1.一种基于TVF-EMD和THGWO-ELM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将去噪后的信号分解成多个内涵模态分量IMF；

步骤3：利用方差贡献率-信息熵方法筛选出最优IMF；

步骤4：利用Tent混沌映射初始化种群，利用混合正弦余弦算法优化灰狼算法GWO，更新头狼位置；

步骤5：利用优化后的灰狼算法GWO优化极限学习机ELM的阈值和权重，构造基于改进灰狼优化算法的极限学习机THGWO-ELM模型，利用该模型进行故障诊断；

所述步骤4中灰狼算法GWO具体步骤为：(41)初始化GWO算法参数以及向量参数A、C；

A＝2ar

其中，A和C是系数向量，a是一个线性减少的数字，r(42)计算狼的个体适应度值并保存适应度最优的三个头狼个体为α，β，δ，对应位置分别为XD＝|CX

其中，X

(43)更新种群中三只头狼的位置；

D

X

其中，X(t+1)是灰狼更新后的最新位置；

所述步骤4中利用混合正弦余弦算法优化灰狼算法GWO，更新头狼位置，并引入非线性正弦学习因子，则学习因子公式和改进后的头狼位置公式如下：ω＝ω

其中，r

(44)更新收敛因子a和向量参数A、C的值；

(45)判断是否达到最大的迭代次数t，若达到则结束迭代过程；否则，返回步骤(42)，直到达到迭代要求为止。

2.根据权利要求1所述的基于TVF-EMD和THGWO-ELM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滤波对数据进行降噪，其“平滑”去除信号中的高频成分，一组数据x其中，Y

3.根据权利要求1所述的基于TVF-EMD和THGWO-ELM的齿轮箱故障诊断方法，其特征在于，所述步骤2中TVF-EMD分解信号，实现步骤如下：(21)获得局部截止频率；利用Hilbert变换求出信号x(t)的瞬时频率(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TVF-EMD和THGWO-ELM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，x

5.根据权利要求1所述的基于TVF-EMD和THGWO-ELM的齿轮箱故障诊断方法，其特征在于：所述步骤5中利用优化后的GWO优化ELM的阈值和权重，构造THGWO-ELM模型，具体为：(51)收集齿轮箱信号数据，划分训练样本和测试样本；

(52)建立ELM分类模型，极限学习机具体训练过程如下所示：第一阶段，随机初始化隐藏层参数以及隐藏层节点的权值w和偏差b，利用下式得到第i个隐藏层节点的输出hh

通过下式计算出隐藏层的输出H(x)：H(x)＝[h

其中，m为ELM的隐藏层节点数；

第二阶段，输出权重为β，样本标签为T得到目标函数M(x)，如下式所示：M(x)＝min||Hβ-T||(53)将改进的GWO得到的最优权值与偏差赋予ELM，得到THGWO-ELM模型。