Practical Engineering går igenom vad som hände med den berömda brokollapsen.
Ersholm
Skriver om allt som intresserar mig, mina tankar och funderingar.
-
Hur används FFT för att analysera maskiners vibrationer?
Maskiner vibrerar hela tiden när de är i gång – det är helt normalt. Men vissa vibrationer kan avslöja att något är på väg att gå sönder: en obalans, ett slitet lager eller en lös bult. För att hitta sådana problem i tid användes oftast vibrationsanalys och ett av de vanligaste verktygen för det är Fast Fourier Transform (FFT).
När du placerar en liten sensor – en så kallad accelerometer – på en motor eller ett lager, får du en signal som visar hur mycket maskinen vibrerar över tid. Den här signalen kan se ut som en ganska oorganiserad kurva – men gömmer mycket information.
Problemet? Människan har svårt att tolka den signalen med blotta ögat. Vi behöver verktyg som kan hjälpa oss att förstå vilka frekvenser som finns i signalen, och hur starka de är. Det är precis vad FFT gör.
FFT är en snabb metod för att omvandla en vibrationssignal från tidsdomän till frekvensdomän.
Tänk så här:
- I tidsdomänen ser du hur något vibrerar över tid (typ som ett hjärtslag på en EKG-skärm).
- I frekvensdomänen ser du vilka frekvenser som finns i vibrationerna, och hur mycket energi som ligger i varje frekvens.
Det är ungefär som att höra ett ackord på ett piano – FFT hjälper dig ta reda på exakt vilka toner som spelades, och hur högt varje ton lät.
När du kör en vibrationssignal genom FFT får du ett spektrum – en graf där X-axeln visar frekvenser (t.ex. 0 till 10 000 Hz), och Y-axeln visar amplitud (hur kraftig vibration det är vid varje frekvens).
Det hjälper dig att:
- Identifiera lagerfel som ger typiska ”frekvenssteg”
- Upptäcka obalanser som syns vid maskinens rotationshastighet
- Hitta resonansproblem där vibrationerna förstärks kraftigt
Fördelar och begränsningar
Fördelar:
- Snabb och effektiv
- Enkel att tolka när signalen är stabil
- Bra för att upptäcka periodiska problem
Begränsningar:
- Antar att signalen är stationär (dvs. inte förändras över tid)
- Missar lätt korta störningar eller övergående fel
- Ingen information om när ett visst problem uppstod – bara att det finns
FFT vs. WPT – vad är skillnaden?
Tidigare har jag lyft att man i forskningssammanhang använt olika modeller för maskininlärning använt Walvelet Packet Transform (WPT) i stället för FFT, därför listar jag några skillnader mellan dom två. Det kommer ett eget inlägg om WPT för att beskriva den tekniken, så vi återkommer till ämnet längre fram.
Egenskap FFT WPT (Wavelet Packet Transform) Tid-frekvens-upplösning Endast frekvens Både tid och frekvens Stationära signaler Fungerar bra Fungerar även för icke-stationära Tydlighet i spektrum Mycket bra Bra, men mer komplex analys Beräkningstid Snabb Långsammare -
Väldigt intressant video om vad som hände på dammen Taum Sauk.
-
Varför vissa nationer misslyckas – och andra lyckas
En reflektion kring boken Why Nations Fail av Acemoglu & Robinson
I flödet hittade jag boken Why nations fail här under våren och den fångade mitt intresse. Den behandlar frågan varför är vissa länder rika medan andra förblir fattiga. Den frågan har sysselsatt forskare, politiker och andra i århundraden. I boken Why Nations Fail ger nationalekonomen Daron Acemoglu och statsvetaren James A. Robinson ett svar: det handlar inte främst om kultur, geografi eller utbildningsnivå som har varit en mer framträdande anledning i allmänheten – utan om institutioner.
Inkluderande vs. extraherande institutioner
Kärnan i deras argument ligger i uppdelningen mellan två typer av institutioner:
- Inkluderande institutioner skapar incitament för bred samhällsdelaktighet. De skyddar äganderätt, uppmuntrar entreprenörskap och möjliggör social mobilitet. Exempel är demokratiska stater med fungerande rättssystem.
- Extraherande institutioner, å andra sidan, är utformade för att koncentrera makt och rikedom till ett fåtal. De hämmar innovation och förhindrar ekonomisk utveckling för den breda befolkningen.
Det är alltså inte naturresurser eller historiskt arv i sig som avgör ett lands framtid – det är vilka institutioner som formar dess samhällskontrakt. Det ska också nämnas att det inte går att förena dessa strukturer över tid, dvs. att ha inkluderande ekonomiska institutioner och exkluderande politiska institutioner.
Det leder till att den ena eller andra får övertaget, ex. Sydkorea som hade till en början exkluderande politiska institutioner där gereral Park Chun-hee tog makten i en militärkupp 1961 och styrde med järnhand med de klassiska koncentrerad makt till en liten elit, politiska friheter var begränsade mm. däremot hade Sydkorea inkluderande ekonomiska institutioner där staten satsade på utbildning, exportindustrin, infrastruktur och modernisering av bland annat jordbruket. Under början av 80-talet började folket kräva demokrati och politiska rättigheter och efter en massiva protester övergick landet till en demokratisk konstitution 1987.
Det finns även andra exempel där övergången gått åt andra hållet som ex. Zimbabwe, Egypten och Venezuela, där utgången blev exkluderande intuitioner även fast förutsättningarna var liknande.
Politik före ekonomi
En annan central tes i boken är att ekonomisk tillväxt styrs av politiska beslut. Långsiktig utveckling kräver maktdelning, ansvar och möjligheter för breda grupper att påverka. Därför är det ofta politiska revolutioner snarare än tekniska genombrott som blir avgörande vändpunkter. Vidare skriver författarna att ”creative destruction” är nödvädigt för ekonomisk och teknologisk utveckling, där nya tekniker gör existerande kunskap och maskiner utdaterad. Vilket förändrar maktstrukturerna i samhället, det blir vinnare och förlorare, både politiskt och ekonomiskt, i varje teknikskifte.
Författarna använder en rad historiska exempel från romarriket till dagens Nord- och Sydkorea för att visa hur olika institutionella vägval lett till helt olika utvecklingsbanor.
Why Nations Fail ger verktyg för att förstå varför vissa länder kämpar med korruption och stagnation, medan andra blomstrar. Den visar också att förändring är möjlig men kräver mod, folkligt engagemang och en politisk vilja att bryta med maktkoncentration.
För oss som bor i stabila demokratier är boken en viktig påminnelse: de inkluderande institutionerna vi ofta tar för givna är ingen självklarhet. De måste skyddas, vårdas och ständigt förnyas.
“Nations fail today because their extractive economic institutions do not create the incentives needed for people to save, invest, and innovate.”
— Daron Acemoglu & James A. Robinson -
AI står för Artificiell Intelligens (AI) och är en teknik som gör att datorer eller maskiner kan imitera en människas förmåga att utföra (ett arbete), bete sig eller fungera. AI kan lära sig från historisk data och har möjligheten att känna igen mönster. AI är ett samlingsbegrepp för många olika underkategorier som ex. maskininlärning. Det sägs att termen AI myntades redan år 1956, maskininlärning år 1959 och djupinlärning år 1985 [1].
Maskininlärning (ML) är ett fält som växt mycket under de senaste åren. ML handlar kort om att använda maskiner för att imitera människans kapacitet och beteende. Det kan anses att teknologin används för att svara på frågor och ge mening från data, typ sammanfläta statistik och datavetenskap för att få datorer eller maskiner att utföra en specifik uppgift. ML anses vara själva grunden för AI. ML använder algoritmer för att göra framtida prediktioner med hjälp av historisk data [1].
Användningsområden är ex. Spamfilter, virtuella assistenter så som ex. Siri och Alexa [1].
Djupinlärning (DL) är en väldigt populär del av ML. Den kombinerar AI och ML och använder Artificell Neuron Nätverk (ANN) i flera lager och ska efterlikna hur människans eget neuronnätverk fungerar. Nätverket innehåller noder och lager som kommunicerar med varandra för att förstå och analysera mottagen data [1]. Det finns olika komplexiteter för ANN och när det används flera dolda lager med fler komplexa kopplingar mellan neuronerna så räknas det som DL [2]. DL är en del av ML men mer komplex och behöver mer data och beräkningskraft [1].
Användningsområden för DL är ansiktsigenkänning och rekommendationssystem (ex. förslag på nästa köp/låt) [1].
ML och DL modeller beskrivs ofta som svarta lådor pga av att det snabbt blir väldigt komplexa och det blir svårt att få en översikt på vad modellen har lärt sig, det finns modeller för att försökta komma åt detta och förstå hur modellerna gör sina förutsägelser [2].
Referenser
- H. Alaskar and T. Saba, “Machine Learning and Deep Learning: A Comparative Review,” Algorithms for Intelligent Systems, pp. 143–150, 2021, doi: https://doi.org/10.1007/978-981-33-6307-6_15.
- M. Pichler and F. Hartig, “Machine learning and deep learning—A review for ecologists,” Methods in Ecology and Evolution, vol. 14, no. 4, Feb. 2023, doi: https://doi.org/10.1111/2041-210x.14061.
-
Läste tidigare här i veckan ett inlägg om ISO-standard som larmgräns, hur man ska tolka grafen mm. Detta är en praxis som går att använda men det är inte att rekommendera av flera olika anledningar. En anledning är att ISO är generella och inte maskinspecifika, en ny maskin kan ha ett annat beteende än en äldre. I vissa fall har den nya maskinen till och med högre nivåer än den äldre för att med tiden gå ner i nivå och givetvis finns det motsatta förhållandet. Varje maskin har oftast ett unikt beteende som behöver analyseras individuellt.
Det finns också risk för en falsk trygghet med ISO IOM att gränserna ofta är för breda för att upptäcka tidigare förändringar, det kan också ge falsklarm utan att det för den skull är något fel på maskinen.
Det ska läggas bakom örat att ISO är satt främst av maskintillverkarna och att ha en låg gränsnivå ställer högre krav på tillverkningen, vilket i det flesta fall leder till en hög gränsnivå för ISO.
För tillståndsövervakning och förebyggande underhåll är inviduella trend- och spektrumanalys överlägset för ett effektivt underhåll.
-
Hittade denna smått fantastiska video om hur en LLM som ChatGPT fungerar, denna är en del i en serie och jag rekommenderar att se allihopa. Ger en bra förståelse till vad som händer när vi ställer en fråga till en LLM.
-
Exempel bild på övertoner i ett frekvensspektra. Övertoner (även kallat harmoniska frekvenser) i spektrum kommer från en periodisk våg, med det menas en sinusvåg som ex. kan vara avhuggen i toppen. Även komplexa signaler ger samma effekt och beror på att FFT algoritmen har svårt att omvandla komplexa signaler. Detta är alltså en matematisk produkt som egentligen inte finns i ”verkligheten”, däremot så används fenomenet för att identifiera skador på bland annat lager och är en del i att bedöma hur långt gånget en skada har fortlöpt.
-
Accelerationsgivare är standardgivaren inom vibraitonsövervakning, både för online- och ronderingsmätningar. Det finns flera olika typer av accelerationsgivare och den vanligaste typen är en integrerad elektronisk piezoelektrisk (IEPR, kallas även IPC men det är varumärkeskyddat).
Inuti givaren finns ett piezoelektriskt material (kristall) som belastas med en massa, när höljet rör sig håller tröghetskraften massan stilla och kristallen trycks ihop och ger en signal från givaren [1]. Accelerationsgivare behöver strömförsörjas externt, oftast från datainsamlaren.
En fördel med att använda accelerationsgivare är att värden kan integreras till hastighet och förskjutning med hög precision utan att skapa brus, vilket sker vid derivering. Nackdelen är att integrering under 1 Hz kan skapa skidbackar pga våra matematiska regler.
Accelerationsgivare har ofta en lång livstid och behöver kalibreras ungefär vart 5:e år, vilket är markant bättre än både förskjutningsgivare och hastighetsgivare. Standardaccelerationsgivaren är på 100 mV/g där det finns andra känsligheter för olika applikationer ex. en applikation mer lågt varval (under 60 rpm) kan en givare p 500 mV/g rekommenderas, medans om det är en maskin som skakar mycket så går det att använda en givare på 10 mV/g [2].
Fördelar sammanfattat:
- Stort frekvensomfång (0,1 – 30 000 Hz)
- Brett temperaturområde (upp till 125 C)
- Robusta och finns i en mängd specialversioner.
- Stabila och håller sin kalibrering under lång tid.
- Går att integrera mätvärden till hastighet och förskjutning med hög precision
Nackdelar
- Svarar inte ner till 0 Hz
- Temperaturbegränsningar pga inbyggd förstärkare.
- Problem vid integrering till andra enheter under 1 Hz.
Referenser
- W. R. Brook, Rotating Machinery Reliability for Technicians and Engineers. South Norwalk, Connecticut, USA: Industrial Press, 2023.
- J. Sylvester, Enhancing System Reliability Through Vibration Technology. Great Britan: The Seasoned Analyst, 2020.
Ersholm 