de la ecuacin
de bucle del mecanismo para reproducir la curva requerida. El equilibrado de ambos trminos
fue llevado a cabo mediante la inclusin de sendos coeficientes de peso y se razon el
significado de estos coeficientes de acuerdo con el sentido fsico del problema. Finalmente,
para la determinacin del ptimo de la funcin objetivo, los autores derivaron la funcin objetivo
con respecto a las variables de diseo e igualaron el resultado a cero. De esta forma
transformaron el problema de optimizacin en un problema de resolucin de un sistema de
ecuaciones no lineales.
En su trabajo, Nolle y Hunt denunciaron el hecho de que, a pesar del aparentemente
gran inters en la sntesis de curvas del acoplador, eran muy pocos los trabajos importantes
relativos a la efectividad prctica de algunas de las tcnicas que se haban propuesto. Incluso
hoy en da se trabaja ms en la proposicin de nuevas tcnicas (o en la adaptacin de las
existentes a casos muy particulares) que en el estudio de las ya propuestas para consensuar
cuales son las mejores y potenciar su asentamiento en la comunidad de cientficos, incluyendo
su posterior transferencia a los ingenieros que tratan con problemas reales. En su reclamo,
Nolle y Hunt mencionaron la necesidad de estudios comparativos sobre la velocidad de
24
Antecedentes
29
Figura 2.2. Comparacin del planteamiento SPS con otros planteamientos anteriores
25
30
Captulo 2
evaluables por el diseador en base a otros criterios (tales como ngulo de transmisin, ratio
de deformacin del mecanismo, etc.).
A partir de este punto, a pesar del avance de las ciencia que soportan la sntesis de
mecanismos y, sobre todo, del notable incremento de la capacidad de clculo de los
ordenadores, no se produjo un avance paralelo en los mtodos de sntesis. Por el contrario, se
detecta la repeticin de las mismas tcnicas con sencillas variaciones.
Antecedentes
31
Un ejemplo de esto es el trabajo de Zhang et al. (Zhang et al., 1984), los cuales
desarrollaron una tcnica de sntesis aplicada al mecanismo de 5 barras con engranajes en la
que se propona la formacin de un atlas de curvas del acoplador para seleccionar el punto de
partida de la optimizacin Hrones y Nelson (Hrones y Nelson, 1951) ya haban constituido
una tcnicas similar elaborando un atlas de curvas para el mecanismo de 4 barras.
Posteriormente propusieron la utilizacin del algoritmo de Powell (Powell, 1964) para la
optimizacin del punto seleccionado. El razonamiento alegado para la utilizacin de un atlas de
curvas del acoplador tiene que ver con la imposibilidad de utilizar otros mtodos para encontrar
un buen punto de partida que conduzca al ptimo global. Segn Zhang et al., la principal
dificultad en la sntesis ptima de trayectoria es que la funcin objetivo posee generalmente
numerosos mnimos locales y cuando se intenta solucionar el problema de sntesis se llega a
un mnimo local en la inmensa mayora de los casos. El logro de un diseo mejor depende de
cuan bueno sea el diseo de partida. De acuerdo con ellos, incluso en tcnicas de bsqueda
aleatoria un buen punto de partida ayuda a la consecucin de un buen ptimo. Por ello,
proponen el uso de un atlas de curvas como la mejor opcin para obtener un punto de partida
que lleve a una solucin satisfactoria.
Por otro lado, Zhang et al. repararon en la complejidad superior de diseo del
mecanismo de 5 barras con engranajes (en comparacin con el mecanismo de 4 barras),
aunque esto ya haba sido notablemente estudiado por Freudenstein y Primorose
(Freudenstein y Primorose, 1963) y, posteriormente, por Hain (Hain, 1964).
Un trabajo notable es el realizado por Avils et al. (Avils et al., 1985), en el que se
realiz un intento importante de globalizacin del proceso de sntesis dimensional ptima. La
formulacin fue planteada con el objetivo de que el mtodo fuera lo ms generalista posible,
contemplando cualquier tipo de sntesis dimensional, cualquier tipo de mecanismo y
cualesquiera nmero y tipo de restricciones. Se consider una funcin objetivo igual a la suma
ponderada (mediante coeficientes) de los cuadrados de la diferencia entre las caractersticas
requeridas y las generadas. Pero los autores fueron ms all y propusieron una nica funcin
26
objetivo basada en el concepto de distancia vlida para los diferentes tipos de sntesis
dimensional y tambin para diferentes tipos de mecanismos.
Como se ha comentado, este trabajo aporta una solucin general al problema de
sntesis dimensional pero en una fase del proceso de diseo muy cercana al final. En efecto, en
algunos de los ejemplos mostrados en este trabajo, la optimizacin parte de un mecanismo que
El mecanismo es definido por n condiciones de distancia constante entre N puntos bsicos. La funcin objetivo fue formulada
considerando la suma de cuadrados de las diferencias entre distancias de los puntos bsicos y distancias del mecanismo
propuesto.
26
32
Captulo 2
est cerca de cumplir los requisitos impuestos. Sin embargo, llegar a este mecanismo no es
una tarea trivial, sino que puede llegar a ser ms compleja que el proceso de optimizacin final
que se sugiere. Consecuentemente, el trabajo propuesto, aunque es notable, solamente aporta
una solucin a una etapa muy pequea de todo el proceso de diseo.
Posteriormente, Angeles et al. (Angeles et al., 1988) propusieron un nuevo mtodo de
optimizacin del mecanismo de 4 barras sin considerar restricciones. Los autores replantearon
la ecuacin de bucle en trminos de las coordenadas de los pares, explicando que si se toma
las longitudes de las barras como variables de diseo, es necesario introducir restricciones de
desigualdad que incluyen dificultades computacionales y discontinuidades en la solucin.
En su planteamiento, tuvieron en consideracin el ngulo de entrada correspondiente a
cada punto de precisin, por lo que el problema fue tratado como un problema de sntesis con
27
prescripcin de tiempo .
Finalmente, solucionaron la optimizacin igualando a cero las derivadas parciales de la
funcin objetivo respecto de las variables de diseo. De esta forma obtuvieron un sistema de
ecuaciones no lineales que resolvieron por el mtodo Newton-Raphson, el cual fue
complementado con un mtodo de continuacin para acelerar su convergencia.
27
Antecedentes
33
obteniendo los valores de las incgnitas. El problema del mtodo de subdominio es que el
hecho de que la integral de dos curvas en un mismo intervalo sea cero no significa que ambas
28
curvas sean iguales, pudiendo el error estructural ser grande . Adems, la calidad de los
resultados obtenidos presenta una gran dependencia de la forma de la curva requerida.
Ms tarde se replante el problema de sntesis de trayectoria con un nuevo enfoque
29
basado en las coordenadas naturales de una curva. En su trabajo, Watanabe (Watanabe,
1992) demostr preocupacin por la posibilidad de encontrar el ptimo global dentro del
espacio de diseo. Por otro lado, estudi la evolucin de las coordenadas naturales de las
curvas planas a lo largo de su longitud y luego desarroll un procedimiento que permite
especificar la curva requerida mediante su curvatura en determinados puntos, cuya continuidad
es asegurada por medio de un mtodo de interpolacin polinmica. Detect las dificultades que
surgen en la comparacin de curvas y di solucin a los problemas de tamao, posicin y
orientacin de las curva comparadas. Incluso resolvi el problema de la dependencia entre los
puntos de aproximacin y el parmetro de la curva mediante la distribucin uniforme de los
puntos a lo largo de la longitud de la misma. Propuso dos alternativas diferentes para comparar
las curvas, sin embargo, la eleccin del indicador de la comparacin (mxima distancia entre
puntos de las curvas y mximo error perpendicular, respectivamente) es claramente deficiente
ya que no es representativo de la globalidad de la diferencia entre las curvas.
28
En realidad, lo nico que significa es que el rea bajo las curvas comparadas en el tramo considerado es la misma. Pero la
forma de las curvas puede ser diferente dentro de una infinidad de posibilidades sin que vare el rea por debajo de ella.
29
30
Basado en puntos de aproximacin y minimizacin de la distancia al cuadrado entre el conjunto de puntos requeridos y el
conjunto de puntos generados.
34
Captulo 2
31
32
Otros autores han promulgado afirmaciones similares con la intencin de llamar la atencin de la comunidad cientfica sobre
este aspecto e incentivar el estudio convergente de las tcnicas propuestas, aunque hasta la fecha no se ha conseguido
semejante objetivo. As, en 1993 Erdman (Erdman, 1993) afirm que no existe un nico mtodo de optimizacin que sea idneo
para resolver de forma eficiente todos los problemas de sntesis para generacin de trayectoria.
Antecedentes
35
33
33 Esta transformacin incluye, en si misma, un proceso de optimizacin, segn el cual partiendo del polgono de control
estimado, se optimiza la posicin de los puntos de dicho polgono para que la B-Spline asociada se parezca lo ms posible a la
curva inicial.
34 Introducidos a principios de la dcada de 1960 como un conjunto de nmeros que representan la forma de una curva cerrada.
Han sido utilizados con xito en el campo del reconocimiento de patrones (Zahn y Roskies, 1972). Su valor corresponde a las
primeras amplitudes armnicas de la serie de Fourier en la que se descompone la funcin ngulo de la recta tangente a la curva
(que depende del parmetro de la curva y es peridica).
36
Captulo 2
Como conclusin, desde que la sntesis de trayectoria fue abordada como un problema
de optimizacin se han propuesto diferentes alternativas para resolver el problema. Los
primeros mtodos eran rudimentarios y fueron formulados como una adaptacin de los
mtodos algebraicos para problemas en los que el nmero de puntos de precisin exigido
superaba el mximo realizable por el mecanismo. Posteriormente se formul el problema de
optimizacin con rigor matemtico, incluyendo restricciones. Algunos trabajos siguientes
supusieron variaciones de los primeros proponiendo diferentes funciones objetivo y diferentes
algoritmos de optimizacin. En muchos casos, los nuevos trabajos pusieron de manifiesto la
existencia de problemas que no tenan solucin, tales como la bsqueda del ptimo global
dentro del espacio de diseo. Con la aparicin de otros mtodos de optimizacin distintos de
aquellos basados en el gradiente se han podido ensayar nuevas estrategias con la intencin de
obtener resultados mejores dentro del espacio de diseo.
Asimismo, se detecta que la sntesis dimensional de mecanismos planos para
generacin de trayectoria no es una ciencia con unas bases asentadas y reconocidas, sino que
presenta una evolucin vacilante e incierta, en la que se han propuesto numerosos mtodos sin
apenas contrastacin de los resultados. Como consecuencia, todava en la actualidad esta
parte de la ingeniera mecnica no consta de una metodologa bien asentada y reconocida.
Discusin.
El proceso de diseo de mecanismos puede ser diferenciado en varias etapas que han
sido investigadas desigualmente. La primera etapa es la de deteccin de la necesidad, de la
cual se extraen los requisitos cuyo cumplimiento ser despus el objetivo de la sntesis.
Posteriormente y una vez conocidos los requisitos se ha de seleccionar el tipo de mecanismo
(sntesis de tipo) que se va a utilizar para el cumplimiento de los requisitos. La tercera etapa es
la sntesis dimensional y consiste en la obtencin de las dimensiones adecuadas del
mecanismo seleccionado para un ptimo cumplimiento o, en su caso, para un perfecto
cumplimiento de los requisitos.
La primera etapa es diferente en cada caso de diseo y ser siempre tarea del
diseador, siendo escasa la posible automatizacin del proceso. La etapa de sntesis de tipo
Antecedentes
37
35
38
Captulo 2
mecanismo de partida para mtodos de optimizacin, lo cual est vinculado con la obtencin
del ptimo global.
MTODOS BASADOS EN
PUNTOS DE PRECISIN
precisin).
S El nmero de puntos de precisin es limitado y depende del tipo
de mecanismo.
S Suelen aportar soluciones con problemas de interferencia o
defecto de circuito.
S El error estructural entre puntos de precisin puede ser
considerable.
S Requerir una precisin total no es til porque no se puede
Grficos
Algebraicos
MTODOS EMPRICOS
S
S
S
S
S
S
S
S
S
MTODOS DE OPTIMIZACIN
S
S
No iterativos (o directos)
S
S
Iterativos
S
S
S
OTROS
reproducir en la prctica.
Fueron los primeros en aparecer.
Son muy poco precisos.
En la actualidad no se utilizan salvo para propsitos docentes.
Solucionan el problema de precisin de los mtodos grficos.
Suelen derivar en expresiones matemticas complejas.
Consisten en el empleo de atlas de curvas del acoplador para la
seleccin de la curva adecuada de acuerdo con los requisitos.
Involucran numerosos intentos y son tediosos, a la vez que no
aseguran la obtencin del ptimo global.
La calidad del mecanismo sintetizado (de acuerdo con los
resquisitos es ms cuantitativa que cualitativa).
Debido a las limitaciones anteriores, estos mtodos se han
utilizado con frecuencia para buscar el punto de partida de un
posterior mtodo de optimizacin.
Persiguen obtener una solucin aproximada (ptima).
No necesitan una formulacin tan compleja como los mtodos
basados en puntos de precisin.
La solucin aportada es, casi siempre, un mnimo local.
Solamente proporcionan una solucin que puede no ser adecuada
de acuerdo con otras consideraciones posteriores.
En la mayora de los casos la solucin final suele ser funcin del
punto de partida. Aunque esta subordinacin depende del
algoritmo de optimizacin utilizado.
No es posible asegurar la consecucin del ptimo global.
Pueden aportar varias soluciones ordenndolas segn su calidad
de acuerdo con los requisitos.
Existen otros tipos de mtodos que no son clasificables dentro de
las categoras anteriores, aunque ninguno de ellos es concluyente.
Antecedentes
39
36
Cuyos valores son los que se pretende determinar y son modificados durante la optimizacin.
37 Dentro del cual se han de encontrar las variables de diseo ptimas. Es, por tanto, un espacio n-dimensional (siendo n es el
nmero de variables de diseo).
38
Que evala cada punto del espacio de diseo y cuantifica su calidad de acuerdo con los requisitos del problema.
39 Algoritmo matemtico que hace uso de la funcin objetivo para evaluar las variables de diseo y modifica sus valores hacia un
punto del espacio de diseo en el que la funcin objetivo sea mnima.
40 Que limitan las posibles soluciones dentro del espacio de diseo. Estas restricciones son de dos tipos: de desigualdad y de
igualdad.
40
Captulo 2
41 Esta no continuidad implica que si de unos datos de partida se obtiene una solucin determinada, de otros datos de partida
ligeramente diferentes no se obtendr necesariamente una solucin ligeramente diferente de la anterior, sino que se puede
obtener una solucin muy distante de la primera.
42
En el que las variables de diseo solo pueden tomar valores dentro de su intervalos correspondientes.
Antecedentes
41
Por otro lado, si se tiene en cuenta que mecanismos homotticos generan siempre
curvas homotticas, entonces se pueden disear funciones objetivo cuyos resultados no
dependen del tamao de las curvas comparadas. En tal caso los mecanismos se pueden
normalizar (dividiendo todas sus dimensiones por una de ellas, que sirve como norma) y, de
esta forma, se elimina una nueva dimensin del espacio de diseo (la que ha servido de
norma).
De la misma forma, otras mejoras de este tipo que proporcionen reducciones notables
del espacio de diseo pueden ser realizadas.
Sin embargo, pese a la sencillez del planteamiento y el enorme beneficio que implica la
reduccin del espacio de diseo, ste ha sido mayoritariamente ignorado y las tcnicas
descritas para la reduccin de sus dimensiones apenas han sido utilizadas en los mtodos
propuestos (tabla 2.2).
Por otro lado, es claro que las curvas generadas por un punto del acoplador de un
mecanismo desmodrmico son curvas paramtricas (dependientes de un nico parmetro). Si
se involucra el parmetro en el clculo realizado por la funcin objetivo, se estar aadiendo
una dimensin ms al espacio de diseo a la vez que se complica el problema al involucrar el
tiempo que transcurre entre los diferentes puntos de comparacin. Pero la forma global de la
curva generada no depende del parmetro, por lo que en una sntesis de trayectoria sin
prescripcin de tiempo no es necesario y s que complica notablemente el problema
considerar el parmetro dentro de la optimizacin. Pese a todo, en la tabla 2.2 se observa que
mayora de los mtodos propuestos han incluido el parmetro an cuando se realiza una
sntesis sin prescripcin de tiempo.
43 Aquellos que guardan una misma relacin de longitudes de barras homnimas, es decir, aquellos en los que uno se puede
obtener a partir del otro multiplicando las longitudes de todas sus barras por un mismo escalar.
42
Captulo 2
ngulo de
entrada es
involucrado en
la optimizacin.
Referencia
Roth y Freudenstein (1963)
Fox y Wilmert (1967)
Lewis y Gyory (1967)
Lewis y Falkenhagen (1968)
Toms (1968)
Nolle y Hunt (1971)
Kramer y Sandor (1975)
Bakthavachalam y Kimbrell (1975)
Bagci y Lee (1975)
Thompson (1975)
Zhang et al. (1984)
Avils et al. (1985)
Angeles et al. (1988)
Akali y Dittrich (1989)
Watanabe (1992)
Cossalter et al. (1992)
Krishnamurty (1992)
Vallejo et al. (1995)
Unruh y Krishnaswami (1995)
Ullah y Kota (1996)
Kunjur y Krishnamurty (1997)
*
No
Si
Si
Si
No
Si
N/A
Si
Si
N/A
Si
Si*
Si
No
No
Si
Si
Si
No
Si*
No
No
N/A
No
No
No
No
No
No
No
No
No
No
No
No
No
No
P,O,E
No
No
N/A
No
No
No
No
Si
No
No
No
P,O,E
No
No
P,O,E
No
No
No
Intencionadamente.
No aplicable.
Tabla 2.2. Estudio del espacio de diseo por parte de los mtodos propuestos.
Antecedentes
43
La funcin objetivo.
La funcin objetivo est definida de n en (siendo n el nmero de variables de
diseo, igual al nmero de dimensiones del espacio de diseo) y es utilizada para evaluar los
puntos del espacio de diseo. As, esta funcin califica cada punto de acuerdo con su calidad
para el cumplimiento de los requisitos de diseo. Suponiendo que la calificacin se realiza de
forma que el mejor punto en el cumplimiento de los requisitos obtiene un valor bajo, el mtodo
global de optimizacin persigue encontrar el mnimo de esta funcin dentro del espacio de
diseo. Pero esta funcin que constituye una hipersuperficie en n puede tener y en general
tendr varios mnimos, siendo uno de ellos o, en el caso de igualdad, varios el mnimo
global y siendo el resto mnimos locales.
44
44
45
44
Captulo 2
Antecedentes
45
tiene que ver con la eliminacin de las variables de diseo que no influyen en la forma de la
curva. Pero, aparte del beneficio obtenido con la reduccin del espacio de diseo, en la
46
comparacin de las curvas, es adecuado tener en cuenta exclusivamente su forma intrnseca ,
ya que el resto de variables geomtricas relacionadas con la posicin, orientacin y tamao, no
son descriptivas de la forma de la curva. Por lo tanto, esta consideracin resulta beneficiosa
tanto en lo relativo al espacio de diseo como en lo que respecta a la funcin objetivo. Sin
embargo, el diseo de funciones objetivo independientes de las variables de diseo que no
influyen en su forma intrnseca ha sido escasamente considerado en los trabajos estudiados de
la bibliografa (tabla 2.2).
Por otro lado, otro aspecto importante (con frecuencia olvidado) de la funcin objetivo
es su coste computacional. Sabiendo que el problema de optimizacin va a ser implementado
en y resuelto por un ordenador, es necesario plantear el problema de forma eficiente
desde el punto de vista computacional. Pinsese que en la resolucin de un problema de
optimizacin la funcin objetivo es llamada miles (e incluso millones) de veces por el algoritmo
de optimizacin en la evaluacin de puntos del espacio de diseo. Si se dispone de una funcin
objetivo computacionalmente costosa, no ser posible resolver, en un tiempo razonable,
problemas que exijan un gran nmero de evaluaciones. Por el contrario, si la funcin objetivo
es computacionalmente econmica, se podr ser ms ambicioso en la resolucin de problemas
y, en extremo, ser posible plantear mtodos de bsqueda exhaustiva con el fin de encontrar el
ptimo global.
46
Entendida como la esencia de la forma de la curva, sin tener en cuenta su posicin, orientacin o tamao.
46
Captulo 2
El algoritmo de optimizacin.
El algoritmo de optimizacin es la secuencia de operaciones que se han de realizar
para llegar a la posicin dentro del espacio de diseo en la que la funcin objetivo tiene un
valor mnimo (o mximo), es decir, al ptimo. La optimizacin es un problema matemtico de
programacin no lineal que viene siendo estudiado desde hace dcadas. En la actualidad
existen varias soluciones con numerosas variantes.
En general, encontrar el ptimo global en un espacio de diseo cuando la funcin
objetivo presenta varios mnimos locales es una tarea considerablemente complicada. Ninguno
de los algoritmos existentes asegura la consecucin del ptimo global. Sin embargo, algunas
estrategias de bsqueda presentan una mayor probabilidad de encontrarlo.
En muchos casos no se persigue encontrar el ptimo global, sino solamente encontrar
un ptimo razonable atendiendo a las consideraciones de diseo. Hay que hacer notar que lo
ideal es siempre encontrar el ptimo global (ya que, evidentemente, es la mejor opcin dentro
del espacio de diseo) sin embargo, el coste de la bsqueda puede ser muy elevado y, pese a
todo, no se asegura su obtencin. Por otro lado, en muchos problemas es suficiente con
encontrar un mnimo local adecuado. El planteamiento algortmico del problema depende de
qu opcin se desea de entre esas dos posibles.
En la actualidad, los algoritmos de optimizacin se pueden clasificar en tres categoras
generales atendiendo a la naturaleza de su funcionamiento.
En primer lugar los algoritmos de optimizacin basados en el gradiente parten de una
determinada posicin inicial y se dirigen pendiente abajo (segn el gradiente de la
hipersuperficie) en busca del ptimo. A su vez, estos algoritmos pueden ser subdivididos en
dos subgrupos: los que utilizan derivadas de la funcin objetivo y los que no utilizan dichas
derivadas. Los primeros presentan una convergencia ms rpida hacia el ptimo, pero existen
muchos casos en los que la expresin de las derivadas de la funcin objetivo respecto a cada
una de las variables de diseo no se conoce explcitamente. En tal caso puede ser estimada
47
mediante tcnicas de diferencias finitas (Press et al., 1991) o, en ltima instancia, pueden
utilizarse los segundos mtodos.
47 Estos mtodos numricos de estimacin de la derivada de una funcin tienen limitaciones de tipo computacional y, en muchos
casos, se tiene una mejor convergencia si se utilizan mtodos sin evaluacin de las derivadas.
Antecedentes
47
Hay que decir que los algoritmos basados en el gradiente son mtodos deterministas y
el ptimo al que conducen es funcin directa del punto de partida. Por lo tanto, la probabilidad
de encontrar el ptimo global es igual a la probabilidad de proporcionar un buen punto de
partida. Sin embargo, como se muestra en la tabla 2.3, estos mtodos han sido y son los ms
utilizados en la resolucin de problemas de sntesis ptima de mecanismos.
En segundo lugar figuran los algoritmos de optimizacin aleatorios. Estos mtodos
proponen como solucin puntos del espacio de diseo extrados aleatoriamente.
Posteriormente, tras la evaluacin mediante la funcin objetivo, son clasificados de acuerdo
con su valor asociado. Consecuentemente, cuantos ms puntos del espacio de diseo se
extraigan mayor probabilidad existir de encontrar el ptimo global. Algunos autores (Garrett y
Hall, 1968) han utilizado mtodos aleatorios con la intencin de obtener el ptimo global. Para
ello han ido reduciendo progresivamente el intervalo de extraccin aleatoria alrededor de los
puntos mejores de acuerdo con la funcin objetivo.
Finalmente, en tercer lugar, se encuentran los modernos mtodos evolutivos o
genticos (Kunjur y Krishnamurty, 1997). Estos mtodos estn basados en las teoras de
evolucin natural de una poblacin que se fundamentan en el concepto de mejora evolutiva. No
son mtodos deterministas y, por lo tanto, existe una probabilidad no nula de lograr el ptimo
global partiendo de cualquier poblacin de puntos.
48
Captulo 2
Antecedentes
49
Referencia
Roth y Freudenstein (1963)
Fox y Wilmert (1967)
Lewis y Gyory (1967)
Lewis y Falkenhagen (1968)
Toms (1968)
Garrett y Hall (1968)
Nolle y Hunt (1971)
Kramer y Sandor (1975)
Bakthavachalam y Kimbrell (1975)
Bagci y Lee (1975)
Thompson (1975)
Zhang et al. (1984)
Avils et al. (1985)
Angeles et al. (1988)
Akali y Dittrich (1989)
Watanabe (1992)
Cossalter et al. (1992)
Krishnamurty (1992)
Vallejo et al. (1995)
Unruh y Krishnaswami (1995)
Ullah y Kota (1996)
Kunjur y Krishnamurty (1997)
*
ALGORITMO DE OPTIMIZACIN
Mtodo de
Base del
Utilizacin
Inclusin de
optimizacin algoritmo de
de
algoritmos de
optimizacin derivadas bsqueda de puntos
de
de la funcin
de partida
refinamiento
objetivo
adecuados
(bsqueda gruesa).
Iterativo
Gradiente
Si
Si*
Iterativo
Gradiente
No
No
Iterativo
Gradiente
Si
No
Iterativo
Gradiente
Si
No
Iterativo
Gradiente
No
No
Iterativo
Aleatorio
No
Aleatorio
Iterativo
Gradiente
Si
No
Iterativo
Gradiente
No
No
Iterativo
Gradiente
No
No
Directo
No
No
N/A
N/A
N/A
N/A
N/A
Iterativo
Aleatorio
No
Atlas
Iterativo
Gradiente
Si
No
Iterativo
Gradiente
Si
No
Directo
No
No
N/A
Iterativo
Gradiente
No
Aleatorio
Iterativo
Gradiente
No
No
Iterativo
Gradiente
No
Aleatorio
Iterativo
Gradiente
Si
No
Iterativo
Heurstico
No
No
Iterativo
Gradiente
No
Hide y Seek
Iterativo
No
Gentico
N/A
50
Captulo 2
Las restricciones.
Las restricciones en el problema de optimizacin limitan las posibles soluciones
reduciendo el espacio de diseo durante la optimizacin. Los problemas de optimizacin con
restricciones son caractersticos del empleo de algoritmos de optimizacin basados en el
gradiente. Existen diversos mtodos de optimizacin restringida, siendo uno de los ms
empleados el algoritmo de Fiacco y McCormick (Fiacco y McCormick, 1963).
Por otra parte, hay dos tipos de restricciones aplicables a los problemas de
optimizacin: de igualdad y de desigualdad. Las primeras establecen relaciones que las
variables de diseo deben cumplir, no siendo aptos los puntos del espacio de diseo que no
cumplan esta relacin. Las segundas eliminan todos aquellos puntos del espacio de diseo que
no cumplan la desigualdad.
Con aplicacin al problema de sntesis dimensional ptima, se puede realizar una
sntesis considerando restricciones o sin considerar restricciones (tabla 2.4). En el caso de que
existan restricciones, estas pueden ser clasificadas de una forma generalista dentro de tres
tipos diferentes.
En primer lugar estn las restricciones de acotacin del espacio de diseo. Si se tiene
en cuenta que de un espacio de diseo n-dimensional no todos los valores de todas las
dimensiones son viables en la prctica, resulta necesario limitar estos valores mediante
ecuaciones de restriccin. Por ejemplo, en mecanismos, las longitudes de los eslabones no
pueden ser menores que cero ni tampoco es prctico que superen un cierto valor mximo. Por
lo tanto es posible acotar las dimensiones del espacio de diseo mediante ecuaciones de
restriccin.
En segundo lugar, se pueden incluir restricciones de funcionamiento con el fin de
asegurar que el funcionamiento de la solucin obtenida cumpla ciertas condiciones. En sntesis
dimensional, estas restricciones estn relacionadas con y/o limitan la relacin de longitudes de
las barras del mecanismo (para impedir que se obtengan mecanismos deformes), la rotabilidad
de ciertas barras, el ngulo de transmisin, etc.
Finalmente, se pueden incluir otras restricciones atendiendo a otro tipo de
consideraciones.
Antecedentes
51
Algunos de los trabajos existentes proponen el uso de restricciones, mientras que otros
no. En la tabla 2.4 se muestra un resumen de este uso en algunos de los trabajos estudiados y
en ella se observa una mayora de autores que proponen mtodos sin el uso de restricciones.
En general resulta patente (y es comnmente aceptado) que el uso de restricciones perjudica
sensiblemente el proceso de optimizacin e incrementa su coste computacional.
Como se ha mencionado, la acotacin del espacio de diseo es necesaria debido a la
imposibilidad prctica de fabricar mecanismos de cualquier tamao. Adems, tampoco resultan
tiles aquellos mecanismos con una gran desproporcin entre sus barras. Sin embargo, es muy
probable que la funcin objetivo en los problemas de sntesis ptima de trayectoria sea una
48
hipersuperficie con varios mnimos locales dentro del hiperespacio acotado en el que se
encuentran las dimensiones tiles del mecanismo. Si as fuera, esto supondra que aunque no
se utilizaran restricciones partiendo de un punto dentro de ese hiperespacio acotado sera
poco probable que un algoritmo de optimizacin basado en el gradiente condujera a un ptimo
fuera del mismo. Pero aunque as fuera, sera posible descartar la solucin posteriormente y
continuar con el proceso de optimizacin en base a otro punto. En tal caso, sera innecesario la
inclusin de este tipo de restricciones a la vez que su eliminacin favorecera el proceso global
de optimizacin.
En cuanto a las restricciones de funcionamiento, resulta evidente que su utilizacin en
el problema de optimizacin redundar en la obtencin de soluciones no solamente ptimas
desde el punto de vista de la funcin objetivo sino tambin vlidas atendiendo a otros criterios.
Una alternativa es la optimizacin no restringida de varios puntos del espacio de diseo, la cual
aportar diferentes mnimos locales. Posteriormente se puede realizar un filtrado de los
mnimos mediante la aplicacin de las restricciones. Con ello se gana en sencillez del
planteamiento y en rapidez de resolucin, pero muy probablemente la solucin que se obtenga
48
52
Captulo 2
sea menos ptima que la que pudiera obtenerse contemplando las restricciones en la
optimizacin.
Referencia
Roth y Freudenstein (1963)
Fox y Wilmert (1967)
Lewis y Gyory (1967)
Lewis y Falkenhagen (1968)
Toms (1968)
Garrett y Hall (1968)
Nolle y Hunt (1971)
Kramer y Sandor (1975)
Bakthavachalam y Kimbrell (1975)
Bagci y Lee (1975)
Thompson (1975)
Zhang et al. (1984)
Avils et al. (1985)
Angeles et al. (1988)
Akali y Dittrich (1989)
Watanabe (1992)
Cossalter et al. (1992)
Krishnamurty (1992)
Vallejo et al. (1995)
Unruh y Krishnaswami (1995)
Ullah y Kota (1996)
Kunjur y Krishnamurty (1997)
RESTRICCIONES
Optimizacin Inclusin de Inclusin de Inclusin de otras
restricciones
con
restricciones restricciones
restricciones de acotacin de funcionadel espacio de miento
diseo
No
No
No
No
Si
Si
Si
No
No
No
No
No
No
No
No
No
Si
Si
Si
No
No
No
No
No
No
No
No
No
Si
No
No
Si
Si
No
Si
Si
No
No
No
No
N/A
N/A
N/A
N/A
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
N/A
N/A
N/A
N/A
No
No
No
No
No
No
No
No
Si
Si
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No aplicable.
Tabla 2.4. Estudio del uso de restricciones por parte de los mtodos propuestos.
Antecedentes
53
Con esto Fox y Willmert consiguen una atractiva formulacin clsica del problema pero
ste queda perjudicado para su optimizacin no obtenindose con ello ningn beneficio. En
efecto, se ha aumentado considerablemente el espacio de diseo (aadiendo varias
dimensiones), lo que dificulta enormemente la bsqueda del ptimo. Por otro lado, resulta
sencillo (y el resto de los autores as lo han hecho) involucrar las ecuaciones de bucle del
mecanismo en la funcin objetivo en lugar de agregarlas como ecuaciones de restriccin de
igualdad.
Consecuentemente, del mtodo de optimizacin se pueden obtener mejores resultados
y en mucho menos tiempo si se separa el anlisis de la sntesis de mecanismos que si se
intenta resolver el problema conjunto.
54
Captulo 2
Conclusiones.
Como se ha visto, la sntesis dimensional de mecanismos como parte de la Ingeniera
Mecnica est an hoy relativamente poco desarrollada. A raz de los trabajos publicados se
observa una evolucin vacilante e incierta en ocasiones divergente en el progreso de esta
materia. Una prueba de ello es la continua aparicin de mtodos con aplicacin muy especfica.
Se han detectado una falta de progreso en el planteamiento del problema. En efecto,
existe una tendencia fuertemente arraigada hacia la proposicin de planteamientos con una
formulacin clsica (Garrett y Hall, 1968). En este sentido, se observa una escasa inclinacin a
tener en cuenta en el planteamiento las herramientas de clculo (ordenadores digitales y
herramientas informticas) que posteriormente sern utilizadas para la resolucin de los
problemas. As, en pocas ocasiones se ha buscado la simplificacin del problema para su
implementacin en programas informticos. Tampoco se ha dado importancia al coste
computacional de las operaciones realizadas, con el fin de minimizar el proceso de clculo. En
definitiva, se detecta una falta de formulacin vanguardista orientada a la resolucin de los
problemas de sntesis dimensional aproximada con herramientas informticas de clculo. Este
necesario replanteamiento obliga a cambiar el esquema de importancia relativa de los
diferentes aspectos relacionados con el proceso de elaboracin de nuevos mtodos de
sntesis.
Aparte de la escasa orientacin del problema hacia el clculo, se observa tambin una
tendencia hacia el planteamiento generalista de sntesis de trayectoria sin distincin entre
trayectorias abiertas y cerradas. Sin embargo, ambos problemas demuestran ser muy
diferentes (vanse los captulos 3 y 4) y puede obtenerse un gran beneficio (que repercute en
los tiempos de resolucin del problema de optimizacin y en la calidad de las soluciones
obtenidas) al realizar planteamientos diferentes para cada uno de los dos casos. Para ello es
posible estudiar las diferencias entre ambos problemas y la aportacin de soluciones
especficas que se adapten a las particularidades de cada uno.
Antecedentes
55
Por otro lado, los diferentes componentes del problema de optimizacin han sido
estudiados y mejorados de forma desigual por los investigadores.
Escasos o nulos son los estudios del espacio de diseo con el fin de reducir su tamao.
La bsqueda de relaciones entre las curvas generadas por diferentes puntos del mismo; la
deteccin de repeticiones de puntos y la eliminacin de dimensiones superfluas puede permitir
una reduccin considerable del espacio de diseo. Incluso es posible establecer ciertos
requisitos para la elaboracin de funciones objetivo que potencien la reduccin mencionada.
56
Captulo 2
Con todo, puede conseguirse minimizar el espacio de puntos de diseo y lograr una mejora
sustancial del proceso de optimizacin. Sin embargo, este proceso ha sido ignorado en la
mayora de los mtodos propuestos hasta el momento.
Tampoco existen estudios de las funciones objetivo orientados a establecer las
caractersticas recomendables de stas que facilitan la consecucin del ptimo. Estudios de la
variacin del valor de la funcin objetivo a medida que las variables de diseo se separan de
sus valores ideales (estudio de evolucin de la funcin objetivo ante deformacin progresiva del
mecanismo) son fundamentales cuando el fin ltimo es la optimizacin. As, es factible la
49
proposicin de funciones objetivo cuya evolucin no corresponda a la realidad , obteniendo un
resultado falso al aplicar un algoritmo de optimizacin. Por ello, se considera de especial
importancia verificar la progresividad de la funcin objetivo propuesta mediante ensayos
especficos.
Asimismo, en el caso de sntesis de trayectoria, se detecta una falta de diseo de
funciones objetivo considerando la comparacin de la forma intrnseca de las trayectorias
(generada y requerida), con independencia de factores externos a la misma (como son su
posicin, orientacin, escala, simetra, etc.). En efecto, una misma curva definida por sus
ecuaciones matemticas puede, mediante transformaciones geomtricas, convertirse en
otra. Pero las caractersticas del problema de sntesis y su objetivo permiten que, si una curva
generada por un mecanismo cumple los requisitos de trayectoria en el problema de sntesis
independientemente de su posicin, orientacin, tamao y simetra, resulta sencillo (y
automatizable), mediante transformaciones geomtricas, obtener el mecanismo que cumplir
los requisitos teniendo en cuenta esos factores geomtricos. Pese a que este razonamiento es
evidente, los mtodos de solucin siguen plantendose en ocasiones con funciones objetivo
que juzgan la diferencia de las curvas no nicamente comparando sus formas intrnsecas.
49 La funcin objetivo depende, en este caso, de las dimensiones del mecanismo. En generacin de trayectoria, si se parte de
unas dimensiones en las cuales el cumplimiento de los requisitos de sntesis es mximo y se cambian sus valores, el valor de la
funcin objetivo debe incrementarse debido a que las caractersticas generadas se separan de las caractersticas requeridas. Es
posible proponer una funcin objetivo cuya evolucin no se corresponda con la diferencia real entre caractersticas generadas y
requeridas. Incluso que a medida que la diferencia real entre caractersticas generdas y requeridas aumente, la funcin objetivo
disminuya. En tal caso la optimizacin de la funcin objetivo no se corresponder con la optimizacin de las caractersticas
generadas hacia las requeridas.
&DStWXOR
&RPSDUDFLyQGHFXUYDVSODQDVFHUUDGDV
3.1. Introduccin.
Cuando se desea realizar una sntesis dimensional de un mecanismo plano con un
nico grado de libertad para generar una trayectoria continua es decir, cuando se pretenden
calcular las dimensiones del mecanismo y la posicin de un punto perteneciente a uno de los
eslabones tal que el punto genere una determinada trayectoria, movindose el mecanismo a lo
largo de un ciclo cinemtico no existe una solucin exacta en la inmensa mayora de los
casos. Esto es debido a que, en el caso ms desfavorable, ser necesario imponer infinitas
condiciones al mecanismo para trazar la curva requerida. Como el nmero de condiciones que
ste puede contemplar de forma exacta nunca es superior a su nmero de variables de diseo,
el mecanismo debera tener infinitas variables de diseo para poder reproducir de forma exacta
cualquier curva requerida.
Consecuentemente, si para generar la trayectoria se utiliza un mecanismo que posea
un nmero finito de variables de diseo, ste no ser capaz de trazar cualquier trayectoria an
cuando este punto podr trazar infinitas trayectorias al ser modificadas las variables de diseo.
De todo lo anterior se deduce que la sntesis dimensional de mecanismos para
generacin de trayectorias cerradas es un problema para el que no tiene sentido intentar
conseguir una solucin exacta. Por contra, si se desea obtener una solucin, interesa encontrar
la mejor posible, convirtindose el problema en un problema de optimizacin que puede
llamarse sntesis dimensional aproximada de mecanismos planos para generacin de
trayectorias. Una vez encontrada la solucin ptima, si sta es suficientemente buena se podr
utilizar el mecanismo para reproducir la trayectoria requerida de una forma aproximada y si no
lo es, esto ser un indicio de que el tipo de mecanismo seleccionado no es apto para la
generacin de la trayectoria requerida.
Para que el problema de optimizacin est permanentemente definido, ser necesario
especificar el espacio de diseo (dentro del cual se buscar el ptimo), el mtodo de
optimizacin (que se encargar de buscar el ptimo evaluando puntos del espacio de diseo),
58
Captulo 3
la funcin objetivo (que evala los puntos del espacio de diseo) y, si fuera necesario, las
restricciones del problema (que impondrn limitaciones a la solucin aportada). El objetivo de
este captulo es el estudio de la funcin objetivo del problema mediante el anlisis de diferentes
alternativas existentes y otras nuevas propuestas.
Teniendo en cuenta que la optimizacin se llevar a cabo para obtener el mecanismo
capaz de reproducir una trayectoria plana y cerrada lo ms parecida posible a la trayectoria que
se requiere (curva requerida), la funcin objetivo destinada a este problema ha de ser capaz de
comparar curvas planas cerradas, cuantificando la similitud o diferencia entre stas. El mtodo
de optimizacin utilizar esta funcin objetivo para evaluar puntos del espacio de diseo (cada
uno de los cuales lleva asociado una curva propuesta) y, en base al resultado, ser capaz de
converger hacia el ptimo.
59
primera y segunda de las coordenadas con respecto al parmetro tambin tendrn que ser las
mismas en tales puntos de la curva.
En las curvas generadas por los mecanismos, el parmetro corresponde a la
coordenada generalizada independiente y el intervalo dentro del cual vara dicho parmetro
corresponder al rango de variacin de la coordenada generalizada. Por ejemplo, en un
mecanismo de cuatro barras de tipo manivela-balancn, la manivela (eslabn de entrada)
realiza giros completos y el ngulo de esta barra con el eje X de un sistema de referencia ser
la coordenada generalizada independiente. A medida que se dan valores a este ngulo
dentro del intervalo [0, 2[ se obtendrn los diferentes puntos de la curva, siendo el parmetro
de la curva generada. La inmensa mayora de las trayectorias generadas por mecanismos de
barras son curvas derivables hasta el segundo orden o ms. En efecto, las ocasiones en las
que la trayectoria generada tiene cspides (no existiendo la derivada de la curva en ese punto)
son muy escasas. Debido a esto, este captulo se centra en el estudio de mtodos de
50
comparacin de curvas
cerradas derivables hasta el segundo orden, considerando
excepciones las trayectorias que no cumplen este requisito.
50 Procedimiento para cuantificar mediante uno o ms parmetros objetivos, calculados matemticamente, la semejanza entre
dos curvas
60
Captulo 3
Por otro lado, existen ciertos requisitos que, por lgica, se deben imponer a todo MCC,
tales como que el mtodo debe ser sensible a la diferencia entre las curvas, indicando que
ambas curvas son menos parecidas a medida que aumente su diferencia real e indicando que
su diferencia es nula cuando las curvas sean realmente iguales.
61
Teniendo todo lo anterior en cuenta, los requisitos recomendables de todo MCC con el
fin de ser utilizado en sntesis de mecanismos se enuncian a continuacin:
a)
b)
c)
d)
e)
f)
g)
Requisito de independencia de simetras. Por otro lado, el MCC debe ser independiente
de posibles simetras de las curvas, indicando la misma diferencia al comparar dos
curvas que al comparar una de ellas con la simtrica de la otra, cualesquiera que sean
las curvas.
h)
62
Captulo 3
51 En adelante se llamar de esta manera al valor numrico devuelto por los mtodos de comparacin de curvas, el cual
cuantifica la diferencia o similitud entre las curvas comparadas.
52 Entendiendo por forma intrnseca la geometra de la curva independiente de su tamao, posicin, orientacin y, en su caso,
de su representacin desde el punto de vista de la simetra.
63
tamao, la posicin y orientacin de las curvas. Asimismo existen otros factores de los que
pueden depender las propiedades de las curvas que no afectan ni a la representacin ni a la
forma intrnseca de la curva como, por ejemplo, la evolucin del parmetro dentro de la curva
paramtrica, que se estudiar en detalle ms adelante. En el estudio de las propiedades se ha
hecho hincapi en analizar estas dependencias con el fin de evaluar cuales de estas
propiedades son ms independientes de estos factores y, por tanto, son ms representativas
de la forma intrnseca de la curva.
Una curva paramtrica plana cerrada viene expresada en forma cartesiana por las
ecuaciones paramtricas de sus coordenadas:
P (t ) = ( x (t ), y (t ))
t [t ini , t fin [
(3.1)
A medida que el parmetro t toma valores dentro de los infinitos que existen en el intervalo [tini,
tfin[, las expresiones x(t), y(t) proporcionan las coordenadas de los infinitos puntos que forman la
curva.
Suponiendo que la curva est referenciada en un sistema de ejes cartesianos X-Y, para
un cierto valor del parmetro t de la curva, sta posee, entre otras, las siguientes
caractersticas puntuales:
a)
b)
El ngulo que la recta tangente a la curva en ese punto forma con el eje X. Depende de
la orientacin de la curva y es independiente de la posicin y escala de la misma. Se
puede calcular de acuerdo con la expresin:
(t ) = arctg
y (t )
dt
d
x (t )
dt
(3.2)
Como se aprecia, este ngulo est relacionado con las derivadas primeras de las
ecuaciones paramtricas x(t), y(t) con respecto al parmetro t, por lo tanto su clculo
solamente es posible en aquellos puntos en los que la curva es derivable (es decir,
carece de cspides).
c)
64
Captulo 3
(t ) =
(t )
2
2
dx (t ) + dy (t )
dt
dt
d 2 x (t ) dy (t ) dx (t ) d 2 y (t )
dt 2
dt
dt
dt 2
(3.3)
La curvatura est, por tanto, relacionada con las derivadas primera y segunda de las
ecuaciones paramtricas x(t), y(t) que definen la curva con respecto al parmetro t. Si la
2
funcin no es de clase C , no se puede asegurar el clculo de la curvatura en todos los
puntos de la curva.
d)
s (t ) =
t ini
dx (t )
+ dy (t ) dt
dt
dt
(3.4)
65
x1 (t ) = cos(t ) cos(sen(t ))
y1 (t ) = cos(t ) sen(sen(t ))
(3.5)
Parametrizacin 2:
x 2 (t ) = cos( cos(
2 ) + ) cos(sen(
cos(
2 ) + ))
y 2 (t ) = cos( cos(
2 ) + ) sen(sen(
cos(
2 ) + ))
(3.6)
Parametrizacin 1
0.6
Parametrizacin 2
0.4
y(t)
0.2
0.0
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
-0.2
-0.4
-0.6
x(t)
Figura 3.2. Diferentes parametrizaciones de una misma curva.
66
Captulo 3
La longitud de arco s depende del tamao (escala) de la curva, por lo que todas las
representaciones con respecto a s dependern de dicha escala. Se puede evitar esto
(posibilitando la comparacin de dos representaciones grficas de propiedades
correspondientes a dos curvas independientemente del tamao de las mismas) si se normaliza
la longitud de arco de la curva s para que vare dentro del intervalo [0,1[. Esta normalizacin se
puede conseguir representando con respecto a s/L (siendo L el valor de s al final de la curva, es
decir, la longitud total de la curva) en lugar de hacerlo con respecto a s.
De esta forma se pueden obtener las siguientes representaciones grficas que
caracterizan de forma inequvoca la curva:
a)
x(s) vs. s/L e y(s) vs. s/L: Representan la variacin de las coordenadas x e y con respecto
a la longitud del arco de curva normalizado. Dependen de la posicin, orientacin y
escala de la curva, pero es independiente de la evolucin del parmetro dentro de la
curva.
b)
(s) vs. s/L: Representa la variacin del ngulo de la tangente (con el eje X) con respecto
a la longitud de arco de curva normalizado. Depende de la orientacin de la curva, pero
es independiente de la posicin y escala de la misma as como de la evolucin del
parmetro.
c)
(s) vs. s/L (s) vs. s/L: Representa la variacin de la curvatura (o de su inverso, el
radio de curvatura ) con respecto a la longitud de arco de curva normalizado. Esta
grfica depende de la escala de la curva, siendo independiente de la posicin,
orientacin y evolucin del parmetro dentro de la misma.
67
1.00
x(t)
0.75
y(t)
0.50
0.25
0.00
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.8
0.9
1.0
-0.25
-0.50
-0.75
-1.00
s/L
Figura 3.3. Representacin de x e y vs. s/L.
240
180
(grados)
120
60
0
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
-60
s/L
Figura 3.4. Representacin del ngulo de la tangente a la curva vs. s/L.
68
Captulo 3
3.0
2.5
2.0
1.5
1.0
0.5
0.0
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
s/L
Figura 3.5. Representacin de la curvatura de la curva vs. s/L.
Hay que tener en cuenta que las tres grficas anteriores (que describen la curva) no
son independientes unas de otras sino que estn relacionadas de acuerdo con las ecuaciones
(3.2) y (3.3) esto es, a partir de una de ellas se pueden obtener las dems. Adems, debido a
que no todas ellas dependen igualmente de los factores puramente representativos de la curva
(posicin, orientacin y escala), unas sern mejores que otras para ser incluidas en el MCC
cuando lo que se desea es, precisamente, no tener en cuenta estos factores.
En la tabla 3.1 se muestra un cuadro resumen de la dependencia de cada una de las
grficas anteriores con respecto los factores que no reflejan la forma de la curva.
Posicin
S
No
No
Orientacin
S
S
No
Escala
S
No
S
Tabla 3.1. Dependencia de las grficas con respecto a posicin, orientacin y escala.
Existen otras caractersticas globales de una curva cerrada como son la longitud de la
misma L o el rea que encierran A, sin embargo, estas caractersticas no son tiles para
69
comparar diferentes curvas debido a que dos curvas pueden ser muy diferentes teniendo la
misma longitud y, por otro lado, encerrando la misma rea. Este aspecto es abordado con
mayor profundidad en 3.4.
53
Ntese que en la realidad las dos posibilidades sern discretas ya que los mtodos integrales se resuelven numricamente
discretizando el dominio de integracin. Sin embargo, se realiza esta diferenciacin entre ambas posibilidades para indicar que
los mtodos aqu considerados discretos utilizan un nmero no solo finito sino pequeo de puntos para comparar las curvas;
mientras que los mtodos integrales, si bien utilizan tambin un nmero finito de puntos, este nmero es elevado y, en cualquier
caso, muy superior al de los primeros.
70
Captulo 3
(calculadas mediante un mtodo integral) encerradas por las curvas comparadas como
parmetro para evaluar las diferencias entre ambas curvas, el resultado no ser representativo
de sus diferencias morfolgicas ya que existen infinitas curvas planas cerradas diferentes que
encierran el mismo rea.
En el proceso de discretizacin de la comparacin de curvas (pasando de considerar
infinitos puntos de comparacin a un nmero finito (discreto) de puntos de comparacin)
aparece un nuevo requisito que no es aplicable a los mtodos de comparacin continua ni a los
mtodos integrales: El mtodo de comparacin discreta de curvas ideal debe ser
independiente del nmero de puntos empleado en la comparacin y, por tanto, su valor ser
igual al obtenido considerando infinitos puntos (mtodo de comparacin continua). En la
prctica, no ser posible encontrar mtodos de comparacin discreta ideales segn este
requisito y la comparacin de curvas no ser independiente del nmero de puntos considerado
en tal comparacin (no siendo un requisito exigible). Sin embargo, a medida que el nmero de
puntos considerado en la comparacin crezca, el mtodo deber tender a comportarse de la
misma forma en que lo hara el mtodo ideal (de comparacin continua) y, por lo tanto, el error
de comparacin devuelto por el primero deber tender al valor ideal obtenido al considerar
infinitos puntos cuando el nmero de puntos considerado crece. Este nuevo requisito realista,
derivado del anterior, puede expresarse de la siguiente forma: El error de comparacin
calculado por el mtodo discreto de comparacin de curvas debe tender a un cierto valor
numrico cuando el nmero de puntos considerado crece, lo que equivale a decir que cuando
se representa el error de comparacin frente al nmero de puntos considerado en la
comparacin, la grfica debe tener una asntota horizontal (de valor igual al devuelto por el
mtodo de comparacin continua), aproximndose tanto ms a ella cuanto mayor es el nmero
de puntos considerado.
Existe la posibilidad de que un mtodo discreto no tienda asintticamente a un
determinado valor cuando el nmero de puntos considerado crezca, sino que muestre otro tipo
de tendencia. En tal caso, puede evaluarse la calidad del mtodo teniendo en cuenta las
oscilaciones que su resultado presenta en torno a la lnea de tendencia cuando el nmero de
puntos considerado crece. Si el mtodo sufre grandes oscilaciones al variar el nmero de
puntos, no ser un mtodo estable y la comparacin depender en gran medida del nmero de
puntos considerado. Si, por el contrario, el resultado sigue una determinada tendencia sin
oscilaciones, ser mucho ms estable y mejor para ser utilizado como comparador de curvas.
Por otro lado, cuando el nmero de puntos decrezca el MCC arrojar resultados que
tendern a no parecerse al error de comparacin ideal. Para cada mtodo puede haber un
umbral en el nmero de puntos considerado por encima del cual el error de comparacin
devuelto por el mtodo sea suficientemente estable (es decir, sin oscilaciones) cuando se
comparan curvas dentro de las pertenecientes a una determinada familia (por ejemplo, la
familia de los tipos de curvas diferentes que puede generar un mecanismo determinado). Es
71
posible estimar este valor umbral de estabilidad para cada familia de curvas por medio de las
pruebas pertinentes.
El umbral de estabilidad est asociado a (y, por tanto, depende de) un MCC, a una
determinada familia de curvas sobre la que se aplica el mtodo y a un determinado nivel de
confianza (que representa el margen de error permitido entre el valor obtenido por el mtodo y
el valor real de la comparacin). El hecho de que un MCC tenga un umbral de puntos bajo
supone que el mtodo necesita pocos puntos para estimar de forma estable (en el sentido de
independiente del nmero de puntos) la similitud o diferencia entre dos curvas de la familia de
curvas considerada. Consecuentemente, cuanto menor sea el umbral de puntos, el mtodo
antes alcanzar la estabilidad necesaria para comparar las curvas de forma independiente del
nmero de puntos considerado. Es posible, por tanto, utilizar este umbral de puntos para
comparar la estabilidad (o calidad) de los diferentes mtodos, probndolos sobre una
determinada familia de curvas y observando la evolucin del error de comparacin devuelto a
medida que el nmero de puntos considerado aumenta.
72
Captulo 3
54
r p
i
i+m
(3.7)
i =0
73
Una vez encontrado el valor de m que indica el emparejamiento ideal entre puntos homlogos,
se pueden numerar de nuevo los puntos de la curva propuesta de forma que el primer punto de
la curva requerida tenga como homlogo el primer punto de la curva propuesta. En adelante se
considera que se ha efectuado esta renumeracin y as, que el punto i-simo de la curva
propuesta es homlogo del punto i-simo de la curva requerida.
(3.8)
(xr xp ) + (yr yp )
n 1
* 2
i
* 2
i
(3.9)
i =0
[(xr (x
n 1
i =0
(3.10)
Se trata, pues, de minimizar el valor de S variando los valores de x0, y0 y con el fin de
lograr que la suma de distancias entre puntos homlogos al cuadrado sea mnima y, por tanto
que las dos curvas se superpongan con la mayor coincidencia posible. Igualando a cero las
derivadas parciales de la ecuacin (3.10) con respecto a estas tres variables se llega a un
sistema de tres ecuaciones no lineales con estos tres valores como incgnitas. El sistema est
Si se seleccionan n puntos de una curva R, llamndolos R0 hasta Rn-1, y en la otra curva P se obtienen otros n puntos,
llamndolos P0, P1, ..., Pn-1; se dice que el punto P0 en la segunda curva es homlogo del punto R0 de la primera curva, y lo
mismo ocurre con los puntos P1 y R1, P2 y R2, etc.
54
74
Captulo 3
lo suficientemente desacoplado (en realidad slo una de las tres ecuaciones es no lineal) y se
puede resolver de forma explcita obteniendo que la funcin S (expresada en (3.10)) es mnima
cuando:
p p p p +p p
1 4
6
8
= arctan 2 3
p p +p p p p
2 4
5
7
1 3
x 0 = p1 p 3 cos + p 4 sen
y 0 = p 2 p 3 sen p 4 cos
(3.11)
siendo,
p1 =
n 1
xri
p2 =
n
xri xpi
i =0
p5 =
i =0
n 1
p6 =
n 1
yri
p3 =
i =0
n 1
n
xri ypi
i =0
p7 =
n 1
ypi
p4 =
i =0
n 1
n
yri ypi
i =0
p8 =
n 1
ypi
i =0
n 1
n
xri xpi
i =0
(3.12)
Con el fin de poder realiza un primer anlisis de este mtodo en lo que a cumplimiento
de los requisitos (expuestos en 3.2) se refiere, se realiza una evaluacin del mismo tal como
sus autores lo expusieron (vase resumen en tabla 3.2).
El mtodo cumple la mayora de requisitos. Sin embargo, el algoritmo LSOP, tal como
est planteado, no es independiente de las simetras pues los puntos obtenidos de dos curvas
iguales pero simtricas estarn dispuestos de maneras muy diferentes que, al ser
superpuestos mediante reposicin y reorientacin, arrojan un error de comparacin distinto de
cero.
Por otro lado, el paso tercero (identificacin de puntos homlogos) pretende
independizar los polgonos obtenidos del origen de la parametrizacin de las curvas (buscando
qu punto de los obtenidos en la curva propuesta es el homlogo del primer punto obtenido en
la curva requerida). Sin embargo el proceso realiza equivalencias entre puntos de forma
discreta, por lo que solo se conseguir una independencia aproximada, incrementndose esta
independencia a medida que se afina la discretizacin, esto es, a medida que se incrementa el
nmero de puntos considerados.
75
Requisito
Identificacin
Progresividad
Conmutabilidad
Independencia de posicin
Independencia de orientacin
Independencia de tamao
Independencia de simetras
Indep. de origen
Independencia
Indep. de evolucin
de
parametrizacin
Indep. de sentido de avance
Mtodo LSOP
Cumple
Comprobar
Comprobar
Cumple
Cumple
Cumple
No cumple
No cumple
Cumple
No cumple
Por su parte, este mtodo propuesto por Watanabe no tiene en cuenta en ningn
momento que la parametrizacin de la curva puede ir en un sentido o en el otro, calculando
errores de comparacin diferentes en ambos casos.
En ltimo lugar, la progresividad del mtodo cuando es utilizado para comparar curvas
propuestas que se van pareciendo progresivamente menos a la curva requerida no puede
asegurarse ni desmentirse a priori. Es necesario realizar ensayos para comprobar el
comportamiento del mtodo frente a cambios progresivos de las curvas.
76
Captulo 3
(3.13)
n 1
i =0
2 =
pi
*
i
*
i
(3.14)
i =0
la cual tendr que ser minimizada variando xo, yo y para que las dos curvas estn
superpuestas lo ms perfectamente posible segn este criterio. Como en el mtodo anterior,
tomando derivadas parciales de la expresin anterior se llega a un sistema de tres ecuaciones
(una de ellas no lineal) con tres incgnitas. En este caso el sistema no se puede resolver de
forma explcita, pero despejando xo e yo de las dos ecuaciones lineales y sustituyendo en la
tercera, el sistema se queda en una nica ecuacin no lineal que puede ser resuelta
eficientemente utilizando un mtodo numrico para obtener el valor de .
55
Distancia entre un punto seleccionado de la curva propuesta y la recta tangente a la curva requerida en el punto homlogo.
77
Figura 3.6. Distancia perpendicular entre dos puntos de dos curvas planas.
Requisito
Identificacin
Progresividad
Conmutabilidad
Independencia de posicin
Independencia de orientacin
Independencia de tamao
Independencia de simetras
Indep. de origen
Independencia
de
Indep. de evolucin
parametrizacin
Indep. de sentido de avance
Mtodo MPE
Cumple
Comprobar
Comprobar
Cumple
Cumple
Cumple
No cumple
No cumple
Cumple
No cumple
78
Captulo 3
Este mtodo, muy similar al mtodo anterior (LSOP), tiene una misma evaluacin del
cumplimiento de los requisitos expuestos en 3.2 que aquel ya que solamente se diferencia en
la forma de superponer las curvas comparadas y en la estimacin del error. No se puede
asegurar a priori que el mtodo cumple el requisito de conmutabilidad, ya que la suma de
distancias de cada uno de los puntos de la curva propuesta a la tangente en el punto homlogo
de la curva requerida no ser, en general, la misma si se invierten los papeles de las curvas.
Esto deber ser comprobado con los ensayos oportunos. De esta forma, el resumen de
cumplimiento de requisitos aplicable a este mtodo se muestra en la tabla 3.3.
79
Primero. Obtencin del polgono de control asociado a cada una de las curvas.
Teniendo en cuenta la formulacin de definicin de curvas B-Splines cerradas que
puede encontrarse en B.2, el procedimiento para obtener el polgono de control asociado a
una curva plana cualquiera es enfocado por Unruh y Krishnaswami como un problema de
optimizacin. Partiendo de la curva original, se puede obtener una primera estimacin del
polgono de control de la B-Spline que se desea sea igual a dicha curva original. De este primer
polgono de control se genera la B-Spline y luego se construye una funcin objetivo que calcule
matemticamente la diferencia entre ambas curvas. Un algoritmo de optimizacin puede
minimizar esta funcin objetivo modificando las coordenadas del polgono de control hasta
lograr que la curva original y la B-Spline se parezcan lo ms posible. Una vez se ha llegado al
mnimo, el polgono de control obtenido (es decir, el ptimo) generar una B-Spline lo ms
parecida posible a la curva original y la conversin habr finalizado, habindose obtenido el
polgono de control asociado a la curva original.
As pues, es necesario construir una funcin objetivo que mida las diferencias entre la
curva original y la B-Spline generada, cuya optimizacin conducir a la obtencin del polgono
de control asociado a la curva original. Unruh y Krishnaswami propusieron seleccionar m
puntos de ambas curvas para luego basar la funcin objetivo en la diferencia entre ellas por
suma de distancias al cuadrado de los puntos seleccionados. El algoritmo de optimizacin
iterar modificando la posicin de los puntos del polgono de control de la B-Spline hasta que
los m puntos de las dos curvas coincidan lo ms posible. La curva original viene expresada por
sus ecuaciones paramtricas
x (u )
P (u ) = P
y P (u )
u [u 0 , u f [
(3.15)
que dependen del parmetro u. Los autores seleccionan m puntos de esta curva
distribuyndolos uniformemente dentro del intervalo en el que vara el parmetro, es decir,
dando m valores al parmetro u y utilizando las ecuaciones paramtricas para obtener los m
puntos correspondientes:
u j = u0 +
u f u0
j = 0, 1, ..., m-1
(3.16)
m
De esta forma, los puntos obtenidos de la curva original son
x Pj x P (u j )
Pj = =
y Pj y P (u j )
j = 0, 1, ..., m-1
(3.17)
80
Captulo 3
56
t f t0
j = 0, 1, ..., m-1
(3.18)
m
Y as, los puntos obtenidos de la B-Spline son:
x Bj x B (t j , xQ )
PBj = =
y Bj y B (t j , y Q )
j = 0, 1, ..., m-1
(3.19)
donde xQ es un vector de n filas que contiene las coordenadas x de los n puntos del polgono
[( x
m 1
Pj
x B j ) 2 + ( y Pj y B j ) 2
j =0
(3.20)
o, lo que es lo mismo,
F=
[(x
m 1
Pj
)2 (
x B (t j , xQ ) + y Pj y B (t j , yQ )
j =0
)2 ]
(3.21)
En virtud de las ecuaciones (3.17) y (3.19), la ecuacin (3.20) depende, en ltima instancia
de los valores de uj, tj, xQ e y Q . Sin embargo, la curva original no vara durante el proceso de
optimizacin y, por tanto, los valores uj (j = 0, 1, ..., m-1) tampoco variarn. Por su parte, se
pretende que la forma de la B-Spline vare hasta llegar a ser lo ms similar posible a la forma
de la curva original, para lo cual ser necesario variar las coordenadas de los puntos de su
polgono de control, representadas en la ecuacin (3.21) por los vectores xQ e y Q (para estas
coordenadas ser necesario realizar una primera estimacin a partir de la cual pueda
56 Se ha de tener en cuenta que una curva B-Spline es una curva definida paramtricamente como se muestra en B.2 de forma
que cada punto de ella depende exclusivamente del valor del parmetro y de la posicin de los puntos del polgono de control a
partir del cual se genera.
81
57
coordenadas por cada vector xQ e y Q y los m valores tj). Unruh y Krishnaswami proponen
considerar m=100 puntos para comparar la curva original y la B-Spline durante la optimizacin y
utilizar polgonos de control de n=10 puntos para reproducir curvas del tipo que generan los
mecanismos de cuatro barras (ya que este nmero debe variar en funcin de la forma y
complejidad de la curva). Estas cifras hacen un total de 120 variables en el problema de
optimizacin, lo cual parece a primera vista excesivo. Sin embargo, si se obtiene una buena
primera estimacin de los puntos y se utiliza un mtodo iterativo de optimizacin basado en el
gradiente (disponiendo explcitamente de las primeras derivadas de la funcin de optimizacin
con respecto a las variables de diseo), la convergencia ser, en general, rpida teniendo en
cuenta la potencia de clculo de los ordenadores actuales.
Como se ha comentado, la ecuacin (3.18) ya ha proporcionado la primera estimacin
de los m valores del parmetro t de la B-Spline (que han sido distribuidos uniformemente dentro
del intervalo de variacin de dicho parmetro). Por lo tanto, solo resta estimar la posicin de los
n puntos del polgono de control. Para hacerlo, los autores proponen expandir n de los m puntos
Pj (j = 0, 1, ..., m-1) de la curva original obtenidos anteriormente (ecuacin (3.17)) en la direccin
del y proporcionalmente al radio de curvatura de dicha curva en ese punto. Es decir,
58
considerando el vector aplicado en el centro de curvatura Cj de la curva original en un punto
57 La primera estimacin es necesaria pues Unruh y Krishnaswami utilizaron el mtodo de optimizacin Fletcher-Reeves, el cual
est basado en el gradiente y necesita un punto de partida.
58
Las expresiones que permiten obtener la posicin del centro de curvatura de una curva paramtrica en un punto de la misma
son las siguientes:
2
2
dx (t ) dy (t )
dy (t )
dt dt
2
xC (t ) = x (t ) +
2
dt d x (t ) dy (t ) d y (t ) dx (t )
2
dt
dt 2
dt
dt
82
Captulo 3
Pj y que llega hasta ese mismo punto, se puede conseguir el punto del polgono de control
multiplicando dicho vector por un cierto factor. Segn los autores, tras varios experimentos, un
factor igual a 1.1 ha proporcionado muy buenos resultados. En la figura 3.7 se muestra el
procedimiento para obtener la primera estimacin de un polgono de control de 5 puntos.
Partiendo de la curva original se seleccionan 5 puntos distribuyndolos uniformemente dentro
del intervalo de su parmetro (puntos P0 a P4). A continuacin se calcula la posicin del centro
de curvatura de la curva en esos puntos, logrndose los puntos C0 a C4. Los radios de
curvatura 0 a 4 unirn los centros de curvatura con los puntos sobre la curva original. Si se
expanden los radios de curvatura multiplicando su mdulo por 1.1 se llegan a obtener los
puntos Q0 a Q4 que formarn la primera estimacin del polgono de control. A partir de ste se
puede representar la B-Spline en primera estimacin.
2
2
dx (t ) dy (t )
dx (t )
dt dt
2
y C (t ) = y (t )
2
dt d x (t ) dy (t ) d y (t ) dx (t )
2
dt
dt 2
dt
dt
83
i = 0, 1, ..., n-1
(3.22)
Sin embargo, evaluando las funciones de forma (vase B.1 y B.2) y su influencia
sobre los puntos de la curva, los autores observaron que el punto de la B-Spline
correspondiente a t=t0 es el ms cercano al segundo punto de polgono de control cuando el
grado de la B-Spline (k) es 3 (y su orden es 4, que son los valores elegidos por Unruh y
Krishnaswami para curvas del acoplador de mecanismos de cuatro barras). Teniendo todo esto
en cuenta, la expresin anterior proporciona una parametrizacin errnea ya que una vez
obtenida la primera estimacin de los puntos del polgono de control, el punto de la B-Spline
correspondiente a t=t0 no estar lo ms cerca posible del punto de la curva original
correspondiente a u=u0. Para solucionar esta falta de coincidencia de las parametrizaciones de
ambas curvas la original y la B-Spline, se puede desplazar el orden de los puntos de la
curva original a partir de los cuales se obtendr la primera estimacin de los puntos del
polgono de control de la B-Spline, quedando:
x*
Pi* = Pi = P(i 1)m
n
y*
Pi
i = 0, 1, ..., n-1
(3.23)
donde se debe considerar que la numeracin de los puntos Pj es peridica, es decir, que si j < 0
entonces Pj = Pj+m. De esta forma se asegura que el punto inicial de la primera estimacin de la
B-Spline (correspondiente a t=t0) est lo ms cerca posible del punto inicial de la curva original
(correspondiente a u=u0) y, con ello, se asegura la proximidad entre los puntos de comparacin
de ambas curvas.
Finalmente, si llamamos (xCj, yCj) a las coordenadas del centro de curvatura de la curva
original en el punto Pi*, la primera estimacin (indicada mediante el superndice 0) de los puntos
del polgono de control podr obtenerse mediante la ecuacin:
x * xCi
xQi xCi
0
PQi = = + 1.1 Pi
y * yCi
y Qi yCi
Pi
i = 0, 1, ..., n-1
(3.24)
Una vez obtenidas las primeras estimaciones de las variables de optimizacin del
problema consistente en obtener el polgono de control de una B-Spline igual en todos sus
puntos a una curva original dada, se puede utilizar un algoritmo de minimizacin aplicado a la
84
Captulo 3
ecuacin (3.21) para encontrar la mejor solucin. Sin embargo, pese a que la primera estimacin
es lo suficientemente buena para asegurar una rpida convergencia, el problema sigue siendo
considerablemente costoso en trminos computacionales debido al gran nmero de variables
de optimizacin, por lo que se hace ms que recomendable el uso de un algoritmo de
optimizacin eficiente que utilice el gradiente de la funcin objetivo, si ste es evaluable. Por
ello, habr que proporcionar a dicho algoritmo las derivadas parciales de la funcin objetivo con
respecto a todas las variables de diseo. Puesto que existen tres tipos de variables de diseo
(tj, xQi e yQi), habr tres tipos diferentes de funciones derivadas parciales. Estas derivadas no
son complicadas de obtener y a partir de la ecuacin (3.21) se obtienen las siguientes
expresiones:
x
= 2 x Pj x B (t j , xQ ) B (t j , xQ ) + 2 y Pj y B (t j , yQ )
t
t j
F
xQi
F
y Qi
m 1
=
2 x Pj x B (t j , xQ )
j =0
m 1
(3.25)
x B (t , x )
j
Q
xQi
(3.26)
y B (t , y )
j
Q
y Qi
(3.27)
=
2 y Pj y B (t j , y Q )
j =0
] y B (t j , yQ )
85
la operacin de escalado los polgonos tendran el mismo permetro tras esta operacin inicial
de escalado.
Una vez que los polgonos tienen bsicamente el mismo tamao, stos han de ser
distinguidos por su forma. Los autores seleccionaron cuidadosamente aquellas caractersticas
escalares que no se vean afectadas por la orientacin de los polgonos. Elaboraron la
siguiente lista con el fin de utilizarla en la comparacin de los polgonos:
Ratio rea/permetro.
ngulo interior mayor.
ngulo interior menor.
Longitud del lado ms largo.
Longitud del lado ms corto.
Ratio de aspecto del menor rectngulo que encierra el polgono.
Mnima distancia al centroide.
Mxima distancia al centroide.
Distancia total al centroide.
Finalmente, elaboraron algoritmos rpidos y precisos para evaluar cada una de las
magnitudes escalares anteriores y utilizaron todas ellas con el fin de obtener una comparacin
precisa.
86
Captulo 3
Requisito
Identificacin
Progresividad
Conmutabilidad
Independencia de posicin
Independencia de orientacin
Independencia de tamao
Independencia de simetras
Indep. de origen
Independencia
de
Indep. de evolucin
parametrizacin
Indep. de sentido de avance
Mtodo BSC
Cumple
Comprobar
Comprobar
Cumple
Cumple
Cumple
No cumple
No cumple
No cumple
No cumple
87
88
Captulo 3
89
la longitud del segmento que sale de un vrtice dividido por la longitud del segmento que llega
al mismo vrtice. Esta propiedad lo es de cada vrtice y puede calcularse fcilmente.
Una vez obtenidas estas dos magnitudes que describen la forma del polgono y que
estn asociadas a cada vrtice, se puede realizar la comparacin de stas vrtice a vrtice
entre los dos polgonos. Para realizar tal comparacin, se recurre a la suma de diferencias de
tales magnitudes al cuadrado. El resultado ha sido normalizado en cuanto al nmero de puntos
considerado (dividiendo por n) y tambin en cuanto al nmero de sumandos dentro del
sumatorio (dividendo por 2). As, la ecuacin que determina el error de comparacin segn este
mtodo queda como sigue:
FPD =
(Ra
2n
1
n 1
i =0
Rai
) + (
2
(3.28)
correspondiendo las variables denotadas con () al polgono de la curva requerida y las que no
llevan ese smbolo al polgono de la curva propuesta, siendo i el ngulo que forma el lado isimo con respecto al lado de orden i-1 y siendo Rai el cociente de longitudes para el vrtice isimo segn la expresin:
Rai =
Li
Li 1
(3.29)
90
Captulo 3
y teniendo en cuenta que las magnitudes de orden (-1) son iguales a las de orden n-1 es
decir, considerando que la numeracin de los elementos del polgono es peridica, repitindose
el primer elemento despus del ltimo.
Tal como se ha puesto de manifiesto anteriormente, la ecuacin (3.28) es independiente
de la posicin, orientacin y escala de los polgonos y representa la diferencia entre ellos. Sin
embargo, los dos sumandos que componen esta ecuacin no tienen el mismo peso dentro de
ella, por lo que las diferencias de relacin de longitudes y las diferencias angulares no son
equiparables y la ecuacin carece de coherencia numrica. En efecto, el primer sumando (Rai Rai)2 que representa la diferencia de los ratios de longitudes, toma valores dentro del intervalo
[0,+2[ el cuadrado indica, en este caso, la velocidad de la tendencia, ya que la longitud de
un segmento puede llegar a ser cero lo cual podr ocurrir cuando la curva se cruce sobre si
misma, es decir, cuando tenga puntos dobles. Por otro lado, el rango de variacin del
segundo sumando (i - i)2 de la ecuacin es [0, 2] ya que el ngulo diferencia i - i, una vez
reducido al intervalo [-, [, y en valor absoluto vara dentro del intervalo [0, ]. Por lo tanto, se
hace necesaria una normalizacin de los sumandos para que sus pesos en la ecuacin (3.28)
sean equiparables.
Para ello se utiliza una funcin ang que determina la diferencia entre ngulos de forma
que cuando los ngulos son muy parecidos, la funcin se comporta de forma lineal es decir,
se comporta como la funcin diferencia angular. Pero a medida que la diferencia real tiende a
ang ( , ) = C1
+ C2
si - < ref
si - ref
(3.30)
donde el ngulo ref es un valor de referencia que separa el comportamiento lineal de la funcin
del no lineal y C1, C2 son constantes incluidas para asegurar la continuidad y derivabilidad de la
funcin al pasar de un tramo al otro.
Con esas condiciones de continuidad y derivabilidad de la funcin en el punto entre
tramos, el valor de las constantes puede determiarse en funcin del ngulo de referencia,
obtenindose:
C1 =
C2 =
( ref
91
)2
(3.31)
2
ref
C2 =
16
(3.32)
16
Con estos valores, la funcin ang es representada en la figura 3.9. En ella se observa
cmo hasta una diferencia entre y igual a /4, la funcin tiene un comportamiento lineal y, a
partir de ese punto se separa la linealidad tendiendo a infinito a medida que la diferencia
angular tiende a .
10
9
8
ang (,)
7
6
5
4
3
2
1
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Figura 3.9. Evolucin de la funcin ang en funcin de la diferencia existente entre los ngulos.
92
Captulo 3
1
2n
(Ra
n 1
i =0
Rai
) + [ (
2
ang
)]
i , i
(3.33)
de esta forma se asegura que el segundo sumando vara dentro de un intervalo [0,+2], el
mismo que en el primer sumando.
Con esto se consigue la coherencia numrica en los pesos de los miembros de la
ecuacin, de forma que en ella se reflejen tanto las diferencias entre las relaciones de las
longitudes de los segmentos como las diferencias angulares entre dichos segmentos.
93
polgonos de acuerdo con la ecuacin (3.33), sta arrojar una gran diferencia (ya que los
polgonos son muy diferentes) cuando en realidad las curvas se parecen enormemente en
tanto en cuanto el cambio realizado en la primera para lograr la segunda ha sido pequeo.
Es decir, con este mtodo, no siempre un cambio gradual y progresivo en la forma de la curva
va acompaado de un cambio gradual y progresivo de la magnitud arrojada por la funcin de
comparacin (3.33). Esto se muestra en la figura 3.10 en la que de dos curvas cerradas similares
se obtienen polgonos caractersticos muy diferentes por un cambio en el punto de radio de
curvatura mnimo (punto 0 de cada curva).
Figura 3.10. De dos curvas similares se pueden obtener polgonos caractersticos muy diferentes.
Para subsanar esta deficiencia, se plantea no solo comparar la curva propuesta con la
requerida mediante polgonos caractersticos cuyo origen est basado en el punto de radio de
curvatura mnimo de las curvas, sino comparar varias posibilidades. En concreto, despus de
hacer pruebas, se propone obtener un nico polgono caracterstico de la curva requerida
tomando como origen el punto de radio de curvatura mnimo. Sin embargo, para la curva
propuesta se plantea obtener todos los mnimos locales del radio de curvatura de la curva y
ordenarlos de menor a mayor, quedando en primer lugar el mnimo absoluto. De este vector de
radios de curvatura mnimos (locales) se descartan todos aquellos cuyo valor sea superior a 1.5
veces el mnimo global (recortando el vector y quedando solo los menores valores).
Finalmente, partiendo de la posicin en la curva asociada para cada radio de curvatura
persistente, se obtiene un polgono caracterstico de la curva propuesta y se compara con el de
la requerida, obteniendo un error de comparacin (asociado a ese radio de curvatura mnimo
local). As, el menor de todos los errores de comparacin obtenidos ser el error de
comparacin estimado por el mtodo.
El factor 1.5 considerado en el recorte del vector de radios de curvatura mnimos puede
modificarse dependiendo de la complejidad de la familia de curvas. En las pruebas realizadas
este factor funcion considerablemente bien, no obteniendo ms que 2 3 radios de curvatura
mnimos y no teniendo, por tanto, que realizar ms de 2 3 comparaciones poligonales.
94
Captulo 3
Resolucin del problema de dependencia del sentido de avance del parmetro y de posibles
simetras.
El mtodo hasta ahora expuesto no considera las posibilidad de que las curvas
comparadas sean iguales en cuanto a forma pero simtricas o que tengan un sentido de
avance del parmetro diferente. Para conseguir esta independencia es necesario completar el
mtodo. Si se tiene en cuenta que el sentido de avance del parmetro tiene dos posibilidades y
que la curva tiene otras dos posibilidades desde el punto de vista de la simetra, en total se
pueden obtener cuatro posibles polgonos caractersticos de curvas que deben ser iguales
cuando son comparadas mediante este mtodo. Estos cuatro polgonos caractersticos y las
magnitudes de los mismos consideradas por el mtodo pueden observarse en la figura 3.11.
Figura 3.11. Polgonos caractersticos obtenidos de una misma curva cuando cambia el sentido de avance del parmetro
y su representacin desde el punto de vista de simetra.
95
Cuando se desea comparar la curva propuesta mostrada en la figura 3.11 con una
curva requerida cualquiera y se desea independizar el resultado del sentido de avance del
parmetro y de la posible simetra de las curvas, es necesario comparar las cuatro posibles
curvas mostradas en la figura con la requerida, obteniendo cuatro resultados de la ecuacin
(3.33).
0
FPD =
2n
FPD =
1
2n
FPD =
1
2n
FPD =
1
2n
Rai
(Ra
Ra j ( i )
(Ra
2
2
Rai + ang i , i
(Ra
Ra j( i )
n 1
ang
i =0
n 1
i =0
)]
n 1
i =0
) + [ (
(Ra
n 1
i =0
i , i
) + [ (
2
ang
) [ (
) + [ (
2
ang
(3.34)
)]
i , j ( i )
)]
(3.35)
(3.36)
)]
i , j( i )
(3.37)
donde
j(i) = [(n-i) mod n]
(3.38)
ha sido incluido59 para corregir la numeracin de las curvas I y II debido al diferente sentido de
avance del parmetro, que proporciona los puntos del polgono caracterstico en orden inverso
(vase figura 3.11).
De los cuatro errores de comparacin calculados (correspondientes a las cuatro
posibilidades), el menor de ellos corresponder a la posibilidad que mejor se adapte a la curva
requerida, por lo tanto, el error de comparacin calculado por el mtodo ser:
0
(3.39)
Podra parecer que comprobar cuatro veces la misma curva propuesta con la curva
requerida supone un considerable aumento del coste computacional, pero cuando la
comparacin es basada en las diferencias del polgono caracterstico como hace este mtodo,
las magnitudes utilizadas de los cuatro polgonos caractersticos no son independientes y,
calculando las de uno de ellos se pueden obtener fcilmente las de los dems. En efecto, si se
59
96
Captulo 3
observa la figura 3.11, se puede establecer una equivalencia entre las magnitudes de los
polgonos I, II y III y las del polgono 0. Tales relaciones vienen mostradas en la tabla siguiente.
Polgonos
0
0
1
2
3
4
Ra0 = L0/L4
Ra1 = L1/L0
Ra2 = L2/L1
Ra3 = L3/L2
Ra4 = L4/L3
I
-0
-4
-3
-2
-1
L4/L0 = 1/Ra0
L3/L4 = 1/Ra4
L2/L3 = 1/Ra3
L1/L2 = 1/Ra2
L0/L1 = 1/Ra1
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
II
-0
-1
-2
-3
-4
L0/L4 = Ra0
L1/L0 = Ra1
L2/L1 = Ra2
L3/L2 = Ra3
L4/L3 = Ra4
=
=
=
=
=
=
=
=
=
=
III
0
4
3
2
1
L4/L0 = 1/Ra0
L3/L4 = 1/Ra4
L2/L3 = 1/Ra3
L1/L2 = 1/Ra2
L0/L1 = 1/Ra1
Tabla 3.5. Equivalencias entre magnitudes de los cuatro polgonos (vase figura 3.11).
2n
(Ra
n 1
Rai
i =0
) + [ (
2
ang
1
=
FPD
Rai
Ra j ( i )
2 n i =0
n 1
FPD =
1
2n
(Ra
n 1
i =0
Rai
n 1
(3.40)
+ ang i , j ( i )
[ (
) + [ (
2
FPD =
Rai
Ra j ( i )
2 n i =0
)]
i , i
ang
)]
)]
i , i
+ ang i , j ( i )
[ (
(3.41)
(3.42)
)]
2
(3.43)
(3.44)
97
Por lo tanto, tan solo es necesario calcular las magnitudes la posibilidad 0 para luego
aplicar estas ecuaciones y obtener el menor error de comparacin. Operando de esta forma se
asegura el cumplimiento de los requisitos de independencia de la evolucin del parmetro y de
independencia de simetras.
Con todas las medidas tomadas, el mtodo cumple todos los requisitos a falta de
comprobar el de progresividad y el de conmutabilidad, tal como se muestra en la tabla
siguiente:
Requisito
Identificacin
Progresividad
Conmutabilidad
Independencia de posicin
Independencia de orientacin
Independencia de tamao
Independencia de simetras
Indep. de origen
Independencia
de
Indep. de evolucin
parametrizacin
Indep. de sentido de avance
Mtodo PD
Cumple
Comprobar
Comprobar
Cumple
Cumple
Cumple
Cumple
Cumple
Cumple
Cumple
98
Captulo 3
99
De esta forma las dos nuevas propiedades en los vrtices del polgono, a aadir a las
obtenidas en el mtodo anterior (PD) son por un lado el ngulo desde la tangente a la curva
en el vrtice considerado hasta el segmento que sale de ese vrtice en el polgono
caracterstico (figura 3.13) y por otro lado, el cociente entre radio de curvatura en ese vrtice y
la longitud total de la curva, llamado Rb que tendr la forma:
Rbi =
(3.45)
Lcurva
siendo i el radio de curvatura de la curva en el vrtice i-simo (figura 3.13).
Figura 3.13. Polgono caracterstico de la curva y todas las caractersticas puntuales incluidas en este mtodo.
100
Captulo 3
As pues, se puede ampliar la ecuacin (3.33) incluyendo el ngulo y/o el factor Rb. En
este caso se van a considerar tres posibilidades segn se incluya uno o los dos anteriores
(pudiendo, en el caso del ltimo, incluir el radio de curvatura o su inversa, la curvatura). La
expresin correspondiente al primero de ellos (llamado en adelante mtodo PDCP1) amplia la
ecuacin (3.33) incluyendo el ngulo y su expresin es:
FPDCP1 =
1
3n
(Ra
n 1
Rai
i=0
) + [ (
2
ang
)] + [ (
i , i
ang
)]
i , i
(3.46)
1
4n
(Ra
n 1
Rai
i =0
) + [ (
2
ang
)] + [ (
i , i
ang
)] + (Rb
i , i
2
Rbi
(3.47)
E igualmente para el mtodo PDCP3, que utiliza las curvaturas en lugar de los radios
de curvatura,
FPDCP 3
n 1
Rai Rai
4 n i =0
) + [ (
2
ang
i , i
)] + [ (
2
ang
i , i
)]
1
1
+
Rb
Rbi
i
(3.48)
101
Como ocurriera en el mtodo PD, los mtodos PDCP1, PDCP2 y PDCP3 tienen un
problema de progresividad cuando al comparar dos curvas muy similares, los puntos de radios
de curvatura mnimos no estn situados en posiciones similares y cercanas dentro de tales
curvas. Para resolver este problema se adopta la misma tcnica que la que se adopt en el
mtodo PD, consistente en obtener de la curva propuesta varios polgonos caractersticos
partiendo de todos los puntos de radios de curvatura mnimos locales menores que 1.5 veces el
radio de curvatura mnimo global de la curva, y comparar estos polgonos con el polgono
caracterstico de la curva requerida. (vase Resolucin de deficiencias en la progresividad,
pgina 92).
De la misma forma, los mtodos PDCP1 y PDCP2 tal como han sido expuestos hasta
ahora no realizan ninguna accin con el fin de independizar el resultado del sentido de avance
en la parametrizacin y de posibles simetras. Para resolver este problema se propone la
misma tcnica que se utiliz en el mtodo PD (vase Resolucin del problema de dependencia
del sentido de avance del parmetro y de posibles simetras, pgina 94). Para ello se han de
comprobar los cuatro posibles polgonos caractersticos mostrados en la figura 3.11 con el
polgono caracterstico de la curva requerida. Como ya se explic, existe una relacin entre las
magnitudes del polgono 0 y del resto de polgonos. Esta relacin entre las distintas variables
y Ra de los cuatro polgonos viene especificada en la tabla 3.5. Se puede obtener relaciones
similares para las distintas variables y Rb de los polgonos, siendo mostradas en la tabla
siguiente:
Polgonos
0
0
1
2
3
4
Rb0 = 0/L
Rb1 = 1/L
Rb2 = 2/L
Rb3 = 3/L
Rb4 = 4/L
=
=
=
=
=
=
=
=
=
=
I
-0
-4
-3
-2
-1
Rb0 = 0/L
Rb4 = 4/L
Rb3 = 3/L
Rb2 = 2/L
Rb1 = 1/L
=
=
=
=
=
=
=
=
=
=
II
-0
-1
-2
-3
-4
Rb0 = 0/L
Rb1 = 1/L
Rb2 = 2/L
Rb3 = 3/L
Rb4 = 4/L
=
=
=
=
=
=
=
=
=
=
III
0
4
3
2
1
Rb0 = 0/L
Rb4 = 4/L
Rb3 = 3/L
Rb2 = 2/L
Rb1 = 1/L
102
Captulo 3
3n
FPDCP1
) + [ (
2
Rai
ang
i=0
1
1
=
Rai
Ra j ( i )
3n i = 0
n 1
FPDCP1 =
1
3n
FPDCP1
(Ra
n 1
(Ra
n 1
i =0
Rai
[ (
ang
n 1
ang
+ ang i , j ( i )
) + [ (
1
=
Rai
Ra j ( i )
3n i = 0
)] + [ (
i , i
)]
i , i
)] + [ (
)] + [ (
[ (
)]
2
ang i , j ( i )
i , i
+ ang i , j ( i )
(3.49)
ang
(3.50)
)]
i , i
(3.51)
)] + [ (
)]
2
ang i , j ( i )
(3.52)
(3.53)
1
4n
FPDCP 2
(Ra
n 1
i =0
Rai
) + [ (
2
1
=
Rai
Ra j ( i )
4 n i = 0
n 1
ang
)] + [ (
i , i
ang
+ ang i , j ( i )
[ (
)] + (Rb
i , i
)] + [ (
2
2
Rbi
(3.54)
)] + (
2
ang i , j ( i )
Rbi
Rb j ( i )
(3.55)
FPDCP 2 =
1
4n
FPDCP 2
(Ra
n 1
Rai
i =0
103
) + [ (
2
ang
1
=
Rai
Ra j ( i )
4 n i =0
n 1
)] + [ (
i , i
+ ang i , j ( i )
[ (
ang
)] + (Rb
i , i
)] + [ (
2
2
Rbi
)] + (
2
ang i , j ( i )
Rbi
(3.56)
Rb j ( i )
(3.57)
(3.58)
0
FPDCP 3
FPDCP 3
n 1
Rai Rai
4 n i =0
) + [ (
2
ang
1
=
Rai
Ra j ( i )
4 n i =0
n 1
i , i
)] + [ (
2
ang
+ ang i , j ( i )
[ (
i , i
)]
1
1
+
Rb
Rbi
i
)] + [ (
2
)]
2
ang i , j ( i )
(3.59)
1
1
+
Rbi
Rb j ( i )
(3.60)
FPDCP 3
FPDCP 3
n 1
Rai Rai
4 n i =0
) + [ (
2
1
=
Rai
Ra j ( i )
4 n i =0
n 1
ang
i , i
)] + [ (
2
+ ang i , j ( i )
[ (
ang
i , i
)] + [ (
2
)]
1
1
+
Rb
Rbi
i
)]
2
ang i , j ( i )
1
1
+
Rbi
Rb j ( i )
(3.61)
(3.62)
0
(3.63)
Los mtodos PDCP1, PDCP2 y PDCP3, tal como han sido descritos y modificados,
cumplen todos los requisitos expuestos en 3.2 a falta de comprobar el requisito de
progresividad y el de conmutabilidad. En efecto, los resultados calculados por ambos mtodos
son insensibles a la posicin, orientacin, tamao, parametrizacin y posible simetras de las
curvas.
104
Captulo 3
Requisito
Identificacin
Progresividad
Conmutabilidad
Independencia de posicin
Independencia de orientacin
Independencia de tamao
Independencia de simetras
Indep. de origen
Independencia
de
Indep. de evolucin
parametrizacin
Indep. de sentido de avance
Mtodos PDCP
Cumple
Comprobar
Comprobar
Cumple
Cumple
Cumple
Cumple
Cumple
Cumple
Cumple
Existe, no obstante una posibilidad de fallo de los mtodo que se considera remota por
lo intrincada que resulta. Supngase que se tiene una curva y de ella se obtiene su polgono
caracterstico de n puntos. Si se deforma cada uno de los n segmentos de curva existentes
entre los vrtices del polgono de manera que la nueva curva conserve la posicin y las
derivadas primera y segunda en los vrtices del polgono y tambin de forma que el incremento
de longitud en cada uno de los segmentos de curva sea el mismo y adems se consigue que el
punto de radio de curvatura mnimo siga siendo el mismo que en la curva original, se llegar a
una segunda curva muy diferente de la primera que, sin embargo, es calificada de igual a
aquella cuando se le aplica este MCC. Por otro lado, si se tuviera que utilizar este mtodo en
un mbito en el que existiera la posibilidad de que ocurriera esto, podra solucionarse el
problema con solo realizar dos comparaciones de cada pareja de curvas, cada una con un
nmero de puntos diferentes ya que, si se da esta casualidad cuando se consideran n puntos
en el polgono caracterstico, es prcticamente imposible que ocurra lo mismo cuando se
utilizan, por ejemplo, n+1 puntos.
FCC =
(
n 1
i =0
105
(3.64)
1
n
(
n 1
i =0
Lr i L p
(3.65)
FCC
n 1
i Lr i L p
1
=
n i =0 i Lr + i L p
n 1
1
2 i Lr i L p
=
n i =0 i Lr + i L p
(3.66)
Esta ecuacin realiza el sumatorio, para todos los puntos, de una magnitud puntual que
se basa en la diferencia de curvaturas. Esta magnitud representa para cada punto la diferencia
de factores curvatura por longitud de las curvas en relacin al valor medio de ambos. Por
consiguiente, uno de los factores curvatura por longitud para una de las dos curvas en un punto
presenta un valor muy elevado, ste tambin estar presente en el denominador, llegando a
106
Captulo 3
ser ambos del mismo orden. As, el cociente de ambos ser un valor moderado, en extremo
igual a 2, como se muestra en la ecuacin (3.67).
2 L L
i
r
i
p
lim
i
i Lr + i L p
) = 2
(3.67)
Si se desea imponer otro valor diferente cuando una de las curvaturas tiende a infinito
se puede modificar sencillamente el coeficiente que multiplica el denominador de la expresin
anterior.
Este valor moderado ser un mejor indicador de la diferencia existente entre ambas
curvas en el caso de que la curvatura de una de ellas tienda a infinito.
0
FCC
2 L L
i
r
i
p
n i =0 i Lr + i L p
1
n 1
n 1
(3.68)
2 L L
i
r
j (i )
p
FCC =
n i =0 i Lr + j (i ) L p
1
(3.69)
(3.70)
En cuanto a la primera evaluacin, el mtodo cumple todos los requisitos salvo del de
conmutabilidad y el de progresividad, que debern ser comprobados mediante los ensayos
oportunos.
Requisito
Identificacin
Progresividad
Conmutabilidad
Independencia de posicin
Independencia de orientacin
Independencia de tamao
Independencia de simetras
Indep. de origen
Independencia
de
Indep. de evolucin
parametrizacin
Indep. de sentido de avance
107
Mtodo CC
Cumple
Comprobar
Comprobar
Cumple
Cumple
Cumple
Cumple
Cumple
Cumple
Cumple
3.5.4. Mtodo del rea entre las curvas o mtodo ABC (Area Between Curves).
Es de especial importancia estudiar la progresividad de los mtodos mediante ensayos
de los mismos. Estos ensayos consistirn en comparar una curva requerida con varias curvas
propuestas, estando las diferentes curvas propuestas obtenidas a partir de una la curva
requerida mediante deformacin progresiva. Si se representan los resultados obtenidos al
comparar cada una de las curvas propuestas con la curva requerida, se obtiene una grfica
que representa la progresividad de cada mtodo. El problema de evaluacin de la
progresividad de los mtodos mediante este tipo de ensayos es que no se conoce a priori cual
debe ser la forma de la grfica de progresividad porque no se tiene ningn patrn con el que
poder comparar las que se obtengan.
Con el fin de obtener un patrn lo ms realista posible (en el sentido de que muestre
con mayor realismo la deformacin progresiva de las curvas) se propone este nuevo mtodo
integral. Por ser un mtodo que tiene en cuenta las diferencias entre las curvas en todos sus
puntos (mediante integracin), servir como referencia con la que comparar el comportamiento
de los mtodos discretos.
Este mtodo integral ha sido ideado a partir de las sugerencias de Thompson
(Thompson, 1975) y de Akali y Dittrich (Akali y Dittrich, 1989b) aunque stos no plantearon
ninguna solucin del problema, segn las cuales, el mejor indicador de la diferencia de forma
entre dos curvas planas y cerradas es el rea que queda encerrada entre el trazado de ambas
curvas tal como se observa en la figura 3.14. Ciertamente, cuanto mayor es el rea encerrada
entre las curvas, mayor ser la diferencia entre ambas, siendo ms parecidas a medida que
este rea disminuye. Si el rea encerrada entre ambas curvas es cero solo puede significar que
las curvas son exactamente iguales y su trazado coincide en todos sus puntos.
108
Captulo 3
Figura 3.14.El rea encerrada entre dos curvas indica su diferencia morfolgica.
Sin embargo, este rea encerrada entre las curvas depende de cmo se site
(superponga) una con respecto a la otra, es decir, depende de la posicin, orientacin y escala
relativas de las curvas. Por lo tanto, ser necesario reescalar, reposicionar y reorientar las
curvas segn un criterio fijo para que la comparacin sea independiente de tales variables. El
criterio adoptado en este caso consiste en dejar inmvil una de las curvas por ejemplo, la
curva requerida para superponer la curva propuesta sobre la requerida. Los criterios para
reescalar y reposicionar la curva propuesta sobre la curva requerida son ms claros que los
criterios que se pueden idear para reorientarla. Por ejemplo, se puede reescalar la curva
propuesta para que su longitud sea la misma que la de la curva requerida o tambin para que
el rea que encierra sea la misma que la de la curva requerida. De la misma forma, se puede
desplazar la curva propuesta sobre la requerida para que coincidan los centroides de las
curvas consideradas stas como cuerpos lineales o, alternativamente, hacer que coincidan
los centroides de las reas que encierran. Sin embargo, una vez realizadas las
transformaciones anteriores, el rea entre las curvas es muy sensible a la orientacin de una
con respecto a la otra lo cual est muy relacionado con el hecho de que las curvas se
parecen ms o menos segn cada orientacin.
109
y r (u )
u[u0, uf[
(3.71)
x p (t )
Pp (t ) =
y p (t )
t[t0, tf[
(3.72)
Pp (t ) =
=
y p (t ) y o + k [ x p (t ) sen + y p (t ) cos ]
(3.73)
60
Refirindose aqu a la complejidad de su forma atendiendo principalmente al nmero de puntos dobles aquellos puntos por
los que la curva pasa dos veces, igual al nmero de veces que la curva se corta a s misma y al nmero de vueltas completas
que da la tangente el cual es un ndice de cuantas vueltas da la curva sobre si misma.
110
Captulo 3
el sentido de ms realista que el resto. Finalmente, si las curvas son muy diferentes en
cuanto a complejidad, resulta complicado decidir cual ser el rea entre las curvas. Por
ejemplo, obsrvense los casos presentados en la figura 3.15. El caso (a) representa el rea
entre dos curvas de complejidad similar (no teniendo ambas ningn punto doble y dando la
tangente una vuelta en ambos casos). Se aprecia fcilmente que el criterio representado para
decidir cual es el rea entre las curvas es el mejor posible, no existiendo prcticamente ms
posibilidades. En el caso (b) las curvas tambin tienen la misma similitud, teniendo un punto
doble cada una. En este caso el criterio ptimo de rea entre las curvas no es nico,
habindose representado el que se considera mejor cuando se trata de estimar la diferencia
entre las curvas en base a este rea. El caso (c) representa dos de las varias alternativas que
existen en la consideracin del rea encerrada por dos curvas de complejidad diferente (una
curva tiene un punto doble mientras que la otra no tiene ninguno). Se pueden alegar ventajas
en el uso de una y de otra, pero ninguna de las dos posibilidades es claramente mejor que la
otra para el fin que nos ocupa.
As pues, queda patente que el problema de establecer un criterio fijo que permita
automatizar el clculo del rea entre dos curvas planas cerradas cualesquiera no tiene una
solucin satisfactoria para todos los casos. Sin embargo, cuando el rea entre las curvas es
utilizada para medir la diferencia entre ellas con el fin de constituir una funcin de comparacin
objetivo de una optimizacin, es posible pensar que cuando las curvas son de complejidad
diferente es porque su trazado es muy diferente, es decir, poco parecidas. Por esto, resulta
poco importante afinar en el clculo del rea entre las curvas cuando stas son muy diferentes
111
(siendo vlido cualquier valor elevado), pero por el contrario, es especialmente importante que
el mtodo sea capaz de determinar fielmente el rea entre las curvas cuando stas son muy
parecidas. Esta sensibilidad permitir al mtodo de optimizacin converger adecuadamente
hacia el ptimo desde una posicin en un entorno cercano del mismo. Por este motivo, se ha
puesto inters en que el algoritmo planteado a continuacin calcule adecuadamente el rea
entre las curvas especialmente cuando stas son parecidas. Siendo menos estricto cuando las
curvas comparadas son muy diferentes.
Tal como se aprecia en la figura 3.14, el rea entre dos curvas puede determinarse de
una forma genrica sumando las reas encerradas por las curvas entre cada dos puntos de
interseccin de las mismas. As pues, lo primero que se ha de hacer es determinar todos los
puntos de interseccin entre ambas curvas, para luego integrar las curvas entre cada dos
puntos de interseccin consecutivos, obteniendo el rea.
Para lograr determinar los puntos de interseccin se opta por discretizar las curvas.
Una vez convertidas stas en poligonales resulta sencillo determinar los puntos de
61
interseccin . Pero estos puntos no sern, en general, los verdaderos puntos de interseccin
de las curvas (solo lo sern cuando el punto de interseccin de las dos poligonales sea un
vrtice de las dos) ya que la discretizaciones no representan las curvas con total exactitud. Lo
que ocurre es que los valores de los parmetros uint y tint obtenidos para cada punto de
interseccin son valores interpolados y, consecuentemente, las coordenadas del punto de la
curva requerida correspondiente a uint no sern las mismas que las coordenadas del punto de
la curva propuesta modificada correspondiente a tint, aunque ambos puntos sern tanto ms
cercanos cuanto ms fina sean las discretizaciones de las curvas.
Si se desea una mayor precisin en el proceso que la lograda hasta ahora, se puede
realizar una optimizacin minimizacin de la funcin distancia entre los puntos Pr(u) y Pp(t)
de ambas curvas variando los parmetros u y t, y tomando como valores iniciales de la
optimizacin uint y tint obtenidos en la discretizacin. De esta forma, la convergencia ser rpida
ya que la solucin estar muy prxima salvo que la discretizacin sea excesivamente
burda al punto de partida y se podrn obtener los puntos de interseccin reales con la
precisin que se desee.
Una vez obtenidos los puntos de interseccin entre las dos curvas existe, no obstante,
la posibilidad de que no todos sean vlidos, siendo necesario la eliminacin de los que se
consideren no vlidos. Ha de tenerse en cuenta que establecer un criterio que decida qu
puntos de interseccin son vlidos y cuales no, supone establecer un criterio sobre qu
porciones del rea entre las curvas se considera y cuales no de entre las posibles opciones.
61 Ntese que, con el clculo de cada punto de interseccin, no solo se obtienen las coordenadas de dicho punto en el plano X-Y,
sino que adems se obtienen los parmetros de cada una de las dos curvas (u y t) correspondientes a ese punto de interseccin,
siendo estos valores mucho ms importantes en el proceso que las coordenadas del punto.
112
Captulo 3
Figura 3.16. Numeracin de los puntos de interseccin con el fin de descartar los no vlidos.
Tras descartar los puntos no vlidos ya se puede proceder a la determinacin del rea
encerrada por las curvas entre cada pareja de puntos de interseccin. Para determinar esta
rea comprendida entre dos puntos de interseccin supngase que se tienen dos curvas
113
Figura 3.17. Area encerrada entre dos curvas y entre dos puntos en los que se cortan.
Si estas dos curvas se cortan en dos puntos A y B, no existiendo ningn otro punto de
interseccin de las curvas dentro del tramo AB, el rea que queda encerrada entre ambas
curvas en ese tramo es:
uB
AAB =
(u ) dxr (u ) +
uA
tB
y (t ) dx (t )
p
(3.74)
tA
dxr (u )
du ,
y que
dx p (t ) =
du
dx p (t )
dt
(3.75)
dt
AAB =
uA
y r (u )
dx r (u )
du
tB
du +
tA
y p (t )
dx p (t )
dt
(3.76)
dt
114
Captulo 3
dentro de ese tramo. En tal caso, para resolver este problema resulta necesario integrar la
62
curva entre cada punto clave y el siguiente considerando cada tramo en valor absoluto. Por
ejemplo, para calcular el rea bajo la curva mostrada en la figura 3.18, se debe integrar el rea
en los tramos AI, IDI, IB y determinar el rea segn la ecuacin:
(3.77)
AAB = A4 A1 + A5
(3.78)
Esta forma de clculo del rea se ha comprobado que resulta adecuada cuando las
curvas tienen puntos dobles es decir, cuando las curvas se cortan consigo mismas entre
los puntos de integracin.
Tras la evaluacin de este mtodo con el fin de comprobar si cumple los requisitos
descritos en 3.2, se detecta que el mtodo no es independiente del tamao de las curvas. En
efecto, el resultado que este mtodo arroja tras la comparacin de las curvas tiene unidades de
rea y el rea depende del tamao de las curvas que la encierran. Del tamao de la curva
propuesta no depende, ya que este tamao se ajusta hasta hacerlo coincidir con el de la curva
requerida, pero s depende del tamao de esta ltima, por lo que los resultados no sern
equiparables (es decir, no se podr decidir si una pareja de curvas se parecen ms entre s que
otra pareja aplicando este mtodo, ya que el resultado de cada comparacin depende del
tamao de la curva que acta como requerida en cada pareja de curvas comparadas).
62
115
Aencerrada
(3.79)
L2
req
donde Aencerrada es el rea encerrada entre las curvas y Lreq es la longitud de la curva requerida.
Requisito
Identificacin
Progresividad
Conmutabilidad
Independencia de posicin
Independencia de orientacin
Independencia de tamao
Independencia de simetras
Indep. de origen
Independencia
de
Indep. de evolucin
parametrizacin
Indep. de sentido de avance
Mtodo ABC
Cumple
Cumple
Comprobar
Cumple
Cumple
Cumple
No cumple
Cumple
Cumple
Cumple
116
Captulo 3
El mtodo ABC planteado tiene unas caractersticas que lo hacen idneo para servir
como mtodo de referencia en los ensayos de progresividad de los mtodos discretos. Sin
embargo, no es un mtodo perfecto.
Con respecto a la superposicin de la curva propuesta sobre la requerida, se considera
una superposicin ptima aquella que minimiza el rea entre las curvas. Sin embargo, en este
mtodo no se utiliza ese objetivo cuando se realiza la transformacin de la curva propuesta
para superponerla a la requerida (debido, fundamentalmente, a que realizar una optimizacin
para obtener la posicin, orientacin y escala tales que minimicen el rea entre las curvas es
desproporcionadamente costoso desde el punto de vista computacional), por lo que los
resultados obtenidos se separarn del resultado ideal. El procedimiento de transformacin
geomtrica de la curva propuesta utilizado est basado en un nmero finito de puntos y puede
mejorarse si se incrementa considerablemente el nmero de puntos (tomando en
consideracin, por ejemplo, 100 puntos), sin que esto haga que el coste computacional del
mtodo sea inabordable.
Por otro lado, el mtodo no es estricto en el clculo del rea entre las curvas cuando
estas son muy diferentes. Esto, si bien puede resultar poco importante en el procedimiento de
optimizacin, como se ha explicado anteriormente, es posible que repercuta de alguna manera
en los resultados. Lo cual sera necesario comprobar en el caso se utilizar el mtodo para
comparar curvas entre las que exista una gran diferencia.
Adems, no se ha resuelto el problema de la posible simetra de las curvas
comparadas.
Por ltimo, el coste computacional de este mtodo es sensiblemente superior al de los
mtodos discretos anteriores (excepto al del mtodo BSC), como se ver ms adelante.
Por estos motivos, este mtodo ha sido planteado no con el afn de competir con los
anteriores, sino slo para ser utilizado como patrn en el anlisis de progresividad de los
mtodos. En este ensayo se estudia la sensibilidad de los mtodos frente a variaciones
pequeas en la forma de las curvas comparadas siendo, por sus caractersticas anteriormente
descritas, los casos en los que mejor funciona este mtodo.
117
118
Captulo 3
119
Para ello busca una concordancia en la evolucin de la curvatura en cada una de las
dos series de puntos la de la curva requerida y la de la curva propuesta. Sin embargo, si el
nmero de puntos considerado es pequeo, es muy probable que no se encuentre
concordancia alguna en la curvatura de las curvas en los puntos seleccionados aun cuando las
curvas, en la realidad, sean muy similares. Para ilustrar esto se ha incluido la figura 3.19. En
ella se observan dos curvas morfolgicamente iguales pero supuestamente definidas con una
parametrizacin diferente y sobre las que se consideran cinco puntos. Ambas curvas tienen su
origen (es decir, el punto correspondiente al valor mnimo del parmetro) en el punto 0, el cual
est situado en posiciones diferentes para cada curva. La distancia entre los puntos sobre la
curva no se ve influenciada por la diferente parametrizacin, por lo que la posicin de la
distribucin de puntos depende, exclusivamente, de la posicin del primer punto.
Una vez distribuidos los puntos sobre las curvas se procede a la identificacin de los
puntos homlogos. Para ello se representa la curvatura secuencialmente en cada uno de los
puntos y se busca una equivalencia en la forma de las grficas (ver figura 3.19), es decir, se
busca el mnimo de la expresin (3.7). Esta forma de proceder, para este ejemplo, determina
que las curvaturas en los puntos de los polgonos siguen secuencias parecidas cuando el punto
2 de la curva 2 se identifica como homlogo del punto 0 de la curva 1. Sin embargo, en la figura
se aprecia que ninguno de los dos polgonos se parece (no importa qu punto de la curva 2 se
haga homlogo del punto 0 de la curva 1), por lo que al realizar la comparacin este mtodo
indicar que ambas curvas no son iguales cuando, en realidad, lo son.
120
Captulo 3
Si el nmero de puntos considerado crece y las curvas son muy similares, los
polgonos de puntos tienden a parecerse ms y ms y las secuencias de curvaturas en los
puntos seleccionados son ms fcilmente identificables. En la figura 3.20 se muestran las
curvas considerando 25 puntos. Haciendo uso nuevamente de la expresin (3.7), se calcula que
el punto 7 de la curva 2 es el homlogo del punto 0 de la curva 1 para que las secuencias de
curvaturas en los puntos sean lo ms parecidas posible. En este caso ya se observa en las
grficas una evolucin similar (al igual que se observa una gran similitud entre los polgonos)
pero con el desfase ocasionado por un diferente origen en la parametrizacin de cada curva.
Sin embargo, pese a esta evolucin similar, los puntos 0 de la curva 1 y 7 de la curva 2 no
coinciden exactamente en la misma posicin dentro de la curva, por lo que ni an considerando
25 puntos el mtodo de Watanabe indicar que estas dos curvas son iguales.
Adems, puede ocurrir que dos curvas sean relativamente similares, se considere un
gran nmero de puntos y, pese a todo, esta tcnica propuesta por Watanabe realice una
identificacin deficiente de puntos homlogos. Por ejemplo, supngase que se desea comparar
dos curvas como las representadas en la figura 3.21a. Se extrae una cantidad elevada de
puntos (en este ejemplo se han considerado 100 puntos) de cada una de ellas, distribuyndolos
uniformemente a lo largo de la longitud de las mismas. Si se utiliza la tcnica expuesta por
Watanabe para identificar los puntos homlogos y luego reescalar, reposicionar y reorientar la
curva propuesta sobre la requerida con el fin de que coincidan al mximo, se obtiene una
superposicin como la mostrada en la figura 3.21b. Con tal identificacin de puntos homlogos,
la evolucin de la curvatura en la secuencia de puntos de ambas curvas coincide al mximo.
Sin embargo, se observa que las curvas tienen una mejor coincidencia si se superponen como
se muestra en la figura 3.21c. Esto es debido a que la forma de las curvas no viene definida
nicamente por la evolucin de la curvatura dentro de ellas y por este motivo se puede llegar a
situaciones como la expuesta.
121
En conclusin, queda demostrado que la forma de obtener los puntos de las curvas
propuesta por Watanabe presenta ciertas deficiencias y sus resultados no son independientes
de la parametrizacin de la curva, ni siquiera cuando el nmero de puntos considerado es
elevado.
Como alternativa se puede utilizar la tcnica de establecer el origen de la secuencia de
puntos en el punto de radio de curvatura mnimo de la curva, tal como se hiciera en los
mtodos PD, PDCP1, PDCP2 y PDCP3. Al hacerlo as se imposibilita obtener polgonos
diferentes en curvas que son morfolgicamente iguales (y que se diferencian en su definicin
paramtrica).
122
Captulo 3
Por otro lado, el resultado de (3.10) es dependiente del nmero de puntos (n) utilizado en
tanto en cuanto que cuanto mayor es n, mayor es el nmero de sumandos en la ecuacin. Es
posible normalizar el resultado en cuanto al nmero de puntos si se divide aquel por este
nmero de puntos n, logrndose un resultado promedio por punto.
Con estas modificaciones, el error de comparacin del mtodo LSOP termina por ser:
S=
1
n L2
r
[(xr (x
n 1
i =0
(3.80)
siendo x0, y0 y los que se obtienen de las ecuaciones (3.11) y (3.12); y Lr la longitud de la curva
requerida.
1
n L2
r
n 1
i =0
2
Pi =
1
n L2
r
i =0
*
i
*
i
(3.81)
123
Resolucin del problema de dependencia del polgono de control obtenido respecto del origen
de la parametrizacin al convertir una curva en una B-Spline.
Por otro lado, los autores basan la obtencin de los m puntos de comparacin y de los n
puntos del polgono de control en la parametrizacin de la curva original, por lo que el resultado
obtenido (el polgono obtenido) ser dependiente de esta parametrizacin. En cuanto a los
puntos de comparacin, aunque a priori pudiera parecer lo contrario, un anlisis detallado
demuestra que esto no afecta al proceso de optimizacin necesario para llegar a obtener el
polgono de control a partir de la curva original ya que, independientemente del origen y de la
evolucin de la parametrizacin de la curva original, tras obtener la primera estimacin de
todos los puntos, la proximidad entre los m puntos de comparacin de ambas curvas ser
124
Captulo 3
Resolucin del problema de convergencia durante la conversin de una curva en una B-Spline.
Otro problema detectado en el mtodo ideado por Unruh y Krishnaswami radica en el
hecho de que la forma de expandir los puntos de la curva para proporcionar la primera
estimacin del polgono de control de la B-Spline no es siempre satisfactoria. En efecto, los
autores proponen expandir los puntos proporcionalmente y en la direccin y sentido del radio
de curvatura de la curva en ese punto segn un factor 1.1 (vase figura 3.7). Sin embargo, si
uno de los puntos a expandir est situado en un punto de inflexin de la curva (o cerca del
mismo), el radio de curvatura ser muy elevado (tendiendo a infinito) y al multiplicar por el
factor 1.1 el punto de control obtenido estar muy lejos de la curva, con lo que la primera
63 Tngase en cuenta que el polgono de control obtenido de una curva original cuando sta es convertida a B-Spline no es nico,
sino que existen infinitos polgonos de control (con el mismo nmero de puntos) que generan B-Splines iguales a la curva
original.
125
estimacin no ser muy buena y con una elevada probabilidad no se llegar, tras la
optimizacin, a una conversin satisfactoria.
Figura 3.22. Conversin de una curva en una B-Spline con un factor de expansin 1.1.
Como ejemplo de esto, en la figura 3.22 se ha intentado convertir una curva cerrada
(curva original) en una B-Spline cbica considerando m=100 puntos de comparacin y un
polgono de control de n=10 puntos. En la parte superior de la figura se observa la curva original
de la que se han seleccionado 10 puntos (puntos P0 a P9) para, tras una expansin con un
factor 1.1, lograr la primera estimacin del polgono de control (puntos Q0 a Q9).
Posteriormente, a partir del polgono de control se ha representado la primera estimacin de la
B-Spline. Tambin se han elegido m=100 puntos de comparacin en ambas curvas y se ha
unido cada par de puntos homlogos con un segmento. Los segmentos de todos los pares de
puntos producen el rayado que se puede apreciar entre ambas curvas. A primera vista se
126
Captulo 3
observa que la B-Spline obtenida se parece a la curva original en todos los puntos salvo en el
entorno del punto P9. Esto es debido a que el punto P9 est cerca de un punto de inflexin de la
curva (en el que el radio de curvatura es infinito) y, el punto Q9 obtenido est muy separado
del punto P9 tngase en cuenta que la distancia P9-Q9 es 0.1 veces el valor del radio de
curvatura de la curva original en el punto P9, lo que deforma considerablemente la primera
estimacin.
Partiendo de ese polgono de control y de esos puntos de comparacin se ha realizado
la optimizacin segn el algoritmo Fletcher-Reeves, propuesto por los autores, y el resultado se
muestra en la parte inferior de la figura 3.22. En ella se puede observar cmo el proceso de
optimizacin ha modificado el polgono de control hasta acercar la B-Spline a la curva original
en la medida que ha sido posible (partiendo de esa primera estimacin). Por su lado si se
observa cmo han evolucionado los segmentos que unen puntos de comparacin homlogos
sobre ambas curvas, mientras que la posicin de los puntos de comparacin sobre la curva
original no se ha modificado (pues no forman parte de las variables a optimizar), los puntos de
comparacin sobre la B-Spline si se han desplazado dentro de ella intentando minimizar la
distancia a sus puntos homlogos sobre la curva original. El resultado, como se aprecia, es que
la comparacin final no es fidedigna pues los puntos de comparacin en la B-Spline no estn
distribuidos uniformemente sobre sta, sino que se han dejado partes de ella sin cubrir. En
conclusin, el mtodo ha degenerado en una comparacin segmentada y el resultado numrico
obtenido no es realista (porque las dos curvas se parecen menos de lo que el mtodo indica)
ya que tan solo se est comparando la curva original con una parte de la B-Spline.
Existen varias soluciones a este problema, pero todas pasan por modificar el
procedimiento de obtencin de la primera estimacin del polgono de control propuesto por los
autores. En efecto, los autores consideraron que un factor de expansin 1.1 es satisfactorio
64
cuando se ha puesto de manifiesto que no lo es . Adems, si se estudia la forma de las BSplines en relacin al polgono de control que las genera se puede observar que, en general,
cuanto ms cerca de la B-Spline se encuentra un punto del polgono de control, mayor ser el
radio de curvatura de la curva en el entorno de ste, pudiendo llegar a ser infinito
(caracterstica de los puntos de inflexin). Es decir, existe una relacin inversa entre la cercana
de cada punto del polgono de control a la B-Spline y el radio de curvatura de la misma en el
entorno de ese punto del polgono de control. Por esto, utilizar un factor de proporcionalidad
directa (e igual a 1.1) para la expansin resulta insatisfactorio en muchos casos.
Se podra idear un factor de expansin que no fuera global para todos los puntos, sino
que fuera calculado para cada punto segn la relacin inversa anteriormente mencionada. Sin
64
El ejemplo anterior no es un caso aislado pues la mayora de curvas cerradas generadas por mecanismos tienen puntos de
inflexin y, por lo tanto, es muy probable que uno de los puntos de la curva elegidos para obtener (mediante expansin) la
primera estimacin de un punto del polgono de control est situado relativamente cerca de uno de los puntos de inflexin, en
cuyo caso ocurrir algo parecido al ejemplo descrito, logrando tras la optimizacin una solucin insatisfactoria.
127
embargo, obtener una expresin adecuada para todos los casos no resulta sencillo, pues si
bien est claro que cuando el radio de curvatura tiende a infinito el factor de expansin debe
tender a cero y que cuando el radio de curvatura tiende a cero el factor de expansin debe
tender a infinito, resulta complicado obtener una expresin para todo el intervalo entre esos dos
extremos que aporte primeras estimaciones del polgono de control satisfactorias en la mayora
de casos. Por esto, en este trabajo se ha optado por una solucin ms sencilla a la vez que
sistemtica. sta consiste en, para cada problema de conversin de una curva cerrada en una
B-Spline, intentar varios factores de expansin diferentes y determinar cual de ellos aporta la
mejor primera estimacin del polgono de control a partir de la cual se proceder a la
optimizacin. En concreto, se propone probar como factores de expansin los trminos de la
siguiente serie:
1
l = 0, 1, ..., 10
10 l
(3.82)
es decir, la serie:
l
Factor
10
0.0010 0.0020 0.0039 0.0078 0.0156 0.0313 0.0625 0.1250 0.2500 0.5000 1.0000
Tabla 3.11. Factores de expansin para la obtencin de la primera estimacin del polgono de control.
El procedimiento sugerido consiste en, utilizando cada uno de los valores anteriores,
obtener un polgono de control en primera estimacin a partir de la curva original. Este
polgono de control obtenido genera una B-Spline que ser la primera estimacin a partir de la
cual realizar la optimizacin. Se puede evaluar la calidad de esta B-Spline mediante la
ecuacin (3.21), que utilizando los m puntos de comparacin estimar el parecido entre la curva
original y la B-Spline obtenida. Aquel de todos los factores de la serie que proporcione una BSpline ms parecida a la curva original es decir, un resultado de la ecuacin (3.21) menor
ser el factor de expansin a utilizar en el caso que se trate.
Este clculo del factor de expansin adecuado como se ha descrito apenas amplia el
coste computacional del mtodo global, debido a dos motivos fundamentales: uno, que los
nuevos clculos a realizar son sistemticos y sencillos y dos, que el proceso que supone la
mayora del coste computacional de este mtodo de comparacin es la optimizacin del
polgono de control hasta llegar a una solucin satisfactoria. Por lo tanto, el coste
computacional del resto de clculos (incluidos los que se han aadido con esta modificacin)
es despreciable frente al de la optimizacin de la B-Spline para que sea similar a la curva
original.
128
Captulo 3
Para ilustrar esta ltima modificacin propuesta, se ha resuelto el mismo ejemplo con el
que se ilustr la deficiencia del mtodo original y el resultado se muestra en la figura 3.23. En la
parte superior se observa la curva original. A partir de esta se han probado todos los factores
expuestos en la tabla 3.11 y se ha seleccionado el valor 0.0010 (correspondiente a l = 0) como
65
factor de expansin ptimo . Con este factor de expansin se ha obtenido la primera
estimacin del polgono de control y, a partir de l, se representa la primera estimacin de la BSpline. Se observa que el factor de expansin adecuado ha proporcionado una primera
estimacin de la B-Spline muy parecida a la curva original. En la figura se han unido con
segmentos los 100 puntos de comparacin de ambas curvas que han servido para evaluar cada
factor de expansin de la serie mediante la ecuacin (3.21).
Figura 3.23. Conversin de una curva en una B-Spline con un factor de expansin optimizado.
65 Ntese que al ser el valor seleccionado muy prximo a cero, los puntos de la primera estimacin del polgono de control (Q0 a
Q9) estn muy cercanos a los puntos sobre la curva original (P0 a P9) a partir de los cuales se obtienen.
129
Una vez obtenida la primera estimacin del polgono de control se lleva a cabo la
optimizacin y el resultado se muestra en la parte inferior de la figura 3.23. En ella se observa
cmo el polgono de control ha evolucionado hasta que la B-Spline generada por l ha llegado
a ser prcticamente igual (la diferencia no es perceptible a simple vista) a la curva original.
En la tabla 3.12 se muestran en detalle los datos relativos a este experimento. En ella
se aprecia cmo seleccionando un factor de expansin adecuado, la primera estimacin de la
B-Spline arroja un valor de la funcin objetivo (funcin de comparacin de ambas curvas)
mucho menor que si se utiliza un factor de expansin 1.1. Por otro lado, al lograr una primera
estimacin mejor, el algoritmo de optimizacin Fletcher-Reeves proporciona un ptimo mucho
ms adecuado (comprense el valor final de la funcin objetivo en ambos casos) y en menos
iteraciones (26 frente a 36), por lo que el coste computacional del mtodo tras las
modificaciones propuestas decrecer en la mayora de los casos. Todo esto sin tener en
cuenta que la solucin obtenida utilizando un factor de expansin 1.1 no es, en este caso y en
muchos otros, vlida.
N de puntos del polgono de control
N de puntos de comparacin
Mtodo de optimizacin
Tolerancia de optimizacin
10
100
Fletcher-Reeves
0.010
7360.512
36
359.401
273.971
26
0.829
Una vez que se han obtenido los polgonos de control de las curvas que se desean
comparar, este mtodo propone comparar los polgonos como medio de obtener un indicador
de la similitud o diferencia entre las curvas. Sin embargo, los autores proponen un mtodo de
comparacin de los polgonos que es poco sistemtico y que, adems, utiliza propiedades
indirectas de los mismos (tales como el ratio del rectngulo menor que encierra el polgono, el
ratio rea/permetro, el ngulo interior mayor, etc.), lo que puede llevar a una prdida de
sensibilidad en la comparacin. Para evitar esto se propone una modificacin del mtodo
consistente en realizar la comparacin entre los polgonos de una forma sistemtica y en base
a magnitudes directas del polgono de forma que en la comparacin se siga respetando la
130
Captulo 3
Con todas estas mejoras, los mtodos existentes expuestos en 3.4 cumplen todos los
requisitos impuestos en 3.2, por lo que son aptos para la sntesis de mecanismos para
generacin de trayectorias continuas tal como se plantea en el presente trabajo.
66
Entendida aqu como la capacidad de realizar la tarea consumiendo el mnimo de recursos posible.
131
Figura 3.24. Curva requerida para el ensayo de los mtodos de comparacin de curvas.
132
Captulo 3
punto doble y con una vuelta de la tangente, similar a muchas curvas generadas por
mecanismos planos sencillos). Esta curva ha sido generada a partir de un polgono de control
de cuatro vrtices (que tambin se puede observar en la figura 3.24) habindose asegurado
que la curva es continua, derivable y con derivada continua.
Las coordenadas de los vrtices del polgono de control se exponen en la tabla
siguiente:
N de vrtice
0
1
2
3
Coordenada X
0.0
100.0
100.0
90.0
Coordenada Y
0.0
0.0
100.0
100.0
Tabla 3.13. Coordenadas de los vrtices del polgono de control de la curva requerida.
133
Una vez que se procede a la doble comparacin de las curvas segn los diferentes
mtodos, se obtienen resultados que se muestran en la tabla 3.14. En ella se observan dos
filas. En la primera (A vs. B), A ejerce el papel de curva requerida y B el de curva propuesta.
En la segunda (B vs. A) es B la que acta como curva requerida y A como curva propuesta.
El mtodo BSC (conversin en B-Splines) necesita, aparte del resultado de la
comparacin (error de comparacin), de un segundo valor que indica si la conversin de las
curvas comparadas en B-Splines ha sido aceptable (llamado error de ajuste). Si no lo fuera, el
valor devuelto por el mtodo BSC no sera digno de consideracin ya que se estaran
comparando B-Splines que no se corresponden con las curvas originales. Este valor se
muestra en la columna BSC (Err. Aj.) y es calculado como la suma de distancias al cuadrado
de los 100 puntos utilizados en la conversin de la curva propuesta original en B-Spline. Si se
tiene en cuenta que las curvas comparadas en este ensayo tienen un tamao del orden de 100
unidades de longitud (es decir, el rectngulo envolvente de la curva es del orden de 100
unidades de longitud), el error de ajuste es realmente bajo (del orden del 1%), lo que indica que
la conversin de la curva propuesta original en B-Spline se ha realizado con gran xito y que,
por tanto, el error de comparacin calculado por el mtodo BSC es, en este caso, fiable.
Curva
A vs. B
B vs. A
r
LSOP
MPE
PD PDCP1 PDCP2 PDCP3
CC
ABC
BSC BSC(Err. Aj.)
0.00038 0.00033 0.03332 0.02748 0.07253 0.14251 0.48762 0.01509 0.01406
1.489705
0.00038 0.00033 0.03332 0.02748 0.07253 0.14251 0.48762 0.01509 0.01406
0.790939
0.0%
0.6%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
Tabla 3.14. Resultados del ensayo de conmutabilidad.
Los resultados indican que prcticamente todos los mtodos cumplen el requisito de
conmutabilidad. Sin embargo, otros ensayos han revelado la posibilidad de que no se cumpla
este requisito. Para ilustrarlo, se analiza esta posibilidad mediante el siguiente ejemplo.
Supngase que se desea comparar dos curvas A y B como las mostradas en la figura
3.26. Si la curva A acta como requerida (figura 3.26a), el punto inicial de la curva ser
determinado como el punto de radio de curvatura mnimo (punto R0) y a partir de este se
obtienen el polgono caracterstico de la curva requerida (en la figura se ha extrado un
polgono de 6 puntos). Posteriormente, se determinan en la curva propuesta todos los puntos
en los que el radio de curvatura tenga un mnimo local dentro de la curva (puntos P0 a P2,
ordenados de menor a mayor radio de curvatura). De entre estos se busca el homlogo del
punto R0 en la curva propuesta. Lo cual se realiza mediante el estudio de cual de esos puntos
(cuando es utilizado como punto de partida) proporciona un polgono caracterstico lo ms
parecido posible al de la curva requerida. Al hacer esto en este ejemplo se encuentra que,
segn cada mtodo, se obtiene un mejor resultado en la comparacin cuando el punto P1 se
toma como punto homlogo del punto R0 y as se obtiene el polgono mostrado en la curva
134
Captulo 3
propuesta de la figura 3.26a. Comparando esos polgonos (o sus vrtices, y/o las propiedades
de la curva en sus vrtices) se obtendr el error de comparacin segn cada mtodo.
Si ahora se invierten los papeles de las curvas (figura 3.26b), el punto de radio de
curvatura mnimo de la curva requerida (que ahora es la curva B) es el punto R0 y a partir de
ste se extrae el polgono caracterstico de esa curva. Por su parte, se evalan los radios de
curvatura mnimos locales dentro de la curva propuesta (que ahora es la curva A) y se obtienen
los puntos P0 a P3 (ordenados de menor a mayor radio de curvatura). Se extrae el polgono
caracterstico asociado a cada punto y se evala (segn cada mtodo) cual es el ms parecido
al polgono caracterstico de la curva requerida). Finalmente, se concluye que el ms parecido
es el polgono asociado al punto P1.
En conclusin, cuando la curva A acta como curva requerida, se comparan los
polgonos caractersticos de la figura 3.26a, mientras que cuando la B acta como curva
requerida se comparan los de la figura 3.26b. Como ambos polgonos no son iguales, los
resultados no coincidirn en ambos casos, por lo que no se cumplir en general el
requisito de conmutabilidad.
Figura 3.26. Modificacin de los polgonos caractersticos obtenidos al cambiar los roles de las curvas comparadas en
cuanto a cual acta como curva propuesta y cual como requerida.
135
determinar, por ejemplo, cual es el radio de curvatura mnimo en ambas curvas y el menor de
ambos decidir cual es la curva que acta como requerida, siendo la otra la propuesta. Este
procedimiento es insensible a intercambios en el rol de las curvas. Sin embargo, esto
supondra que cuando se desea comparar diferentes curvas propuestas con una misma curva
requerida (que es el caso de la sntesis aproximada de mecanismos para generacin de
trayectoria), en cada comparacin se tendra que evaluar de nuevo el polgono caracterstico
de la curva requerida, lo que duplicara el coste computacional. Debido a esto, y por ser ste un
requisito de escasa importancia en comparacin con otros en lo que a sntesis de
mecanismos se refiere, se ha optado por no modificar la metodologa y asumir que el requisito
no se cumplir en algunos casos.
136
Captulo 3
137
Figura 3.27 (continuacin). Curvas propuestas en el ensayo de comportamiento frente a cambio de tamao.
Curva
Escal1
Escal2
Escal3
Escal4
Escal5
LSOP
0
0
0
0
0
MPE
0
0
0
0
0
CC
ABC
BSC BSC(Err. Aj.)
0 3.0E-06 2.3E-05
1.598280
0
0 2.4E-05
1.790093
0
0 2.6E-05
2.168568
0 3.0E-06 3.1E-05
3.525317
0 3.0E-06 4.0E-04
6.497065
Tabla 3.15. Resultados del ensayo de comportamiento frente a cambio de tamao de la curva.
138
Captulo 3
Posic01
Punto
0
1
2
3
Posic02
Y
5.00000
5.000000
101.59258 30.881905
75.71068 127.474487
66.05142 124.886297
X
10.000000
96.602540
46.602540
37.942286
Posic03
Y
10.000000 20.000000
60.000000 70.000000
146.602540 -16.602540
141.602540 -21.602540
Y
20.000000
106.602540
156.602540
147.942286
Posic04
X
Y
30.0 30.0
30.0 130.0
-70.0 130.0
-70.0 120.0
Tabla 3.16. Coordenadas de los vrtices de los polgonos de control de las curvas propuestas en el ensayo de
comportamiento frente a cambio de posicin.
139
Figura 3.28. Curvas propuestas en el ensayo de comportamiento frente a cambio de posicin y orientacin.
Como en los ensayos anteriores, en este ensayo se propone comparar las curvas
propuestas con la requerida utilizando 8 puntos de precisin en los mtodos discretos.
Los resultados de este ensayo se muestran en la tabla 3.17. En ella se observa que
todos los mtodos son insensibles a los cambios de posicin y orientacin de las curvas
comparadas pues no detectan diferencia alguna entre las curvas propuestas y la requerida,
siendo stas diferentes en posicin y orientacin. Asimismo, al ejecutar el mtodo BSC, se
observa que el error de ajuste en la conversin de las curvas propuestas en B-Splines es muy
pequeo (comparado con el tamao de las curvas), por lo que la conversin se ha realizado
con gran precisin y el error de comparacin calculado por este mtodo es fiable.
Curva
Posic1
Posic2
Posic3
Posic4
LSOP
0
0
0
0
MPE
0
0
0
0
CC
ABC
0 3.0E-06
0 3.0E-06
0
0
0
0
Tabla 3.17. Resultados del ensayo de comportamiento frente a cambio de posicin y orientacin.
140
Captulo 3
141
142
Captulo 3
143
144
Captulo 3
Vrtice
Curva
Req.
Def01
Def02
Def03
Def04
Def05
Def06
Def07
Def08
Def09
Def10
Def11
Def12
Def13
Def14
Def15
Def16
Def17
Def18
Def19
0
X
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
1
Y
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
X
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
90.0
80.0
70.0
60.0
50.0
40.0
30.0
20.0
15.0
10.0
2
Y
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
X
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
3
Y
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
X
90.0
85.0
80.0
70.0
60.0
50.0
40.0
30.0
20.0
10.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
Y
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
Tabla 3.18. Vrtices de los polgonos de control de las B-Splines utilizadas como curvas propuestas en el ensayo de
deformacin progresiva de la curva.
145
diferente posicin y con diferente orientacin. Por tanto, la curva Def10 ser igual a la curva
Def09, la curva Def11 ser igual a la Def08 y as sucesivamente hasta llegar a la curva Def19
que ser igual a la curva requerida. De esta forma, al comparar las curvas Def01 a Def19 con
la curva requerida segn los diferentes mtodos, estos debern arrojar errores de comparacin
partiendo de valores muy cercanos a cero hacia valores en aumento (mximo en Def09) para
luego, volver a disminuir (con la misma tendencia con la que aument) hasta llegar a un valor
nulo en Def19.
Tras la realizacin del ensayo, comparando cada una de las curvas propuestas con la
curva requerida y utilizando 8 puntos de precisin en los mtodos discretos, se han obtenido
los resultados se muestran en la tabla 3.19.
Curva
Req
Def01
Def02
Def03
Def04
Def05
Def06
Def07
Def08
Def09
Def10
Def11
Def12
Def13
Def14
Def15
Def16
Def17
Def18
Def19
LSOP
0.0000
0.0000
0.0000
0.0002
0.0004
0.0007
0.0010
0.0014
0.0018
0.0022
0.0022
0.0018
0.0014
0.0010
0.0007
0.0004
0.0002
0.0000
0.0000
0.0000
MPE
0.0000
0.0000
0.0000
0.0002
0.0003
0.0006
0.0009
0.0012
0.0015
0.0018
0.0018
0.0015
0.0012
0.0009
0.0006
0.0003
0.0002
0.0000
0.0000
0.0000
CC
0.0000
0.0278
0.0958
0.2855
0.4876
0.6680
0.8060
0.9096
1.0297
1.0884
1.0884
1.0296
0.9096
0.8060
0.6680
0.4876
0.2855
0.0958
0.0278
0.0000
ABC
0.0000
0.0028
0.0055
0.0104
0.0151
0.0194
0.0235
0.0271
0.0303
0.0317
0.0317
0.0303
0.0271
0.0235
0.0194
0.0151
0.0104
0.0055
0.0028
0.0000
Los errores de comparacin calculados por los diferentes mtodos, pese a ser todos
adimensionales, no pueden ser comparados de forma absoluta puesto que son calculados
mediante algoritmos que no guardan relacin entre s. Sirven, por el contrario, para comparar
cualitativamente la progresividad de cada mtodo al comparar la misma familia de curvas
propuesta con la curva requerida. Con el fin de mejorar la comparacin se han reescalado los
resultados de cada mtodo (multiplicndolos por una constante) para poder minimizar el error
146
Captulo 3
67
cuadrtico entre estos resultados y los resultados del mtodo ABC, que servir de
68
referencia . Una vez hecho esto, se puede representar grficamente, para cada mtodo, el
error de comparacin obtenido al comparar cada una de las curvas propuestas con la curva
requerida, obteniendo una curva a la que se llamar curva de progresividad del mtodo en este
ensayo (figura 3.30). As, esta curva de progresividad representa, segn el mtodo al que
corresponde, la variacin de la forma de las curvas propuestas con respecto a la curva
requerida.
Tal como se ha razonado anteriormente, la curva de progresividad de los diferentes
mtodos en este ensayo deber ser simtrica y as se verifica en la figura 3.30.
1.30
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
ABC
BSC
1.20
Error de comparacin normalizado
1.10
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
Def19
Def18
Def17
Def16
Def15
Def14
Def13
Def12
Def11
Def10
Def09
Def08
Def07
Def06
Def05
Def04
Def03
Def02
Def01
Req
0.00
Curvas propuestas
Figura 3.30. Representacin de los resultados del ensayo 1 de comportamiento frente a deformacin progresiva.
67
(k
n
i =1
mtodo m,
Ci
Ci m
Ci
ABC
el error de comparacin de la curva i-sima con la requerida mediante el mtodo m, k una constante de
Ci
ABC
147
En dicha figura, se observa cmo la progresividad indicada por todos los mtodos
excepto los mtodos PDCP2, PDCP3 y CC es muy similar, teniendo estos ltimos un
comportamiento ms cercano al del mtodo de referencia (mtodo ABC).
Con el fin de cuantificar la correlacin entre cada mtodo y el mtodo referencia ABC,
67
se ha determinado el error cuadrtico . Este error cuadrtico (minimizado anteriormente
mediante el reescalado de cada uno de los mtodos discretos) es un buen indicador de la
diferencia de comportamiento de cada mtodo en relacin al mtodo ABC. Tales resultados se
muestran en la figura 3.31. En ella se observa cmo los mtodos PDCP2, PDCP3 y CC tienen
un comportamiento mucho ms cercano al mtodo ABC que el resto de mtodos. De estos
tres, ninguno destaca sensiblemente sobre los dems y puede decirse que su comportamiento
es igualmente bueno.
0.12
0.11
0.10
0.09
0.08
0.07
0.06
0.0501
0.05
0.04
0.0301
0.03
0.0254
0.0236
0.0264
0.02
0.01
0.0029
0.0039
0.0016
0.00
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
Mtodos de comparacin de curvas
CC
BSC
Figura 3.31. Error cuadrtico de cada mtodo discreto con respecto al mtodo ABC.
148
Captulo 3
En efecto, en el ensayo anterior se utilizaron curvas sin puntos dobles y con una nica
vuelta de la tangente. Adems, las curvas utilizadas se caracterizaban por no tener ningn
punto de inflexin de la curvatura. Sin embargo, las curvas generadas por los mecanismos de
barras tradicionales mecanismo de cuatro barras, mecanismo biela-manivela, mecanismo de
cinco barras con engranajes, etc. no son nicamente curvas de esa complejidad, sino que
estos mecanismos tambin generan otras de diferente complejidad.
As, este ensayo es representativo del comportamiento de los mtodos al comparar
curvas del tipo de las que generan estos mecanismos tradicionales. Para ello se ha
seleccionado como curva requerida una B-Spline cbica con un punto doble y ninguna vuelta
completa de la tangente. Esta curva se comparar con una serie de curvas propuestas
obtenidas mediante deformacin progresiva de la curva requerida.
La curva requerida que se propone para este ensayo es una B-Spline cbica con un
polgono de control de 6 vrtices. Representaciones de esta curva y de su polgono de control
pueden observarse en la figura siguiente:
Esta curva requerida ser comparada con diferentes curvas propuestas que son
tambin B-Splines cbicas y con polgonos de control de 6 vrtices. Sus representaciones
grficas y la de sus polgonos se muestran en la figura 3.33. En ella se observa cmo se parte
de una curva DefA y se va incrementando su parecido a la curva requerida hasta llegar a la
curva DefF (que es muy similar a la requerida) para luego volver a incrementar la diferencia
desde la curva DefG hasta la DefL.
149
Figura 3.33. Curvas propuestas para en el ensayo 2 de comportamiento frente a deformacin progresiva (continua).
150
Captulo 3
Figura 3.33 (continuacin). Curvas propuestas en el ensayo 2 de comportamiento frente a deformacin progresiva.
151
Curva
DefA
DefB
DefC
DefD
DefE
DefF
Req
DefG
DefH
DefI
DefJ
DefK
DefL
LSOP
0.0009
0.0008
0.0005
0.0002
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0001
0.0001
0.0002
MPE
0.0002
0.0001
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
CC
0.7689
0.6519
0.4051
0.2616
0.0760
0.2176
0.0000
0.1510
0.2327
0.3126
0.3929
0.4743
0.6426
ABC
0.0116
0.0090
0.0061
0.0047
0.0031
0.0016
0.0000
0.0033
0.0049
0.0065
0.0082
0.0098
0.0130
Tabla 3.20. Coordenadas de los vrtices del polgono de control de las curvas propuestas en el ensayo 2 de
comportamiento frente a deformacin progresiva.
Captulo 3
152
1.6
1.5
1.4
1.3
1.2
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
ABC
BSC
DefA
DefB
DefC
DefD
DefE
DefF
Req
DefG
DefH
DefI
DefJ
DefK
DefL
Curvas propuestas
Figura 3.34. Representacin de los resultados del ensayo 2 de comportamiento frente a deformacin progresiva.
0.12
0.1303
0.11
0.10
0.0851
0.09
0.0836
0.0764
0.08
0.07
0.06
0.0464
0.05
0.0398
0.04
0.03
0.0185
0.02
0.0124
0.01
0.00
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
Mtodos de comparacin de curvas
CC
BSC
Figura 3.35. Error cuadrtico de cada mtodo discreto con respecto al mtodo ABC en el ensayo 2 de comportamiento
frente a deformacin progresiva.
153
Esta figura indica que los mtodos de comportamiento ms realista (en el sentido de
ms parecidos al comportamiento del mtodo ABC) son el mtodo CC, el mtodo PDCP3 y el
mtodo PDCP1. Sin embargo, en esta figura no se han tenido en cuenta otras consideraciones
importantes como son la regularidad de la curva de progresividad de cada mtodo o la
existencia de mnimos locales no correspondientes a la realidad. Este ltimo aspecto es
considerado de especial importancia debido a que, como se ha comentado, puede conducir a
resultados errneos (falsos ptimos) en la optimizacin.
154
Captulo 3
Figura 3.37. Curvas propuestas en el ensayo 3 de comportamiento frente a deformacin progresiva (continua).
155
Figura 3.37 (continuacin). Curvas propuestas en el ensayo 3 de comportamiento frente a deformacin progresiva.
Tras la comparacin de las diferentes curvas con la requerida, los resultados son
mostrados en la tabla 3.21.
156
Captulo 3
Curva
Req
Curva1
Curva2
Curva3
Curva4
Curva5
Curva6
Curva7
Curva8
Curva9
Curva10
LSOP
0.0000
0.0000
0.0001
0.0002
0.0003
0.0004
0.0003
0.0002
0.0001
0.0000
0.0000
MPE
0.0000
0.0000
0.0001
0.0001
0.0002
0.0004
0.0002
0.0001
0.0001
0.0000
0.0000
CC
0.0000
0.0762
0.4940
0.6845
0.4634
0.6269
0.4636
0.6845
0.4940
0.0762
0.0000
ABC
0.0000
0.0031
0.0060
0.0090
0.0119
0.0146
0.0119
0.0090
0.0060
0.0031
0.0000
Si se escalan los diferentes mtodos con el fin de que el error cuadrtico con respecto
al mtodo ABC sea mnimo tal como se describi en el ensayo 1 de progresividad, los
resultados son mostrados grficamente en la figura 3.38.
1.3
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
ABC
BSC
1.2
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
Req
Curva1
Curva2
Curva3
Curva7
Curva8
Curva9
Curva10
Figura 3.38. Representacin de los resultados del ensayo 3 de comportamiento frente a deformacin progresiva.
157
En ella se observa una curva de progresividad irregular para los mtodos PDCP2,
PDCP3 y CC. Estos mtodos presentan mnimos locales que no existen en la realidad, lo que
denota un gradiente poco realista.
El resto de mtodos tienen un comportamiento similar y ms o menos parecido al
comportamiento del mtodo de referencia (ABC).
Con el fin de cuantificar el parecido de cada mtodo con el mtodo ABC, se representa
el error cuadrtico (figura 3.39) de cada uno de los mtodos. Se observa un error elevado para
el mtodo PDCP2, mientras que el resto de mtodos presentan valores similares. Entre los
mejores se encuentran los mtodos BSC, PDCP3 y PDCP1, seguidos de cerca por el resto. Sin
embargo, esta grfica es deficiente en la representacin de la calidad de los mtodos, ya que
no incluye otras caractersticas como la irregularidad o mnimos locales inexistentes en las
curvas de progresividad.
0.12
0.1887
0.11
0.10
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.0334
0.0204
0.0238
0.0232
0.02
0.0201
0.0174
0.0126
0.01
0.00
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
Mtodos de comparacin de curvas
CC
BSC
Figura 3.39. Error cuadrtico de cada mtodo discreto con respecto al mtodo ABC en el ensayo 3 de comportamiento
frente a deformacin progresiva.
158
Captulo 3
3.4 (pgina 70), una de las caractersticas del mtodo discreto ideal es que el resultado
obtenido al comparar dos curvas sea independiente del nmero de puntos que se utilice para
realizar tal comparacin. Sin embargo, este ideal no es alcanzable y lo nico que se puede
exigir en la prctica es que los mtodos discretos sigan determinada tendencia de forma
estable cuando, comparando dos curvas, el nmero de puntos considerado crezca. Por lo
tanto, del ideal anteriormente enunciado se desprende un criterio de evaluacin: el mejor
mtodo discreto ideal (desde el punto de vista de la estabilidad) ser aquel que alcance la
69
estabilidad con un nmero menor de puntos de comparacin.
As pues, para realizar este ensayo, se debe seleccionar una curva propuesta y
compararla con la curva requerida variando el nmero de puntos de comparacin. Una
representacin grfica de los resultados obtenidos nos permitir observar la tendencia y el
70
umbral de estabilidad .
Con el fin de realizar un estudio completo, se ha realizado el ensayo de estabilidad con
tres curvas: la curva Def03, la Def06, y la Def09 (figura 3.29). Se han comparado cada una de
estas curvas con la curva requerida (figura 3.24) variando el nmero de puntos de comparacin
considerado desde 3 hasta 40. Los resultados obtenidos (normalizados para que su intervalo
de variacin sea [0,1]) se representan en las figuras 3.40, 3.41 y 3.42 (para las curvas Def03,
Def06 y Def09, respectivamente). En ellas se observa la curva de comportamiento de cada
mtodo para cada curva frente al nmero de puntos considerado.
Antes de analizar los resultados se ha de tener en cuenta que el umbral de estabilidad
de un mtodo depende del tipo de curvas que compare. En efecto, para un mismo mtodo si la
curva es muy simple, este umbral ser bajo mientras que si la complejidad de la curva es
elevada, el umbral ser ms alto. Las curvas utilizadas en este ensayo son de una misma
complejidad y, por lo tanto, los umbrales de los mtodos cuando comparan estas curvas
pueden ser contrastados directamente.
De los resultados se desprende que la mayora de los mtodos alcanzan una
estabilidad relativamente elevada con un nmero de puntos entre 10 y 15, siendo necesarios
ms puntos para los mtodos PDCP2 y BSC.
Se observan, asimismo, grandes oscilaciones que perduran cuando el nmero de
puntos crece para el mtodo PDCP2. Las causas de esta gran oscilacin son descritas en 3.8.
69 Se considera que un mtodo, cuando es utilizado para comparar dos curvas variando el nmero de puntos, ha alcanzado la
estabilidad cuando se ha alcanzado un nmero de puntos de comparacin lo suficientemente elevado como para que el mtodo
siga determinada tendencia sin fluctuaciones.
70
159
1.1
1.0
0.9
0.8
0.7
0.6
0.5
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
BSC
0.4
0.3
0.2
0.1
0.0
0
10
15
20
25
Nmero de puntos de comparacin
30
35
40
Figura 3.40. Variacin del error de comparacin de la curva Def03 con la curva requerida por los diferentes mtodos
cuando vara el nmero de puntos de comparacin.
1.1
1.0
0.9
0.8
0.7
0.6
0.5
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
BSC
0.4
0.3
0.2
0.1
0.0
0
10
15
20
25
Nmero de puntos de comparacin
30
35
40
Figura 3.41. Variacin del error de comparacin de la curva Def06 con la curva requerida por los diferentes mtodos
cuando vara el nmero de puntos de comparacin.
160
Captulo 3
1.1
1.0
0.9
0.8
0.7
0.6
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
BSC
0.5
0.4
0.3
0.2
0.1
0.0
0
10
15
20
25
Nmero de puntos de comparacin
30
35
40
Figura 3.42. Variacin del error de comparacin de la curva Def09 con la curva requerida por los diferentes mtodos
cuando vara el nmero de puntos de comparacin.
161
de comparaciones entre curvas que se va a llevar a cabo es tan elevado que resulta
especialmente importante realizar una evaluacin comparativa del coste computacional de los
mtodos.
El coste computacional se expresa en unidades de tiempo (segundos) y en el presente
caso, depende de muchos factores, como por ejemplo la potencia de clculo del ordenador
utilizado, de la complejidad de las curvas comparadas, del nmero de puntos considerado, etc.
No tiene objeto, por tanto, evaluar este coste computacional en trminos absolutos y s en
trminos relativos.
Con el objetivo de recabar la mxima informacin posible en cuanto al coste
computacional, se ha estudiado su evolucin respecto al nmero de puntos considerados. Para
ello, se ha considerado los mismos ejemplos que en el ensayo de estabilidad, prestando
atencin al coste computacional de los mtodos cuando el nmero de puntos vara entre 3 y
40.
70
0.35
60
0.3
50
0.25
40
0.2
30
LSOP(Eje 1)
PDCP1(Eje 1)
CC(Eje 1)
0.15
0.1
MPE(Eje 1)
PDCP2(Eje 1)
BSC(Eje 2)
PD(Eje 1)
PDCP3(Eje 1)
20
80
0.4
Eje 1. Coste computacional (seg)
0.45
10
0.05
0
0
0
10
15
20
25
Nmero de puntos de comparacin
30
35
40
Figura 3.43. Variacin del coste computacional al comparar la curva Def03 con la curva requerida por los diferentes
mtodos cuando vara el nmero de puntos de comparacin.
162
Captulo 3
80
0.7
0.6
MPE(Eje 1)
PDCP2(Eje 1)
BSC(Eje 2)
PD(Eje 1)
PDCP3(Eje 1)
70
60
0.5
50
0.4
40
0.3
30
0.2
20
0.1
LSOP(Eje 1)
PDCP1(Eje 1)
CC(Eje 1)
10
0
0
10
15
20
25
Nmero de puntos de comparacin
30
35
40
Figura 3.44. Variacin del coste computacional al comparar la curva Def06 con la curva requerida por los diferentes
mtodos cuando vara el nmero de puntos de comparacin.
1.2
60
PD(Eje 1)
PDCP1(Eje 1)
PDCP2(Eje 1)
PDCP3(Eje 1)
CC(Eje 1)
MPE(Eje 1)
BSC(Eje 2)
50
0.8
40
0.6
30
0.4
20
0.2
LSOP(Eje 1)
10
0
0
10
15
20
25
Nmero de puntos de comparacin
30
35
40
Figura 3.45. Variacin del coste computacional al comparar la curva Def09 con la curva requerida por los diferentes
mtodos cuando vara el nmero de puntos de comparacin.
163
164
Captulo 3
165
PDCP1, cuyo error cuadrtico respecto al mtodo ABC flucta un 68.5% respecto al valor medio
en los tres ensayos de progresividad.
2 ensayo 1
2 ensayo 2
2 ensayo 3
Valor medio
Diferencia mxima
r (respecto valor medio)
LSOP
0.0301
0.1303
0.0204
0.0603
0.1099
182.2%
MPE
0.0254
0.0851
0.0238
0.0448
0.0612
136.7%
PD
0.0236
0.0464
0.0232
0.0311
0.0232
74.6%
PDCP1
0.0264
0.0398
0.0201
0.0288
0.0197
68.5%
PDCP2
0.0029
0.0764
0.1887
0.0893
0.1859
208.1%
PDCP3
0.0039
0.0185
0.0174
0.0133
0.0146
110.3%
CC
0.0016
0.0124
0.0334
0.0158
0.0319
201.5%
BSC
0.0501
0.0836
0.0126
0.0488
0.0711
145.7%
Tabla 3.22. Tabla comparativa de los errores cuadrticos de los mtodos discretos en los ensayos de progresividad.
166
Captulo 3
puntos, el punto de inflexin estar entre dos puntos, y tambin cuando se consideren 6 7.
Sin embargo al considerar 8 (que es mltiplo de 4), de nuevo un punto estar en el punto de
inflexin. Este es el motivo por el cual el mtodo PDCP2 presenta oscilaciones peridicas
(aunque amortiguadas al aumentar el nmero de puntos) en el ensayo de estabilidad (3.7.8).
Valor
ideal
Cumplimiento de
requisitos
Comportamiento
progresivo
Estabilidad frente a
cambio de tipo de las
curvas comparadas
Estabilidad frente al
nmero de puntos
considerados
Coste computacional
Otros factores
negativos
Todos
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
BSC
Muy
bueno
Regular
Baja
Baja
Baja
Baja
Alta
Baja
Alta
Alta
Baja
Bajo
Bajo
Bajo
Bajo
Bajo
Muy alto
No
No
S72
S72
S72
No
Muy
bueno
Malo
Regular
Bueno
Muy
alta
Baja
Baja
Media/
Baja
Media
Alta
Alta
Alta
Alta
Bajo
Bajo
Medio/
Bajo
No
No
No
Bueno
Malo
Tabla 3.23. Cuadro resumen de evaluacin de los mtodos discretos de comparacin de curvas.
71
72
Como se ha visto, presenta un comportamiento deficiente cuando las curvas comparadas tienen puntos de inflexin.
167
&DStWXOR
&RPSDUDFLyQGHFXUYDVSODQDVDELHUWDV
4.1. Introduccin.
Este captulo est relacionado con la sntesis de mecanismos para la generacin de
tramos abiertos de curva. Aunque en la literatura se ha diferenciado este caso del de
generacin de curvas cerradas en muy pocas ocasiones, el problema muestra ser muy
diferente en su planteamiento si se analiza en profundidad.
Uno de los escasos planteamientos destinados a la sntesis de curvas abiertas es el
trabajo realizado por Akali y Dittrich (Akali y Dittrich, 1989b), los cuales aplicaron el mtodo
de subdominio a la sntesis dimensional de mecanismos planos. Este mtodo se basa en la
obtencin de la ecuacin de desplazamiento de la trayectoria generada por el mecanismo
plano sujeto a sntesis, en funcin de las variables de diseo del mismo, consiguiendo una
ecuacin del tipo:
H ( x , y , t , d1 , d 2 ,
, d ) = 0
n
(4.1)
170
Captulo 4
xi +1
xi
H ( x, y ( x ), t , d1 , d 2 ,
, d ) dx = 0
n
i = 0, 1, ..., m-1
(4.2)
t
x
( x x0 )
(4.3)
171
Figura 4.1. Aplicacin del mtodo de subdominio a la sntesis del mecanismo de 4 barras.
172
Captulo 4
depende de la posicin, orientacin y escala de las curvas, sino que adems depende del
punto de la curva propuesta a partir del cual se superpone la curva abierta. En la figura 4.2 se
muestra una curva abierta y tres posibilidades de adaptacin de sta en una curva propuesta
(en este caso cerrada). Como se observa, variando la posicin, orientacin y escala de la curva
abierta se pueden conseguir numerosas posibilidades de adaptacin de las que habr que
seleccionar la ptima.
173
73
linealidad de la funcin objetivo en el espacio de diseo . Por otro lado el espacio de diseo
aadido puede contener varios mnimos locales considrese que la curva requerida puede
adaptarse a la curva propuesta segn diferentes posibilidades, tal como muestra la figura 4.2
los cuales se combinan con los ya existentes en espacio de diseo del problema de sntesis al
aadir las nuevas dimensiones correspondientes al problema de superposicin.
Consecuentemente, en el nuevo espacio de diseo habra aumentado la no linealidad y el
nmero de mnimos locales de una forma no despreciable, con lo que el problema de
optimizacin se complicara, reducindose la probabilidad de encontrar el ptimo global del
problema de sntesis.
Otra posibilidad es separar ambos problemas de optimizacin y realizar por un lado la
optimizacin de la adaptacin de la curva (abierta) requerida sobre la propuesta y, por otro, la
optimizacin de las dimensiones del mecanismo. Esta opcin es ventajosa cuando lo que se
persigue es encontrar el ptimo global ya que se independizan los mnimos locales de uno y
otro problemas de optimizacin. Sin embargo, utilizando esta estrategia se incluye la
optimizacin de la adaptacin dentro de la funcin objetivo del problema de sntesis
dimensional, lo que puede incrementar el coste computacional. Ser necesario, pues, formular
el problema de optimizacin de la adaptacin prestando especial atencin a este coste
computacional.
73 Ya que, como se comprobar ms adelante, el problema de superposicin ptima se caracteriza por una elevada falta de
linealidad.
174
Captulo 4
caso: el mtodo de comparacin de una curva abierta (requerida) con una curva abierta o
cerrada (propuesta) debe indicar que no existe ninguna diferencia cuando la primera curva
abierta sea exactamente igual a un tramo de la segunda curva. As pues, para el cumplimiento
de este requisito el mtodo de comparacin debe, primeramente, ser capaz de encajar la curva
requerida dentro de la propuesta en la posicin, orientacin y escala adecuadas para que
ambas curvas coincidan perfectamente en el intervalo ocupado por la requerida.
Posteriormente se ha de cuantificar la diferencia entre ambas curvas obteniendo, lgicamente,
un valor nulo. La dificultad en el cumplimiento de este requisito estriba, por tanto, en realizar la
adaptacin perfecta de la curva abierta requerida sobre la curva propuesta.
Por otro lado y como ocurriera con la comparacin de curvas cerradas, si la
comparacin realizada no es de tipo continuo es decir, es una comparacin que se realiza en
puntos discretos, es un requisito aconsejable que el mtodo de comparacin sea lo ms
independiente posible del nmero de puntos considerados en la discretizacin. Como es
probable que en los mtodos propuestos no se llegue al ideal de independencia total, este
criterio servir para calificar a los diferentes mtodos segn stos se acerquen menos o ms a
la independencia ideal.
74
Ya que al partir en dos las dimensiones del espacio de diseo global, este se reduce considerablemente (vase captulo 5).
175
75
Es decir, se considera que cada una de las dos curvas involucradas en la comparacin son recorridas en un nico sentido.
76
De esta forma se logra que sea tambin independiente del tamao de la curva.
77
Dos curvas, aunque sean muy parecidas, pueden ser ligeramente diferentes en un entorno cercano a sus puntos de inflexin.
En tal caso, la comparacin de los radios de curvatura es la comparacin de dos valores que tienden a infinito y su diferencia
ser un valor muy elevado. En tal caso, el radio de curvatura por s solo indica que las curvas no se parecen cuando en realidad
son muy parecidas.
176
Captulo 4
Figura 4.3. Ejemplo de curva cerrada plana con un punto de partida y recorrida en un sentido.
177
7
6
(rad)
5
4
3
2
1
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
s/L
Figura 4.4. Curva de evolucin de la tangente (CET) para la curva plana mostrada en la figura 4.3.
1
n
(
n 1
i =0
(4.4)
178
Captulo 4
Sin embargo, para que las curvas se parezcan, se ha de girar la curva requerida con el
fin de que tenga la misma orientacin que el tramo de curva propuesta en el intervalo
considerado. Una posibilidad de conseguir esto es haciendo coincidir la orientacin de la
tangente a la curva requerida en el punto inicial con la tangente a la curva propuesta en el
primer punto del intervalo considerado. Pero la tcnica puede mejorarse si se ubica
correctamente toda la curva requerida sobre la propuesta para que la diferencia entre sus
CETs sea mnima. Esto, fsicamente, significa variar la orientacin de la curva requerida para
que coincida al mximo (minimizando la suma de diferencias al cuadrado) con la orientacin
del tramo de curva propuesta. Y en la grfica de la curva de evolucin de la tangente a la curva
requerida significa subir la curva de evolucin o bajarla arbitrariamente en el eje de ordenadas
sin modificar su aspecto para que coincida al mximo con la CET correspondiente a la curva
propuesta.
En tal caso, la ecuacin (4.4) puede transformarse en
FTE =
1
n
[(
n 1
i =0
) ]
+ d
(4.5)
donde el valor de d se calcula para que FTE sea mnimo (y, por tanto, representa el
desplazamiento de la referencia de ngulos en la curva requerida para el ajuste por mnimos
cuadrados).
179
n 1
1
n i =0
n 1
i =0
(4.6)
i j 0 n 1 < ref
78
(4.7)
La distribucin uniforme de puntos a lo largo de la longitud de la curva exige plantear la integral de longitud que es, con
diferencia, computacionalmente ms costosa que el resto de operaciones involucradas en el mtodo de comparacin.
180
Captulo 4
es decir, siempre que la diferencia entre el ngulo girado por la tangente desde el punto i hasta
el j ( i j ) en la curva propuesta y el ngulo girado desde el punto inicial (0) hasta el final (n-1)
en la curva propuesta sea menor que un cierto valor de referencia.
Diferentes ensayos han demostrado que un ngulo de referencia (ref) del orden de 20
permite que el mtodo tenga un comportamiento adecuado para la gran mayora de los casos.
Finalmente, variando el punto inicial i desde 0 hasta n-1 y para cada punto i evaluando
mediante la ecuacin (4.5) todos los puntos finales j que cumplen la ecuacin (4.7), se
obtiene la pareja de puntos inicial-final que permiten una superposicin ptima (y tambin el
valor de la superposicin).
Es posible representar el mejor error de comparacin obtenido (al variar los puntos
finales dentro de los que cumplen la ecuacin (4.7)) en funcin del punto inicial considerado. As
se obtiene una grfica que representa la mejor superposicin posible (de acuerdo con este
criterio) en funcin del punto inicial considerado en la curva. Como ejemplo, en la superposicin
de la curva abierta mostrada en la figura 4.5 sobre la curva cerrada de la figura 4.3, se obtiene
una grfica de error mostrada en la figura 4.6.
0.16
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
0
0.1
0.2
0.3
0.4
0.5
s/L
0.6
0.7
0.8
0.9
Figura 4.6. Error de comparacin en funcin del punto inicial de superposicin de las curvas.
181
este caso la oscilacin fundamental presenta 3 mnimos locales, uno de los cuales es
considerablemente mejor que los dems. Adems, el valor del ptimo es muy cercano a 0, lo
que indica que en la superposicin ptima existe una gran coincidencia en el trazado de ambas
curvas.
En la figura 4.7 se muestra la superposicin ptima lograda con este mtodo y una
discretizacin de la curva propuesta en 200 segmentos.
182
Captulo 4
Figura 4.8. Adaptacin del polgono caracterstico de la curva requerida en la curva propuesta partiendo de un punto de
la misma.
183
base a la longitud de la curva. Para ello se propone dividir dicha longitud en tantos tramos
como nmero de puntos se desee en el polgono menos 1.
En la figura 4.8 se muestra una curva abierta requerida. De ella se obtiene un polgono
caracterstico considerando 5 puntos. Partiendo de un punto (P0) de la curva propuesta se
realiza una adaptacin del polgono (siguiendo criterios que se explicarn seguidamente) y se
obtiene el polgono adaptado. A continuacin se propone cuantificar la superposicin de la
curva requerida partiendo del punto P0 y midiendo las diferencias entre los polgonos de forma
similar a como se hizo en el captulo 3. Una vez hecho esto, se puede obtener el punto de
partida que genera un polgono adaptado mejor (en el sentido de que se parezca ms al
polgono caracterstico). Ser necesario comprobar mediante ensayos si ese punto
corresponde con la mejor superposicin de las curvas (o, al menos con un ptimo cercano al
global).
> A
i = 1, 2, ..., n-2
Li
i = 0, 1, ..., n-2
i = 0, 1, ..., n-2
184
Captulo 4
Cada una de las magnitudes est asociada a cada uno de los vrtices del polgono
desde el primero (0) hasta el penltimo (n-2), a excepcin del ngulo que no tiene valor
asociado al primer vrtice. Sin embargo, la longitud de los segmentos Li no es una magnitud
independiente de la escala, por lo que debe ser sustituida por otra que si lo sea. En su lugar se
utiliza la variable
Rai =
Li
Li 1
anterior.
(4.8)
que est asociada a cada uno de los vrtices del polgono salvo el primero y el ltimo y que es
adimensional e independiente de posicin, orientacin y escala.
El mtodo propuesto para la generacin del polgono adaptado consiste en colocar
cada segmento del polgono adaptado en la curva propuesta a partir del anterior de forma que
el valor de alguna de las variables mencionadas en el polgono que se est generando sea el
185
mismo que en el polgono caracterstico. A excepcin del primer segmento que, como no
cuenta con un segmento anterior en el que basarse, es posible que resulte necesario emplear
ms de una variable para su orientacin.
Mtodo
AlfaRaAlfa
AlfaRaRa
BetaAlfa
BetaBeta
BetaRa
79
La variante restante incluyendo esas variables, AlfaRaBeta, no se ha incluido porque se ha comprobado mediante ensayos que
presenta un comportamiento deficiente y no resulta ilustrativa.
186
Captulo 4
punto. De esta forma, se puede utilizar esa tangente como referencia angular (mtodos
BetaAlfa, BetaBeta y BetaRa). Si no se opta por el uso del ngulo con respecto a la tangente,
sern necesarias dos magnitudes para determinar la ubicacin del primer segmento. En tal
caso solo queda la alternativa de ubicar los dos primeros segmentos (determinando los puntos
P1 y P2, figura 4.8) de forma que se conserven los valores de 1 y Ra1 del polgono
caracterstico. Tras la ubicacin de los dos primeros segmentos, el resto de segmentos cuentan
con su inmediato anterior como referencias, por lo que es posible obtener el punto final de cada
uno de ellos de una forma sencilla, involucrando una nica variable. Realizando el
procedimiento de forma secuencial se puede determinar completamente el polgono adaptado
asociado a ese punto de partida P0.
Es necesario hacer notar que, partiendo de un punto del polgono adaptado, la
determinacin del punto siguiente involucra un proceso de optimizacin, ya que no es posible
obtener de una forma directa el punto de la curva que proporcionar el ngulo o la relacin de
segmentos adecuada. Por ejemplo, si se pretende determinar la posicin del punto P2 a partir
del punto P1 de forma que se conserve el ngulo 1, se parte de P1 y se prueban
secuencialmente los puntos siguientes (en el sentido de avance considerado) y se determina el
ngulo que cada uno de ellos supondra. Se continua la iteracin hasta que se sobrepasa el
ngulo buscado. Luego se utiliza un algoritmo de Regula Falsi para la determinacin de la
posicin del punto P2 con la precisin requerida.
Como cada uno de los mtodos de adaptacin determina el segmento siguiente del
polgono basndose en una magnitud diferente, los polgonos adaptados que cada uno de ellos
genera sern en general diferentes. En la figura 4.10 se observa el resultado obtenido al
adaptar el polgono caracterstico en la curva propuesta mostrada en la figura 4.8, partiendo de
un mismo punto P0 y segn cada uno de los mtodos de adaptacin estudiados.
187
188
Captulo 4
FPDCP1 =
n2
1 1
Ra Ra
i
i
3 n 2 i =1
) + ( (
2
ang
i , i
)) + n 1 1 ( (
n2
ang
i , i
i=0
))
(4.9)
donde los valores representados con el smbolo () corresponden a magnitudes medidas sobre
el polgono caracterstico de la curva abierta requerida y las otras corresponden a magnitudes
medidas sobre el polgono adaptado en la curva propuesta. La funcin ang() permite cuantificar
la diferencia entre dos ngulos y ha sido definida de forma que su resultado tienda a infinito
cuando dicha diferencia angular tienda a (vase definicin en ecuacin (3.30)).
La ecuacin (4.9) esta est asociada al punto de partida en la curva propuesta. Como se
hiciera con el mtodo TE, es posible representar el valor de dicha funcin a lo largo de la curva
propuesta, es decir, variando el punto de partida dentro de dicha curva. As, para el ejemplo
propuesto en la figura 4.8 y utilizando el mtodo de adaptacin BetaRa, se obtiene una curva
representada en la figura 4.11. Es posible observar cierta similitud entre esta grfica y la
obtenida con el mtodo TE (figura 4.6).
2.0
1.8
1.6
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
s/L
Figura 4.11. Representacin de la variacin de la comparacin PDCP1 a lo largo de la curva propuesta realizando la
adaptacin del polgono segn el mtodo BetaRa.
189
Analizando esta grfica se observa que la adaptacin poligonal presenta tres mnimos
locales fundamentales, siendo uno de ellos el ptimo global. Tambin se observa que la grfica
est dibujada a tramos. Esto es debido a que existen puntos de la curva propuesta a partir de
los cuales (utilizando un el mtodo de adaptacin BetaRa) no es posible obtener el polgono
adaptado porque no ha sido posible (y, en general, no siempre lo ser) obtener todos los
segmentos del mismo o porque, aunque haya sido posible, del punto inicial al punto final se ha
dado ms de una vuelta completa a la curva propuesta. La probabilidad de que ocurra esto
ser mayor en unos mtodos que otros y, consecuentemente, deber ser sometida a estudio.
Sin embargo, el hecho de que esto ocurra no produce ningn perjuicio en el mtodo debido a
que sencillamente se reduce el rango del parmetro t de la curva propuesta dentro del cual se
realizar la bsqueda de la mejor adaptacin y puede ser interpretado considerando que para
esos rangos del parmetro, las curvas se parecen tan poco que la superposicin de las mismas
solamente indicara su escaso parecido.
El rango til de la curva propuesta. El cual se cuantifica como el porcentaje del rango del
parmetro dentro del cual es posible se obtiene un error de comparacin. En el mtodo
TE este rango til ser siempre del 100% debido a que siempre se puede realizar un
ajuste de las CET partiendo de cualquier punto (aun cuando ste no sea un buen ajuste).
Sin embargo, en los mtodos de adaptacin poligonal existirn puntos de partida que no
permitan adaptar el polgono. No es claro a priori si resulta ventajoso que este rango sea
lo ms pequeo posible o lo mayor posible. En el primer caso, ser ms sencillo
encontrar la superposicin ptima ya que se reduce el espacio de diseo en el que hay
que buscarla. Sin embargo, aumentarn los casos en los que el mtodo de
superposicin ptima no encuentre ninguna solucin porque no sea posible adaptar el
polgono partiendo de ningn punto de la curva requerida.
b)
190
Captulo 4
El error ptimo. Que cuantificar el parecido entre las curvas en la mejor superposicin
posible segn cada uno de los mtodos estudiados. Este error es calculado utilizando la
funcin PDCP1 para todos los mtodos de adaptacin poligonal, por lo que su valor se
podr comparar. Sin embargo, el mtodo TE estima el error segn otra formulacin
diferente, por lo que su error solamente podr ser comparado con los anteriores de
forma cualitativa.
d)
e)
f)
80 Para la superposicin ptima de las curvas en los mtodos de adaptacin poligonal (una vez determinado el polgono adaptado
ptimo) se adopta el criterio de hacer coincidir los puntos extremos de la curva abierta requerida con los puntos extremos del
polgono adaptado.
191
4.4.1. Ensayo 1.
En este ensayo se estudia el cumplimiento del requisito de identidad por parte de los
mtodos propuestos en 4.3. Segn este requisito, si la curva requerida abierta es parte de la
curva propuesta es decir, es en realidad un tramo de sta, al utilizar un mtodo para
comparar ambas curvas, ste debe encontrar el tramo de la curva propuesta que es igual al de
la curva requerida y determinar que el error de comparacin es 0.
Como curva propuesta se ha utilizado una B-Spline cbica definida por un polgono de
control de 7 vrtices cuyo parmetro t vara dentro del intervalo [0,7[. La curva requerida se ha
elegido dentro de esa misma B-Spline (es decir, mismas ecuaciones paramtricas) variando su
parmetro u dentro del intervalo [0.5,2.5]. Ambas curvas estn representadas en la figura 4.12.
Partiendo de esos datos se ensayan los diferentes mtodos. Para el mtodo TE se han
considerado 200 puntos (discretizacin) mientras que para los mtodos de adaptacin
poligonal se han considerado 5 puntos. En estos ltimos se ha realizado una bsqueda
81
exhaustiva considerando 50 puntos (discretizacin), para luego optimizar los mejores puntos
y obtener el ptimo global.
81
Tras diferentes pruebas se han observado que este valor resulta aceptable para los mtodos. Un valor ms alto supondra un
aumento del coste computacional y un valor menor supondra una discretizacin demasiado basta que disminuira la probabilidad
de la consecucin del ptimo global.
192
Captulo 4
AlfaRaAlfa
N ptos. del polgono
5
N ptos. discretizacin
50
Rango til
16.0%
N mn. loc. discret.
2
Error ptimo
0.000000
Param. en ptimo
0.50
Area enc./Long.
0.005526
Coste comp. (seg)
0.79
AlfaRaRa
5
50
90.0%
2
0.000000
0.50
0.006295
0.70
BetaAlfa
5
50
33.0%
5
0.000000
0.50
0.005377
0.18
BetaBeta
5
50
65.0%
10
0.000000
0.50
0.003499
0.29
BetaRa
5
50
70.0%
6
0.000000
0.50
0.003789
0.18
TE
200
100.0%
9
0.000032
0.51
0.790067
1.62
0.30
Parmetro t
0.25
4
0.15
Error TE
Parmetro t
5
0.20
0.10
2
0.05
0.00
0
0
0.1
0.2
0.3
0.4
0.5
s/L
0.6
0.7
0.8
0.9
Figura 4.13. Error de comparacin en funcin del punto inicial de superposicin para las curvas del ensayo 1.
193
Figura 4.14. Superposicin ptima de las curvas segn los diferentes mtodos en el ensayo 1.
194
Captulo 4
lo largo de la longitud de la curva con el fin de conocer el valor de este parmetro en cada
mnimo local) y, descartando los mnimos locales debidos a la discretizacin, se observa que la
superposicin de las curvas involucradas en este ensayo presenta 3 mnimos locales
fundamentales (correspondientes a valores del parmetro t iguales a 0.5, 3.8 y 5.1). Se puede
comparar entonces el valor del resto de mtodos con este valor observando el grado de ajuste
de cada uno de ellos.
AlfaRaAlfa
16.0%
8.0%
21.0%
11.0%
12.0%
21.0%
n
5
6
7
8
9
10
AlfaRaRa
90.0%
71.0%
71.0%
69.0%
70.0%
72.0%
195
BetaAlfa
33.0%
12.0%
17.0%
7.0%
16.0%
36.0%
BetaBeta
65.0%
68.0%
64.0%
72.0%
68.0%
68.0%
BetaRa
70.0%
77.0%
81.0%
82.0%
82.0%
82.0%
TE
100.0%
100.0%
100.0%
100.0%
100.0%
100.0%
Tabla 4.3. Rango til frente al nmero de puntos del polgono en el ensayo 1.
n
5
6
7
8
9
10
AlfaRaAlfa
0.500
0.500
0.499
0.500
0.498
0.500
AlfaRaRa
0.500
0.499
0.499
0.500
0.498
0.500
BetaAlfa
0.500
0.500
0.500
0.500
0.500
0.500
BetaBeta
0.500
0.500
0.500
0.500
0.500
0.500
BetaRa
0.500
0.500
0.500
0.500
0.500
0.500
TE
0.510
0.510
0.510
0.510
0.510
0.510
Tabla 4.4. Parmetro asociado al ptimo frente al nmero de puntos del polgono en el ensayo 1.
196
Captulo 4
una recta. Se ha realizado el ajuste minimocuadrtico y las lneas de tendencia han sido
representadas en la figura 4.15. Se observa cmo algunos mtodos tienen un coste
computacional creciente con el nmero de puntos, mientras que en otros permanece
prcticamente estacionario o decrece.
n
5
6
7
8
9
10
AlfaRaAlfa
0.79
0.63
0.59
0.57
0.42
0.42
AlfaRaRa
0.70
0.59
0.53
0.49
0.51
0.52
BetaAlfa
0.18
0.22
0.19
0.20
0.20
0.21
BetaBeta
0.29
0.42
0.40
0.46
0.49
0.58
BetaRa
0.18
0.20
0.20
0.23
0.25
0.26
TE
1.62
1.62
1.62
1.62
1.62
1.62
Tabla 4.5. Coste computacional (seg) frente al nmero de puntos del polgono en el ensayo 1.
197
1.8
TE
1.6
1.4
1.2
1.0
0.8
AlfaRaAlfa
0.6
AlfaRaRa
BetaBeta
0.4
BetaRa
0.2
BetaAlfa
0.0
5
7
8
N de puntos del polgono (n )
10
Figura 4.15. Tendencia del coste computacional al variar el nmero de puntos en el ensayo 1.
De este ensayo se puede concluir que la formulacin de todos los mtodos ocasiona
que stos presenten una tendencia clara hacia el cumplimiento del requisito de identidad. En el
caso del mtodo TE existen limitaciones prcticas debidas a que la necesaria discretizacin
hace que la aproximacin a la solucin ptima real sea funcin del tamao de cada segmento
en dicha discretizacin.
Se observa, asimismo, que en los mtodos de adaptacin el rango til y el nmero de
mnimos locales cambia considerablemente de unos a otros. En el caso del nmero de
mnimos locales, es adecuado un valor bajo pues ello supondr un aumento de la economa
computacional al no tener que comprobar un gran nmero de mnimos para determinar cual es
el ptimo global. Sin embargo, un valor menor que el nmero de mnimos fundamentales del
mtodo TE (que es considerado el ms realista) implicara que el mtodo no es sensible a
todos los mnimos reales.
En cuanto al rango til, un valor bajo mejora el coste computacional ya que el
espacio recorrido en la bsqueda es menor, sin embargo, al comparar otros tipos de curvas
existe una gran probabilidad de no ser capaces de aportar ninguna solucin es decir, que el
rango til llegue a ser del 0%.
198
Captulo 4
4.4.2. Ensayo 2.
Mediante este ensayo se representa el comportamiento de los mtodos en la
comparacin de una curva requerida abierta sencilla (no contiene puntos dobles ni puntos de
inflexin) con una curva propuesta cerrada similar a la generada por muchos mecanismos
(igual a la utilizada en el ensayo 1, figura 4.16).
La curva requerida utilizada es una curva paramtrica definida por las ecuaciones.
x (u ) = 10 u 4 cos(u )
y (u ) = 10 u 4 sen(u )
(4.10)
variando el parmetro u dentro del intervalo [0.75, 2.2]. En la figura 4.16 se puede observar la
forma (y la sencillez) de esta curva abierta.
Para este caso se ensayan los diferentes mtodos y se obtienen los resultados
mostrados en la tabla 4.6. Observando en ella el rango til se puede comprobar que utilizar el
ngulo para la adaptacin de los polgonos resulta muy restrictivo. En efecto, los mtodos
basados en este ngulo AlfaRaAlfa y BetaAlfa tienen un rango til muy pequeo (incluso
llega a ser nulo en este caso para el mtodo BetaAlfa). Esto implica la importante desventaja
de que esos mtodos no sern capaces de aportar ninguna solucin para muchos casos de
comparacin.
199
0.16
Parmetro t
0.14
Error TE
5
0.10
4
0.08
3
0.06
2
0.04
0.02
0.00
0
0.0
0.1
0.2
0.3
0.4
0.5
s/L
0.6
0.7
0.8
0.9
1.0
Figura 4.17. Error de comparacin en funcin del punto inicial de superposicin para las curvas del ensayo 2.
AlfaRaAlfa
N ptos. del polgono
5
N ptos. discretizacin
50
Rango til
6.0%
N mn. loc. discret.
3
Error ptimo
0.247593
Param. en ptimo
0.87
Area enc./Long.
2.473
Coste comp. (seg)
0.62
AlfaRaRa
5
50
94.0%
3
0.005684
4.81
2.458
0.53
BetaAlfa
5
50
0.0%
0.20
BetaBeta
5
50
83.0%
10
0.007991
4.75
2.492
0.27
BetaRa
5
50
52.0%
3
0.000410
4.81
1.633
0.23
TE
200
100.0%
21
0.000567
4.89
1.779
0.63
Parmetro t
0.12
200
Captulo 4
Figura 4.18. Superposicin ptima de las curvas segn los diferentes mtodos en el ensayo 2.
201
82
superposicin en un punto de la curva propuesta que no coincide con el del resto de mtodos .
En la figura 4.18 puede observarse la diferencia en la posicin propuesta por este mtodo.
Igualmente se observa cmo el mtodo AlfaRaRa aporta una solucin diferente (ya que su
polgono tambin lo es) al del resto de mtodos, aun cuando el punto inicial del polgono
adaptado est prcticamente en la misma ubicacin que el de los otros mtodos.
Finalmente, el coste computacional de los mtodos vara entre 0.2 seg y 0.63 seg, siendo
el mtodo TE el ms costoso.
n
5
6
7
8
9
10
AlfaRaAlfa
6.0%
0.0%
0.0%
0.0%
0.0%
0.0%
AlfaRaRa
94.0%
89.0%
77.0%
72.0%
66.0%
62.0%
BetaAlfa
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
BetaBeta
83.0%
82.0%
70.0%
39.0%
24.0%
22.0%
BetaRa
52.0%
45.0%
42.0%
39.0%
38.0%
35.0%
TE
100.0%
100.0%
100.0%
100.0%
100.0%
100.0%
Tabla 4.7. Rango til frente al nmero de puntos del polgono en el ensayo 2.
El resto de parmetros presentan valores bastante estables. Entre ellos cabe destacar
el parmetro asociado al ptimo, que no vara en este ejemplo, lo que indica estabilidad en el
punto de superposicin ptima logrado.
Finalmente, el coste computacional presenta unos datos mostrados en la tabla 4.8. Se
observa una evolucin irregular del coste computacional con cierta generalidad tendente al
aumento en algunos mtodos AlfaRaRa, BetaBeta y BetaRa y tendente a la disminucin
en el mtodo AlfaRaAlfa.
82 En realidad se observa que la solucin est del primero (t=0.81) de los 3 mnimos de la grfica de error del mtodo TE (figura
4.6).
202
Captulo 4
n
5
6
7
8
9
10
AlfaRaAlfa
0.62
0.52
0.50
0.49
0.48
0.47
AlfaRaRa
0.53
0.55
0.57
0.59
0.56
0.55
BetaAlfa
0.20
0.19
0.19
0.19
0.19
0.19
BetaBeta
0.27
0.35
0.40
0.45
0.39
0.48
BetaRa
0.23
0.24
0.25
0.30
0.33
0.32
TE
0.63
0.63
0.63
0.63
0.63
0.63
Tabla 4.8. Coste computacional (seg) frente al nmero de puntos del polgono en el ensayo 2.
4.4.3. Ensayo 3.
El objetivo de este ensayo es estudiar el comportamiento de los diferentes mtodos en
la superposicin (y comparacin) de curvas con puntos de inflexin. Como curva propuesta se
utiliza una B-Spline cbica definida por un polgono de control de 6 vrtices, variando su
parmetro t dentro del intervalo [0,6[. Esta curva y su polgono de control se muestran en la
figura 4.19.
203
La curva requerida utilizada para este ensayo es una curva senoidal definida
paramtricamente mediante las ecuaciones:
x (u ) = u
(4.11)
y (u ) = sen(u )
variando el parmetro u dentro del intervalo [-,]. Este tramo de curva se muestra en la figura
4.20.
Los resultados de este (tabla 4.9) reafirman el comportamiento de los mtodos en los
ensayos anteriores. As, se confirma la tendencia de los AlfaRaAlfa, BetaAlfa y BetaBeta a
presentar rangos tiles muy pequeos (incluso nulos). Por otro lado, el resto de mtodos
presentan valores ms amplios, lo que asegura la aportacin de solucin incluso en casos
desfavorables.
AlfaRaAlfa
5
50
0.0%
0.47
AlfaRaRa
5
50
56.0%
4
0.022982
5.65
0.107
0.52
BetaAlfa
5
50
0.0%
0.18
BetaBeta
5
50
2.0%
1
0.006189
5.63
0.011
0.20
BetaRa
5
50
40.0%
3
0.000062
5.65
0.003
0.20
TE
200
100.0%
18
0.000157
5.65
0.005
2.50
204
Captulo 4
0.20
0.18
5
0.14
Parmetro t
0.12
0.10
0.08
Parmetro t
0.16
0.06
Error TE
0.04
0.02
0.00
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
s/L
Figura 4.21. Error de comparacin en funcin del punto inicial de superposicin para las curvas del ensayo 3.
Todos los mtodos que aportan solucin encuentran el ptimo global, lo cual puede
comprobarse observando que el valor del parmetro asociado a este ptimo est en torno a
t=5.62 para todos ellos. Observando el valor del rea encerrada por unidad de longitud se
comprueba que los mejores mtodos son el mtodo BetaRa, el mtodo TE y luego el resto. Se
observa que el mtodo AlfaRaRa aporta una solucin considerablemente peor que el resto de
mtodos, siendo el valor en stos ltimos muy similar. Las curvas superpuestas de acuerdo
con la solucin aportada por cada mtodo se muestra en la figura 4.22.
Finalmente, el coste computacional de los mtodos basados en la adaptacin poligonal
vara entre 0.18 y 0.52 seg. Se observa que, como en los mtodos anteriores, existe diferencia
entre los mtodos de adaptacin poligonal que ubican el primer segmento en base a y Ra y
los que lo hacen en base a . Los segundos tienen un coste computacional similar y son los
205
Figura 4.22. Superposicin ptima de las curvas segn los diferentes mtodos en el ensayo 3.
206
Captulo 4
n
5
6
7
8
9
10
AlfaRaAlfa
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
AlfaRaRa
56.0%
56.0%
54.0%
50.0%
48.0%
46.0%
BetaAlfa
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
BetaBeta
2.0%
0.0%
0.0%
0.0%
0.0%
0.0%
BetaRa
40.0%
40.0%
38.0%
40.0%
40.0%
38.0%
TE
100.0%
100.0%
100.0%
100.0%
100.0%
100.0%
Tabla 4.10. Rango til frente al nmero de puntos del polgono en el ensayo 3.
Por su lado, el coste computacional demuestra variar poco con este incremento del
nmero de puntos. Se producen pequeos incrementos y decrementos (dependiendo del
mtodo) pequeos en este coste siguiendo la misma tendencia que en el ensayo 2.
En la figura 4.23 se observa que el mtodo AlfaRaRa aporta una solucin poco realista
(en el sentido de que se puede conseguir otra mucho mejor y as lo confirman otros mtodos).
La razn por la que este mtodo aporta una solucin tan pobre es analizada a continuacin. En
la figura 4.23 se muestra el mejor polgono adaptado segn ste mtodo. Para la colocacin de
los dos primeros segmentos partiendo del punto 0 de la curva propuesta se buscan los puntos 1
y 2 de forma que se respeten 1 y Ra1. Para ello se propone un punto 1 y se busca el punto 2
que hace que se respeten los valores de esas variables. El problema est en que, en esa
posicin, el segmento 1 est casi alineado con la curva propuesta y en la bsqueda del ngulo
1, cualquier pequea rotacin del segmento 1 ocasiona que el punto 2 (interseccin del
segmento 1 con la curva propuesta) se desplace una gran distancia. Debido a esta posicin
singular, el algoritmo de optimizacin demuestra tener dificultad para encontrar la mejor
> ?
207
Figura 4.23. Polgono adaptado y curva superpuesta segn el mtodo AlfaRaRa en el ensayo 3.
4.4.4. Ensayo 4.
Se ha observado que en ciertos casos, la respuesta de los mtodos de comparacin de
curvas abiertas basados en adaptacin poligonal puede ser diferente de la respuesta del
mtodo TE, considerado el ms realista.
Para ilustrar esto, se ha realizado la comparacin entre una curva abierta requerida y
una propuesta cerrada. La curva requerida (figura 4.24) viene definida por las ecuaciones
siguientes:
x (u ) = 100 u 2 cos(u )
y (u ) = 100 u 2 sen(u )
(4.12)
variando el parmetro u dentro del intervalo [0.261, 1.440]. La curva propuesta es una B-Spline
cbica definida mediante un polgono de control de 7 vrtices (figura 4.24), variando su
parmetro t dentro del intervalo [0,7[.
208
Captulo 4
AlfaRaAlfa
5
50
10.0%
3
0.017931
0.86
1.407
0.59
AlfaRaRa
5
50
92.0%
3
0.002023
4.44
3.026
0.51
BetaAlfa
5
50
6.0%
2
0.097701
0.99
2.391
0.20
BetaBeta
5
50
82.0%
9
0.031351
4.75
6.937
0.28
BetaRa
5
50
64.0%
3
0.001554
4.82
7.963
0.20
TE
200
100.0%
8
0.000533
4.29
0.272
0.60
La figura 4.25 muestra la curva de error del mtodo TE en funcin del punto de partida
de la superposicin, para todos los puntos de la curva propuesta. Se observa que existen 4
mnimos fundamentales (en t=0.84, t=1.44, t=4.29 y t=4.64) y el error segn el mtodo TE para
209
todos ellos es del mismo orden de magnitud. Se ha comprobado que, en estos casos en los
que existen otros mnimos locales de valor similar al ptimo, cada mtodo poligonal aporta
como solucin uno de los mnimos locales, no siendo siempre el ptimo global. Esto demuestra
que la funcin objetivo (o funcin error) definida en cada mtodo es una funcin aproximada y
no presenta un comportamiento real exacto. Sin embargo, siempre que el ptimo global se
parezca en magnitud a otros mnimos locales se estar cometiendo un error pequeo al
confundir unos con otros, por lo que la estimacin del error de comparacin es
aproximadamente la misma.
0.20
7
Parmetro t
0.18
6
Error TE
0.14
0.12
0.10
3
0.08
0.06
Parmetro t
0.16
0.04
1
0.02
0.00
0
0
0.1
0.2
0.3
0.4
0.5
s/L
0.6
0.7
0.8
0.9
Figura 4.25. Error de comparacin en funcin del punto inicial de superposicin para las curvas del ensayo 4.
210
Captulo 4
Figura 4.26. Superposicin ptima de las curvas segn los diferentes mtodos en el ensayo 4.
4.4.5. Ensayo 5.
Como ya se ha visto, los mtodos de adaptacin poligonal aproximan la comparacin
de una curva abierta y otra requerida a favor de un menor coste computacional. Sin embargo,
si la diferencia entre las curvas aumenta, estos mtodos pueden constituir una aproximacin no
tan buena (en el sentido de realista). Para ilustrar esto, se utiliza en este ensayo una curva
propuesta con varios puntos de inflexin (figura 4.27). Dicha curva viene definida por una
B-Spline cbica basada en un polgono de control de 11 vrtices cuyo parmetro t vara dentro
del intervalo [0, 11[.
211
Una vez resuelto el problema de superposicin ptima, los datos obtenidos segn cada
mtodo se muestran en la tabla 4.12 y la representacin de las curvas superpuestas segn
cada mtodo (no todos encuentran solucin a este problema) se muestran en la figura 4.30. En
212
Captulo 4
ella se observa cmo ningn mtodo de adaptacin poligonal es capaz de encontrar la solucin
ptima, la cual es encontrada por el mtodo TE.
AlfaRaAlfa
N ptos. del polgono
5
N ptos. discretizacin
50
Rango til
0.0%
N mn. loc. discret.
Error ptimo
Param. en ptimo
Area enc./Long.
Coste comp. (seg)
2.13
AlfaRaRa
5
50
52.0%
5
0.589
10.08
12.580
1.98
BetaAlfa
5
50
0.0%
BetaBeta
5
50
0.0%
0.25
0.31
BetaRa
5
50
82.0%
8
0.307
10.68
7.011
0.34
TE
200
100.0%
11
0.093
10.90
6.771
1.43
Con el fin de estudiar el nmero de mnimos del error de comparacin en funcin del
punto de partida de la superposicin, se incluye la curva de error del mtodo TE (figura 4.29).
En ella se observa que existen 4 mnimos locales fundamentales (en t=4.19, t=5.34, t=7.63 y
t=10.9).
3.0
11
10
2.5
2.0
7
6
1.5
5
4
1.0
3
2
0.5
1
0.0
0
0
0.1
0.2
0.3
0.4
0.5
s/L
0.6
0.7
0.8
0.9
Figura 4.29. Error de comparacin en funcin del punto inicial de superposicin para las curvas del ensayo 5.
Parmetro t
Figura 4.30. Superposicin ptima de las curvas segn los diferentes mtodos en el ensayo 4.
213
214
Captulo 4
Figura 4.31. Comparacin de una curva abierta con una curva cerrada considerando posibles sentidos y simetras.
Supngase que se desea comparar las curvas (lo cual involucra la superposicin
ptima) mostradas en la figura 4.31 considerando todas las posibilidades de simetra y sentido
de adaptacin. Para la independencia del sentido de parametrizacin, se debe superponer la
curva requerida sobre la propuesta considerando los dos sentidos posibles al recorrer esta
ltima. Para la independencia de simetra, se debe superponer la curva simtrica de la
215
requerida sobre la propuesta considerando de nuevo los dos sentidos (2 casos). As se observa
que el problema de superposicin ptima ha de realizarse 4 veces para cada pareja de curvas
comparadas, lo que aumentar considerablemente el coste computacional.
Al considerar dos puntos A y B de la curva propuesta y superponer la curva requerida
en base a esos dos puntos, se obtienen las 4 posibilidades mostradas en la figura 4.32. En las
posibilidades 0 y 1 de la figura se recorre la curva propuesta en sentido antihorario (desde A
hasta B) y se superpone la curva requerida y su simtrica, respectivamente. En las
posibilidades 2 y 3 de la figura se hace lo mismo pero recorriendo la curva propuesta en
sentido horario. Sin embargo, en los mtodos de adaptacin, el polgono adaptado en 0 y 1
es el mismo, mientras que el que vara es el polgono caracterstico (adopta dos formas debido
a la simetra). Y lo mismo ocurre con las posibilidades 2 y 3. Consecuentemente la
estimacin del parecido de las curvas segn las dos posibilidades 0 y 1 puede realizarse
comparando el polgono adaptado con el polgono caracterstico (posibilidad 0) y con su
simtrico (posibilidad 1). Dado que el mayor gasto computacional se produce en la adaptacin
del polgono (que involucra diferentes procesos de optimizacin) y no en la comparacin de los
polgonos, se ahorra una de las dos adaptaciones en coste computacional con lo que aumenta
el rendimiento del mtodo. De la misma forma se puede proceder con las posibilidades 2 y 3.
Figura 4.32. Posibilidades de superposicin de una curva abierta en base a 2 puntos de una curva cerrada.
216
Captulo 4
En cuanto al mtodo TE, la conclusin es similar a la anterior. Para cada dos puntos A
y B de la curva propuesta, en la posibilidad 0 se estima el parecido entre las curvas
comparando la CET (Curva de Evolucin de la Tangente) de la curva propuesta en el intervalo
AB y la CET de la curva requerida original. En la posibilidad 2 se estima el parecido entre las
curvas comparando la CET de la curva propuesta con la CET de la curva requerida, recorrida
83
esta ltima en sentido inverso y cambiando su signo . Para las posibilidades 2 y 3 se
procede de la misma forma que en 0 y 1 pero recorriendo la curva propuesta en sentido
contrario (con lo que la CET cambia de signo). Al final se obtienen 4 posibilidades que
provienen de recorrer la curva propuesta segn los dos sentidos posibles y, para cada uno de
stos, en recorrer la requerida tambin segn los dos sentidos.
Ensayo
Depend.84
1
Indep.85
Incremento
Depend.
Indep.
Incremento
Depend.
Indep.
Incremento
Depend.
Indep.
Incremento
Depend.
Indep.
Incremento
AlfaRaAlfa
0.79
0.92
16.2%
0.62
0.80
29.0%
0.47
0.65
39.2%
0.59
0.82
39.8%
2.13
2.74
28.6%
AlfaRaRa
0.70
0.85
21.0%
0.53
0.65
23.0%
0.52
0.68
31.0%
0.51
0.71
39.5%
1.98
2.50
26.3%
BetaAlfa
0.18
0.24
31.6%
0.20
0.25
22.9%
0.18
0.23
27.8%
0.20
0.25
23.6%
0.25
0.35
38.3%
BetaBeta
0.29
0.40
38.2%
0.27
0.33
21.9%
0.20
0.26
30.6%
0.28
0.38
35.8%
0.31
0.41
30.9%
BetaRa
0.18
0.25
36.9%
0.23
0.31
32.6%
0.20
0.24
22.3%
0.20
0.26
32.0%
0.34
0.40
18.4%
TE
1.62
2.87
77.2%
0.63
1.17
85.7%
2.5
6.34
153.6%
0.6
1.01
68.3%
1.43
2.74
91.6%
Tabla 4.13. Cambio en el coste computacional (seg) al completar los mtodos para que cumplan todos los requisitos.
83
84 Coste computacional de los mtodos siendo dependientes del sentido de la parametrizacin y posible simetra (es decir, tal
como fueron expuestos en 4.3).
85 Coste computacional de los mtodos corregidos para ser independientes de sentido de la parametrizacin y posible simetra de
las curvas.
217
4.6.1. Identificacin.
En lo relativo al requisito de identidad, se ha observado que todos los mtodos de
adaptacin poligonal cumplen este requisito de forma precisa. El mtodo TE, al ser un mtodo
discreto y no realizar optimizacin no logra la posicin del ptimo global de forma exacta. La
precisin con la que se acerca al ptimo depende de la finura de la discretizacin. Sin
embargo, con una discretizacin de la curva en 200 segmentos, este mtodo ya ha demostrado
ser computacionalmente ms costoso que el resto de mtodos. Y un aumento de la
discretizacin con el objetivo de cumplir el requisito de identidad con mayor precisin
incrementa el coste computacional de forma considerable.
218
Captulo 4
ausencia de solucin, lo que supone un importante inconveniente. Por ello se considera que el
rango til ptimo un porcentaje intermedio (40%-60%) que no lleve en ningn caso a una
ausencia de solucin.
Los ensayos han probado que la adaptacin poligonal en base al ngulo es
excesivamente restrictiva. Los mtodos de adaptacin basados en este ngulo (AlfaRaAlfa y
BetaAlfa) presentan un rango til muy pequeo, lo que significa que consiguen adaptar el
polgono partiendo de muy pocos puntos de la curva propuesta. Estos mtodos, cuando la
curva crece en complejidad llegan a no ser capaces de adaptar el polgono dentro de la curva
propuesta, por lo que no pueden estimar la diferencia entre las curvas y, consecuentemente, no
aportan ninguna solucin.
El mtodo BetaBeta presenta un rango til que vara mucho de unos casos de
comparacin a otros. En algunos presenta rangos amplios, mientras que en otros el rango til
es solo ligeramente superior al de los mtodos basados en .
Tambin se ha probado que la evolucin del rango til al aumentar el nmero de
puntos suele ser decreciente (salvo en ciertos casos, pequeos en nmero, en los que la
evolucin es irregular). Esto es debido a que cuantos ms puntos tenga el polgono
caracterstico, ms magnitudes se tendrn que respetar, lo que restringe el problema de
adaptacin. En los mtodos basados en se comprueba que un incremento del nmero de
puntos puede llegar a ocasionar una restriccin del rango til tal que impida que stos aporten
solucin alguna. El mtodo BetaBeta presenta un gran decrecimiento del rango til con el
aumento del nmero de puntos del polgono, salvo pocos casos en los que su evolucin es
irregular. El resto de mtodos tambin sufren una reduccin del rango til, pero sta no suele
derivar en una ausencia de solucin.
Valor ideal
Rango til
Evolucin al
aumentar el n de
ptos. del polgono
Tendencia a la no
aportacin de
solucin
AlfaRaAlfa
AlfaRaRa
BetaAlfa
Medio
Reducido
Reducido
Medio
Invariable
Ninguna
Decrece
Decrece
rpidamente rpidamente
Elevada
Baja o
ninguna
BetaBeta
Valor
irregular
BetaRa
TE
Medio
Mximo
Decrece
lentamente
Decrece
rpidamente
Decrece
lentamente
Invariable
Elevada
Moderada
Baja o
ninguna
Ninguna
219
86
La tabla 4.14 muestra, en resumen, las caractersticas generales del rango til de
cada uno de los mtodos. Se observa cmo los mtodos con un mejor comportamiento desde
el punto de vista del rango til son el AlfaRaRa, BetaRa y TE.
86
220
Captulo 4
Valor ideal
N de mnimos locales
Igual o
discretos frente al n
ligeramente
real de mnimos locales
superior
Coincidencia entre la
ubicacin de la
Siempre
superposicin ptima y
la del ptimo real (TE)
Estabilidad de la
ubicacin del ptimo
Elevada
frente al cambio del n
de puntos del polgono
Valor del rea
enc./Long. en relacin
Bajo
al de otros mtodos
AlfaRaAlfa88
AlfaRaRa
BetaAlfa88
Igual,
superior o
inferior
BetaBeta
Igual,
superior o
inferior
Igual o
inferior
Igual o
inferior
A veces
Frecuentemente
A veces
Baja
Elevada
Medio
Medio o alto
BetaRa
TE
Igual o
superior
Muy
superior
Frecuentemente
Muy
frecuentemente
Siempre
Baja
Parcial
Elevada
(no
aplicable)
Medio
Medio
Bajo o
medio
Bajo o
medio
Tabla 4.15. Caractersticas de la optimizacin y del ptimo encontrado segn los diferentes mtodos.
87 De todos ellos, el mtodo BetaRa es el que presenta un mejor comportamiento. Unicamente yerra en la ubicacin del ptimo
global en casos en los que la curva de error en funcin del punto de partida presenta varios mnimos muy similares al ptimo
global. Pero en este caso el error cometido en la estimacin del error de comparacin es pequeo ya que el mnimo logrado y el
ptimo global son muy similares.
88 Las caractersticas de estos mtodos reflejan su comportamiento solo en los casos en los que aportan alguna solucin (es
decir, en los casos en los que su rango til es mayor que 0%). Sin embargo, puesto que la frecuencia de ausencia de solucin en
los casos estudiados es elevada, puede considerarse que los datos son poco fiables, careciendo esto de importancia ya que
dicha ausencia representa un factor negativo mucho ms importante para estos mtodos.
221
Coste computacional
Coste relativo89
AlfaRaAlfa
Medio
4.5
AlfaRaRa
Medio
4.1
BetaAlfa
Bajo
1
BetaBeta
Bajo
1.4
BetaRa
Bajo
1.1
TE
Alto
10.8
4.7. Conclusiones.
Los ensayos realizados demuestran que es posible superponer de forma ptima una
curva abierta sobre una cerrada (o viceversa) para luego estimar el parecido de las curvas con
mtodos computacionalmente poco costosos. La economa de estos mtodos posibilita la
utilizacin de estrategias de optimizacin exhaustivas en sntesis de mecanismos con el
objetivo de encontrar las dimensiones del mecanismo que genera una curva lo ms parecida
posible al tramo de trayectoria requerida.
El estudio llevado a cabo permite realizar una comparativa entre el comportamiento de
mtodos que utilizan pocos puntos de comparacin (en este caso los mtodos de adaptacin
poligonal) pero comparan varias magnitudes en cada punto y el comportamiento de mtodos
que utilizan muchos puntos de comparacin pero una nica magnitud es comparada en cada
90
punto (el mtodo TE es un ejemplo de este tipo de mtodos ).
89
Coste relativo al mtodo computacionalmente menos costoso (al que se le asigna un coste unitario).
90 Ntese que, tal como se concluye a partir del estudio realizado, no es sencillo obtener nuevos mtodos (basados en la
comparacin de una nica magnitud a lo largo de muchos puntos) que cumplan todos los requisitos de independencia, ya que las
222
Captulo 4
diferentes magnitudes puntuales que describen la forma de las curvas son dependientes de posicin, orientacin y escala y, en
algunos casos como el radio de curvatura, presentan una variacin que dificulta la comparacin.
223
solucin alguna en muchos casos, lo que los convierte en no aptos para la resolucin de este
tipo de problemas. Del resto de mtodos, el mtodo BetaBeta tiene un comportamiento
irregular (su rango til vara de un valor muy bajo incluso nulo en algunos casos a otros
valores mayores en otros casos, el ptimo encontrado presenta tambin caractersticas
irregulares de unos casos a otros), por lo que es considerado un mtodo con un
comportamiento de calidad intermedia.
As, en cuanto al comportamiento, los mejores mtodos parecen ser los mtodos
basados en Ra AlfaRaRa y BetaRa. Sin embargo de estos dos, el primero tiene un coste
computacional en promedio 4 veces superior al del segundo, siendo su comportamiento muy
similar. El mtodo BetaRa, por su lado, tiene unas caractersticas muy cercanas a las ideales y
su coste computacional es de los ms bajos. Por este motivo (y segn los criterios expuestos),
este mtodo es, de todos los estudiados, el mejor mtodo para constituir la funcin objetivo del
problema de sntesis dimensional aproximada de mecanismos planos para la generacin de
tramos abiertos de trayectoria.
&DStWXOR
(OHVSDFLRGHGLVHxR\ODRSWLPL]DFLyQ
5.1. Introduccin.
Este captulo trata sobre dos componentes fundamentales que definen el problema de
optimizacin: el espacio de diseo (ED) y el algoritmo de optimizacin. El primero es un
espacio n-dimensional en el que cada dimensin corresponde a una variable de diseo.
226
Captulo 5
91
227
228
Captulo 5
Tomando como base el mecanismo de 4 barras (sin que ello suponga una falta de
generalizacin de las conclusiones a las que se llegue) y con el fin de cuantificar la reduccin
del espacio de diseo conseguida con los razonamientos que se desarrollarn a continuacin,
se ha seleccionado una acotacin del espacio de diseo (tabla 5.1). A continuacin, se procede
a la extraccin de un conjunto de puntos de este EDA habindose adoptado la distribucin
uniforme de puntos de entre las diferentes alternativas. Para ello, se consideran 10 u 11
93
valores en cada dimensin (tabla 5.1) salvo en la variable de configuracin, que solamente
puede tomar 2 valores, logrando un total de 2.42109 puntos.
92
Garret y Hall (Garret y Hall, 1968) sugirieron una relacin de desproporcin mxima admisible igual a 25.
Puede observarse que los valores negativos de las dimensiones d5, d6 y d7 no tiene un significado fsico, por lo que han sido
excluidos de la tabla.
93
229
Puede observarse que, pese a que el nmero de puntos es muy elevado (dos mil
94
millones), el EDA es tan grande que el conjunto de puntos es difcilmente representativo del
primero. As, se observa que en algunas dimensiones (por ejemplo d8 y d9) el nmero de
valores considerado es muy pequeo y existen otros valores intermedios que pueden
representar curvas muy diferentes de las consideradas. Esto proporciona una idea del enorme
tamao del EDA.
Nmero de
valores
d1
10
d2
10
d3
10
d4
10
d5
10
d6
10
d7
10
11
d8
11
d9
2
Config.
N inicial de puntos: 2.42109
Dimensin
Valor
mnimo
-4
-4
0
-10
1
1
1
-10
-10
0
Valor
mximo
-5
5
324
10
10
10
10
10
10
1
Incremento
1
1
36
2
1
1
1
2
2
1
Observaciones
ya que 360=0
excluyendo el valor 0
Tabla 5.1. Definicin del conjunto de puntos extrados del EDA asociado al mecanismo de 4 barras.
94
Se entiende aqu por representativo la capacidad que tiene el conjunto de puntos considerado para representar de forma
aproximada cualquier otro punto del EDA. As, si para cualquier punto del EDA (y su curva asociada) se puede encontrar un
punto del conjunto considerado de forma que su curva asociada sea muy similar a la del primero, se entiende que el conjunto es
muy representativo del EDA.
95 Esto solamente tendr sentido prctico si las comprobaciones necesarias para verificar si el punto es una repeticin de otro
son computacionalmente menos costosas que la evaluacin del mismo por parte de la funcin objetivo.
230
Captulo 5
Pero, adems, los mtodos de comparacin de curvas tambin han sido formuladas
para que sean insensibles al tamao de las curvas comparadas. Si se tienen dos puntos A y B
96
del EDA de forma que el punto B es obtenido multiplicando todas las dimensiones del punto A
por un mismo escalar (es decir, siendo A y B punto homotticos), las curvas asociadas a dichos
97
puntos sern curvas homotticas . Consecuentemente las curvas asociadas a estos puntos, al
ser comparadas con la curva requerida, sern evaluadas por la funcin objetivo de la misma
forma, siendo en realidad puntos repetidos del EDA. As, de nuevo es posible reducir el tamao
del EDA sin prdida de posibilidades de solucin mediante la normalizacin del mecanismo.
Esta normalizacin equivale a la eliminacin de la dimensin de una barra (con respecto a la
cual se normaliza el mecanismo), a cuya longitud se le asigna invariablemente el valor 1. En el
caso del mecanismo de 4 barras, ste se suele normalizar con respecto a la barra de entrada
(dimensin d5) a la cual se le asigna el valor unitario (Hrones y Nelson, 1951).
As, el conjunto de puntos del EDA considerado se reduce hasta un valor de 2.42105 lo
que supone una reduccin al 0.01% de su tamao original.
96
97
Ya que mecanismos dimensionalmente homotticos generan curvas homotticas de la misma razn y origen.
231
Por ejemplo, se observa que la variable de diseo d4 vara desde -10 hasta 10 en el
conjunto de puntos descrito en la tabla 5.1. Esta variacin es necesaria dado que los valores
negativos configuran el mecanismo simtrico de los valores positivos, como se observa en la
figura 5.3. Sin embargo, dado que mecanismos simtricos generan trayectorias simtricas,
puede eliminarse la parte negativa de d4, quedando la discretizacin con 1.21105 puntos y
habindose reducido al 0.005% de su tamao original.
232
Captulo 5
Esta redundancia de puntos en el EDA puede anularse eliminando uno de los dos
posibles valores de la variable Configuracin. En tal caso, el nmero de puntos en el conjunto
considerado se reduce a 6.05104, lo que supone una reduccin acumulada a un 0.0025% de su
tamao original.
Se observa que el diseo de funciones objetivo que permita eliminar dimensiones del
ED conlleva una reduccin importante del mismo sin prdida de posibilidades. Y, considerando
que se ha reducido el espacio en el que se pretenden encontrar el ptimo global, esta
reduccin aumenta las probabilidades de conseguirlo.
En la tabla 5.2 queda resumido el estado final del conjunto de puntos considerado tras
las reducciones planteadas.
Nmero de
Valor
Valor
valores
mnimo
mximo
(no se incluye)
d1
d2
(no se incluye)
d3
(no se incluye)
d4
5
2
10
d5
1
1
1
d6
10
1
10
d7
10
1
10
d8
11
-10
10
11
-10
10
d9
1
0
0
Config.
N inicial de puntos: 2.42109
N actual de puntos: 6.05104
Reduccin respecto del tamao inicial: 0.002500%
Dimensin
233
Incremento
Observaciones
2
(invariable)
1
1
2
2
(invariable)
Tabla 5.2. Estado de la discretizacin tras la reduccin del espacio de diseo del mecanismo de 4 barras.
Otra posible reduccin del EDA (sin eliminacin de posibilidades reales de sntesis) es
la eliminacin de mecanismos cognados. Segn el Teorema de Roberts-Chebyshev (vase
Hartenberg y Denavit, 1964), dado un mecanismo de 4 barras y un punto de su acoplador que
traza una curva, existen otros dos mecanismos planos de 4 barras (diferentes de aquel y
diferentes entre s) que trazan curvas idnticas a la primera (figura 5.5). Bien interpretado, esto
es una prueba de que todos los puntos del ED figuran en el mismo por triplicado (de acuerdo
con la forma de las curvas que generan). Entonces, es posible eliminar dos de cada tres puntos
reduciendo el ED a un tercio de su tamao actual.
234
Captulo 5
235
pertenecen a un EDA mayor que aquel (el obtenido al considerar todos los puntos del EDA de
la tabla 5.2 ms todos los cognados de todos esos puntos).
La reduccin del EDA en base a la eliminacin de mecanismos cognados no es
aplicable nicamente al mecanismo de 4 barras. Otros mecanismos (como por ejemplo el
mecanismo biela-manivela) tambin poseen cognados y se puede asimismo aplicar esta
reduccin.
236
Captulo 5
(5.1)
(5.2)
corresponde a mecanismos que se pliegan (es decir, existe un instante en el cual todas las
barras estn alineadas). Estos mecanismos presentan una complicacin adicional ya que a
98
Esto tiene que ver con el hecho de que los mecanismos de trazado de trayectorias cerradas en aplicaciones industriales suelen
ser movidos por accionamientos aplicados a una de las manivelas.
99
Fox y Willmert (Fox y Willmert, 1967) ya introdujeron el requisito de rotabilidad completa de la barra accionadora en el
problema de sntesis dimensional aproximada de mecanismos planos.
237
partir de la posicin plegada pueden cambiar de configuracin. Por ello, la trayectoria generada
no est cinemticamente determinada, sino que durante el movimiento y tras la alineacin el
mecanismo puede seguir con cualquiera de las dos configuraciones, dependiendo de la
100
dinmica del mismo . Consecuentemente, para casos habituales no especiales de
sntesis pueden excluirse estos mecanismos identificados por la ecuacin (5.2).
Siguiendo con el ejemplo de la primera reduccin, tras la revisin de los 48825 puntos
de la rejilla reducida a la que se lleg al final de 5.2.1, se obtiene que 18148 son mecanismos
vlidos para generar curvas cerradas (es decir, son mecanismos de Grashof que no se pliegan
y en los que la barra que realiza giros completos no es el acoplador). El resto (30677) son
mecanismos no vlidos para generar curvas cerradas. Con este criterio, en la sntesis de
trayectorias cerradas, se ha conseguido una reduccin del conjunto de puntos del EDA a un
0.000750% de su tamao original. Pero esta reduccin no es aplicable al problema de sntesis
de trayectorias abiertas.
F ( x, y ) = U 2 + V 2 W 2 = 0
(5.3)
donde U, V y W son funciones que dependen de las dimensiones del mecanismo y de las
coordenadas x, y de los puntos de la curva del acoplador. Para que un punto (x,y) de la curva
del acoplador sea un punto mltiple, debe existir ms de una tangente a la curva en dicho
punto. La pendiente de la tangente viene dada por la expresin:
dy
dx
y
F ( x , y )
F ( x , y )
x
F ( x , y )
=
F ( x, y )
(5.4)
100 En la prctica, estos mecanismos se utilizan casi exclusivamente para la reproduccin de situaciones especiales entre las que
se incluyen requisitos de plegamiento del mecanismo o la existencia de puntos mltiples (puntos con varias tangentes diferentes)
en la trayectoria.
238
Captulo 5
y para que existan varias soluciones, este trmino debe quedar indeterminado. Para ello el
numerador y el denominador deben ser ambos cero. Entonces, los puntos de la curva del
acoplador, adems de cumplir la ecuacin (5.3), para ser puntos mltiples deben cumplir las
ecuaciones siguientes:
F ( x , y )
= 0
x
x
x
x
F ( x , y )
U
V
W
= 2 U
+ 2 V
2 W
= 0
y
y
y
y
= 2 U
+ 2 V
2 W
(5.5)
W = W
U y V x U xV y
U y W x U xW y
W = W
V=
U y V x U xV y
U=
(5.6)
donde el subndice x (resp. y) indica derivada parcial con respecto a x (resp. y). Sustituyendo
estas expresiones de U y V en la ecuacin (5.3), se obtiene:
W 2 2 + 2 1 = 0
(5.7)
(5.8)
2 + 2 1 = 0
(5.9)
239
pasa por los puntos O2, O4 y P, donde O2 y O4 son las articulaciones de las manivelas con la
barra fija y el punto P es tal que el tringulo O2-O4-P es semejante al tringulo A-B-P.
Se observa que la circunferencia de focos depende del punto trazador (P) del
acoplador. Por ello, para cada punto trazador diferente existir una circunferencia de focos
diferente.
La conclusin a la que se llega con la ecuacin (5.8) es que para que una trayectoria
generada por un mecanismo de 4 barras tenga puntos mltiples, las coordenadas (x,y) de esos
puntos han de cumplir dicha ecuacin, o lo que es lo mismo, han de pertenecer a la
101
circunferencia de focos
(que es la representacin grfica de la ecuacin (5.8)). As, la
trayectoria tendr puntos mltiples solamente si corta a la circunferencia de focos (de forma
que exista al menos un punto comn a ambas).
Por otro lado, todos los puntos de la circunferencia de focos cumplen la ecuacin (5.8).
Por tanto, lo recproco de lo anterior tambin es cierto: si la trayectoria corta a la circunferencia
de focos, el punto de corte es obligatoriamente un punto mltiple. Consecuentemente, la nica
posibilidad de que una trayectoria no tenga puntos mltiples es que no corte a la circunferencia
de focos.
Esto puede ser utilizado para diferenciar entre las curvas que se cortan a s mismas
(curvas con puntos dobles) y las que no lo hacen. Una vez que es posible realizar tal
diferenciacin, cuando la trayectoria requerida en sntesis sea una curva cerrada sin puntos
101 Se han excluido intencionadamente los puntos mltiples externos a la circunferencia de focos (es decir, aquellos que cumplen
la ecuacin (5.9) en lugar de la ecuacin (5.8)) debido a que son siempre pertenecientes a mecanismos que se pliegan.
240
Captulo 5
dobles (resp. con puntos dobles) se pueden descartar todos los puntos del EDA
correspondientes a curvas que contengan puntos dobles (resp. que no contengan puntos
dobles).
Sin embargo, pueden encontrarse ciertas excepciones. Por ejemplo, en la figura 5.7a
se muestra una trayectoria generada por un mecanismo que, pese a que corta a la
circunferencia de focos en los puntos C y D, a priori no se corta a s misma. Esto es debido a
que la ecuacin (5.3) de la curva del acoplador incluye los dos circuitos correspondientes a las
posibles configuraciones del mecanismo por lo que si se representan estas dos posibilidades
(figura 5.7b) se observa que, efectivamente, los dos circuitos de la trayectoria se cortan en la
circunferencia de focos. En definitiva, existen casos (aunque puede comprobarse que son
pocos) en los que un circuito de la trayectoria generada por un mecanismo (en una
configuracin determinada) corta a la circunferencia de focos sin cortarse a si misma (sino
cortando al otro circuito de trayectoria).
Figura 5.7. Ejemplo de circuito de trayectoria con puntos mltiples que no se corta a si mismo.
Como se ha visto, para determinar si una curva generada por un mecanismo (que no
es plegable) tiene puntos mltiples basta con estudiar si la curva corta a la circunferencia de
focos. Sin embargo, dado que las curvas tienen una formulacin no lineal, el algoritmo para
determinar esta posibilidad de corte no es trivial. Una estrategia simple consiste en comprobar
numerosos puntos de la curva y observar si todos estn fuera o todos estn dentro de la
circunferencia de focos. En tal caso, la curva no cortar a dicha circunferencia. Por el contrario,
241
102
242
Captulo 5
243
incluyan algunas con puntos mltiples). En este caso, si los 10 puntos de la curva estn dentro
de la circunferencia exterior (figura 5.9) o si los 10 puntos estn fuera de la circunferencia
interior entonces se considera que la curva no corta a la circunferencia de focos y,
consecuentemente, no tiene puntos mltiples.
Como ejemplo, se observa la trayectoria mostrada en la figura 5.9 tiene los 10 puntos
comprobados en el rea exterior, por lo que (an cuando tiene un punto doble) es considerada
en este caso tras eliminar del EDA las curvas con puntos mltiples. Esto es una prueba de que,
al incluir la tolerancia, la eliminacin es ms conservadora y se incluyen algunas curvas que no
pertenecen al grupo buscado. Pero tambin puede pensarse que de esta forma se incluyen
algunas curvas con puntos dobles pero con uno de los lazos muy pequeo. Esto no es una
deficiencia porque es posible que esta curva sea muy parecida a la curva sin puntos dobles
requerida, siendo una posible solucin al problema. Teniendo esto en cuenta, la inclusin de
ciertas curvas no pertenecientes al grupo buscado puede favorecer el proceso general de
sntesis.
El segundo caso corresponde a la sntesis de curvas con puntos mltiples y, por tanto,
se persigue eliminar las curvas sin puntos mltiples. En este caso los criterios de eliminacin
244
Captulo 5
cambian. Tal como se muestra en la figura 5.10, al aplicar la tolerancia, solamente si todos los
puntos de la trayectoria estn en el exterior de la circunferencia exterior o si estn en el interior
de la circunferencia interior se considerar que la trayectoria no tiene puntos mltiples. As, en
este caso, la trayectoria mostrada en dicha figura sera considerada como perteneciente al
grupo de puntos mltiples. Esta trayectoria (como todas aquellas que contengan alguno de los
10 puntos entre las circunferencias exterior e interior) sera considerada en los dos casos
expuestos es decir, pertenecer a los dos grupos de puntos.
Figura 5.11. Diferenciacin de puntos que trazan trayectorias con puntos dobles (x) y sin
puntos dobles (o) considerando una tolerancia t = 0.
Cuando se estudian las trayectorias generadas por los puntos, se observa que existen
errores en la determinacin de puntos mltiples (tal como se haba expuesto anteriormente) y
por eso se hace necesario utilizar una tolerancia en la comprobacin de la posicin de los 10
puntos de la curva relativa a la circunferencia de focos.
245
103
Figura 5.12. Diferenciacin de puntos que trazan trayectorias con puntos dobles (x) y sin
puntos dobles (o) considerando una tolerancia t = 7.5%.
103 Ntese que este valor adecuado depende del nmero de puntos de la trayectoria utilizado en la comprobacin de puntos
mltiples (en este caso 10). Por tanto, si se cambia este nmero de puntos, ser necesario volver a estimar el valor de la
tolerancia t.
246
Captulo 5
Figura 5.13. Diferenciacin de puntos que trazan trayectorias con puntos dobles (x) y sin
puntos dobles (o) considerando una tolerancia t = 15%.
Descripcin
EDA inicial
Reduccin por independencia de
posicin y orientacin
Reduccin por independencia de
tamao
Reduccin por independencia de
simetras
Reduccin por eliminacin de
cognados
Reduccin por eliminacin de
mecanismos que se bloquean
Reduccin por eliminacin de
mecanismos que se pliegan
Reduccin por eliminacin de puntos
que no concuerdan con la trayectoria
requerida en cuanto a ptos. mltiples
247
Sntesis de trayectorias
SIN puntos dobles
N ptos. en Tamao del EDA
el EDA
respecto al inicial
2.42109
Sntesis de trayectorias
CON puntos dobles
N ptos. en Tamao del EDA
el EDA
respecto al inicial
2.42109
2.42106
0.100000%
2.42106
0.100000%
242000
0.010000%
242000
0.010000%
60500
0.002500%
60500
0.002500%
48825
0.002018%
48825
0.002018%
25120
0.001038%
25120
0.001038%
18148
0.000750%
18148
0.000750%
17512
0.000724%
5870
0.000243%
Tabla 5.3. Evolucin del tamao del EDA con la aplicacin secuencial de eliminacin de puntos.
En resumen, la tabla 5.3 muestra la evolucin del EDA para los dos casos posibles
(sntesis de trayectorias sin y con puntos dobles) a medida que se han ido aplicando las
diferentes reducciones.
El resultado final obtenido puede interpretarse como que de cada milln de puntos del
EDA inicial, solo 7.24 son puntos no repetidos que generan trayectorias que no se cortan a si
mismas, y solo 2.43 son puntos no repetidos que generan trayectorias que se cortan a si
mismas. Como se observa, la reduccin de puntos ha sido muy significativa y,
consecuentemente, la economa de computacin en la bsqueda del ptimo se ha mejorado
notablemente.
248
Captulo 5
104 La deteccin de los puntos mnimos de la discretizacin se realiza comparando su valor con el valor de sus puntos contiguos.
Si el primero es menor que los restantes, se trata de un mnimo local en la discretizacin.
249
105 Lo que quiere decir que su geometra es similar (aunque no sea necesariamente igual) a la de alguno de los diferentes tipos
de curvas que el mecanismo genera.
106
Ya que al realizar la sntesis de curvas cerradas se eliminan del EDA todos los mecanismos que se bloquean (porque stos
generan trayectorias abiertas); no siendo as en la sntesis de curvas abiertas debido a que una curva abierta puede ser
reproducida fielmente por un mecanismo que se bloquee.
250
Captulo 5
La curva requerida utilizada para este ejemplo es una B-Spline cbica (fig. 5.16) cuya
forma es catalogable dentro de las generadas por mecanismos de 4 barras. As, los puntos del
251
EDA son evaluados por la funcin objetivo comparando su curva asociada con la requerida
utilizando la funcin PDCP1 (con 12 puntos de comparacin) definida en el captulo 3.
107 Las dems reducciones del EDA planteadas en 5.2 ataen al resto de dimensiones del mecanismo y no son aplicables a
este caso bidimensional.
252
Captulo 5
10
8
6
4
Y3
2
0
-2
-4
-6
-8
-10
-5
-3
-1
11
13
15
X3
Figura 5.17. EDA bidimensional al eliminar cognados y discordantes en existencia de
puntos mltiples.
Utilizando como funcin objetivo la funcin PDCP1 (vase Captulo 3), el error de
comparacin asociado a cada uno de los puntos de este EDA bidimensional constituye una
superficie que puede ser representada mediante sus curvas de nivel (figura 5.18). En ella se
observa que la mayor parte del EDA presenta un error de comparacin cercano al mnimo
(color blanco). Adems se observan ciertas irregularidades en la diagonal del EDA que
representan rugosidad de la hipersuperficie (lo que puede venir asociado con un nmero
elevado de mximos y mnimos en esa zona).
253
10
2
1.9
1.8
1.7
1.6
8
6
1.5
1.4
1.3
1.2
1.1
Y3
2
0
1
0.9
0.8
0.7
0.6
0.5
-2
-4
-6
0.4
0.3
0.2
-8
0.1
-10
-5
-3
-1
11
13
15
X3
Figura 5.18. Error de comparacin en el EDA bidimensional.
10
0.18
0.165
0.15
0.135
0.12
Y3
0.105
0.09
0.075
-2
1
0.06
-4
0.045
-6
0.03
-8
0.015
-10
-5
-3
-1
11
13
15
X3
Figura 5.19. Error de comparacin en el EDA bidimensional (ampliacin).
254
Captulo 5
locales existentes dentro del intervalo de superficie representado. Se observa que existen 5
mnimos locales (numerados de menor a mayor valor de la funcin objetivo), existiendo otros
mnimos (no marcados en la figura) provocados por la reduccin del EDA al excluir el rea
sombreada en la figura 5.17 (los cuales son llamados mnimos fronterizos). Estos mnimos son
debidos a la pendiente hacia fuera de la funcin objetivo en la frontera que acota el EDA.
En el estudio realizado para este caso bidimensional se observa que la variacin de la
funcin objetivo dentro del espacio de diseo es mayoritariamente suave, lo cual se
corresponde con el hecho de que la variacin en la forma de las curvas al desplazarse dentro
de este EDA bidimensional es suave. En particular cabe destacar la suavidad de variacin de la
curva en el entorno de los mnimos locales (que corresponden a las curvas del EDA que ms
se parecen a la curva requerida).
Existe, no obstante, rugosidad superficial en ciertas zonas del EDA. Pero esta
rugosidad se da en valores elevados de la funcin objetivo considerablemente mayores que
los valores mnimos y, consecuentemente, corresponde a puntos que generan curvas muy
poco parecidas a la curva requerida. En concreto, en este ejemplo, la rugosidad superficial
aparece en la diagonal inferior-izquierda a superior-derecha como se aprecia en la figura
5.18, generando esos puntos trayectorias alargadas y muy alargadas, algunas de las cuales
se cortan a si mismas (es decir, tienen puntos mltiples y han sido incluidas debido a la
tolerancia de exclusin de este tipo de curvas). El hecho de que aparezcan estos mnimos
locales no representa ningn perjuicio en el funcionamiento de la estrategia planteada y este
ejemplo corrobora el hecho de que la funcin objetivo tiene buena sensibilidad cuando las
curvas comparadas se parecen, tal como se estudi en el captulo 3.
Por otra parte, la suavidad de la curva requerida mostrada en la figura 5.19 es tal que
partiendo de prcticamente cualquier punto del EDA (excepto los cercanos a las zonas
rugosas) y utilizando un mtodo de optimizacin basado en el gradiente, es posible alcanzar
fcilmente alguno de los 3 mnimos locales fundamentales (1, 2 y 3). Para localizar el mejor de
ellos es decir, el ptimo global dentro de este EDA bidimensional, bastar con realizar una
discretizacin (no necesariamente muy fina, a raz de la suavidad de la superficie) del EDA y
optimizar a partir de los mejores puntos de la misma.
255
Para realizar cada ensayo es necesario concretar una curva requerida y un EDA (tabla
5.4). El procedimiento impone que el EDA sea discretizado repetidamente partiendo de un paso
basto mediante refinamientos sucesivos. En cada nuevo caso de discretizacin se determina el
valor de la funcin objetivo comparando la curva generada con la curva requerida para
todos los puntos de la malla. La obtencin de mnimos se realiza comparando el valor de la
funcin objetivo en cada punto de la discretizacin con los valores de sus puntos vecinos (el
punto ser un mnimo local discreto en caso de que este valor sea menor en el punto
considerado que en sus vecinos).
Posteriormente a esto, resulta necesario realizar un filtrado debido a que existen puntos
de la discretizacin que, pese a ser menores que sus vecinos, no son mnimos reales. Esto se
demuestra observando que es posible trazar un camino sobre la hipersuperficie desde uno de
estos mnimos ficticios hasta otro mnimo (este ltimo con menor valor de la funcin objetivo)
sin realizar ninguna ascensin en el trayecto. Un filtrado sencillo y computacionalmente
econmico consiste en trazar una recta entre un mnimo discreto y otro y evaluar la evolucin
de la funcin objetivo en ese segmento recto. Si en dicha evolucin no se produce ningn
ascenso, entonces el primer mnimo puede ser descartado ya que no constituye un mnimo
real.
Otra posibilidad es eliminar esta etapa de filtrado y optimizar todos los mnimos
discretos an sabiendo que es posible que varios conduzcan a un mismo mnimo real. Sin
embargo, se ha comprobado que esta opcin resulta ms costosa que aplicar un filtrado simple
y, adems, ocasiona que en la lista de mnimos reales existan puntos repetidos (ya que de
cada mnimo discreto conduce a un punto) que han de ser posteriormente filtrados.
108
Definido como el punto de la discretizacin del EDA que presenta un menor valor al ser evaluado por la funcin objetivo.
256
Captulo 5
Variable de diseo
Long. barra fija
Long. manivela accionadora
Long. biela
Long. manivela conducida
Coordenada Xbiela
Coordenada Ybiela
Configuracin
Identificador
L1
L2
L3
L4
X3
Y3
Config.
Observaciones
Invariable
Invariable
Tabla 5.4. Definicin del EDA para el ensayo de refinamiento progresivo de la discretizacin.
El EDA propuesto para los ensayos (definido en la tabla 5.4) consta de siete variables
de diseo, habiendo eliminado aquellas correspondientes a la posicin y orientacin del
mecanismo. Adems, el mecanismo ya se ha normalizado haciendo L2 invariablemente igual a
la unidad. Tambin se han eliminado puntos redundantes limitando la configuracin a un nico
valor (1) de los dos posibles (0 y 1). As queda un EDA reducido a un nivel intermedio y
posteriormente se reducir ms aplicando los filtros expuestos en 5.2.
Por otro lado, en este EDA todas las barras del mecanismo tienen una longitud igual o
mayor que la manivela acciondora (L2), por lo que en l no se han considerado los mecanismos
de doble manivela, en los que la barra ms corta es la barra fija (L1). Esta exclusin no
supondr en ningn caso una falta de generalizacin de las conclusiones a las que se llegue.
La discretizacin del EDA se realiza de forma sucesiva disminuyendo el paso de
discretizacin de cada dimensin. En cada nuevo refinamiento, la discretizacin cuenta con
ms puntos del EDA y, por tanto, constituye una mejor aproximacin de la hipersuperficie real.
Los ensayos se han realizado con un paso de discretizacin decreciente de acuerdo con los
valores mostrados en la tabla 5.5.
N
1
2
3
4
5
6
7
Paso de discretizacin
2.500
2.000
1.600
1.250
1.000
0.800
0.625
257
Como primera curva requerida se utiliza la curva definida en 5.3.1 (figura 5.16). Esta
curva tiene una geometra tpica de las generadas por los mecanismos de 4 barras, por lo que
se prev que la solucin ptima dentro del EDA ser una curva muy parecida a la requerida.
Una vez realizado el ensayo se observa (figura 5.20) una variacin irregular entre 11 y
16 en el nmero de mnimos locales discretos que aparecen segn se refina la discretizacin.
Este comportamiento oscilatorio indica que no se ha alcanzado el nivel de refinamiento
necesario para que la discretizacin sea sensible a todos los mnimos reales. Sin embargo, la
variacin acotada del nmero de mnimos ya hace prever que ste est acotado y su valor real
ser de un orden de magnitud igual al obtenido con estas discretizaciones.
18
16
14
12
10
8
6
4
2
0
0.00
0.25
0.50
0.75
1.00
1.25
1.50
Paso de discretizacin
1.75
2.00
2.25
2.50
Figura 5.20. Evolucin del nmero de mnimos locales discretos con el refinamiento de la discretizacin del EDA.
En cada discretizacin se obtiene una lista de mnimos locales discretos que puede ser
ordenada de menor a mayor valor de la funcin objetivo, siendo el primero el ptimo discreto.
Este punto evoluciona dentro del EDA a medida que se refina la discretizacin. As, el valor de
la funcin objetivo en el ptimo discreto asociado a cada discretizacin puede ser
representado a media que se refina la discretizacin, obteniendo la grfica mostrada en la
figura 5.21. Es lgico pensar que, a medida que se refina la discretizacin, el ptimo discreto
258
Captulo 5
109
disminuir su valor acercndose cada vez ms al ptimo global real . As, se puede medir la
fidelidad de la hipersuperficie discreta con respecto a la real observando la estabilidad de la
curva representada en la figura 5.21 a medida que se disminuye el paso de discretizacin. En
este caso, se observa una gran estabilidad en el ltimo tramo (mayor finura en la discretizacin
corresponde a valores ms bajos del paso de discretizacin), que es prcticamente horizontal.
Sin embargo, en esta figura, el nivel de refinamiento al que se ha llegado no permite decidir si
la curva ha alcanzado la estabilidad final o si, por el contrario, una nueva discretizacin har
que la curva salga de esa estabilidad local con una nueva tendencia hacia abajo.
0.0050
7
0.0040
0.0035
0.0030
4
0.0025
0.0020
0.0015
0.0045
0.0010
1
0.0005
0.0000
0.00
0.25
0.50
0.75
1.00
1.25
1.50
Paso de discretizacin
1.75
2.00
2.25
0
2.50
Figura 5.21. Evolucin del error de comparacin ptimo discreto y el tiempo total
consumido, con el refinamiento de la discretizacin del EDA.
109
Conforme la discretizacin se va haciendo ms fina, la distancia entre el punto de la misma ms cercano al ptimo global real
(el cual ser, en general, el ptimo discreto) y dicho ptimo global real disminuir y, consecuentemente, el valor de la funcin
objetivo en el ptimo discreto tender al valor de la funcin objetivo en el ptimo global real.
110 No es exactamente proporcional debido a que cada nuevo refinamiento de la discretizacin incluye nuevos puntos en la
misma, pero la cantidad de esos puntos que son eliminados por los diferentes filtros de reduccin del EDA puede variar de forma
no proporcional.
259
Variable de diseo
Long. barra fija
Long. manivela accionadora
Long. biela
Long. manivela conducida
Coordenada Xbiela
Coordenada Ybiela
Configuracin
Identificador
L1
L2
L3
L4
X3
Y3
Config.
Observaciones
Invariable
Invariable
Tabla 5.6. Definicin del EDA2 para el ensayo de refinamiento progresivo de la discretizacin.
260
Captulo 5
N
1
2
3
4
5
6
7
8
9
10
11
Paso de discretizacin
2.500
2.000
1.600
1.250
1.000
0.800
0.625
0.480
0.400
0.320
0.240
Como resultado de este ensayo sobre el nuevo EDA, se obtiene una curva de
evolucin del nmero de mnimos discretos frente a la disminucin del paso de discretizacin
(representado con trazo gris en la figura 5.22). Se observa una variacin irregular (aunque
suave) desde un paso igual a 2.5 hasta 0.625. A partir de ah, disminuciones posteriores del
paso ocasionan un crecimiento notable del nmero de mnimos locales discretos. Sin embargo,
si se examinan los nuevos mnimos en cada nueva discretizacin, se observa que stos
aparecen en zonas donde la funcin objetivo presenta un valor elevado, es decir, aparecen en
zonas del EDA en las que los puntos representan mecanismos que generan curvas que no son
parecidas a la curva requerida. Por ejemplo, en las tablas 5.8 y 5.9 se muestran los mnimos
locales discretos obtenidos al discretizar el EDA2 con pasos igual a 0.32 y 0.24,
respectivamente. En la primera discretizacin se han obtenido 8 mnimos, mientras que en la
segundo el nmero se ha elevado a 13. Para la discretizacin con paso 0.32 se observa que los
mnimos locales discretos estn divididos en dos grupos atendiendo al valor de la funcin
objetivo en cada uno de ellos. Existe un primer grupo grupo I, formado por 5 mnimos, en
el que la funcin objetivo vara dentro del intervalo [0.001680, 0.021765] (representado en negrita
en la tabla 5.8). El resto de mnimos forman un segundo grupo grupo II en el que la funcin
objetivo vara dentro del intervalo [0.827224, 0.950575]. Se observa que no existe ningn mnimo
local discreto entre los valores de la funcin objetivo contenidos en el intervalo
]0.021765,0.950575[. Esto significa que existen mnimos locales en la parte alta de la funcin
objetivo grupo II (en zonas donde las curvas del EDA2 no se parecen a la curva
111
requerida ) y tambin en la parte ms baja de la funcin objetivo grupo I (donde las
curvas del EDA2 son las ms parecidas a la curva requerida) pero no existen mnimos en
niveles intermedios de la funcin objetivo. Los mnimos del grupo II se deben a la dificultad de
111 Tal como se puede observar en los ensayos de progresividad realizados en el captulo 3, un valor de la funcin objetivo
PDCP1 en torno a 0.1 es propio de curvas que presentan una gran diferencia en sus trazados.
261
la funcin objetivo para cuantificar el parecido entre dos curvas cuando stas son muy
diferentes y estos mnimos no son interesantes en la resolucin del problema de sntesis. Los
mnimos del grupo I son los ms interesantes pues corresponden a los puntos del EDA2 que
ms se parecen a la curva requerida. La ausencia de mnimos locales en la zona intermedia de
valores de la funcin objetivo demuestra una variacin suave y una pendiente sin
irregularidades desde valores altos de la funcin objetivo hasta los valores ms bajos en los
que se encuentran los mnimos.
20
18
N mnimos
N mn. grupo I
16
14
12
10
8
6
4
2
0
0.00
0.25
0.50
0.75
1.00
1.25
1.50
Paso de discretizacin
1.75
2.00
2.25
2.50
Figura 5.22. Evolucin del nmero de mnimos locales discretos con el refinamiento de la discretizacin del EDA2.
Al pasar de la discretizacin con paso 0.32 (tabla 5.8) a la discretizacin con paso 0.24
(tabla 5.9), se observa cmo aparecen 5 nuevos mnimos. Pero todos ellos aparecen en el
grupo II, permaneciendo invariable el nmero de mnimos del grupo I. As, si para todas las
discretizaciones del EDA2 se hace una diferenciacin entre los mnimos correspondientes a
cada grupo I y II, y luego se representa la evolucin del nmero de mnimos del grupo I, que
son los ms interesantes en el problema de sntesis dimensional, se obtiene una curva como la
representada en la figura 5.22 con trazo negro. En ella se observa una estabilizacin final,
siendo invariable el nmero de mnimos en este grupo a partir de una discretizacin con un
paso igual a 0.48. Esta tendencia estable demuestra que se ha alcanzado un nivel de
discretizacin suficiente para que sta sea sensible a todos los mnimos que pudieran
pertenecer al grupo I, por lo que, en principio no sera necesario un refinamiento posterior.
262
Captulo 5
Grupo
II
L1
2.40
2.40
4.00
4.00
4.00
4.00
4.00
4.00
L2
1
1
1
1
1
1
1
1
L3
5.27
6.23
8.79
9.11
3.67
9.11
5.59
5.27
L4
5.68
6.00
8.88
8.88
2.48
7.28
5.04
2.48
X3
1.67
3.27
1.35
3.27
-0.57
0.07
-0.57
0.39
Y3
-5.98
-3.74
-6.94
-5.34
-3.42
-3.42
-4.70
-5.66
Config.
1
1
1
1
1
1
1
1
Err. Comp.
0.001680
0.001705
0.011433
0.011443
0.021765
0.827224
0.885596
0.950575
Tabla 5.8. Mnimos locales discretos obtenidos en el EDA2 (discretizacin con paso igual a 0.32).
Grupo
II
L1
2.40
2.16
4.08
4.08
4.08
4.08
4.08
4.08
4.08
4.08
4.08
4.08
4.08
L2
1
1
1
1
1
1
1
1
1
1
1
1
1
L3
4.07
8.87
9.11
8.87
3.83
5.03
4.31
3.59
2.87
2.39
5.51
2.87
2.63
L4
4.08
8.88
8.88
9.12
2.40
2.40
2.40
4.32
3.84
3.60
2.64
3.36
5.52
X3
2.79
2.55
3.27
1.35
-0.57
1.11
0.39
-0.57
-0.57
-0.33
0.87
-0.09
-0.09
Y3
-5.86
-3.94
-5.38
-7.06
-3.46
-3.46
-6.58
-5.14
-6.10
-6.58
-5.38
-7.30
-4.66
Config.
1
1
1
1
1
1
1
1
1
1
1
1
1
Err. Comp.
0.001674
0.001686
0.011133
0.011133
0.019962
0.739072
0.867828
0.887397
0.903140
0.909942
0.930141
0.940098
0.985192
Tabla 5.9. Mnimos locales discretos obtenidos en el EDA2 (discretizacin con paso igual a 0.24).
263
0.0050
14
0.0040
12
0.0035
10
0.0030
8
0.0025
0.0020
0.0015
0.0045
0.0010
2
0.0005
0.0000
0.00
0.25
0.50
0.75
1.00
1.25
1.50
Paso de discretizacin
1.75
2.00
2.25
0
2.50
Figura 5.23. Evolucin del error de comparacin ptimo discreto y el tiempo total
consumido, con el refinamiento de la discretizacin del EDA2.
L1
10.00
8.00
6.00
4.00
2.00
0.00
-2.00
-4.00
-6.00
-8.00
Y3
X3
L3
Mn5
Mn4
Mn3
Mn2
Mn1
L4
Figura 5.24. Evolucin del error de comparacin ptimo discreto con el refinamiento de la discretizacin del EDA2.
264
Captulo 5
La conclusin que se obtiene de este ensayo es que, para este caso, se requiere una
discretizacin con un paso menor o igual a 0.48 para que la hipersuperficie discreta sea
representativa de todos los mnimos locales de la hipersuperficie real (pertenecientes al grupo
I). As, refinamientos posteriores no modifican el nmero de mnimos locales obtenidos. Otros
ensayos con otros casos han proporcionado valores similares del paso de discretizacin
necesario, sin embargo, este puede variar un poco dependiendo de la forma de la curva
requerida.
Una vez que se ha logrado estimar el paso de discretizacin necesario para que todos
los mnimos reales estn contemplados en la discretizacin, utilizando un mtodo de
optimizacin basado en el gradiente y partiendo de cada uno de los mnimos locales discretos
se alcanzarn los respectivos mnimos reales. El menor de todos ellos ser el ptimo global de
la hipersuperficie. En definitiva, la probabilidad de lograr el ptimo global es del 100%.
105
Este y otros ensayos realizados indican que, para una curva requerida reproducible
por un mecanismo de 4 barras, el valor del paso de discretizacin mximo para una
probabilidad del 100% de obtencin del ptimo global est en torno a 0.5. Pero, considerando el
EDA definido en la tabla 5.4 (el cual est asociado a una relacin de desproporcin mxima
igual a 10), si se utiliza ese paso de discretizacin se obtienen (antes de la aplicacin de filtros
de eliminacin de duplicados y puntos de escaso parecido con la curva requerida) ms de 15
millones de puntos. El filtrado y posterior evaluacin de todos esos puntos supone un coste
computacional que puede ser de varias horas dependiendo de la potencia de clculo del
ordenador utilizado. Si se desea obtener una solucin con un coste computacional menor, es
265
posible utilizar un paso de discretizacin ms basto (por ejemplo, igual a 0.75) sabiendo que la
probabilidad de obtencin del ptimo global ser menor que el 100%, aunque elevada. En los
diferentes ensayos realizados, se puede observar cmo la mayora de los mnimos locales
discretos obtenidos con la discretizacin ms fina estn representados en los mnimos locales
discretos obtenidos con discretizaciones ms bastas. As, si se toma como ejemplo la
discretizacin con paso 1.0, en sus mnimos locales existen puntos que son cercanos a la
mayora de los mnimos locales obtenidos con la discretizacin ms fina. Considerando la
suavidad de la funcin objetivo, puede afirmarse que utilizando discretizaciones ms bastas
que 0.5 existe una probabilidad elevada de consecucin del ptimo global real.
112
Solamente se incluye una clasificacin de los mtodos para optimizacin en espacios no discretos, aunque existen otras
categoras indicadas para espacios discretos, tales como los mtodos combinatorios de optimizacin.
113
Gradiente indica aqu pendiente, al margen de la definicin matemtica del gradiente de una funcin en un espacio
n-dimensional.
266
Captulo 5
Mtodos no basados en el gradiente. Estos mtodos realizan una bsqueda del ptimo
probando puntos del espacio de diseo pero sin tener en cuenta la pendiente de la
funcin objetivo en dichos puntos. El planteamiento es diferente de los mtodos
anteriores. En aquellos se parte de un punto o conjunto de puntos y los mtodos se
dirigen pendiente abajo hasta encontrar un mnimo (que, en general, ser un mnimo
local de la funcin objetivo). Por el contrario, estos mtodos no realizan una optimizacin
de forma local, sino que evalan un gran nmero de puntos dispersos en el ED (en
ocasiones evolucionando la posicin del conjunto de puntos) con el fin de obtener
informacin sobre la posicin del ptimo global de la funcin. Se pueden diferenciar los
siguientes subtipos principales:
S
267
Como se observa, las dos categoras fundamentales en las que se han clasificado los
mtodos de optimizacin presentan una diferencia fundamental: optimizacin local (u
optimizacin fina) frente a optimizacin global (o bsqueda gruesa). En efecto, los mtodos
basados en el gradiente pueden ser descritos como mtodos de optimizacin local, ya que
desde una posicin (o posiciones) cercanas en el espacio de diseo evolucionan localmente
hacia el ptimo que se encuentra en una posicin pendiente abajo relativa a los puntos
iniciales. Por otro lado, los mtodos no basados en el gradiente son mtodos que realizan una
optimizacin global sin llegar, en la mayora de los casos, a la localizacin del ptimo con la
precisin de los mtodos basados en el gradiente. As, lejos de ser estrategias opuestas,
pueden ser consideradas alternativas que se complementan. Si el coste computacional lo
permite, es posible realizar una combinacin de mtodos consistente en la utilizacin de un
mtodo no basado en el gradiente para la obtencin de buenos puntos de partida para,
posteriormente, utilizar un mtodo basado en el gradiente que permita obtener con precisin y
114
bajo coste la posicin del mnimo local .
De esta forma se generan tres posibles combinaciones: mtodo exhaustivo-gradiente,
mtodo aleatorio-gradiente y mtodo evolutivo-gradiente.
La primera opcin (mtodo exhaustivo-gradiente), ya comentada anteriormente en este
captulo, consiste en la discretizacin del espacio de diseo y la evaluacin de la funcin
objetivo en todos los puntos del mismo. Posteriormente se identifican los mnimos discretos
114 Otros autores ya propusieron anteriormente (Watanabe, 1992)(Krishnamurty, 1992)(Ullay y Kota, 1996) la utilizacin de
mtodos de optimizacin combinados de bsqueda gruesa y refinamiento para la sntesis dimensional de mecanismos planos.
268
Captulo 5
269
que el resultado de este ltimo depende del azar, dos ejecuciones sucesivas aportarn
resultados muy diferentes.
Las conclusiones que se han obtenido de esta primera etapa (optimizacin global o
bsqueda gruesa) se basan en tres aspectos fundamentales. En primer lugar, las pruebas
realizadas demuestran que el nmero de puntos obtenidos con ambos mtodos es muy similar
en todos los casos probados (a igualdad de tiempo de computacin invertido). En segundo
lugar, los mejores puntos obtenidos al utilizar la extraccin aleatoria son prcticamente siempre
peores es decir, representan trayectorias menos parecidas a la requerida que los mejores
puntos obtenidos de la discretizacin del EDA. En tercer lugar, del conjunto obtenido
aleatoriamente puede difcilmente obtenerse informacin relativa entre puntos y esto impide la
localizacin aproximada de los mnimos locales de la funcin objetivo.
La segunda etapa de cada mtodo (optimizacin fina) consiste en extraer puntos de
los conjuntos obtenidos en la primera etapa y utilizarlos como puntos de partida para llegar al
mnimo real ms cercano pendiente abajo. La seleccin de puntos de partida del conjunto
obtenido por el mtodo exhaustivo (ya comentada anteriormente en este captulo) es sencilla a
la vez que muy eficiente: consiste en comparar el valor de la funcin objetivo en cada punto
con sus vecinos y extraer los puntos con menor valor que los vecinos. De esta forma se obtiene
un conjunto de mnimos discretos que pueden ser utilizados como partida para obtener
mnimos reales. Sin embargo, dicha extraccin es mucho ms compleja a la vez que ineficiente
al considerar el conjunto de puntos obtenido por el mtodo aleatorio. En efecto puede pensarse
en ordenar los puntos del conjunto de menor a mayor valor de la funcin objetivo y luego
utilizar los primeros (de menor valor) como puntos de partida. Sin embargo, al extraer un gran
nmero de puntos aleatoriamente ocurre que los mejores puntos son, en realidad,
agrupaciones alrededor de los mejores mnimos reales, por lo que todos los puntos de cada
agrupacin conducen, siguiendo el gradiente, al mismo mnimo real. Por esto, la optimizacin
de los mejores puntos resulta ineficiente ya que al optimizar partiendo de los mejores puntos se
obtienen solamente unos pocos mnimos (repetidos) un nmero muy inferior al de puntos de
partida utilizados.
Podra pensarse en una forma de relacionar la posicin de un punto del conjunto
aleatorio con la posicin de otros puntos cercanos, en un esfuerzo de deteccin de la posicin
de los mnimos discretos. Sin embargo, cualquier intento termina en que la realizacin de ese
procedimiento supone un coste computacional considerable que desfavorece el mtodo
aleatorio a favor del mtodo exhaustivo.
Por otro lado, una desventaja menor del mtodo combinado exhaustivo-gradiente frente
al mtodo aleatorio-gradiente estriba en que, una vez decidida la finura de la discretizacin
(determinada mediante el paso de discretizacin), el coste computacional es fijo y no se puede
detener el proceso hasta que se han evaluado todos los puntos de la discretizacin si se
270
Captulo 5
detuviera, no se habran obtenido puntos de todo el EDA, sino solamente de una parte del
mismo. Por el contrario, los mtodos evolutivo-gradiente y aleatorio-gradiente permiten
detener el proceso cuando se desee (por ejemplo, cuando se obtenga un valor de la funcin
objetivo inferior a un valor admisible especificado), siendo conscientes de que un mayor tiempo
significa una mayor probabilidad de obtencin de mejores puntos. Sin embargo, si que puede
variarse en el primero el paso de discretizacin utilizado en algo similar a lo que sera el
establecimiento de un lmite en los puntos extrados en el mtodo aleatorio. De esta forma es
posible regular la precisin requerida (y el coste computacional asociado) en la bsqueda del
mecanismo ptimo.
271
estar muy cerca del ptimo. Dado que la minimizacin a lo largo de una direccin determinada
est muy optimizada, este mtodo suele tener una rapidez de convergencia superior a la del
mtodo de Nelder y Mead. Existen otros mtodos para la optimizacin de variables continuas,
aunque la mayora no presenta ninguna ventaja adicional sobre los anteriores.
En realidad, en lo referente al coste computacional, de las tres etapas involucradas en
el mtodo exhaustivo-gradiente evaluacin de los puntos de la malla, identificacin de
mnimos discretos y optimizacin fina partiendo de los mnimos discretos, la ltima etapa es
115
la menos crtica , dado que se parte de una posicin relativamente prxima al mnimo real y a
que existe un nmero moderado de mnimos que deben ser optimizados. Por ello, el tiempo
consumido durante esta optimizacin final es muy reducido (presenta valores habituales
menores que el 1.5%) frente al tiempo consumido por todo el proceso. As, se han probado
ambos mtodos y se han obtenido resultados muy parecidos con costes computacionales
prcticamente iguales, lo que indica que la eleccin de uno u otro mtodo de optimizacin final
no es importante y, consecuentemente, puede ser utilizado cualquiera de ellos sin ventajas ni
desventajas relativas.
Como se ha comentado, en el mtodo exhaustivo-gradiente, la proporcin del tiempo
total invertido en cada etapa es diferente. Este tiempo es invertido mayoritariamente en la
etapa de evaluacin de los puntos de la discretizacin, aunque depende de la finura de la
discretizacin y del tipo de curva requerida (ya que si la curva tiene puntos dobles permitir una
reduccin mayor del espacio de diseo, lo que supondr un menor tiempo de evaluacin de los
puntos). Por ejemplo, para una discretizacin como la mostrada en la tabla 5.2 y una curva
requerida sin puntos dobles, el tiempo consumido por la primera etapa es el 92% del tiempo
total.
En cuanto a la segunda etapa (identificacin de mnimos discretos), suele ser la
segunda en cuanto al consumo de tiempo. Dicho consumo tambin depende de la finura de la
discretizacin o, ms concretamente, del nmero de mnimos discretos existentes. El valor
medio para esta etapa en discretizaciones similares a la mostrada en la tabla 5.2 es del 5%.
Finalmente, el resto del tiempo es consumido por la tercera etapa (optimizacin fina), siendo
menor que las anteriores.
115 En el sentido de que las primeras (sobre todo la primera) deben estudiarse con ms profundidad ya que cualquier pequea
mejora en el coste computacional supone una mejora sensible en el tiempo global utilizado por el mtodo.
272
Captulo 5
273
Figura 5.25. Ejemplo de superficie con dos mnimos discretos asociados a un nico mnimo real.
274
Captulo 5
Para ilustrar todo lo expuesto anteriormente, en la tabla 5.10 se muestran los cinco
mejores mnimos reales obtenidos al optimizar los mnimos discretos del EDA2 definido en la
tabla 5.6 en la discretizacin ms fina lograda (paso igual a 0.24). En la ltima columna se
observa cmo algunos mnimos discretos han conducido hacia mnimos reales que estn fuera
de la acotacin de este segundo ED.
Mnimo
Min1
Min2
Min3
Min4
Min5
L1
13.737
8.786
5.922
2.280
2.231
L2
1
1
1
1
1
275
L3
14.346
9.264
6.228
5.959
8.988
L4
1.637
1.505
1.331
6.000
9.019
X3
-3.108
-2.814
-2.844
3.002
2.610
Y3
Config.
-7.652
1
-4.967
1
-3.285
1
-3.469
1
-4.005
1
Err. Comp.
0.000647
0.000709
0.000916
0.001624
0.001628
Posic. EDA
Fuera
Fuera
Fuera
Dentro
Dentro
Tabla 5.10. Relacin de los cinco mejores mnimos reales obtenidos al optimizar los mnimos obtenidos de la
discretizacin del EDA2 con un paso igual a 0.24.
Mnimo
Min1
Min2
Min3
Min4
Min5
Paso de discretizacin
0.240 0.320 0.400 0.480 0.625 0.800 1.000 1.250 1.600 2.000 2.500
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Tabla 5.11. Presencia de los cinco mejores mnimos (tabla 5.10) en las diferentes discretizaciones del EDA2.
276
Captulo 5
En estas figuras se puede apreciar cmo el parecido entre las curvas generadas y la
requerida va disminuyendo lenta pero progresivamente a medida que el error de comparacin
va aumentando. Tambin se observa cmo los mnimos reales obtenidos fuera del EDA son
277
mecanismos muy desproporcionados y cuyo tamao en relacin con el tamao de la curva que
generan tambin tiene una gran desproporcin.
278
Captulo 5
279
El dearrollo anterior realizado en este epgrafe trata sobre las diferentes estrategias de
optimizacin no restringida. Sin embargo, el mtodo propuesto no queda limitado por esta
consideracin.
Cuando se requiere la obtencin del mecanismo ptimo para la generacin de una
trayectoria y, adems, se imponen algn tipo de restriccin de funcionamento (por ejemplo, que
el ngulo de transmisin no sea nunca inferior a 30), es posible filtrar los puntos de la
discretizacin del EDA de una forma sencilla y rpida, considerando exclusivamente los que
cumplen dicha restriccin. A partir de ah se puede proceder de la misma forma, estimando los
mejores candidatos (que cumplen la restriccin) y posteriormente realizar una optimizacin fina,
esta vez con un algoritmo de optimizacin restringida para llegar al ptimo real.
Este proceso puede ser realizado desde el principio de la ejecucin (cuando el
diseador imponen las restricciones de partida) o posteriormente, tras obtener los mecanismos
ptimos sin restricciones, al darse cuenta de que las soluciones obtenidas no tienen
280
Captulo 5
5.5. Conclusiones.
En este captulo se ha demostrado cmo la bsqueda exhaustiva del ptimo global en
sntesis de mecanismos para generacin de trayectoria puede ser computacionalmente viable
aplicando tcnicas especficas de reduccin del espacio de diseo.
Se han estudiado dos tipos de reducciones en el mecanismos de 4 barras. Por un lado
116
se han eliminado los puntos repetidos del espacio de diseo sin disminuir las posibilidades
reales de sntesis. En este sentido, se ha reducido el espacio de diseo eliminando las
dimensiones que determinan la posicin y orientacin del mecanismo. Se han normalizado los
mecanismos del espacio de diseo eliminando el factor tamao y se han utilizado las
relaciones dimensionales que permiten predecir cuando dos mecanismos trazan trayectorias
simtricas. Finalmente, se ha desarrollado una estrategia para eliminar mecanismos cognados,
los cuales trazan tambin una misma trayectoria.
Por otro lado, se han aplicado y desarrollado una serie de reglas que permiten
descartar puntos del espacio de diseo para los cuales se conoce de antemano que no
suponen buenas posibilidades de sntesis. Entre estas, se ha aplicado la ley de Grashof para
predecir cuando el mecanismo de 4 barras es un mecanismo que se alinea o se bloquea (el
cual puede ser eliminado de antemano cuando la trayectoria requerida es cerrada), as como
para la deteccin de la existencia de puntos dobles en las trayectoria generada.
Con las tcnicas anteriormente descritas se han conseguido reducciones drsticas del
espacio de diseo inicial (utilizado por muchos de los mtodos propuestos por otros autores),
quedando patente que la gran mayora (hasta el 99.999767%) de los puntos son repeticiones del
resto o no suponen buenas posibilidades reales de sntesis. Esta reduccin es fundamental
para la economa de computacin y debe constituir la base de definicin del espacio de diseo
en cualquier problema de optimizacin en sntesis de mecanismos.
116
Puntos del espacio de diseo que, dimensionalmente, representan mecanismos que generan curvas que producen los
mismos resultados cuando son comparadas con la curva requerida por la funcin objetivo esto es, curvas que tras ciertas
transformaciones geomtricas (desplazamiento, rotacin, homotecia y simetra) pueden llegar a coincidir exactamente en sus
trazados.
281
forma de las curvas a medida que se modifican las dimensiones del mecanismo. Esta suavidad
demuestra la estabilidad o la buena progresividad de la curva en entornos cercanos a los
ptimos y facilita la bsqueda de mnimos mediante algoritmos basados en el gradiente.
&DStWXOR
$SOLFDFLyQSUiFWLFD
6.1. Introduccin.
Para demostrar la viabilidad del mtodo, y como evaluacin global del mismo, se han
resuelto diferentes casos de sntesis. Los ejemplos resueltos han sido seleccionados valorando
diferentes aspectos, entre los que se encuentran la utilidad prctica y la posibilidad de
contrastacin con otras soluciones (existentes o propuestas tericamente). An as, puede
decirse que no resulta fcil encontrar casos reales estndar de sntesis de trayectoria, debido a
117
que la mayor parte de ellos responden a necesidades especficas y muy concretas . Existen,
sin embargo, algunos pocos casos de sntesis general, como el caso de sntesis de
mecanismos generadores de tramos de trayectoria rectilneos o circulares.
De los diferentes casos resueltos se han seleccionado tres ejemplos que son
estudiados en profundidad. Estos casos pretenden ser representativos de los ensayados y son
una muestra descriptiva del comportamiento del mtodo. Su resolucin y resultados son
similares a los de otros casos ensayados que, si no se han incluido, ha sido por razones de
brevedad. En primer lugar se muestra la sntesis de un mecanismo clsico para una mquina
amasadora. En segundo lugar se resuelve la sntesis de un mecanismo con pausa basado en
un mecanismo generador de una trayectoria con un tramo circular y, finalmente, se resuelve la
sntesis de una trayectoria con un punto doble que es comparada con los resultados de otros
autores.
117
Puede decirse que la mayor parte de las necesidades industriales de sntesis de trayectoria son particulares y no generalistas.
De tal forma que cuando se requiere que un mecanismo trace una trayectoria, el problema planteado solo sirve para esa
necesidad industrial concreta y no es generalizable para otros casos. Este carcter particular de los problemas planteados
provoca la necesidad de mtodos verstiles capaces de adaptarse a un gran nmero de situaciones.
284
Captulo 6
El problema puede ser enunciado con diferentes restricciones, entre las que cabe
contar restricciones de espacio, de ngulo de transmisin, etc. Sin embargo, en primer lugar se
plantea la realizacin de una bsqueda exhaustiva del ptimo en el espacio de diseo acotado
(EDA), obteniendo una lista de mnimos entre los cuales puede ser encontrada la solucin. De
Aplicacin prctica
285
esta forma, se est dando prioridad a la coincidencia en la forma de las curvas frente al
cumplimiento de las otras consideraciones de sntesis.
Si de la lista de mnimos no se logra ningn mecanismo aceptable de acuerdo con las
las restricciones del problema, se puede proceder a una sntesis restringida que, pese a tener
la desventaja de un mayor coste computacional y posible discontinuidad en la solucin (ya
comentado en el captulo 2), permitir obtener la mejor solucin que se adapte a las dichas
restricciones.
Var. Dis.
L1
L2
L3
L4
X3
Y3
Config.
Val. Mn.
1.0
1.0
1.0
1.0
-5.0
-10.0
1.0
Val. Mx.
11.0
1.0
11.0
11.0
15.0
10.0
1.0
Incremento
0.625
Invariable
0.625
0.625
0.625
0.625
Invariable
Optimizar
S
No
S
S
S
S
No
118
Problema resuelto en un ordenador compatible IBM PC con procesador Intel Pentium III a 450MHz.
286
Captulo 6
5 350 257
2 169 026
18
18
Etapa
Evaluacin de los puntos de la discretizacin
Identificacin de mnimos discretos
Optimizacin partiendo de mnimos discretos
Total
Tiempo118
6h 27 34
96.4%
0h 12 11
3.0%
0h 02 26
0.6%
6h 42 11
100.0%
Tabla 6.3. Coste computacional en tiempo de las diferentes etapas de resolucin del problema.
Una vez realizado el proceso, se ha obtenido una lista de 18 puntos del EDA que son
mnimos reales de la funcin objetivo y pueden ser ordenados de peor a mejor mecanismo para
la generacin de la trayectoria requerida (tabla 6.4). El mejor mecanismo obtenido es, a raz de
los resultados obtenidos en los ensayos (y siempre pendiente de un estudio estadstico ms
riguroso), el ptimo global dentro del EDA con una elevada probabilidad. El error de
comparacin obtenido con este mecanismo (0.000451) es considerablemente bajo, lo que indica
que se ha conseguido un mecanismo de 4 barras para reproducir la trayectoria requerida con
un elevado nivel de precisin.
En la tabla 6.4 se observa que, como ya fue expuesto en el captulo 5, los mnimos se
pueden agrupar en dos conjuntos atendiendo al orden de magnitud del error de comparacin
logrado. En este caso, los 15 primeros presentan un error de comparacin del orden de 10
veces inferior al del segundo grupo, formado por los 3 mnimos del final de la lista. Esto indica
que, como ocurriera en otros casos, existen mnimos locales en zonas del EDA en las que las
curvas se parecen escasamente a la requerida.
Otra observacin interesante es que algunos de los mnimos locales estn fuera del
EDA definido en la tabla 6.1 (la columna Posicin en la tabla 6.4 indica si el mnimo est
dentro o fuera del EDA inicial). Esto es debido a la existencia de mnimos frontera cuya
existencia es ficticia y se debe a la falta de puntos ms all del lmite del EDA con los que
comparar el valor de la funcin objetivo. No obstante, y como se expuso en el captulo 2, los
mnimos situados fuera del EDA estn, en su mayora (podra decirse que todos salvo el
mnimo 18) cerca de la frontera que delimita el EDA, por lo que la optimizacin basada en el
gradiente no ha llevado a una zona alejada del mismo.
Aplicacin prctica
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
L1
1.922
1.626
2.827
2.919
2.816
2.866
3.055
3.845
4.164
2.659
8.546
9.227
12.220
10.724
4.161
11.496
11.017
190.816
287
L2
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
L3
3.820
2.258
11.179
7.832
9.705
5.330
8.794
2.835
5.881
4.257
9.076
9.660
2.216
1.196
4.321
6.242
4.781
2.896
L4
4.482
2.252
9.886
6.456
10.990
6.615
7.238
5.007
3.265
3.405
2.305
2.267
12.569
10.753
1.272
6.506
7.513
188.927
X3
1.604
0.627
3.362
3.719
-1.319
-0.040
3.771
3.768
5.702
3.657
11.904
12.870
7.032
-1.710
2.596
4.419
3.765
1.038
Y3
1.699
2.501
-3.984
-3.583
-5.718
-6.174
-3.856
-5.927
-3.003
-2.187
-2.474
-2.311
-2.629
0.571
1.207
5.800
4.494
0.600
Config.
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
Err. Comp.
0.000451
0.001008
0.001425
0.001426
0.001426
0.001431
0.001432
0.001497
0.001507
0.001552
0.001660
0.001673
0.001706
0.001852
0.001885
0.022189
0.023301
0.027652
Posicin
Dentro
Dentro
Fuera
Dentro
Dentro
Dentro
Dentro
Dentro
Dentro
Dentro
Dentro
Dentro
Fuera
Dentro
Dentro
Fuera
Fuera
Fuera
288
Captulo 6
amasadora como la trayectoria realizada por el mismo (en lnea continua) y su parecido con la
trayectoria requerida (en lnea de puntos). En dicho mecanismo, la barra 1 es el eslabn fijo
(bancada) y la barra 2 es la manivela accionadora que mueve el mecanismo. La barra 3 es el
acoplador y P es el punto trazador. Aunque este mecanismo ser viable en la prctica, el
tamao del mismo en relacin al de la mquina inicial obligara a realizar un rediseo
importante de la misma para dar cabida a los nuevos elementos mviles del mismo. La
interferencia del punto B (cuyo arco de movimiento puede verse en la figura) con la cuba de la
amasadora puede evitarse colocando los eslabones del mecanismo en planos paralelos a
diferentes profundidades. La carcasa de la mquina, necesaria para el funcionamiento seguro
de la misma, tendra que ser sensiblemente mayor para albergar a todos los elementos mviles
del mecanismo excepto el actuador.
Aplicacin prctica
289
290
Captulo 6
Aplicacin prctica
291
292
Captulo 6
fija). En dicha figura se observa que la solucin 2 es la que presenta mejores valores del
ngulo de transmisin, el cual se recomienda que no sea inferior a 30. Si bien incluso en la
solucin 2 el ngulo de transmisin llega a estar por debajo de este valor mnimo recomendado
en algn tramo del ciclo cinemtico, se observa que para valores del ngulo de entrada entre
90 y 270 el ngulo de transmisin presenta valores por encima de 50. Este tramo de
funcionamiento corresponde al arco inferior de la trayectoria requerida (figura 6.2 derecha),
donde el esfuerzo que ha de realizar el mecanismo para mover la masa es mayor.
Consecuentemente el mecanismo correspondiente a la solucin 2 presenta un buen ngulo de
transmisin en la parte del ciclo en al que el esfuerzo es mayor y puede decirse que posee
unas buenas caractersticas de transmisin o, en cualquier caso, considerablemente mejores
que el resto de soluciones evaluadas.
80
Sol. 1
70
Sol. 2
Sol. 3
60
Sol. 4
Sol. 5
50
40
30
20
10
0
0
30
60
90
120
150
180
210
Angulo de entrada (grados)
240
270
300
330
360
Aplicacin prctica
293
restringida). Para obtener una solucin en tales casos es aconsejable realizar una optimizacin
restringida en la que las restricciones pueden limitar el valor mnimo del ngulo de transmisin
y, por otro lado, el tamao del mecanismo en relacin al tamao de la mquina. Sin embargo,
la inclusin de restricciones complica el proceso de optimizacin, hacindolo ms costoso
computacionalmente hablando. Por ello, la posibilidad de obtencin de buenas soluciones sin
restricciones supone una ventaja que puede atribuirse al mtodo propuesto.
Figura 6.7. Solucin definitiva al problema de rediseo del mecanismo de una amasadora.
294
Captulo 6
exclusivamente con pares inferiores (o mecanismos de barras). Pese a que los segundos
tienen ventajas sobre los primeros debido a que son ms baratos de fabricar y mantener y
presentan un mejor comportamiento a altas velocidades, los primeros han tenido un mayor
auge. Las razones son varias (Iyer, 1996): los mecanismos de barras no consiguen, en general,
una pausa perfecta mientras que los mecanismos con pares superiores si; el diseo de
mecanismos de barras con pausa es mucho ms complejo que el de mecanismos con pausa
empleando pares superiores; existe escasez de mtodos para el diseo de mecanismos de
barras con pausa; etc. Por esto, con las herramientas de diseo adecuadas, la utilizacin de
mecanismos de barras para generacin de movimiento intermitente supone el logro de diseos
ms eficientes y robustos.
En la prctica, el diseo de mecanismos de barras con pausa se ha reducido a la
sntesis de trayectoria con tramo circular o con tramo rectilneo. Si el punto que traza una de
estas trayectorias se utiliza para conducir otro eslabn dispuesto de la forma adecuada, se
logra una pausa en el eslabn conducido. En la figura 6.8 se hace uso del mecanismo de
Evans (el cual genera una trayectoria con un tramo rectilneo) para la conduccin de un
eslabn con movimiento intermitente. Cuando el punto P recorre el tramo rectilneo que est
alineado con el centro de rotacin del eslabn 6 el eslabn conducido 6 permanece
aproximadamente inmvil.
Figura 6.8. Mecanismo con pausa a partir de un mecanismo que genera un tramo de trayectoria rectilneo.
Aplicacin prctica
295
por el centro de la circunferencia, entonces se tiene que cuando P se encuentra sobre la parte
circunferencial de su trayectoria, el eslabn 6 permanecer inmvil en el centro de dicha
circunferencia (punto B). Una vez construido este mecanismo (que ahora es de 6 barras) puede
obtenerse fcilmente la carrera del mbolo 6 (mostrada en la figura desde A hasta B).
Figura 6.9. Mecanismo con pausa a partir de un mecanismo que genera un tramo de trayectoria circular.
296
Captulo 6
movimiento del mbolo se realiza con rapidez, el cilindro no llega a llenarse completamente de
gas (en las condiciones de presin y temperatura que existan en el depsito de admisin)
debido a que el mbolo comienza su movimiento de descarga (hacia la izquierda) cuando an
existe depresin en el cilindro. Una posibilidad de reducir este defecto es obligar al mbolo a
detenerse un instante en el punto muerto derecho, permitiendo que la presin en el interior del
cilindro se iguale a la del depsito antes de iniciar la descarga. Por su parte, en el punto muerto
izquierdo (final de la descarga) no ser necesaria ninguna pausa pues, si el sistema de
vlvulas est bien diseado, no existir espacio fsico para alojar ninguna (o prcticamente
ninguna) cantidad de gas. Pues bien, este tipo de movimiento alternativo con pausa puede ser
obtenido, de forma aproximada, mediante un mecanismo como el mostrado en la figura 6.9.
As, el diseo de mecanismos con pausa puede ser realizado por medio de la sntesis
de una trayectoria con un tramo circular. Sin embargo, aparte de este requisito, existen otras
restricciones geomtricas para el funcionamiento del mecanismo completo. Por ejemplo, una
vez seleccionada la direccin de deslizamiento del mbolo (eslabn 6 en la figura 6.9), ningn
punto de la trayectoria de P puede estar ms lejos de dicha recta de deslizamiento que la
longitud del acoplador 5 (igual al radio del arco de circunferencia descrito); ya que de lo
contrario no existira compatibilidad de movimiento producindose el bloqueo del mecanismo.
Tambin es posible modificar el ngulo abarcado por el arco circular de la trayectoria
para conseguir una pausa ms larga o ms corta. Si se desea que la pausa sea larga, el
ngulo abarcado debe ser grande, a la vez que la velocidad de paso del punto trazador sobre
dicho arco debe ser pequea o moderada. Sin embargo, si el ngulo abarcado (ngulo en la
figura 6.11) se aproxima a 180, el ngulo de transmisin obtenido cuando P sale del tramo
circular es excesivamente pequeo provocando la aparicin de grandes esfuerzos en los
eslabones. En la figura 6.11 se observa que cuando P est en la posicin P2, como el ngulo
de transmisin es tan pequeo, para conseguir una fuerza unitaria en la direccin de
deslizamiento de 6 es necesario realizar una fuerza considerablemente ms grande en la
direccin de la barra 5. Por el contrario, cuando P est en la posicin P1 el ngulo de
transmisin es mayor y la desproporcin entre las fuerzas es mucho menor.
Aplicacin prctica
297
Figura 6.11. Ejemplo de ngulo de transmisin pequeo cuando el ngulo abarcado se aproxima a 180.
119 Esto tambin tiene que ver con el hecho de que si bien se requiere que la trayectoria tenga un tramo circular, tambin se
requiere que el resto de la trayectoria no lo sea pues, de lo contrario, no se conseguira movimiento alguno en el mbolo.
298
Captulo 6
10 0.75
R ( ) = 10
10 0.75
si
si
si
,
12 6
5
,
6 6
5 13
,
6 12
(6.1)
Aplicacin prctica
299
de 474579 puntos iniciales. Aunque se est realizando la sntesis de una trayectoria abierta, el
resto de condicionantes de funcionamiento imponen que la manivela de entrada realice giros
completos. Por ello se descartarn aquellos mecanismos del EDA que no cumplen esta
condicin como si se tratara de la sntesis de una trayectoria cerrada.
Var. Dis.
L1
L2
L3
L4
X3
Y3
Config.
Val. Mn.
1.0
1.0
1.0
1.0
-5.0
-5.0
1.0
Val. Mx.
5.0
1.0
5.0
5.0
10.0
5.0
1.0
Incremento
0.5
Invariable
0.5
0.5
0.5
0.5
Invariable
Optimizar
Si
No
Si
Si
Si
Si
No
Tiempo118
3h 32 03
83.5%
0h 38 04
15.0%
0h 03 43
1.5%
4h 13 50
100.0%
Tabla 6.6. Coste computacional en tiempo de las diferentes etapas de resolucin del problema.
300
Captulo 6
Tras la resolucin del problema se obtiene un total de 22 mnimos locales reales en los
que el error de comparacin con la curva requerida vara desde 0.000014 hasta 0.038082. Las
120
primeras 12 soluciones son mostradas en la figura 6.13 . La primera caracterstica observable
es que se han obtenido soluciones muy variadas (mecanismos muy diferentes). Sin embargo,
estas soluciones parecen estar agrupadas en conjuntos muy similares entre si. Por ejemplo, las
soluciones 1, 2, 4 y 5 son parecidas (aunque no iguales) en forma de la curva generada y
tambin en dimensiones del mecanismo. Lo mismo ocurre con las soluciones 8, 9 y 10 y con
las soluciones 11 y 12, que forman un tercer grupo. Esto puede ser debido a que varios
mnimos discretos conducen a mnimos reales similares. Sin embargo, la optimizacin basada
en el gradiente que se ha realizado no ha evolucionado, por ejemplo, de la solucin 2 a la
solucin 1, lo que indica que en el EDA no existe un camino que conduzca de un mecanismo al
otro y en el que solamente haya descenso en la funcin objetivo. Lo cual es una prueba de que
ambos son mnimos reales de la funcin objetivo.
120
Para cada mecanismo solucin podran incluirse, adems, sus cognados y los nuevos mecanismos debidos a cambios de
configuracin. Estos mecanismos no se han incluido por brevedad, pero de haberlo hecho, el anlisis posterior sera igual al
realizado.
Aplicacin prctica
301
302
Captulo 6
Aplicacin prctica
303
Por otro lado, cabe destacar la calidad del ptimo (solucin 1), en el que el error de
comparacin es excepcionalmente pequeo. Consecuentemente se ha logrado un mecanismo
que reproduce la trayectoria requerida casi con total precisin.
Se observa tambin que, pese a haber primado la longitud de la pausa frente a la
obtencin de ngulos de transmisin elevados, el mtodo ha proporcionado mnimos
(soluciones 8, 9, 10, 11 y 12) en los que el ngulo abarcado por el tramo de arco circular est
claramente por debajo de 180. Por lo que es posible seleccionar un mecanismos con mejores
caractersticas dinmicas que las inicialmente previstas.
Una vez seleccionada una solucin de las obtenidas (mostradas en la figura 6.13), es
necesario completar el diseo del mecanismo decidiendo la direccin de deslizamiento del
mbolo. Seleccionando por ejemplo la solucin 1, la direccin de deslizamiento viene
determinada por el ngulo (figura 6.14). Dado que toda la trayectoria generada por este
mecanismo solucin est dentro de la circunferencia de radio igual al arco generado, ser
posible fijar cualquier valor de sin que se produzca ningn bloqueo del mecanismo. En la
figura 6.14 se muestra el mecanismo con un ngulo de deslizamiento tal que la lnea de
deslizamiento divide a la trayectoria del punto P en dos mitades aproximadamente simtricas.
As, si la velocidad de P sobre su trayectoria fuera tambin simtrica, esto provocara
movimientos simtricos de ida y venida del mbolo.
304
Captulo 6
detencin casi perfecta del mbolo ocupando un tramo angular de la manivela de entrada
aproximadamente igual a 120 (desde 90 hasta 210).
2.25
2.00
1.75
1.50
1.25
1.00
0.75
0.50
0.25
0.00
0
30
60
90
120
150
180
210
240
270
300
330
360
-0.25
Angulo de la manivela accionadora ()
Figura 6.15. Curva de desplazamiento del mbolo correspondiente a la solucin 1 y un ngulo de deslizamiento de
30.
Los tramos de descenso y elevacin del mbolo pueden modificarse variando el valor
del ngulo de deslizamiento . As se obtiene que la posicin (d) del mbolo es funcin de dos
variables: el ngulo de deslizamiento y el ngulo de la manivela accionadora . Con el fin de
seleccionar un valor adecuado de la variable de diseo puede estudiarse la posicin del
mbolo en funcin de ambas variables, obteniendo una superficie en un espacio tridimensional
que puede representarse por medio de sus curvas de nivel (figura 6.16). En dicha superficie, un
corte horizontal a un determinado valor de equivale a la obtencin de la curva de
desplazamiento correspondiente a es ngulo . As, puede verse cmo para diferentes valores
de se obtienen tramos de pausa (reas blancas en la figura) del mbolo con diferente
duracin. Tambin se puede modificar el descenso de la curva de desplazamiento, aunque se
observa que el gradiente de ascenso es prcticamente invariable con . Incluso se puede
obtener un mecanismo con dos pausas y un pequeo desplazamiento entre ambas utilizando
un valor de cercano a 150. Tambin se observa que para igual a 30 (330),
aproximadamente, se obtiene la pausa de mayor duracin.
Aplicacin prctica
305
360
2.25
330
Angulo de deslizamiento ()
300
1.75
270
240
1.5
210
1.25
180
1
150
120
0.75
90
0.5
60
0.25
30
0
30
60
121 El cual es definido como el menor ngulo entre la barra conductora y la perpendicular a la direccin de deslizamiento del
eslabn conducido (Soni, 1974) y presentar valores entre 0 y 90.
306
Captulo 6
90
75
60
45
30
15
0
0.0
30.0
60.0
90.0
270.0
300.0
330.0
360.0
Figura 6.17. Angulo de transmisin al mbolo correspondiente a la solucin 1 y un ngulo de deslizamiento de 30.
122
desciende tanto. Sin embargo, incluso para esos valores de no se consiguen ngulos de
transmisin mnimos superiores a 15.
122
Ntese que ambos ngulos representan en realidad la misma direccin ya que su diferencia es 180.
Aplicacin prctica
307
360
88
330
77
Angulo de deslizamiento ()
300
270
66
240
55
210
180
44
150
33
120
90
22
60
11
30
0
30
60
308
Captulo 6
Para este mecanismo se observa que la trayectoria descrita por el punto trazador del
mecanismo de 4 barras accionador no queda incluida dentro del crculo descrito, por lo que
existirn ciertos ngulos de deslizamiento () o ciertos rangos angulares en los que no
existir compatibilidad de movimiento y el mecanismo se bloquear.
Para el mecanismo mostrado en la figura 6.19 (=220) se obtiene la curva de
desplazamiento de la figura 6.20. Se observa cmo la pausa es menor que para la solucin 1,
abarcando menos de 60 del ngulo de la manivela accionadora. Para ese mismo mecanismo
se obtiene un ngulo de transmisin mostrado en la figura 6.21. Se observa cmo los valores
mnimos son muy superiores a los conseguidos con la solucin 1.
Finalmente, en las figuras 6.22 y 6.23 se representa respectivamente la grfica de
desplazamiento del mbolo y el ngulo de transmisin en funcin de la posicin de la manivela
accionada () y del ngulo de deslizamiento () elegido. En ellas se observa la existencia de
reas (sombreadas) en las que el mecanismo no tiene solucin, habindose bloqueado antes
de llegar a esa posicin.
Aplicacin prctica
309
2.25
2.00
1.75
1.50
1.25
1.00
0.75
0.50
0.25
0.00
0
30
60
90
120
150
180
210
240
270
300
330
360
300.0
330.0
360.0
-0.25
Angulo de la manivela accionadora ()
Figura 6.20. Curva de desplazamiento del mbolo correspondiente a la
solucin 10 y un ngulo de deslizamiento de 220.
90
75
60
45
30
15
0
0.0
30.0
60.0
90.0
270.0
Figura 6.21. Angulo de transmisin al mbolo correspondiente a la solucin 10 y un ngulo de deslizamiento de 220.
310
Captulo 6
360
2.5
330
2.25
Angulo de deslizamiento ()
300
270
1.75
240
210
1.5
180
1.25
150
120
0.75
90
0.5
60
0.25
30
0
30
60
90
330
80
Angulo de deslizamiento ()
300
70
270
240
60
210
50
180
40
150
120
30
90
20
60
10
30
0
30
60
Aplicacin prctica
311
312
Captulo 6
El espacio de diseo planteado es el mismo que en el primer caso prctico (tabla 6.1).
Siguiendo el procedimiento exhaustivo, primero se evalan los puntos de la discretizacin para,
a continuacin, seleccionar los mnimos discretos que conducirn a mnimos reales tras una
optimizacin basada en el gradiente. El nmero de puntos involucrado en cada etapa es
expuesto en la tabla 6.7.
5 350 257
651 136
11
11
Etapa
Evaluacin de los puntos de la discretizacin
Identificacin de mnimos discretos
Optimizacin partiendo de mnimos discretos
Total
Tiempo118
1h 53 28
96.4%
0h 13 37
3.0%
0h 02 07
0.6%
2h 09 12
100.0%
Tabla 6.8. Coste computacional en tiempo de las diferentes etapas de resolucin del problema.
Aplicacin prctica
313
Tras la ejecucin se obtiene un total de 11 mnimos para cada uno de los cuales
podran considerarse 2 cognados y 2 configuraciones. Estos pueden ser escalados,
posicionados y orientados adecuadamente para que el trazado de la curva generada presente
314
Captulo 6
Figura 6.26. Comparacin con los resultados obtenidos por Unruh y Krishnaswami.
Aplicacin prctica
315
Aparte del parecido entre la curva requerida y la mejor solucin obtenida, es posible
contrastar este resultado con el obtenido por Unruh y Krishnaswami. En la parte superior de la
figura 6.26 se muestra el mejor mecanismo solucin obtenido por ellos y el parecido entre las
trayectorias requerida y generada. Se observa que entre las soluciones obtenidas con el
mtodo exhaustivo (figura 6.25) existen algunas dimensionalmente parecidas aunque no
excesivamente cercanas, lo que significa que, de acuerdo con la funcin objetivo utilizada en el
123
mtodo exhaustivo , la solucin de Unruh y Krishnaswami no es un mnimo local.
En la parte inferior de la figura 6.26 se observa una ampliacin de las dos soluciones
ptimas: la obtenida con el mtodo exhaustivo (solucin 1) y la obtenida por Unruh y
Krishnaswami. Para realizar una comparacin cuantitativa en cuanto a cual de las dos es ms
parecida a la curva requerida, varios autores han propuesto determinar el rea existente entre
las curvas (Thompson, 1975). Sin embargo, el valor obtenido depende de forma no lineal
sino parablica del tamao de las curvas, por lo que no es un indicador independiente. Para
conseguir que lo sea, este valor puede ser dividido por el cuadrado de una longitud comn a
los dos casos comparados. Si el rea entre las curvas se divide entre la longitud de la curva
requerida (que es comn a ambos casos), se obtiene la distancia promedio entre cada pareja
de curvas superpuestas. Si de nuevo se divide por la longitud de la curva requerida, se obtiene
un valor escalar adimensional que representa la distancia promedio entre las curvas
superpuestas por unidad de longitud de curva requerida. Este valor, multiplicado por 100
expresa este promedio en porcentaje de longitud de curva requerida y es independiente del
tamao de las curvas.
En la tabla 6.9 se muestra el rea encerrada cuando las curvas son escaladas de forma
que la longitud de la curva requerida sea 100 unidades. Dividiendo el rea entre el cuadrado de
la longitud se obtiene el ratio (expresado en porcentaje). Se observa cmo la solucin ptima
aportada por el mtodo exhaustivo es sensiblemente inferior a la mejor solucin aportada por
Unruh y Krishnaswami.
Mtodo
Unruh y Krishnaswami
Exhaustivo
Longitud
100
100
Area
60.213
45.169
Ratio
0.60%
0.45%
123
316
Captulo 6
necesario para encontrar soluciones ptimas con este tipo de trayectorias. Como en los
ejemplos anteriores se han obtenido diversas soluciones dentro de las cuales se puede
seleccionar la ms idnea para cada caso. Finalmente, se ha contrastado el resultado con el
obtenido por otros autores, demostrando la mejora en la solucin obtenida respecto a este
ltimo.
6.5. Conclusiones.
En este captulo se han presentado ejemplos que corroboran el buen funcionamiento
del mtodo propuesto en la obtencin de mecanismos ptimos para la generacin de una
trayectoria requerida con independencia del tiempo. Los mecanismos obtenidos pasan por ser,
a raiz de los resultados obtenidos en los estudios expuestos en captulos anteriores (y siempre
pendiente de un estudio estadstico ms exhaustivo), ptimos globales dentro del espacio de
diseo o, como mnimo, puntos de valor muy cercanos a dicho ptimo. Sin embargo, es posible
que el ptimo obtenido no sea un mecanismo vlido atendiendo a otras consideraciones tales
como el tamao del mecanismo, la ventaja mecnica o el ngulo de transmisin. En tal caso,
es posible realizar una seleccin del mecanismo ideal de entre la lista de mnimos que el
mtodo exhaustivo proporciona. De esta forma, el mtodo ha demostrado su versatilidad en la
obtencin de diferentes mecanismos con un objetivo comn.
Tambin se ha contrastado el mtodo propuesto con un mtodo vanguardista basado
en la conversin a B-Splines e ideado por Unruh y Krishnaswami (Unruh y Krishnaswami,
1995), demostrndose la obtencin de mejores resultados con el primero.
En cuanto al coste computacional, se observa que el mtodo exhaustivo presenta
tiempos de computacin elevados en comparacin con otros mtodos. Sin embargo, este coste
est asociado a la persecucin del ptimo global y ha sido minimizado mediante la propuesta
de funciones objetivo que permitan la reduccin del espacio de diseo. Aunque este coste
puede ser considerado elevado, el rpido incremento de potencia en los ordenadores
124
personales har que pronto sea poco significativo .
Tambin cabe destacar que aunque en los ejemplos expuestos se ha realizado la
sntesis sobre el mecanismo de 4 barras (mecanismo mayoritariamente utilizado en la
generacin de trayectorias), la formulacin del mtodo no ha sido restringida en cuanto al tipo
de mecanismo y, consecuentemente, puede ser utilizado con otros tipos como el mecanismo
biela-manivela, el mecanismo de 5 barras con engranajes o los diferentes tipos de mecanismos
de 6 barras. Sin embargo, hay que considerar que un mayor nmero de eslabones supone un
124 Como nota ilustrativa de esto puede indicarse que desde el ltimo ao la potencia de los ordenadores personales se ha
duplicado, por lo que de realizar los ensayos con un ordenador personal actualizado, los tiempos se veran reducidos a la mitad.
Aplicacin prctica
317
mayor nmero de dimensiones y, por tanto, un mayor tamao del espacio de diseo. As pues,
la utilizacin de mecanismos con un mayor nmero de barras incrementar el coste
computacional de forma significativa. Por el contrario, la sntesis dimensional del mecanismo
biela-manivela supondr una coste menor.
&DStWXOR
&RQFOXVLRQHV
7.1. Introduccin.
Este trabajo se ha centrado en el anlisis y mejora de los recursos metodolgicos
existentes destinados a la resolucin de problemas de sntesis dimensional para generacin de
trayectoria por la va numrica.
El estudio de las estrategias planteadas hasta el momento ha permitido observar
insuficiencias en algunos aspectos. Por un lado, se ha observado una tendencia clsica o
poco vanguardista en el planteamiento de los mtodos de resolucin, ignorando en cierta
medida las herramientas informticas que permiten, con la formulacin adecuada, una
resolucin mucho ms eficiente.
Por otro lado, se ha observado que con frecuencia ha sido olvidado el objetivo ltimo
de la sntesis dimensional aproximada: la obtencin del mejor mecanismo (mecanismo ptimo
global) para el cumplimiento de los requisitos de diseo. En efecto, en muchos de los mtodos
propuestos se sugieren alternativas con la finalidad de buscar mecanismos de una calidad
intermedia, sin hacer alusin al objetivo principal.
En general, se ha detectado la falta de una estructuracin adecuada en la evolucin de
las soluciones propuestas para este problema y un desarrollo desigual de las partes que
componen el problema de optimizacin. Se ha tenido escasamente en cuenta el coste
computacional en las alternativas propuestas y tampoco se han desarrollado estudios en
profundidad sobre tcnicas que permitan reducir este coste.
En este trabajo se ha contribuido a mejorar los medios para la resolucin de la sntesis
dimensional aproximada de mecanismos planos mediante el estudio detallado de los diferentes
aspectos que el problema incluye. Se ha creado un marco de directrices dentro del cual se
detallan las consideraciones que mejoran la probabilidad de lograr el mecanismo ptimo.
Simultneamente se ha demostrado que la estrategia exhaustiva puede ser un mtodo
ventajoso para la bsqueda del ptimo global dentro del espacio de diseo. Los tiempos
320
Captulo 7
consumidos por la misma son, todava, elevados. Sin embargo, se puede intuir que la creciente
potencia de los ordenadores har que muy pronto este coste computacional quede reducido a
una cuestin de minutos.
7.2. Conclusiones.
En el presente trabajo se ha estudiado el problema de sntesis dimensional aproximada
con un doble objetivo: la consecucin del ptimo global y la disminucin del coste
computacional asociado a dicha tarea. Para ello, se han estudiado por separado cada una de
las partes que integran este problema de optimizacin, llegando a conclusiones concretas para
cada una de ellas.
Conclusiones
321
cumplimiento de los requisitos que permiten una reduccin mxima del espacio de
diseo.
Con el objetivo de minimizar el coste computacional se ha estudiado la posibilidad de
comparar curvas planas en base a unas pocas magnitudes discretas. Para ello se han
estudiado los parmetros puntuales que caracterizan una curva plana. Se ha
comprobado mediante ensayos que la inclusin de la curvatura o el radio de curvatura
provoca una estimacin errnea en el parecido de las curvas comparadas debido a los
valores extremos infinitos que estas variables toman en cspides o puntos de inflexin.
Los resultados obtenidos demuestran que es posible la comparacin discreta de curvas
con suficiente precisin y un enorme ahorro en coste computacional.
El ensayo de progresividad de las funciones objetivo ha puesto de manifiesto que no
todos los mtodos ensayados tienen un comportamiento progresivo igualmente
favorable. El estudio ha demostrado la importancia del ensayo de progresividad en la
propuesta de nuevos mtodos ya que ste permite observar la evolucin de la
comparacin de curvas al aumentar progresivamente su parecido. Como patrn de
referencia se ha utilizado un mtodo de comparacin continua basado en el rea entre
las curvas. De esta forma se ha demostrado que algunas de las funciones, propuestas
en este trabajo, tienen un mejor comportamiento progresivo que otras funciones clsicas
como la comparacin basada la suma de distancias entre puntos al cuadrado.
En la comparacin de curvas abiertas se ha probado que es posible simplificar el
problema de superposicin (con un enorme ahorro en coste computacional) mediante la
utilizacin de tcnicas de adaptacin poligonal. Se han propuesto y ensayado diferentes
mtodos de adaptacin y se ha obtenido el tipo de adaptacin que presenta un mejor
comportamiento. Esta formulacin ha permitido simplificar el problema de superposicin
hasta la optimizacin de una nica variable. As ha sido posible estimar el parecido entre
una curva abierta y otra curva con suficiente precisin y gran economa de computacin.
322
Captulo 7
Por otra parte, se ha estudiado la variacin de la funcin objetivo dentro del espacio de
diseo llegando a los siguientes resultados:
El anlisis bidimensional de la funcin objetivo ptima obtenida del estudio anterior indica
una gran suavidad y una buena progresividad, acorde con la variacin suave de la forma
de la trayectoria generada al variar progresivamente las dimensiones del mecanismo.
Conclusiones
323
324
Captulo 7
Conclusiones
325
global, en funcin del tipo de curva requerida. Esto permitir realizar una discretizacin lo
ms basta posible y mejorar el coste computacional global de la estrategia propuesta.
Anlisis de sensibilidad dimensional. A raz del trabajo realizado, se intuye que las
diferentes dimensiones de los mecanismos (y su variacin) influyen de forma desigual en
la forma de las curvas generadas. Consecuentemente, es posible aumentar la eficiencia
del mtodo realizando un anlisis de sensibilidades con el objetivo de determinar la
influencia relativa de cada una de ellas. El resultado puede ser utilizado para la
realizacin de una discretizacin no uniforme (es decir, con un paso diferente en cada
dimensin) con el fin de minimizar el coste computacional asociado a la obtencin del
ptimo global.
Inclusin de otros requisitos de diseo de mecanismos. Tal como se ha puesto de
manifiesto, es posible complementar el mtodo propuesto con nuevas funciones objetivo
que, de una forma combinada, no solamente consideren el parecido de las curvas, sino
que tambin valoren otras cualidades de los mecanismos del espacio de diseo en el
cumplimiento de otros requisitos de diseo habituales, tales como el tamao, la posicin
relativa del mecanismo trazador frente a la curva requerida, la ventaja mecnica o el
ngulo de transmisin, etc.
Desde otro punto de vista con una relacin menos cercana al planteamiento realizado,
es posible utilizar el mtodo propuesto como referencia para idear otros similares que sirvan
para la resolucin de problemas de sntesis dimensional aproximada para generacin de
funcin y para guiado de slido rgido.
Dentro de las tres categoras de problemas de sntesis dimensional (trayectoria, funcin
y guiado de slido rgido), el problema de sntesis de trayectoria puede considerarse de una
complejidad intermedia a la de los otros dos. En efecto, el objetivo de este problema es la
coordinacin de la evolucin de dos variables (dos coordenadas del punto trazador) con una
tercera variable (ngulo de la barra de entrada). En el caso de generacin de funcin, el
problema consiste en la coordinacin de una nica variable (ngulo de la barra de salida) con
la de la barra de entrada. Y en guiado de slido rgido se han de coordinar tres variables (dos
de posicin del slido rgido y una de orientacin) con una nica variable de entrada. De esta
forma, es posible idear mtodos paralelos al obtenido para conseguir otros con diferente grado
de complejidad.
%LEOLRJUDItD
(Allievi, 1895)
328
Bibliografa.
(Burmester, 1888)
(Ceccarelli, 1995)
(Crandall, 1956)
(Chirikjian, 1995)
Bibliografa
329
(Erdman, 1993)
330
Bibliografa.
(Freudenstein, 1973)
(Hain, 1964)
(Hall, 1992)
(Iyer, 1996)
(Kozhevnikov, 1981)
Bibliografa
331
332
Bibliografa.
(McCarthy, 1995)
Meng, Cai-Fang; Lu, Xi-Nian; Yang, Yu-Hu; Zhang, Ce "The highorder optimum synthesis of a driving mechanism with flexible
connector". Mechanism And Machine Theory. Vol. 31, No. 7, pp.
851-858. 1996.
(Mller, 1892)
Bibliografa
333
(Nechi, 1971)
(Nieto, 1978)
(Parikian, 1997)
(Park, 1995)
(Pennestr, 1998)
(Powell, 1964)
334
Bibliografa.
(Prentis, 1991a)
(Prentis, 1991b)
(Rao, 1997a)
(Rao, 1997b)
(Shi, 1997)
(Siddall, 1972)
Bibliografa
335
(Somov, 1899)
(Soni, 1974)
(Stewart, 1965)
(Stoilov, 1997)
(Thompson, 1975)
(Toms, 1968)
(Tuttle, 1996)
336
Bibliografa.
(Vucina y Freudenstein, 1991) Vucina, Damir; Freudenstein, F. "An application of graph theory
and nonlinear programming to the kinematic synthesis of
mechanisms". Mechanism And Machine Theory. Vol. 26, No. 6,
pp. 553-563. 1991.
(Waldron y Sreenivasan, 1996) Waldron, K. J.; Sreenivasan, S. V. "A study of the solvability of
the position problem for multi-circuit mechanisms by way of
example of the double butterfly linkage". Journal of Mechanical
Design. Vol. 118, pp. 390. 1996.
(Wang y Sodhi, 1996)
(Watanabe, 1992)
(Yan, 1992)
Bibliografa
337
(Yu, 1995)
$SpQGLFH
'HILQLFLRQHVUHODFLRQDGDVFRQODVtQWHVLVGHPHFDQLVPRV
Cadena cinemtica
Conjunto de eslabones unidos entre si mediante pares cinemticos.
Defecto de circuito
En un mecanismo existe defecto de circuito cuando una o varias barras del mismo no
pueden alcanzar todas las posiciones requeridas (para las cuales el mecanismo fue diseado)
sin ser ste desensamblado y ensamblado de nuevo en una configuracin diferente. El defecto
de circuito aparece solo si el mecanismo tiene solo una rotabilidad parcial (es decir, la barra
accionadora no puede dar una vuelta completa) y la barra accionadora puede moverse en dos
rangos de posicin disjuntos. Adems se ha de dar el caso de que las posiciones de diseo se
encuentran repartidas en ambos rangos de movilidad.
Diada
Dos eslabones (o barras) binarios conectados por un par articulacin o por un par
deslizadera y provistas de pares en los extremos para ser conectadas a otras barras. Existen 5
tipos diferentes: D111, D101, D011, D001, D010; donde 0 indica un par deslizadera y 1 indica
un par articulacin. Las diadas son partes elementales de un mecanismo y sus problemas de
posicin, velocidad y aceleracion tienen una solucin explcitamente conocida, lo que significa
que si se conoce la posicin de los dos pares extremos, se puede calcular directamente (sin
necesidad de iteracin) la posicin del par intermedio.
340
Apndice A
Grado de libertad
Cada una de las magnitudes necesarias que determinan la posicin de un mecanismo.
Es igual al nmero de accionamientos necesarios para que el mecanismo se mueva de forma
inequvoca y su cantidad tiene que ver con la capacidad de movimiento del mismo.
Interferencia
Problema de funcionamiento en mecanismos que se da cuando un mecanismo que en
teora pude moverse dentro de un rango determinado, en la prctica no puede ser fsicamente
concebido para moverse segn ese rango debido a que unas partes del mismo chocan con
otras impidiendo la continuacin del movimiento.
Mecanismos cognados
Dcese de aquellos mecanismos del mismo tipo y dimensionalmente diferentes que
generan una misma trayectoria (de forma matemticamente exacta).
Mecanismo didico
Es aquel mecanismo puede ser construido a partir de diadas independientes. Vase
diada.
Mecanismo espacial
En oposicin al concepto de mecanismo plano, dcese de cualquier mecanismo en el
que, durante el movimiento, al menos un punto de un eslabn describe una trayectoria que no
est contenida en un plano o que si lo est, el plano no es paralelo al plano que incluye la
trayectoria de otro punto. Vase mecanismo plano.
Mecanismo plano
Mecanismo en el que todos los puntos de todos los eslabones describen trayectorias
que estn contenidas en un mismo plano o en planos paralelos.
Par cinemtico
Forma geomtrica mediante la cual se unen dos slidos rgidos de forma que ele
movmiento relativo entre ambos sea consistente. Existen diferentes tipos de pares cinemticos
y son habitualmente clasificados por los grados de libertad que permiten en el movimiento entre
los slidos rgidos que conectan.
341
Par inferior
Tradicionalmente es definido como un tipo de par cinemtico en el que el contacto
entre los dos cuerpos que conecta es superficial, aunque existen excepciones a esta definicin.
En el caso de mecanismos planos, se consideran pares inferiores aquellos que conectan dos
slidos rgidos de forma que el movimiento relativo cuente nicamente con un grado de
libertad.
Par superior
Tradicionalmente es definido como un tipo de par cinemtico en el que el contacto
entre los dos cuerpos que conecta es lineal o puntual, aunque existen excepciones a esta
definicin. En mecanismos planos, se consideran pares superiores aquellos que conectan dos
slidos rgidos de forma que el movimiento relativo entre ellos cuente con dos grados de
libertad.
Puntos de aproximacin
En sntesis dimensional, conjunto de posicones discretas que describen los requisitos
de sntesis. Sin embargo, al contrario que en sntesis exacta, no se exige el cumplimiento
exacto de estas posiciones (en la mayora de los casos porque esto no es exigible dada la
naturaleza del problema), sino que se busca el mecanismo que ms se acerca a estas
posiciones. En general, cuando los requisitos de diseo son especificados mediante posiciones
discretas que, en nmero, sobrepasan el lmite de puntos de precisin no es posible cumplir
estas posiciones de forma exacta y entonces son llamadas puntos de aproximacin. Vase
sntesis aproximada.
Puntos de precisin
En sntesis dimensional de mecanismos, conjunto de posiciones discretas mediante las
cuales se especifican los requisitos de la sntesis cuando se exige el cumplimiento exacto de
los requisitos. El nmero de puntos de precisin que un mecanismo puede reproducir con total
exactitud terica est limitado y es funcin del tipo de mecanismo utilizado. As, siempre se
pueden obtener las dimensiones de un mecanismo de 4 barras que genere una trayectoria que
pase por hasta 9 puntos cualesquiera. Vase sntesis exacta.
Sntesis aproximada
Dcese del tipo de sntesis de mecanismos en la que no se exige el cumplimiento
exacto de los requisitos, bien porque no es exigible o bien porque an sindolo no se obtiene
beneficio alguno. Este concepto est asociado a mtodos de optimizacin ya que se persigue
encontrar el mnimo o el mximo de una funcin que se encarga de evaluar la bondad de
342
Apndice A
los mecanismos candidatos en relacin con los requisitos de sntesis. Tambin es llamada
sntesis con puntos de aproximacin. Vase puntos de aproximacin.
Sntesis exacta
Dcese del tipo de sntesis en la que se exige que los requisitos sean cumplidos de
forma exacta (en oposicin a aproximada), posibilitando la naturaleza del problema dicho
cumplimiento exacto. Tambin es llamada sntesis con puntos de precisin. Vase puntos de
precisin.
$SpQGLFH
)RUPXODFLyQGHGHILQLFLyQGHFXUYDV%6SOLQHV
Los puntos de la B-Spline se pueden obtener a partir de la posicin de los puntos del
polgono de control mediante su ecuacin de definicin escrita en la forma recursiva de CoxdeBoor [Libro-1997-01] siguiente:
xB (t , xQ )
=
PB (t , PC ) =
y B (t , yQ )
n 1
i =0
xQi
N ik (t ) ; t [0, n k + 1]
yQi
(B.1)
344
Apndice B
) (
donde PB t , PQ = x B (t , xQ ), y B (t , yQ )
xQ = xQi
yQ
k
i
Qi
= 1 si vi t < vi +1
si k = 1
= 0 si (vi > t t vi +1 )
k
N i (t ) =
k 1
k 1
= (t vi ) N i (t ) + (vi + k t ) N i +1 (t ) si k > 1
vi + k 1 vi
vi + k vi +1
(B.2)
donde vi es el vector knot que determina qu vertices del polgono de control contribuyen en el
clculo de la posicin de un punto de la B-Spline. Existen varias formas de definir este vector
knot, siendo una de las ms extendidas la siguiente:
v j = j k +1 ;
j = 0, 1,..., n+k-1
(B.3)
es decir, los elementos del vector vj varan desde -k+1 hasta n incrementandose en una unidad.
n = n + k 1
(B.4)
345
considerado es mayor que el nmero de puntos de control real n). El rango del parmetro de la
B-Spline tambin se ve afectado por n y, sustituyendo n por n en el rango del parmetro de la
ecuacin (B.1) queda:
(B.5)
Asi pues, finalmente, la ecuacin (B.1) para una B-Spline cerrada de orden k generada a
partir de un polgono de n puntos es:
x B (t , xQ )
=
PB (t , PQ ) =
y B (t , yQ )
n1
N
i =0
xQi
k
i (t )
yQi
t [ 0, n )
(B.6)
donde n viene definido por (B.4), la funcin de forma Nik(t) viene definida por la ecuacin (B.2) y
el vector knot vj viene definido por la expresin:
v j = j k +1 ;
(B.7)
x B (t , xQ )
t
y (t , y ) =
Q
B
n1
i =0
N ik (t ) xQi
t
yQi
(B.8)
siendo
si k = 1
= 0
N ik 1 (t )
N ik+1 (t )
N ik (t )
k 1
1
(t vi ) N ik+1 (t ) +
(vi + k t )
= N i (t ) +
(B.9)
1
t
t
t
si k > 1
+
=
vi + k 1 vi
vi + k vi +1
346
Apndice B
x B (t , xQ )
xQi
y B (t , y Q )
y Qi
= N ik (t )
(B.10)