[发明专利]一种基于INGO优化HKELM的齿轮箱故障诊断方法

说明书

本发明公开了一种基于INGO优化HKELM的齿轮箱故障诊断方法，包括以下步骤：1）建立齿轮箱样本数据集，使用Savitzky‑Golay滤波方法对原始数据进行去噪；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，重构IMF；3）对重构IMF进行时域同步平均TSA去噪；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；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；6）INGO优化HKELM参数，构造INGO‑HKELM模型，利用该模型进行故障诊断。与现有技术相比，本发明通过改进的NGO算法优化HKELM模型，对齿轮箱振动信号进行分类，得到了准确的故障诊断结果，提高对齿轮箱故障的诊断准确率和诊断时间。

技术领域

本发明涉及故障诊断技术领域，具体涉及一种基于INGO优化HKELM的齿轮箱故障诊断方法。

背景技术

目前，齿轮箱因其是旋转机械的重要部分，在机器运作中的作用愈发重要。由于工作环境的复杂性，齿轮箱容易出现多样故障。若故障不及时被发现，容易导致损失大量人力物力。此外，由于齿轮各部件之间环环相扣，一个故障的产生极易导致其他故障问题出现，因此对齿轮箱进行故障诊断是非常有意义的。

齿轮箱信号中存在许多虚假信号，因此需要使用不同方法处理去除处理信号，使诊断结果更加准确。近年来，很多国内外学者针对齿轮箱故障诊断提出了很多可行方法。机器学习被广泛应用于该领域中。尽管传统的极限学习机学习性能高，被广泛用于故障诊断中，但其学习率难以确定，导致算法易陷入局部最小值；且极限学习机使用的梯度下降法需要多次迭代，从而达到更新权值和阈值的目的，导致诊断结果并不稳定。为此需要一种更高效的算法即混合核极限学习机来代替传统极限学习机提高故障诊断精度。

因此，研究基于数据处理与机器学习相结合的齿轮箱故障诊断方法，显著提高诊断效率和准确率，具有重要的实际工程意义。

发明内容

发明目的：针对背景技术中指出的问题，本发明公开了一种基于INGO优化HKELM的齿轮箱故障诊断方法，通过改进的NGO算法优化HKELM模型，最后对齿轮箱振动信号进行分类，进而得到了准确的故障诊断结果，可以提高其对齿轮箱故障的诊断准确率和诊断时间。

技术方案：本发明公开了一种基于INGO优化HKELM的齿轮箱故障诊断方法，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：INGO优化HKELM参数，构造INGO-HKELM模型，利用该模型进行故障诊断。

进一步地，所述步骤1中使用Savitzky-Golay滤波对数据进行去噪，一组数据xi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。

进一步地，所述步骤2中TVF-EMD分解信号，实现步骤如下：