专注振动声学指纹在线监测客服电话

(3)频谱互相关系数(r)：正常状态与实时测得振动信号频谱图之间的相似度，计算公式如下：=[−−[−[−2其中和分别为正常状态与实时测得振动信号的频域分布，平均值，互相关系数范围为0~1。正常运行时，相关系数应接近于1；存在故障时，信号频率分布发生改变，互相关系数减小。(4)频率复杂度(FCA)：频率复杂度的定义与信息熵类似，频率成分越复杂，对应的频率复杂度特征量越大，计算公式为：=−ln =其中f=100,200,…,2000Hz,f的谐波比重值。GZAF-1000T系列变压器(电抗器)振动声学指纹数据采集装置。专注振动声学指纹在线监测客服电话

3.2.3平台层的云服务器数据经现场传感器采集并经过IED/主机处理后，通过通信模块（4G/5G无线传输或电力光纤专网）传送至云服务器进行存储及深度计算，平台层的操控计算机（含通过IEC61850通讯管理连接的远端）可通过浏览器登录云服务器随时随地查看监测数据，对变压器进行运行监测及诊断分析。云服务器采用B/S结构（浏览器/服务器模式），提供监测数据的深度计算、存储、浏览器查看等服务。

3.2GZAFV-01系统的系统架构GZAFV-01系统由感知层的声纹振动传感器、电流传感器、IED/主机，网络层的通讯管理里，平台层的数据（云）服务器、内置操控及监测数据分析软件的操控计算机、IEC61850通讯管理机等构成。 怎样振动声学指纹在线监测种类GZAF-1000T系列变压器(电抗器)振动声学指纹监测主界面。

3.3.2绕组及铁芯运行状态分析下图3.10a为变压器运行时绕组及铁芯的声纹振动时域信号。为更直观地分析绕组及铁芯运行状态，采用频域法分析声纹振动信号。如下图3.10b所示，基于声纹振动信号的频域分布，提取峰值频率、总谐波畸变率、基频能量比、互相关系数特征参量作为分析参数。各特征参量定义及解释如下：

3.3.2.1峰值频率：频谱图中比较大幅值对应的频率值。3.3.2.2总谐波畸变率(TotalHarmonicDistortion,THD)所有50Hz整数倍谐波分量的有效值与基频100Hz分量有效值的比值，计算公式：THD=i=0nVi2V1，其中V1为100Hz基频分量有效值，Vi为各谐波分量有效值，i为频率索引值。正常状态下，由于100Hz基频分量为振动频谱图的主要成分，总谐波畸变率应较小；存在故障时，谐波分量增加且峰值频率发生偏移，总谐波畸变率变大

3.1技术原理变压器振动主要包括OLTC切换时的瞬态振动、电流通过绕组时电动力引起的绕组振动、硅钢片的磁致伸缩及硅钢片接缝处与叠片之间的漏磁导致铁芯振动、以及冷却装置工作时的振动。其中，由冷却系统引起的基本振动频率小于100Hz，不作为变压器的分析内容。变压器内部的声纹振动信号通过绝缘油、支撑单元、加强筋结构等多种途径传播至变压器外壁，可由安装于外壁的声纹振动传感器测得。

OLTC切换过程中，分接选择器动作、切换开关动作、动静触头碰撞等机械动作产生声纹振动信号，信号包含触头分合状态、三相触头是否同期、触头表面是否平整、切换是否到位等信息，可反映OLTC结构磨损、卡滞、松动、变形等故障。切换过程中若储能弹簧性能发生改变或储能过程中存在机构卡塞等现象，必然伴随着电机驱动力矩的变化，从而使驱动电机电流发生变化。因此，可通过监测驱动电机电流信号与声纹振动信号的结合分析，可更加有效的评价OLTC在线运行状态下的健康态势评价与故障类型诊断。 GZAF-1000S系列高压开关振动声学指纹监测系统GIS及敞开式的隔离开关监测功能特性。

3.3GZAFV-01系统的监测数据信号分析与处理3.3.1OLTC运行状态分析OLTC动作时，典型声纹振动和驱动电机电流的信号如下图3.4所示。通过分解时域内典型信号区间，可有效判断OLTC驱动电机启动、分接选择器断开、分接选择器闭合、切换开关动作、驱动电机制动等动作顺序，进而分析OLTC的运行状态。然而，以上通过典型信号分析判断OLTC的运行状态需要丰富的实践经验，为方便监测人员快速完成诊断任务，需通过多种算法更直观、准确地判断OLTC状态。GZAFV-01系统结合基于小波变换及希尔伯特变换的包络分析、基于互相关系数的重合度分析、基于小波多分辨率分解的能量分布曲线分析、基于时频分布矩阵的信号比对等多种核心算法，实现OLTC***、有效、准确的状态诊断和早期隐患监测，降低OLTC运行的故障风险。GZAF-1000T系列变压器(电抗器)振动声学指纹监测系统技术方案。怎样振动声学指纹在线监测种类

振动声学指纹监测技术的应用意义。专注振动声学指纹在线监测客服电话

从振动和声学数据中提取有用的特征，以便建立设备的声学指纹，通常会用到以下信号处理技术：傅里叶变换（FFT）：用于分析信号在频域中的特性，可以识别出设备运行时的固有频率和谐波成分。短时傅里叶变换（STFT）：与FFT相比，STFT能够展示信号随时间变化的频率特性，适用于非平稳信号的分析。小波变换：具有良好的时频局部化特性，能够在多尺度上分析信号，适合捕捉瞬态事件和局部特征。包络检测：用于提取振动信号的振幅包络，可以用来表示信号的动态特性。频谱分析：通过计算信号的功率谱密度（PSD）或幅值谱，可以识别出信号的频率成分和能量分布。时频分析方法：如Wigner-Ville分布、Choi-Williams分布等，这些方法能够提供信号的时频表示，有助于分析复杂非线性和非平稳信号。模态分析：通过识别设备振动的模态特性，可以提取出与设备结构和损伤相关的特征。熵分析：如时域熵、频域熵或小波熵，这些方法可以量化信号的不确定性和复杂性，有助于识别设备状态的变化。统计分析：包括均值、方差、标准差等统计参数，可以描述信号的波动性和稳定性。高阶统计量：如偏度和峰度，它们可以提供信号分布形状的信息，有助于识别异常模式。专注振动声学指纹在线监测客服电话