{"id":2138,"date":"2023-04-07T21:01:25","date_gmt":"2023-04-07T21:01:25","guid":{"rendered":"https:\/\/vibromera.eu\/?p=2138"},"modified":"2026-07-02T19:45:53","modified_gmt":"2026-07-02T19:45:53","slug":"toepassing-van-de-fourier-transformatie-op-de-analyse-van-trillingssignalen","status":"publish","type":"post","link":"https:\/\/vibromera.eu\/nl\/example\/application-of-the-fourier-transform-to-the-analysis-of-vibration-signals\/","title":{"rendered":"Toepassing van de Fouriertransformatie bij de analyse van trillingssignalen."},"content":{"rendered":"

Toepassing van de Fourier-transformatie bij de analyse van trillingssignalen<\/h1>\n

Andrei Shelkovenko. Een van de ontwikkelaars en oprichter van Vibromera.
\nDe vertaling van het artikel kan onnauwkeurigheden bevatten.<\/p>\n

Fouriertransformatie en signaalspectrum<\/h2>\n

In veel gevallen is het verkrijgen (berekenen) van de spectrum<\/a> van een signaal is als volgt. Er is een ADC, die door middel van bemonstering frequentie<\/a> Fd zet het continue signaal, dat gedurende de tijd T binnenkomt, om in digitale monsters \u2013 N stuks. Vervolgens wordt deze reeks monsters doorgegeven aan een programma (bijvoorbeeld FourierScope<\/a><\/span>) die N\/2 numerieke waarden geeft.<\/p>\n

Om te controleren of het programma correct werkt, vormen we een matrix van monsters als een som van twee sin(10*2*pi*x)+0,5*sin(5*2*pi*x) en voeren deze in het programma in. Het programma tekende het volgende:
\n

\"Fouriertransformatie

Fig.1 De grafiek van de tijdfunctie van het signaal<\/span><\/i><\/em><\/p><\/div><\/p>\n

 <\/p>\n

\"Fig.2

Fig.2 De grafiek van het signaalspectrum<\/p><\/div>\n

 <\/p>\n

There are two harmonischen<\/a> op de spectrumgrafiek \u2013 5 Hz met een amplitude van 0,5 V en 10 Hz met een amplitude van 1 V; alles komt overeen met de formule van het oorspronkelijke signaal. Alles is in orde, het programma werkt correct.<\/p>\n

Dit betekent dat als we een echt signaal van een mengsel van twee sinuso\u00efden naar de ADC-ingang voeren, we een soortgelijk spectrum krijgen dat bestaat uit twee harmonischen.<\/p>\n

Dus onze echt <\/span><\/b><\/strong>gemeten signaal van 5 sec. duur<\/span><\/b><\/strong>, gedigitaliseerd door ADC, d.w.z. weergegeven door discrete <\/span><\/b><\/strong>monsters, heeft een discrete niet-periodiek <\/span><\/b><\/strong>spectrum.
\nVanuit wiskundig oogpunt – hoeveel fouten zitten er in deze zin? <\/span><\/i><\/em><\/p>\n

Laten we nu proberen hetzelfde signaal te meten gedurende 0,5 sec.<\/p>\n

\"Fig.3

Fig.3 De grafiek van de functie sin(10*2*pi*x)+0,5*sin(5*2*pi*x) voor een meetperiode van 0,5 sec<\/p><\/div>\n

 <\/p>\n

\"Fig.4

Fig.4 Spectrum van de functie<\/p><\/div>\n

 <\/p>\n

Hier klopt iets niet! De harmonische bij 10 Hz is normaal getekend, en in plaats van de harmonische bij 5 Hz zijn er een paar onduidelijke harmonischen.<\/p>\n

Op het internet zeggen ze dat het nodig is om nullen toe te voegen aan het einde van de steekproef en dat het spectrum dan normaal getekend wordt.<\/p>\n

\"Fig.5

Fig.5 We hebben nullen toegevoegd aan het monster tot 5 sec.<\/p><\/div>\n

 <\/p>\n

\"Fig.6.

Fig.6. Verkregen spectrum.<\/p><\/div>\n

 <\/p>\n

Dat is het helemaal niet. Ik zal me met de theorie moeten bezighouden. Laten we naar Wikipedia<\/b><\/strong><\/a><\/span>\u00a0– de bron van kennis.<\/p>\n

Continue functie en de weergave in de Fourierreeks<\/h2>\n

Wiskundig gezien is ons signaal met een duur van T seconden een functie f(x) gegeven op het interval {0, T} (X is in dit geval tijd). Zo'n functie kan altijd worden voorgesteld als een som van harmonische functies (sinus of cosinus) van de vorm:<\/p>\n

\"Continue

\u00a0(1), waarbij:<\/p>\n

<\/p><\/div>\n

k is het volgnummer van de goniometrische functie (het volgnummer van de harmonische component, het volgnummer van de harmonische)
\nT – segment waarin de functie wordt gedefinieerd (de duur van het signaal)
\nAk- amplitude van de k-de harmonische component,
\n\u03b8k- de beginfase van de k-de harmonische component
\nWat betekent het om “de functie weer te geven als de som van de reeksen”? Het betekent dat we door de waarden van de harmonische componenten van de Fourierreeks op elk punt op te tellen, de waarde van onze functie op dat punt krijgen.
\n(Strikt genomen zal de gemiddelde kwadratische afwijking van de reeks van de functie f(x) naar nul neigen, maar ondanks de gemiddelde kwadratische convergentie hoeft de Fourierreeks van een functie er in het algemeen niet punt voor punt naar toe te convergeren. )
\nDeze reeks kan ook geschreven worden in de vorm:<\/p>\n

\"(2),\"

(2),<\/p><\/div>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n

waarbij \"Fourier-transformatievergelijking , de k-de complexe amplitude.<\/p>\n

 <\/p>\n

of<\/p>\n

\"

(3)<\/p><\/div>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n

De relatie tussen de co\u00ebffici\u00ebnten (1) en (3) wordt uitgedrukt door de volgende formules:<\/p>\n

\"Formule<\/p>\n

 <\/p>\n

 <\/p>\n

\"Formule<\/p>\n

 <\/p>\n

 <\/p>\n

Merk op dat al deze drie voorstellingen van de Fourierreeks volledig gelijkwaardig zijn. Soms is het bij het werken met Fourierreeksen handiger om exponenten met imaginaire argumenten te gebruiken in plaats van sinussen en cosinussen, dus om de Fouriertransformatie in complexe vorm te gebruiken. Voor ons is het echter handig om formule (1) te gebruiken, waarin de Fourierreeks wordt weergegeven als een som van cosinussen met bijbehorende amplituden en fasen. Strikt genomen levert de Fouriertransformatie van een re\u00ebel signaal inderdaad complexe co\u00ebffici\u00ebnten op (vorm (3)): elke co\u00ebffici\u00ebnt bevat zowel de amplitude als de fase van zijn harmonische. Voor een re\u00ebel signaal bezitten deze complexe co\u00ebffici\u00ebnten geconjugeerde (Hermitische) symmetrie \u2014 de helft met negatieve frequenties spiegelt simpelweg de helft met positieve frequenties en bevat geen extra informatie. Daarom kunnen we vanuit de complexe co\u00ebffici\u00ebnten altijd overgaan naar de re\u00eble niet-negatieve amplituden Ak en fasen \u03b8k van formule (1) \u2014 en juist dit amplitudespectrum wordt door analyseprogramma's weergegeven.<\/p>\n

 <\/p>\n

Conclusie:<\/span><\/b><\/u><\/strong>
\n<\/span><\/b><\/strong>De wiskundige basis voor spectrale analyse van signalen is de Fouriertransformatie.<\/span><\/b><\/strong>
\n<\/span><\/b><\/strong>
\n<\/span><\/b><\/strong>De Fouriertransformatie maakt het mogelijk om een continue functie f(x) (signaal) gedefinieerd op het interval {0, T} te representeren als een som van oneindig veel (oneindige series) goniometrische functies (sinus en\/of cosinus) met bepaalde amplitudes en fasen die ook beschouwd worden op het interval {0, T}. Zo'n reeks wordt een Fourierreeks genoemd.<\/span><\/b><\/strong><\/p>\n

Er zijn nog enkele punten die we moeten begrijpen om de Fouriertransformatie correct te kunnen toepassen bij signaalanalyse. Als we de Fourierreeks (som van sinuso\u00efden) op de gehele X-as beschouwen, zullen we zien dat buiten het interval {0, T} de functie van de Fourierreeks onze functie periodiek herhaalt.<\/p>\n

Bijvoorbeeld, in de grafiek in Fig. 7 is de originele functie gedefinieerd op het interval {-T\\2, +T\\2}, en de Fourier-reeks vertegenwoordigt een periodieke functie gedefinieerd op de gehele x-as.<\/p>\n

Dit komt omdat de sinuso\u00efden zelf periodieke functies zijn, dus hun som zal ook een periodieke functie zijn.<\/p>\n

\"Figuur

Figuur 7 Weergave van een niet-periodieke bronfunctie door een Fourierreeks<\/p><\/div>\n

Dus:<\/p>\n

Onze oorspronkelijke functie is een continue, niet-periodieke functie gedefinieerd op een segment met lengte T.
\nHet spectrum van deze functie is discreet, dat wil zeggen dat het wordt weergegeven als een oneindige reeks harmonische componenten – een Fourierreeks.
\nIn feite definieert de Fourierreeks een periodieke functie die samenvalt met onze functie op het interval {0, T}, maar voor ons is deze periodiciteit niet essentieel.<\/p>\n

Verder.<\/p>\n

De perioden van harmonische componenten zijn veelvouden van het interval {0, T}, waarop de initi\u00eble functie f(x) is gedefinieerd. Met andere woorden, de perioden van harmonischen zijn veelvouden van de duur van de signaalmeting. De periode van de eerste harmonische in een Fourierreeks is bijvoorbeeld gelijk aan het interval T waarin de functie f(x) is gedefinieerd. De periode van de tweede harmonische in een Fourierreeks is gelijk aan het interval T\/2. Enzovoort (zie figuur 8).<\/p>\n

\"Fig.

Fig. 8 Perioden (frequenties) van harmonische componenten van de Fourierreeks (hier T=2\u03c0)<\/p><\/div>\n

Dienovereenkomstig zijn de frequenties van harmonische componenten veelvouden van 1\/T. Dat wil zeggen, frequenties van harmonische componenten Fk zijn Fk= k\\T, waarbij k waarden heeft van 0 tot \u221e, bijvoorbeeld, k=0 F0=0; k=1 F1=1\\T; k=2 F2=2\\T;k=3 F3=3\\T;…. Fk= k\\T (bij nulfrequentie een constante component).<\/p>\n

Laat onze beginfunctie een signaal zijn dat is opgenomen gedurende T=1 sec. Dan is de periode van de eerste harmonische gelijk aan de duur van ons signaal T1=T=1 sec. en de frequentie van de harmonische is gelijk aan 1 Hz. De periode van de tweede harmonische is gelijk aan de duur van ons signaal gedeeld door 2 (T2=T\/2=0,5 sec.) en de frequentie is gelijk aan 2 Hz. Voor de derde harmonische is T3=T\/3 sec en de frequentie is 3 Hz. Enzovoort.<\/p>\n

De stap tussen harmonischen is in dit geval 1 Hz.<\/p>\n

Zo kan een signaal met een duur van 1 sec. ontleed worden in harmonische componenten (om een spectrum te verkrijgen) met een frequentieresolutie van 1 Hz.
\nOm de resolutie te verdubbelen tot 0,5 Hz, moet de meetduur worden verdubbeld tot 2 seconden. Een signaal van 10 seconden kan worden opgesplitst in harmonische componenten (spectrum) met een frequentieresolutie van 0,1 Hz. Er zijn geen andere manieren om de frequentieresolutie te verhogen. U kunt deze relatie verkennen met onze FFT-resolutiecalculator<\/a>.<\/p>\n

Er is een manier om de signaalduur kunstmatig te verhogen door nullen toe te voegen aan de reeks samples. Maar dit verhoogt de echte frequentieresolutie niet.<\/p>\n

Discrete signalen en de discrete Fourier-transformatie<\/h2>\n

Met de ontwikkeling van digitale technologie zijn de manieren waarop meetgegevens (signalen) worden opgeslagen veranderd. Waar voorheen een signaal kon worden opgenomen op een bandrecorder en analoog kon worden opgeslagen op een band, worden signalen nu gedigitaliseerd en opgeslagen in bestanden in het computergeheugen als een reeks getallen (tellingen).<\/p>\n

Het gebruikelijke schema van signaalmeting en digitalisering ziet er als volgt uit.<\/p>\n

Meettransducer —- Signaalnormalisator —- ADC —– Computer
\n(Fig.9 Schematische weergave van het meetkanaal)<\/p>\n

<\/span><\/i><\/em><\/p>\n

Het signaal van de meetopnemer gaat naar de ADC voor een periode T. De signaalwaarden (bemonstering) ontvangen gedurende tijd T worden doorgestuurd naar de computer en opgeslagen in het geheugen.<\/p>\n

\"Fig.10

Fig.10 Gedigitaliseerd signaal – N monsters ontvangen voor tijd T<\/p><\/div>\n

Wat zijn de vereisten voor signaaldigitaliseringsparameters? Een apparaat dat het analoge ingangssignaal omzet in een discrete code (digitaal signaal) wordt een analoog-digitaalomzetter (ADC) genoemd (\u00a9 Wiki).<\/p>\n

Een van de basisparameters van ADC is de maximale bemonsteringssnelheid – de frequentie waarmee een signaal dat continu is in de tijd, wordt bemonsterd. De bemonsteringsfrequentie wordt gemeten in hertz. ((\u00a9 Wiki))<\/p>\n

Volgens de stelling van Kotelnikov kan een continu signaal waarvan het spectrum is begrensd door de frequentie Fmax volledig en eenduidig worden gereconstrueerd uit discrete monsters die worden genomen met tijdsintervallen \u0394t \u2264 1\/(2*Fmax), d.w.z. met een bemonsteringsfrequentie Fd \u2265 2*Fmax, waarbij Fd – bemonsteringsfrequentie; Fmax – de maximale frequentie van het signaalspectrum. Met andere woorden: de digitaliseringsfrequentie van het signaal (bemonsteringsfrequentie van de ADC) moet ten minste tweemaal zo hoog zijn als de maximale frequentie van het signaal dat we willen meten.<\/p>\n

En wat gebeurt er als we monsters nemen met een lagere frequentie dan vereist door de stelling van Kotelnikov?<\/p>\n

In dit geval is er een “aliasing<\/a>In dit geval is er sprake van een \"aliasing\"-effect (ook wel stroboscopisch effect, moir\u00e9-effect genoemd), waarbij een hoogfrequent signaal na digitalisering verandert in een laagfrequent signaal dat in feite niet bestaat. In Fig. 11 is de rode sinus van hoge frequentie het echte signaal. De blauwe sinus van lagere frequentie is een fictief signaal, dat ontstaat doordat gedurende de samplingtijd meer dan een halve periode van het hoogfrequente signaal voorbij is gegaan.<\/p>\n

\"Fig.

Fig. 11. Verschijnen van een ongewenst laagfrequent signaal bij een onvoldoende hoge bemonsteringssnelheid<\/p><\/div>\n

 <\/p>\n

Om het aliasing-effect te voorkomen, wordt een speciaal anti-aliasingfilter (laagdoorlaatfilter<\/a>) wordt v\u00f3\u00f3r de ADC geplaatst. Deze laat frequenties door die lager zijn dan de helft van de bemonsteringsfrequentie van de ADC en filtert hogere frequenties weg.<\/p>\n

Om het signaalspectrum te berekenen op basis van de afzonderlijke waarnemingen, wordt de discrete Fourier-transformatie (DFT)<\/a> wordt gebruikt. Merk nogmaals op dat het spectrum van een discreet signaal \u201eper definitie\u201c beperkt is tot een frequentie Fmax die kleiner is dan de helft van de bemonsteringsfrequentie Fd. Daarom kan het spectrum van een discreet signaal worden weergegeven als de som van een eindig <\/u>aantal harmonischen, in tegenstelling tot de oneindige som voor de Fourierreeks van een continu signaal, waarvan het spectrum onbeperkt kan zijn. Volgens de stelling van Kotelnikov moet de maximale frequentie van een harmonische zodanig zijn dat deze ten minste twee samples omvat, dus het aantal harmonischen is gelijk aan de helft van het aantal samples van een discreet signaal. Dat wil zeggen, als er N samples in het sample zitten, zal het aantal harmonischen in het spectrum N\/2 zijn.<\/p>\n

Beschouw nu de discrete Fouriertransformatie (DFT).<\/p>\n

\"Vergelijking<\/p>\n

Vergelijking met de Fourier-reeks<\/p>\n

 <\/p>\n

\"Formule<\/p>\n

Zoals we kunnen zien, komen ze overeen, behalve dat de tijd in de FFT discreet is en het aantal harmonischen beperkt is tot N\/2, wat de helft is van het aantal samples.<\/p>\n

DFT-formules worden geschreven in dimensieloze gehele variabelen k, s, waarbij k het aantal signaalmonsters is en s het aantal spectrale componenten.
\nDe waarde s toont het aantal volledige harmonische oscillaties per periode T (duur van de signaalmeting). De discrete Fouriertransformatie wordt gebruikt om de amplitudes en fasen van harmonischen numeriek te vinden, dus “op de computer”.<\/p>\n

Zoals hierboven al is gezegd, komt bij het ontbinden van een niet-periodieke functie (ons signaal) in Fourierreeksen de resulterende Fourierreeks feitelijk overeen met een periodieke functie met periode T (Fig.12).<\/p>\n

 <\/p>\n

\"Fig.12.

Fig.12. Periodieke functie f(x) met periode T0, met periode T>T0<\/p><\/div>\n

 <\/p>\n

Zoals te zien is in figuur 12, is de functie f(x) periodiek met periode T\u2080. Omdat de lengte van het meetmonster T echter niet gelijk is aan de functieperiode T\u2080, vertoont de als Fourier-reeks verkregen functie een discontinu\u00efteit op het punt T. Daardoor zal het spectrum van deze functie een groot aantal hoogfrequente harmonischen bevatten. Dit verschijnsel staat bekend als spectrale lekkage<\/a>, en in de praktijk wordt dit verminderd met windowing<\/a> het signaal v\u00f3\u00f3r de transformatie. Als de duur van meetmonster T samenviel met de periode van functie T0, dan zou het spectrum dat na de Fourier-transformatie wordt verkregen alleen de eerste harmonische bevatten (een sinusgolf met een periode die gelijk is aan de duur van het monster), omdat de functie f(x) een sinusgolf is.<\/p>\n

Met andere woorden, het DFT-programma “weet” niet dat ons signaal een “plak van een sinus” is, maar probeert een periodieke functie die een discontinu\u00efteit heeft door de discontinu\u00efteit van afzonderlijke stukken van de sinus, weer te geven als een reeks.<\/p>\n

Als gevolg hiervan verschijnen er harmonischen in het spectrum, die in totaal de vorm van de functie moeten weergeven, inclusief deze discontinu\u00efteit.<\/p>\n

Om een “correct” spectrum te krijgen van een signaal dat een som is van meerdere sinuso\u00efden met verschillende perioden, is het dus noodzakelijk dat een geheel aantal perioden van <\/u>Elke sinuso\u00efde moet aanwezig zijn tijdens de meetperiode van het signaal. In de praktijk kan aan deze voorwaarde worden voldaan met een voldoende lange duur van de signaalmeting.<\/p>\n

 <\/p>\n

\"Fig.13

Fig.13 Voorbeeld van de kinematische foutsignaalfunctie en het spectrum van een tandwielkast<\/p><\/div>\n

 <\/p>\n

Bij een kortere duur ziet het beeld er “slechter” uit:<\/p>\n

 <\/p>\n

\"Fig.14

Fig.14 Voorbeeld van rotortrillingsfunctie en -spectrum<\/p><\/div>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n

In de praktijk kan het moeilijk zijn om te begrijpen waar de “echte componenten” zitten en waar de “artefacten”, veroorzaakt door inconsistentie van componentperioden en duur van signaalbemonstering of “sprongen en onderbrekingen” in de golfvorm. Natuurlijk staan de woorden “echte componenten” en “artefacten” niet voor niets tussen aanhalingstekens. De aanwezigheid van veel harmonischen op de spectrumgrafiek betekent niet dat ons signaal daar ook echt uit bestaat. Het is net zoiets als denken dat getal 7 “bestaat” uit de getallen 3 en 4. Je kunt het getal 7 zien als de som van 3 en 4 – dat klopt.<\/p>\n

Dus ook ons signaal… of eigenlijk niet eens “ons signaal”, maar een periodieke functie samengesteld door herhaling van ons signaal (sample) kan worden weergegeven als een som van harmonischen (sinusgolven) met bepaalde amplitudes en fasen. Maar in veel gevallen die belangrijk zijn voor de praktijk (zie bovenstaande figuren) is het inderdaad mogelijk om de verkregen harmonischen in het spectrum ook in verband te brengen met echte processen die een cyclisch karakter hebben en significant bijdragen aan de vorm van het signaal.<\/p>\n

Enkele resultaten<\/h2>\n

1. Een echt gemeten signaal met een duur van T sec. gedigitaliseerd door ADC, d.w.z. weergegeven door een set discrete monsters (N stuks), heeft een discreet niet-periodiek spectrum weergegeven door een set harmonischen (N\/2 stuks).<\/p>\n

2. Het signaal wordt voorgesteld door een reeks re\u00eble waarden. Het DFT-spectrum is een reeks complexe co\u00ebffici\u00ebnten met geconjugeerde symmetrie; daaruit wordt het amplitudespectrum verkregen \u2014 een reeks re\u00eble niet-negatieve amplituden (en fasen) bij positieve frequenties, en juist dit eenzijdige amplitudespectrum wordt in de praktijk weergegeven. De tweezijdige complexe vorm met negatieve frequenties en de eenzijdige amplitude-\/fasevorm zijn gelijkwaardige voorstellingen van hetzelfde spectrum \u2014 voor signaalanalyse is het meestal handiger om met het eenzijdige amplitudespectrum te werken.<\/p>\n

3. Wat er gebeurde voordat we het signaal begonnen te meten en wat er daarna zal gebeuren is onbekend voor de wetenschap. En in ons geval is het niet interessant. FFT van het in de tijd beperkte signaal geeft het “echte” spectrum, in de zin dat het onder bepaalde omstandigheden mogelijk is om de amplitude en frequentie van de componenten te berekenen.<\/p>\n

 <\/p>","protected":false},"excerpt":{"rendered":"

Application of the Fourier Transform to the Analysis of Vibration Signals Andrei Shelkovenko. One of the developers and founder of Vibromera. The translation of the article may contain inaccuracies. Fourier transform and signal spectrum In many cases the task of obtaining (calculating) the spectrum of a signal is as follows. […]<\/p>\n","protected":false},"author":2,"featured_media":2161,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"ai_generated_summary":"","footnotes":""},"categories":[4],"tags":[],"class_list":["post-2138","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-example"],"_links":{"self":[{"href":"https:\/\/vibromera.eu\/nl\/wp-json\/wp\/v2\/posts\/2138","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/vibromera.eu\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/vibromera.eu\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/vibromera.eu\/nl\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/vibromera.eu\/nl\/wp-json\/wp\/v2\/comments?post=2138"}],"version-history":[{"count":2,"href":"https:\/\/vibromera.eu\/nl\/wp-json\/wp\/v2\/posts\/2138\/revisions"}],"predecessor-version":[{"id":102137,"href":"https:\/\/vibromera.eu\/nl\/wp-json\/wp\/v2\/posts\/2138\/revisions\/102137"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/vibromera.eu\/nl\/wp-json\/wp\/v2\/media\/2161"}],"wp:attachment":[{"href":"https:\/\/vibromera.eu\/nl\/wp-json\/wp\/v2\/media?parent=2138"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/vibromera.eu\/nl\/wp-json\/wp\/v2\/categories?post=2138"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/vibromera.eu\/nl\/wp-json\/wp\/v2\/tags?post=2138"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}