应用随机共振（Stochastic Resonance, SR）进行机械故障检测的回顾与教程

作者与研究单位

本文由作者Zijian Qiao、Yaguo Lei及Naipeng Li完成，作者所属的研究单位分别为西安交通大学现代设计及转子-轴承系统教育部重点实验室与西南交通大学牵引动力国家重点实验室。这篇文章发表在期刊《Mechanical Systems and Signal Processing》（Vol. 122, 2019, pp. 502-536）上。论文上线日期为2019年1月2日。通讯作者为Yaguo Lei（邮箱：yaguolei@mail.xjtu.edu.cn）。

文章主题与背景

本文是一篇综述与教程性质的文章，主题集中在随机共振（SR）在机械故障检测中的应用。机械设备在工业生产中起着重要作用，然而由于不当操作或恶劣环境，机械设备容易出现故障。机械故障的及时检测至关重要，它是确保机械安全性和可靠性的关键。传统的信号处理方法往往通过消除信号中的噪声来提取故障特征，而随机共振则开创性地利用噪声增强信号中微弱的特征，从而为机械故障检测开辟了新的研究路径。

尽管有大量文献讨论了随机共振在机械故障检测中的应用，但这些研究缺乏系统性的总结。为填补这一空白，本文对随机共振的基本理论和机制进行了阐述，并对其在关键旋转组件（如滚动轴承、齿轮和转子）上的应用进行了全面回顾，同时提供了如何在故障检测中使用随机共振的教程。

主要内容

本文的主要内容涵盖以下几个方面：

1. 随机共振的基本介绍
   本文首先介绍了随机共振的基本原理，重点解析了传统双稳态模型中的机制及其理论基础。随机共振原本是为解释冰期的周期性出现而提出的，但后来被发现可广泛应用于不同类型的物理系统中。例如，通过添加适量噪声，可以显著放大弱信号特征，这一现象颠覆了传统对噪声的“干扰”观念。此外，近年来随机共振的概念已经从经典随机共振扩展到广义随机共振，其中包括非周期随机共振、双随机共振、阈上随机共振等。

2. 机械故障检测中随机共振方法的框架与教程
   本文对如何在机械故障检测中应用随机共振提供了详细教程。整体框架包括：

   • 信号预处理与参数变换：采用频率变换、归一化缩放等方法将大参数信号转化为满足随机共振小参数限制的信号。
   • 指标构建：通过构造如信噪比（SNR）、加权谱峰信噪比等指标量化随机共振效果。
   • 参数优化：应用人工智能算法（如遗传算法或粒子群优化算法）优化潜在参数。
   • 故障特征提取：通过最优随机共振模型对预处理信号中埋藏的故障特征进行放大。

3. 随机共振的应用回顾
   根据大量文献综述，随机共振主要在以下三类主要旋转部件故障检测中发挥了重要作用：

   • 滚动轴承：约60%的文献集中在滚动轴承故障检测。方法包括基于经典双稳态模型的随机共振、自适应优化方法以及结合其他信号处理手段的复合方法。例如，改进的双稳态潜函数能够克服信号饱和问题；多稳态随机共振方法可以更好地提取多频率故障特征。
   • 齿轮：文献中约有30%的比重探讨齿轮故障检测，主要研究如何通过随机共振方法提取啮合频率及其边带特征。
   • 转子：转子故障检测文献约占10%，重点在于随机共振方法结合其他算法，提高对复杂噪声环境下故障特征的提取能力。

4. 关键技术发展
   本文详细论述了随机共振方法在潜力扩展中的重要技术手段，包括改进的伸缩变换、级联随机共振和并联随机共振模型等方式。这些技术为原本随机共振的限制条件（例如小参数限制）提供了突破手段，并提升了其适用范围和检测精度。

5. 实验与模拟分析
   作者以滚动轴承和齿轮箱实验为例，展示了随机共振方法在实际信号处理中的应用。具体实验表明，与其他信号处理方法（如经验模态分解和快速峭度图）相比，随机共振可以在某些场景下更清晰地提取故障特征频率，尤其是对信号噪声较大的场景。

6. 研究趋势与展望
   作者指出，尽管随机共振在机械故障检测中取得了显著进展，但仍存在多个亟需解决的问题，例如多频特征的联合提取、对未知故障特征的实时检测方法等。未来研究方向或将集中于开发更加智能化的自适应参数优化系统，以及进一步扩展随机共振方法在综合机械系统监测中的实用性。

文章价值与意义

本文不仅系统总结了随机共振方法在机械故障检测中的最新进展，还提出了多种优化方法，并对未来研究方向进行了展望。从理论层面上，本文为随机共振研究提供了全面的参考框架；从实际应用层面，则为研究人员和工程实践者提供了高效且可靠的信号处理工具。文章的意义涵盖理论和工程两方面，为随机共振技术在更加广阔的工业场景下的应用奠定了基础。