国外电子测量技术北大中文核心期刊DOI:10.19652/j.cnki.femt.2204368基于时频谱图和自适应动态权重PSO-CNN的外破振动信号识别*崔岩方春华文中方萌游海鑫郭俊康(三峡大学电气与新能源学院宜昌443000)摘要:为避免地下电缆遭受破坏,提高振动监测系统对外力破坏的预警能力,提出一种基于时频谱图和自适应动态权重粒子群算法-卷积神经网络(PSO-CNN)的外破振动信号识别方法。首先,将振动传感系统获取的3000组外破振动信号转化生成为时频谱图数据集,在图像预处理阶段,采用直方图均衡化和二维主成分分析(2D-PCA)算法来增强灰度图像特征并实现图像数据的降维;然后,将图像数据集的70%作为CNN模型的训练集,并在网络训练过程中引入自适应动态惯性权重PSO对CNN模型的卷积层、池化层相关参数进行迭代寻优,从而获得优化PSO-CNN分类模型;最后,利用测试集图像数据对优化PSO-CNN模型的识别性能进行验证,并与其他分类模型进行了对比。结果表明,所提方法对6种常见外破振动信号的识别准确率达到98.33%,平均每张图像的识别时间仅为0.24s,与其他分类算法相比具有更高的分类精度和更快速的识别速度,为快速准确地识别外力破坏事件类型提供了一种可行方案。关键词:时频谱图;2D-PCA降维;惯性权重;卷积神经网络;粒子群优化算法中图分类号:TM757文献标识码:A国家标准学科分类代码:510收稿日期:2022-09-26*基金项目:国家自然科学基金(51477090)项目资助Vibrationsignalidentificationofexternalforcefailurebasedontime-frequencyspectrumandadaptivedynamicweightPSO-CNNalgorithmCuiYanFangChunhuaWenZhongFangMengYouHaixinGuoJunkang(CollegeofElectricityandNewEnergy,ChinaThreeGorgesUniversity,Yichang443000,China)Abstract:Inordertoavoidthedamageofundergroundcablesandimprovetheearlywarningabilityofthevibrationmonitoringsystemagainstexternalforcedamage,anidentificationmethodofexternaldamagevibrationsignalbasedontime-frequencyspectrumandadaptivedynamicinertiaweightPSO-CNNisproposed.Firstly,3000groupsofexternalvibrationsignalsobtainedbythevibrationsensingsystemareconvertedintotime-frequencyspectrumdatasets.Intheimagepreprocessingstage,histogramequalizationand2D-PCAalgorithmareusedtoenhancethecharacteristicsofgrayimageandreducethedimensionsofimagedata;Then,70%oftheimagedatasetistakenasthetrainingsetoftheCNNmodel,andth...
