1.一种基于HNGO优化KELM的齿轮箱故障诊断方法，其特征在于，包括如下步骤：步骤1：使用小波硬阈值去噪方法对齿轮箱原始信号进行去噪；

步骤2：通过改进的自适应噪声完全集合经验模态分解ICEEMDAN分解去噪后的齿轮箱信号，获得一系列模态分量IMF，使用信息熵筛选出最优的IMF，得到重构信号；所述改进的自适应噪声完全集合经验模态分解ICEEMDAN选取被EMD分解后的第K个白噪声IMF分量；

步骤3：在正弦余弦算法中引入正弦因子和余弦权重系数得到混合正弦余弦算法；

步骤4：利用Tent混沌映射初始化北方苍鹰算法的种群，并利用步骤3的混合正弦余弦算法更新苍鹰最优解，并利用高斯变异算法优化北方苍鹰算法NGO提高算法的局部搜索能力，得到HNGO；

步骤5：HNGO对核极限学习机KELM中正则化系数和核函数参数进行优化，构造HNGO‑KELM模型，利用训练好的HNGO‑KELM模型进行齿轮箱故障诊断。

2.根据权利要求1所述的基于HNGO优化KELM的齿轮箱故障诊断方法，其特征在于，所述步骤1中使用小波硬阈值去噪方法对齿轮箱原始信号进行去噪，其具体步骤如下：(11)分解含噪的一维齿轮箱信号，可得：

y(n)＝x1(n)+εe1(n)，n＝0，1，2，…其中，x1(n)是可用信号，e1(n)是含噪信号，ε是噪声系数的标准差；x1(n)分解得到x2(n)和e2(n)，以此类推，进行多次分解；

(12)采用硬阈值方法处理噪声数据，所述硬阈值方法的表达式为：其中，λ是设定的阈值，ωλ是去噪前小波系数， 是去噪后的小波系数；

(13)对去噪后的信号进行小波重构。

3.根据权利要求1所述的基于HNGO优化KELM的齿轮箱故障诊断方法，其特征在于，所述步骤2中利用ICEEMDAN分解去噪后的齿轮箱信号，得到一系列的IMF，具体实现步骤如下：(21)令原始信号为x(n)，在其中添加N个白噪声信号，则含噪信号为：其中，x′(n)是新信号，β0是信号噪声的标准偏差， 代表被添加的第n个白噪声，e1(·)表示信号的第一个IMF算子，n为添加白噪声的次数；

(22)计算x′(n)的局部平均值并求其总体均值，则所得的残余分量R1可表示为：其中，M(·)表示局部均值函数；

(23)计算第一个模态分量IMF1：

(24)计算第n个模态分量IMFn：

(25)计算第n＝n+1个IMF，重复步骤(24)，直至获得的IMF为单调函数，不能继续分解为止。

4.根据权利要求1所述的基于HNGO优化KELM的齿轮箱故障诊断方法，其特征在于：所述步骤3中正弦因子和余弦权重系数的数学模型如下所示：

1)正弦因子：

其中，μ是调节系数，取值为0.01；η是位移量，取值为1；t和T分别表示算法迭代次数以及最大迭代次数；

2)余弦权重系数：

其中，最大学习因子ωmax和最小学习因子ωmin分别取值为1和0.7。

5.根据权利要求4所述的基于HNGO优化KELM的齿轮箱故障诊断方法，其特征在于：所述步骤4中Tent混沌映射、混合正弦余弦算法以及高斯变异算法用来优化NGO算法，得到HNGO；

1)Tent混沌映射初始化种群的公式如下：

其中，A是控制参数，且A∈(0，0.5)，xi为混沌序列；

2)混合正弦余弦算法更新苍鹰最优解，其中改进后的苍鹰位置公式如下：其中， 是第i个苍鹰在第j维中对应的新解；r1和r2分别是[0，2π]以及[0，2]内的随机数；pi，j表示第i只苍鹰在第j维中对应的猎物所处的位置； 为算法的适应度值，Fi为第i个适应度函数的解；

3)高斯变异用来提高算法的局部搜索能力，其表达式如下：mutation(t)＝t(1+N(0，1))其中，t为参数值，N(0，1)表示一个正态分布的随机数。

6.根据权利要求1所述的基于HNGO优化KELM的齿轮箱故障诊断方法，其特征在于：所述步骤5中核极限学习机KELM为在ELM基准模型中加入RBF核函数构造KELM，所述RBF核函数的数学模型如下所示：其中δ为RBF核心参数。