声纹振动监测技术的应用意义GZAFV-01系统适用于GIS、AIS、隔离开关、开关柜等开关设备的带电监测、在线监测与故障诊断，不影响被测设备正常运行且无电气连接，主要意义如下：5.1采用带电监测/在线监测方式，不影响被测设备正常运行，降低了电网风险。5.2监测方式与被测设备无电气连接，具有安全、可靠、安装方便等优点。5.3采用独特的时域、包络、重合度比对、时频矩阵等分析法，并提峰值频率、总谐波畸变率、频谱互相关系数、频率复杂度、振动平稳性、能量相似度、振动相关性等特征参量等特征参量，提高在线监测准确度。5.4内置基于海量典型样本的大数据和人工智能研判技术而建立的数据库，可真实反应被试品运行状态，有效诊断故障程度和类型。5.5符合智慧/智能型变电站建设原则，IED具备边缘计算能力，就地采集并处理声纹振动及电流信号，完成分析计算后根据传输层要求统一通讯接口及数据结构，根据平台层及应用层要求上传监测数据的分析结果。杭州国洲电力科技有限公司振动声学指纹在线监测技术的科研合作背景。名优振动声学指纹在线监测联系人

变压器运行时，电流通过绕组时产生的电动力引起绕组振动，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。由于绕组导体所受电动力正比于负载电流的平方，绕组的声纹振动信号的基频为100Hz。由于变压器中磁感应强度正比于加载电压的平方，铁芯的声纹振动信号的基频也为100Hz。另外，考虑到铁芯振动的非线性特性，声纹振动信号还会包含频率为100Hz整数倍的高次谐波。当变压器的绕组变形或铁芯故障后，声纹振动信号频谱分布将发生改变，产生谐波分量。因此，信号分量可以作为区别绕组故障与铁芯故障的重要依据，采用声纹振动监测法可实现绕组及铁芯在线运行状态下的健康态势评价与故障类型诊断。智能化振动声学指纹在线监测常见问题杭州国洲电力科技有限公司的企业愿景与使命。

敞开式断路器监测技术背景实现对断路器机械特性的在线监测，准确得知断路器的工作状态和故障部位，可以有效减小维护工作量，增强状态检修的针对性，显著提高电力系统可靠性和经济性。声纹振动信号、分/合闸线圈及储能电机的电流、动/静触头的行程及分/合闸位置等特征值是断路器非常重要的参数，是衡量断路器性能的重要指标，因此，实施在线监测声纹振动信号、分/闸线圈及储能电机电流、动/静触头行程及分/合闸位置等具有重要意义。

电力系统中的开关类设备主要包括GIS、AIS（敞开式断路器）、GIS/敞开式的隔离开关、开关柜断路器等。各类开关设备的材料、工艺、设计、安装过程中的缺陷以及频繁动作极易引起机械故障，严重时更会导致电气火灾、停电等事故，现有状态检修方式的试验周期长、耗费人力物力、检修效率低等缺点，较大地影响设备正常运行。GIS是当今输电网络中一种应用***的电气设备。通过将变电站中断路器、隔离开关、接地开关、PT、CT、避雷器、连接母线、电缆终端、进出线套管等一次设备经过优化设计并有序地结合为整体，在金属壳内封装起来，内部充SF6气体作为灭弧和绝缘介质组成的封闭组合电器。与传统的敞开式相比较，GIS具有占地面积小、可靠性高、安全性强、运行维护工作量很小等优点，因而被大量使用在重要负荷、枢纽变电站中。但由于其采用全封闭结构，一旦发生故障，影响范围大并且难以准确定位及快速抢修，将会带来严重的经济损失。随着GIS逐步在特高压输电网络推广应用，设备故障所造成的影响将进一步加大。GZAFV-01型声纹振动监测系统（开关设备）监测和综合分析。

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。 GZAFV-01型声纹振动监测系统（开关设备）智能评估和故障预警。本地振动声学指纹在线监测联系人

杭州国洲电力科技有限公司振动声学指纹在线监测功能的多场景适用性。名优振动声学指纹在线监测联系人

4.2.3根据各时频信号互相关系数、能量分布曲线特征参量（互相关系数、最大值、平均值、峰度、偏度）、ATF图谱特征参量（六等分区间均值）、总谐波畸变率、基频信号能量比等状态量，采用深度学习算法，自动判断变压器运行状态及机械故障类型。

4.2.4结合变压器的带电监测、智能巡检以及其他在线监测状态量，进行数据的多参量融合分析，形成基于多源数据的故障预警机制，多参量融合分析不仅提高了识别故障的准确性，而且还能**降低因单个参量判别故障带来的误报。例如，对于变压器疑似问题地诊断可结合负荷、损耗、绕组机械振动信号、油温、以及历史电流电压情况分析，在监测到变压器地声纹振动频谱时，GZAFV-01系统的操控及监测数据分析系统可以自动去查询变压器地历史电流和电压信号，如果发现在某段时期确实有大电流冲击，可给出预警：变压器可能存在绕组变形地异常。 名优振动声学指纹在线监测联系人