名優振動聲學指紋在線監測聯系人

聲紋振動監測技術的應用意義GZAFV-01系統適用于GIS、AIS、隔離開關、開關柜等開關設備的帶電監測、在線監測與故障診斷，不影響被測設備正常運行且無電氣連接，主要意義如下：5.1采用帶電監測/在線監測方式，不影響被測設備正常運行，降低了電網風險。5.2監測方式與被測設備無電氣連接，具有安全、可靠、安裝方便等優點。5.3采用獨特的時域、包絡、重合度比對、時頻矩陣等分析法，并提峰值頻率、總諧波畸變率、頻譜互相關系數、頻率復雜度、振動平穩性、能量相似度、振動相關性等特征參量等特征參量，提高在線監測準確度。5.4內置基于海量典型樣本的大數據和人工智能研判技術而建立的數據庫，可真實反應被試品運行狀態，有效診斷故障程度和類型。5.5符合智慧/智能型變電站建設原則，IED具備邊緣計算能力，就地采集并處理聲紋振動及電流信號，完成分析計算后根據傳輸層要求統一通訊接口及數據結構，根據平臺層及應用層要求上傳監測數據的分析結果。杭州國洲電力科技有限公司振動聲學指紋在線監測技術的科研合作背景。名優振動聲學指紋在線監測聯系人

變壓器運行時，電流通過繞組時產生的電動力引起繞組振動，硅鋼片的磁致伸縮及硅鋼片接縫處與疊片之間的漏磁導致鐵芯振動。由于繞組導體所受電動力正比于負載電流的平方，繞組的聲紋振動信號的基頻為100Hz。由于變壓器中磁感應強度正比于加載電壓的平方，鐵芯的聲紋振動信號的基頻也為100Hz。另外，考慮到鐵芯振動的非線性特性，聲紋振動信號還會包含頻率為100Hz整數倍的高次諧波。當變壓器的繞組變形或鐵芯故障后，聲紋振動信號頻譜分布將發生改變，產生諧波分量。因此，信號分量可以作為區別繞組故障與鐵芯故障的重要依據，采用聲紋振動監測法可實現繞組及鐵芯在線運行狀態下的健康態勢評價與故障類型診斷。智能化振動聲學指紋在線監測常見問題杭州國洲電力科技有限公司的企業愿景與使命。

敞開式斷路器監測技術背景實現對斷路器機械特性的在線監測，準確得知斷路器的工作狀態和故障部位，可以有效減小維護工作量，增強狀態檢修的針對性，顯著提高電力系統可靠性和經濟性。聲紋振動信號、分/合閘線圈及儲能電機的電流、動/靜觸頭的行程及分/合閘位置等特征值是斷路器非常重要的參數，是衡量斷路器性能的重要指標，因此，實施在線監測聲紋振動信號、分/閘線圈及儲能電機電流、動/靜觸頭行程及分/合閘位置等具有重要意義。

電力系統中的開關類設備主要包括GIS、AIS（敞開式斷路器）、GIS/敞開式的隔離開關、開關柜斷路器等。各類開關設備的材料、工藝、設計、安裝過程中的缺陷以及頻繁動作極易引起機械故障，嚴重時更會導致電氣火災、停電等事故，現有狀態檢修方式的試驗周期長、耗費人力物力、檢修效率低等缺點，較大地影響設備正常運行。GIS是當今輸電網絡中一種應用***的電氣設備。通過將變電站中斷路器、隔離開關、接地開關、PT、CT、避雷器、連接母線、電纜終端、進出線套管等一次設備經過優化設計并有序地結合為整體，在金屬殼內封裝起來，內部充SF6氣體作為滅弧和絕緣介質組成的封閉組合電器。與傳統的敞開式相比較，GIS具有占地面積小、可靠性高、安全性強、運行維護工作量很小等優點，因而被大量使用在重要負荷、樞紐變電站中。但由于其采用全封閉結構，一旦發生故障，影響范圍大并且難以準確定位及快速搶修，將會帶來嚴重的經濟損失。隨著GIS逐步在特高壓輸電網絡推廣應用，設備故障所造成的影響將進一步加大。GZAFV-01型聲紋振動監測系統（開關設備）監測和綜合分析。

3.1技術原理變壓器振動主要包括OLTC切換時的瞬態振動、電流通過繞組時電動力引起的繞組振動、硅鋼片的磁致伸縮及硅鋼片接縫處與疊片之間的漏磁導致鐵芯振動、以及冷卻裝置工作時的振動。其中，由冷卻系統引起的基本振動頻率小于100Hz，不作為變壓器的分析內容。變壓器內部的聲紋振動信號通過絕緣油、支撐單元、加強筋結構等多種途徑傳播至變壓器外壁，可由安裝于外壁的聲紋振動傳感器測得。

OLTC切換過程中，分接選擇器動作、切換開關動作、動靜觸頭碰撞等機械動作產生聲紋振動信號，信號包含觸頭分合狀態、三相觸頭是否同期、觸頭表面是否平整、切換是否到位等信息，可反映OLTC結構磨損、卡滯、松動、變形等故障。切換過程中若儲能彈簧性能發生改變或儲能過程中存在機構卡塞等現象，必然伴隨著電機驅動力矩的變化，從而使驅動電機電流發生變化。因此，可通過監測驅動電機電流信號與聲紋振動信號的結合分析，可更加有效的評價OLTC在線運行狀態下的健康態勢評價與故障類型診斷。 GZAFV-01型聲紋振動監測系統（開關設備）智能評估和故障預警。本地振動聲學指紋在線監測聯系人

杭州國洲電力科技有限公司振動聲學指紋在線監測功能的多場景適用性。名優振動聲學指紋在線監測聯系人

4.2.3根據各時頻信號互相關系數、能量分布曲線特征參量（互相關系數、最大值、平均值、峰度、偏度）、ATF圖譜特征參量（六等分區間均值）、總諧波畸變率、基頻信號能量比等狀態量，采用深度學習算法，自動判斷變壓器運行狀態及機械故障類型。

4.2.4結合變壓器的帶電監測、智能巡檢以及其他在線監測狀態量，進行數據的多參量融合分析，形成基于多源數據的故障預警機制，多參量融合分析不僅提高了識別故障的準確性，而且還能**降低因單個參量判別故障帶來的誤報。例如，對于變壓器疑似問題地診斷可結合負荷、損耗、繞組機械振動信號、油溫、以及歷史電流電壓情況分析，在監測到變壓器地聲紋振動頻譜時，GZAFV-01系統的操控及監測數據分析系統可以自動去查詢變壓器地歷史電流和電壓信號，如果發現在某段時期確實有大電流沖擊，可給出預警：變壓器可能存在繞組變形地異常。 名優振動聲學指紋在線監測聯系人