基于改进北方苍鹰算法与混合核极限学习机的齿轮箱故障诊断

针对行星齿轮箱故障诊断问题,本文提出了一种基于改进北方苍鹰优化(INGO)算法与混合核极限学习机(HKELM)的行星齿轮箱故障诊断方法.首先,引入Savitzky-Golay(SG)滤波对齿轮箱原始信号进行去噪.利用时变滤波经验模态分解(TVF-EMD)将去噪后的信号分解成多个本征模态函数(IMF),使用方差贡献率、相关系数和信息熵筛选出最优的IMF.将最优IMF重构后,对重构信号进行时间同步平均(TSA)去噪以减少故障诊断模型的数据计算量.将Tent混沌映射、混合正弦余弦算法和Levy飞行策略用于改进北方苍鹰优化(NGO)算法,得到一种新的INGO算法.同时,引入余弦因子以平衡正弦余弦算法的全局和局部开发能力.最后,利用INGO算法对HKELM进行优化,用以提高HKELM模型的故障诊断准确率.将所提方法应用于两个案例对模型进行检验,实验结果表明,本文所提方法具有可行性和优越性.