سیستم های مکانیکی و پردازش سیگنال کاربردهای تشدید تصادفی برای تشخیص عیب ماشین آلات: یک بررسی و برنامه آموزشی

تشخیص نقص ابزار کلیدی برای اطمینان از ایمنی و قابلیت اطمینان ماشین آلات است. در تشخیص عیب ماشین آلات، روش های پردازش سیگنال به طور گسترده برای استخراج ویژگی های خطا بکار گرفته می شوند. از روش های پردازش سیگنال استفاده شده برای حذف نویز موجود در سیگنال های برای کشف ویژگی های خطا استفاده می شود. با استفاده از روش های پردازش سیگنال که به طور گسترده مورد استفاده قرار می گیرند، تشدید تصادفی (SR)قادر به استفاده از نویز موجود در سیگنال ها برای استخراج ویژگی های خطای ضعیف از سیگنال ها است. بنابراین، از آن به طور گسترده برای استخراج مشخصه نقص و تشخیص عیب ماشین آلات استفاده شده است. تا به حال، ادبیات گسترده در مورد کاربردهای SR به تشخیص خطای ماشین‌آلات در مجلات علمی، اقدامات کنفرانس و غیره منتشر شده‌است.پیشرفت فعلی SR در تشخیص خطای ماشین‌آلات، ارائه مراجع جامع برای پژوهشگران در رابطه با موضوع و کمک به آن‌ها برای شناسایی رونده‌ای آینده تحقیق است.اول، این مقاله SR را از مکانیسم اصلی آن به تیوری اساسی شرح می‌دهد.سپس، ادبیات مربوط به تشخیص خطای ماشین‌آلات با استفاده از SR به لحاظ مولفه‌های چرخشی بحر

Highlights•Noise benefits to weak characteristic extraction are explained from mechanism to theory.•A tutorial on how to use stochastic resonance for machinery fault detection is given.•We conduct a review of stochastic resonance for fault detection and provide our own insights.•We point out key issues and identify future prospects of stochastic resonance in fault detection.AbstractFault detection is a key tool to ensure the safety and reliability of machinery. In machinery fault detection, signal processing methods are extensively applied to extract fault characteristics. Widely used signal processing methods attempt to eliminate the noise imbedded in signals for discovering fault characteristics. Different from widely used signal processing methods, stochastic resonance (SR) is able to utilize the noise imbedded in signals to extract weak fault characteristics from the signals. Therefore, it has been extensively applied to fault characteristic extraction and machinery fault detection