基于时频谱图和自适应动态权...-CNN的外破振动信号识别_崔岩.pdf

国外电子测量技术北大中文核心期刊D O I:1 0.1 9 6 5 2/j.c n k i.f e m t.2 2 0 4 3 6 8基于时频谱图和自适应动态权重P S O-C N N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 4 4 3 0 0 0)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(P S O-C NN)的外破振动信号识别方法。首先,将振动传感系统获取的3 0 0 0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(2 D-P C A)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7 0%作为C NN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P S O对C NN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P S O-C NN分类模型;最后,利用测试集图像数据对优化P S O-C NN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9 8.3 3%,平均每张图像的识别时间仅为0.2 4 s,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;2 D-P C A降维;惯性权重;卷积神经网络;粒子群优化算法中图分类号:TM 7 5 7 文献标识码:A 国家标准学科分类代码:5 1 0 收稿日期:2 0 2 2-0 9-2 6*基金项目:国家自然科学基金(5 1 4 7 7 0 9 0)项目资助V i b r a t i o n s i g n a l i d e n t i f i c a t i o n o f e x t e r n a l f o r c e f a i l u r e b a s e d o n t i m e-f r e q u e n c y s p e c t r u m a n d a d a p t i v e d y n a m i c w e i g h t P S O-C N N a l g o r i t h mC u i Y a n F a n g C h u n h u a W e n Z h o n g F a n g M e n g Y o u H a i x i n G u o J u n k a n g(C o l l e g e o f E l e c t r i c i t y a n d N e w E n e r g y,C h i n a T h r e e G o r g e s U n i v e r s i t y,Y i c h a n g 4 4 3 0 0 0,C h i n a)A b s t r a c t:I n o r d e r t o a v o i d t h e d a m a g e o f u n d e r g r o u n d c a b l e s a n d i m p r o v e t h e e a r l y w a r n i n g a b i l i t y o f t h e v i b r a t i o n m o n i t o r i n g s y s t e m a g a i n s t e x t e r n a l f o r c e d a m a g e,a n i d e n t i f i c a t i o n m e t h o d o f e x t e r n a l d a m a g e v i b r a t i o n s i g n a l b a s e d o n t i m e-f r e q u e n c y s p e c t r u m a n d a d a p t i v e d y n a m i c i n e r t i a w e i g h t P S O-C NN i s p r o p o s e d.F i r s t l y,3 0 0 0 g r o u p s o f e x t e r n a l v i b r a t i o n s i g n a l s o b t a i n e d b y t h e v i b r a t i o n s e n s i n g s y s t e m a r e c o n v e r t e d i n t o t i m e-f r e q u e n c y s p e c t r u m d a t a s e t s.I n t h e i m a g e p r e p r o c e s s i n g s t a g e,h i s t o g r a m e q u a l i z a t i o n a n d 2 D-P C A a l g o r i t h m a r e u s e d t o e n h a n c e t h e c h a r a c t e r i s t i c s o f g r a y i m a g e a n d r e d u c e t h e d i m e n s i o n s o f i m a g e d a t a;T h e n,7 0%o f t h e i m a g e d a t a s e t i s t a k e n a s t h e t r a i n i n g s e t o f t h e C NN m o d e l,a n d t h e a d a p t i v e d y n a m i c i n e r t i a w e i g h t P S O a l g o r i t h m i s i n t r o d u c e d i n t h e n e t w o r k t r a i n i n g p r o c e s s t o i t e r a t i v e l y o p t i m i z e t h e r e l e v a n t p a r a m e t e r s o f t h e c o n v o l u t i o n l a y e r a n d p o o l i n g l a y e r o f t h e C NN m o d e l,s o a s t o o b t a i n t h e o p t i m i z e d P S O-C NN c l a s s i f i c a t i o n m o d e l;F i n a l l y,t h e r e c o g n i t i o n p e r f o r m a n c e o f t h e o p t i m i z e d P S O-C NN m o d e l i s v e r i f i e d b y u s i n g t e s t s e t i m a g e d a t a,a n d w h i c h i s c o m p a r e d w i t h o t h e r c l a s s i f i c a t i o n m o d e l s.T h e r e s u l t s s h o w t h a t t h e r e c o g n i t i o n a c c u r a c y o f t h e p r o p o s e d m e t h o d f o r s i x c o mm o n e x t e r n a l d a m a g e v i b r a t i o n s i g n a l s r e a c h e s 9 8.3 3%,a n d t h e a v e r a g e r e c o g n i t i o n t i m e o f e a c h i m a g e i s o n l y 0.2 4 s.C o m p a r e d w i t h o t h e r c l a s s i f i c a t i o n a l g o r i t h m s,t h e p r o p o s e d m e t h o d h a s h i g h e r c l a s s i f i c a t i o n a c c u r a c y a n d f a s t e r r e c o g n i t i o n s p e e d,w h i c h p r o v i d e s a f e a s i b l e s c h e m e f o r q u i c k l y a n d a c c u r a t e l y i d e n t i f y i n g t h e t y p e s o f e x t e r n a l d a m a g e e v e n t s.K e y w o r d s:t i m e-f r e q u e n c y s p e c t r u m;2 D-P C A d i m e n s i o n r e d u c t i o n;i n e r t i a w e i g h t;c o n v o l u t i o n a l n e u r a l n e t w o r k;p a r t i-c l e s w a r m o p t i m i z a t i o n a l g o r i t h m441北大中文核心期刊国外电子测量技术 0 引 言 地下电缆作为电力系统的重要组成部分,在城市输配电网络中得到了广泛运用1。但直埋敷设的电缆经常遭受地面无组织施工造成的损伤,导致电缆主绝缘性能劣化,严重时甚至造成电缆本体断裂,严重影响电力系统的正常运行2。因此,实时监测电缆周边振动情况,及时对电缆周边潜在威胁进行预警,对于保证地下电缆的安全运行具有重要意义。国内外学者在振动信号识别领域做了大量研究,以深度学习和机器学习为代表的智能算法已在振动信号识别、图像理解等方面取得了突破性进展3-5。振动信号类型识别主要分为特征提取和分类器识别两部分。目前常用的特征提取方法主要有时域特征提取、频域特征提取和时频分析6。时域、频域特征提取方法原理简单、容易实现,但是需要针对不同类型的振动信号寻找代表特征值,依赖于先验知识,并且对噪声不具有鲁棒性7。而时频分析方法可以将振动信号从一维扩展到时间-频率域二维平面,能够展示时域和频域的联合分布信息,是目前应用最广泛、效果最好的特征提取方法。常用的时频分析方法包括短时傅里叶变换8、希尔伯特-黄变换9、经验模态分解1 0、小波变换1 1等。而时频谱图则是利用短时傅里叶变换将振动信号进行转化生成的一种可视化三维图像,可以完整描述信号在时域及频域上的能量分布,被广泛运用在信号识别领域1 2。利用深度学习方法进行图像识别不需依赖人工特征工程,能 够 降 低 硬 件 成 本,实 现 图 像 的 快 速、自 动 识别1 3-1 4。但是原始数据常常存在大量冗余或无用特征,导致训练时间过长,识别效率较低,出现所谓的“维数灾难”现象1 5。因此,一些学者针对特征值降维问题开展了相关研究。Z h o n g等1 6提出一种基于主成分分析(p r i n c i p a l c o m p o n e n t a n a l y s i s,P C A)与自组织神经网络(s e l f-o r g a n-i z i n g m a p,S OM)相结合的识别方法,通过在 S OM前插入 P C A层对手势图像进行特征降维,显著提