Yürüyen Merdiven Fraktal Davranışı, Üçüncü Bölüm

Serideki bu sondan bir önceki girişte iki yürüyen merdivenin fraktal boyut değerleri karşılaştırılır.

Dr. Ali Albadri tarafından

Bu taksit, iki yürüyen merdivenin fraktal boyut (Df) değerlerini karşılaştıracaktır: birinde mekanik kusur yokken diğeri mekanik kusurlu. Önceki karşılaştırma çalışmamız gibi (yolculu ve yolcusuz),[1] bu makale, Df değerlerini tahmin etme tekniği kullanılarak mekanik arızanın tespit edilip edilemeyeceğini gösterecektir. Bir kusuru olduğunda veya bir kusuru olmadığında yürüyen merdiven davranışını ölçmek, yürüyen merdiven bakımcıları için büyük bir avantaj sağlayabilir. Yürüyen merdivenleri problemli ve problemsiz olarak ayırt etmek için nicel seviye göstergelerini tanımlamalarına yardımcı olacaktır. Bakım programlarını yürüyen merdivenlerin ihtiyaçlarına göre önceliklendirmek için bir sistem tanımlamaya yardımcı olacaklar. Bu çalışmada kullanılan metodolojinin ilkeleri, diğer herhangi bir mekanik veya elektrikli ürüne uygulanabilir.

Giriş

Yürüyen merdivenler karmaşık ve doğru. Yolcuları bir binada bir seviyeden diğerine taşımak için kullanılan adım bandında fiziksel hareket üretmek için birbirleriyle etkileşime giren ayrı bileşenlerden ve alt montajlardan oluşurlar.

Varlık yönetimi şirketlerinin yürüyen merdivenleri iyi ve sağlam çalışır durumda tutması hayati önem taşır. Bu nedenle, yürüyen merdivenlerin hizmet dışı kalmasının mali etkisini azaltmak için iyi düşünülmüş bakım planlarını benimsemek ve uygulamak için ellerinden gelenin en iyisini yapıyorlar. Ek olarak, bir ünite hizmet dışıysa, kullanıcılar bir ünitenin 17-20 metrelik yükselişini yürümek zorunda kaldıklarında yolcularda hayal kırıklığı oluşabilir.

Bireysel yürüyen merdiven bileşenlerini veya alt montajlarını izlemek için çeşitli izleme cihazları kullanılmıştır. Bu cihazlardan gelen sinyalleri görmek için yürüyen merdiven kontrol panelinden öteye gitmeye gerek yok. Bu izleme sistemleri, mekanik bir arızadan önce ve sonra eğilimleri tespit edebilir ve bakım şirketinin arıza eğilimlerini hatasız olanlara geri döndürmek için hangi adımları atması gerektiğini bilmesine yardımcı olur. Bu, özellikle makine hizmetten çıkmadan önce faydalıdır. Bununla birlikte, izleme sistemlerinin pahalı olduğu ve genellikle yüksek bakım maliyetlerine sahip olduğu kanıtlanmıştır. Doğru kullanımları, mekanik arızaları belirlemek için eğitimli tahminler yapabilen eğitimli insanlara ihtiyaç duyar.

Bir yürüyen merdiven içindeki mekanik bileşenler ve alt montajlar arasındaki mekanik etkileşimlerin esnekliği, mekanik etkileşimlerinin kritikliğine bağlıdır. Herhangi bir karmaşık ağ gibi, bu kritik bileşenler/alt montajlar, düğümler gibi davranabilir. Kritik bireysel düğümlerdeki arızalar, tüm mekanik sistemde feci arızalara neden olarak yürüyen merdivenin hizmet dışı kalmasına neden olabilir. Küçük olaylar kritik düğümlerde küçük sorunlara neden olduğunda devrilme noktası gelişir. Bu küçük sorunlar, bakım ekibi veya yürüyen merdiven kendi kendini izleme sistemi tarafından tespit edilmesi zor olduğundan, zamanla büyük kesintilere neden olur.

Akıllı adım[2 ve 3] gibi bir buluş, yukarıda bahsedilen tüm sorunları bir kerede çözebilir. Akıllı adımın doğal işleyişi, birkaç yürüyen merdiven çalışması döngüsü içinde bu kritik düğümlerin çoğunu taramasıdır. Akıllı adımdaki verileri işlemek için kaos ve karmaşık sistemler teorisinden türetilen bir teknik geliştirdik.[1 & 4] Verileri, doğrusal olmayan bir sistemden üretilmiş gibi çevirmekle ilgilenir. Bileşenler ve alt montajlar arasındaki etkileşimler, onların doğrusal olmayan bir şekilde davranmasını sağlar. Tekniğimiz, bir yürüyen merdivenin operasyonel performansını karakterize etmek için nicel bir değer olarak Df'yi kullanır. Bir yürüyen merdiven basamak bandındaki stres seviyesi ile Df arasındaki ilginç bir ilişkinin potansiyelini sunduk.[4] Df değerleri, yolcu yüklemesinin akıllı adımdan ölçülen veriler üzerindeki etkisini göstermek için kullanılır. Yolcuların, ölçümlerin spektrumunda daha fazla tepe ve çukur oluşturduğunu ve bunun da
Df değerleri artırılır. Başka bir çalışmada, genel karmaşık spektrumu yürüyen merdiven içinde ayrı bölgelere ayırdık.

Bu, bir yürüyen merdiven için genel Df'nin, ayrı bölgelerin Df değerlerinin matematiksel toplamı olduğunu kanıtladı.[5]

Df'yi Belirlemek için Kullanılan Metodoloji

Daha önceki çalışmalarımızda olduğu gibi[1 & 4] Df, ölçekleme adımı tekniği kullanılarak belirlendi. Teknik, diğer yazarlar tarafından da çeşitli uygulamalarda kullanılmıştır.[6-11]

Bu çalışmadaki akıllı adım, adımdaki kritik bileşenlere monte edilmiş iki gerinim ölçere sahiptir. Adımdaki bileşenlerin mekanik yüklere ve adımda oluşan stres seviyelerine karşı kritikliği ve hassasiyeti, üzerine çeşitli sonlu elemanlar analizi simülasyon yükleme senaryoları yapılarak değerlendirildi.

Akıllı adım, A ve B olmak üzere iki yürüyen merdivende kısa süreler için çalıştırılmıştır. Şekil 1-4, yürüyen merdiven A ve ardından B'de akıllı adım çalıştırıldıktan sonra iki gerinim ölçerden elde edilen verilerin izlerini göstermektedir. yürüyen merdivenlerde yolcu yüklemesi olmadığında. Şekil 9-12, gerinim ölçer 1 ve 2'nin tüm izleri için tahmini Df değerlerini göstermektedir. Tahmini değerler Tablo 1'de tablo halinde verilmiştir.

Sonuçlar ve tartışma

Şekil 5 ve 7'deki izlerin doğası Şekil 1 ve 3'teki izlerden daha pürüzlü görünse de, Şekil 1 ve 3'ün spektrumlarındaki nispi varyasyonlar Şekil 5 ve 7'dekilerden çok daha yüksektir. Şekil 5 ve 7, herhangi bir mekanik kusuru olmayan bir yürüyen merdivenin tipik bir örneğidir. Ancak Şekil 1 ve 3, yürüyen merdiven A'nın bir sorunu olduğunu göstermektedir ve rakamlar detaylı olarak incelendiğinde ortaya çıkan bir problemdir (Şekil 2 ve 4). Şekil 2 ve 4'ün karşılaştırılması, akıllı adımın, özellikle geri dönüş tarafında, gerinim ölçer 1 ile karşılaştırıldığında, gerinim ölçer 2'de daha yüksek bir gerilim seviyesine maruz kaldığını göstermektedir. Gerilim ölçer 100'deki 1 MPa'ya kıyasla gerinim ölçer 15'deki gerilim seviyesi 2 MPa'yı aşıyor. Yürüyen merdiven B'de ölçülen gerilim seviyeleri, her iki gerinim ölçerden yapılan ölçümlerde 10-12 MPa'yı geçmedi.

Verilerdeki farklılıkların nedenini belirlemek için her iki yürüyen merdivende görsel inceleme yapılmıştır. Yürüyen merdiven A'nın dönüş tarafındaki yükleme boşaltma rampalarının tamamen uyumsuz olduğu tespit edildi.

Bu bulguların sonuçları, gerinim ölçer 1 tarafından kaydedilen yüksek stres seviyeleri ve yürüyen merdiven B'den gelenlere kıyasla yürüyen merdiven A'nın izlerinde yüksek pürüzlülüktür. Bu davranış, fraktal boyut kavramının değerleri kullanılarak ölçülmüştür. Yürüyen merdiven A'da akıllı adımın çalıştırılmasından elde edilen Df değerleri, yürüyen merdiven B'de akıllı adımın çalıştırılmasından elde edilen izlerin Df değerlerinden daha yüksektir. Tablo 1, hem gösterge 1 hem de 2'nin yürüyen merdiven için tam olarak aynı Df'yi nasıl ürettiğini göstermektedir. B.

Sonuç

Bu çalışma, mekanik kusurları olup olmadığına bakılmaksızın, yürüyen merdivenlerin davranışlarını ölçmek için Df'nin kullanılabileceğini kanıtlamıştır. Mekanik kusurlu yürüyen merdiven, hatasız yürüyen merdivene kıyasla daha yüksek Df değerleri ile daha kaba ölçüm izleri üretir. Df yaklaşık %3.6 artar. Her iki gerinim ölçer için tahmini Df'nin, herhangi bir mekanik kusur içermeyen yürüyen merdiven B için 1.569 ile aynı olduğunu belirtmek de ilginçtir. Bu, akıllı adım herhangi bir mekanik hatasız yürüyen merdivende çalıştırıldığında, Df değerlerinin adımdaki gerinim ölçerlerin konumundan bağımsız olduğu anlamına gelir.

Referanslar
[1] A. Albadri. “Yürüyen Merdiven Fraktal Davranışı, İkinci Bölüm,” ELEVATOR WORLD, Aralık 2020.
[2] A. Albadri. “Tube Lines, Yürüyen Merdiven Aşınmasını İzlemek İçin Akıllılaşıyor,” Computer Weekly (07/01/2008).
[3] A. Albadri. “Akıllı Adım Yürüyen Merdivenlerin Kalp Atışlarını Ölçer,” EW, Eylül 2020.[4] A. Albadri. “Yürüyen Merdiven Fraktal Davranışı, Birinci Bölüm,” EW, Ekim 2020.
[5] Francis C. Moon, “İmalat Süreçlerinde Dinamikler ve Kaos”
Doğrusal Olmayan Bilimde Wiley Serisi, 1998.
[6] Athanasia Zlatintsi, “Tanımaya Uygulama ile Müzik Aleti Sinyallerinin Çok Ölçekli Fraktal Analizi,” Elektrik ve Elektronik Mühendisleri Enstitüsü (IEEE) Sesli Konuşma ve Dil İşleme İşlemleri Vol. 21, Sayı 4, Nisan 2013.
[7] JD Victor. “Sistem Tanımlama Prosedürü için Test Sinyali Etkilerinin Fraktal Boyutu,” Biological Cybernetics 57, s. 421-426 (1987).
[8] Chang-Ting Shi. “Fractal Özellikler ve Makine Öğrenmesine Dayalı Sinyal Örüntü Tanıma,” Applied Sciences 8, s. 1,327 (2018).
[9] Dumitru Scheianu ve Ion Tutanescu, Pitesti Üniversitesi,
Elektronik, Haberleşme ve Bilgisayar Bölümü.
[10] P. Marago ve A. Potamianos. “Fractal Dimensions of Speech Sounds: Computation and Application to Automatic Speech Recognition,” Journal of Acoustical Society of America No. 195 (3), Mart 1999.
[11] RH Riedi, MS Crouse, VJ Ribeiro ve RG Baraniuk, “A Multifraktal Wave model with application to Network Traffic,” IEEE Transactions on Information Theory Vol. 45, Sayı 3, Nisan 1999.