孙明波，马秋丽，雷俊辉，张炎亮

(郑州大学 管理工程学院，郑州 450001)

0 引言

在机械设备中，齿轮箱有传递动力和改变转速的作用，而在机器的故障中，因为齿轮箱失效导致其故障的比例也逐渐增大 ，当故障发生时，设备及生产过程均会受到严重的影响[1]。

目前，针对齿轮箱故障的非线性、不确定性等特点，相关领域的学者运用了一些方法进行研究，如朴素贝叶斯模型[2]、神经网络[3]、支持向量机[4]等。但神经网络的全局搜索能力较差且收敛速度慢；朴素贝叶斯模型需要知道先验概率，而且在对分类进行决策的时候可能出现错误。Mahendra等[5]利用最小二乘支持向量机诊断空压机的故障，具有良好的效果，但最小二乘支持向量机在泛化过程中处理速度较慢，而且只能解决二分类问题。多分类支持向量机[6]对于多分类、高维和非线性问题具有很好的解决能力，可以提高泛化能力，避免了神经网络隐含层个数的确定和搜索能力差的问题。

由于齿轮箱故障特征信息量大、类型多，在诊断过程中，诊断性能受MSVM相关参数选取的影响，常用的参数优化算法有粒子群算法[7]、遗传算法(Genetic Algorithm，GA)[8]、灰狼优化算法(Grey Wolf Optimizer，GWO)[9]等，但粒子群算法易陷入局部最优，算法不稳定；GA算法和GWO算法全局搜索能力差且精度不高。

综上，结合差分进化算法(Differential Evolution，DE)在全局上具有很强搜索功能，本文提出了一种基于HGWO优化MSVM的齿轮箱故障诊断模型，该模型可以有效地提升全局搜索能力，克服GWO算法全局搜索能力差的缺陷，且收敛速度快。……