[发明专利]一种基于INGO优化HKELM的齿轮箱故障诊断方法

权利要求书

1.一种基于INGO优化HKELM的齿轮箱故障诊断方法，其特征在于，包括如下步骤：

步骤1：建立齿轮箱样本数据集，使用Savitzky-Golay滤波对原始数据进行降噪；

步骤2：使用时变滤波器的经验模态分解TVF-EMD获得多个内涵模态分量IMF，利用方差贡献率-相关系数-信息熵方法重构IMF；

步骤3：对重构IMF进行时域同步平均TSA去噪；

步骤4：利用Tent混沌映射、混合正弦余弦算法以及Levy飞行算法优化北方苍鹰算法NGO，得到INGO，具体为利用Tent混沌映射初始化种群，利用混合正弦余弦算法更新苍鹰最优解，并引入非线性余弦学习因子，利用Levy飞行更新苍鹰的个体位置，避免陷入局部最优；

步骤5：在极限学习机中增加全局多项式核函数与局部径向基核函数得到混合极限学习机HKELM；

步骤6：利用INGO优化混合极限学习机HKELM参数，构造INGO-HKELM模型，利用该模型进行故障诊断。

2.根据权利要求1所述的基于INGO优化HKELM的齿轮箱故障诊断方法，其特征在于，所述步骤1中使用Savitzky-Golay滤波对数据进行去噪，一组数据x_i的Savitzky-Golay滤波的数学公式为：

其中，Y^*是时间序列的拟合值，是平滑系数，H是卷积数目。

3.根据权利要求1所述的基于INGO优化HKELM的齿轮箱故障诊断方法，其特征在于，所述步骤2中时变滤波器的经验模态分解TVF-EMD获得多个内涵模态分量IMF实现步骤如下：

(21)获得局部截止频率；计算出信号x(t)的瞬时幅值a(t)和瞬时频率以及它们的局部最大值和最小值，由差值运算计算得到μ₁(t)和μ₂(t)；之后通过时变滤波器处理信号，得到瞬时均值α₁(t)和瞬时包络α₂(t)，最后计算局部截止频率为：

(22)重构信号为h(t)

(23)判断是否满足停止准则θ(t)

其中，是加权均值瞬时频率，是第i阶分量的瞬时频率，B_L(t)是Loughlin瞬时带宽，设带宽阈值为ξ，若θ(t)≤ξ，则判定x(t)为一个IMF；否则，采用B样条插值对信号x(t)进行逼近并得到逼近结果m(t)，即令x₁(t)＝x(t)-m(t)，并重复执行步骤(21)～(23)。

4.根据权利要求1所述的基于INGO优化HKELM的齿轮箱故障诊断方法，其特征在于：所述步骤3中对重构IMF进行时域同步平均TSA去噪包括如下步骤：

a(k)＝b(k)+b_n(k)

其中，a(k)是设备运行的噪声信号，b(k)是特征信号，b_n(k)是白噪声信号；

将a(k)按照周期N_T将信号划分为P段，其中第p段信号的表达式为：

a_p(k′)＝a(k′+pN_T)＝b(k′)+b_n(k′+pN_T)

利用白噪声不相干性原理，将P段信号相加可得：

输出信号为：

整理得

5.根据权利要求1所述的基于INGO优化HKELM的齿轮箱故障诊断方法，其特征在于：所述步骤4中利用Tent混沌初始化种群公式如下：

其中，A是控制参数，且A∈(0，0.5)，x_i为混沌序列。