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粒子群算法（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：所提方法对六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。