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其中，Y

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(22)重构信号为h(t)

(23)判断是否满足停止准则θ(t)

其中，

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

其中，a(k)是设备运行的噪声信号，b(k)是特征信号，b将a(k)按照周期N

a

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

6.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中利用混合正弦余弦更新苍鹰最优解，并引入非线性余弦学习因子，则学习因子公式和改进后的苍鹰位置公式如下：其中，r

7.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Levy飞行更新苍鹰的个体位置，Levy飞行公式如下：其中，0＜β＜2μ和ι都是方向向量，Γ(x)＝(x-1)！。

8.根据权利要求1至7任一所述的基于INGO优化HKELM的齿轮箱故障诊断方法，其特征在于：所述步骤5中多项式核函数的数学模型如下所示：K

其中d和c分别是核的指数和常数；

RBF核函数的数学模型如下所示：

其中δ为RBF核心参数；

将上述两个核函数组合得到混合函数公式，表示为：K

其中w为权重系数，且w的值在区间[0，1]内。

9.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6中将INGO得到的最优权值与偏差赋予混合极限学习机HKELM，得到INGO-HKELM模型。