主要意义如下：6.1采用带电监测/在线监测方式，不影响主设备正常运行，降低了电网风险；6.2减少了人员进站检查的运维成本；6.3监测方式与设备无电气连接，具有安全、可靠、安装方便等优点；6.4采用独特的时域分析、包络分析、重合度对比、时频矩阵分析等方法，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，提高在线监测的准确度。6.5内置基于海量样本的大数据和人工智能技术而建立的**分析型数据库，可真实反应设备运行状态，有效诊断绕组变形、机械卡涩、触头磨损、电动机构拒动等故障程度和类型；6.6符合智慧变电站建设原则，本系统的IED具备边缘计算能力，就地采集并处理声纹振动及融合其它信号，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分析结果。杭州国洲电力科技有限公司振动监测重要性。浙江电力振动监测技术应用
能量分布曲线
基于小波变换的声纹振动信号多分辨率分析结果如下图3.8所示。原始信号经8层分解后产生第8层的近似分量和第1层至第8层的详细分量，计算各层详细分量信号能量，可获得信号能量分布曲线。比对正常状态与异常状态能量分布曲线，可判断OLTC运行状态，并提取互相关系数、最大值、平均值、峰度、偏度作为状态诊断特征参量。下图3.7为正常与异常状态的声纹振动信号能量分布曲线比对。
时频能量分布矩阵(ATF图谱)
获取声纹振动信号的时频能量分布矩阵，同时反映原始信号时域、频域特性及能量分布。将信号时频分布矩阵分为6个区间，计算各区间平均值作为特征参量，用于OLTC正常状态与异常状态比对。下图3.9为正常状态下声纹振动信号时频能量矩阵。 浙江国产振动监测发展前景GZAFV-06T型便携式变压器声纹振动 监测与诊断系统声纹振动监测与诊断技术的应用意义。
我公司结合多年研发及现场经验，成功研制GZAFV-06型便携式变压器声纹振动监测与诊断系统，可支持固定安装的长期在线监测型、便携的带电监测与诊断型、可移动的短期重症监护型等三种工作模式。本系统由IEPE式振动(加速度)传感器、声纹(自由场)传感器、驱动电机电流传感器、数据采集装置、云服务器（采用B/S结构）、通讯子系统及供电系统构成，结合包络分析、重合度分析、小波分析、能量分布矩阵、频谱分析等多种算法，并提取典型特征参量，在线状态下实现变压器OLTC及本体（绕组及铁芯）的监测与诊断。
4.2.3根据各时频信号相关系数、能量分布曲线特征参量（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疑似机械故障类型。图16基于声纹振动法的故障诊断4.2.4结合变压器的带电检测、智能巡检以及其他在线监测的状态量，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疑似故障识别的准确性，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的诊断可结合负荷、损耗、绕组机械振动信号、油温、以及历史电流电压情况分析，在监测到变压器的声纹振动频谱时，系统可以自动去查询变压器的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的异常。杭州国洲电力科技有限公司变压器/电抗器振动声学指纹监测系统结构。
OLTC是在励磁状态下，通过改变绕组分接位置实现电网的有载调压，起到稳定负载电压、调节无功潮流、增加电网灵活度等重要作用。它是调压变压器中***的可动部件、关键部件之一。国际大电网委员会(GIGRE)等国内外统计结果表明，OLTC故障占变压器总体故障的30%以上，各类故障影响变压器及整个电网的安全稳定运行，严重时更会导致大面积停电、电气火灾等事故。OLTC的故障模式有多种，具体包括传动轴断裂、选择开关触头接触不良、操作机构失灵造成的拒动或滑档现象、限位开关失灵、切换开关拒切、中止或动作滞后、内部紧固件松动和脱落、以及内部渗漏等。根据国家电网设备部发布的《设备管理重点工作任务》，2020年度需完成382台换流变分接开关隐患整改，加快消除故障隐患。因此，实施OLTC在线监测与诊断与故障诊断不仅对确保变压器及整个电网安全稳定运行具有重要的现实意义，也是今后的发展方向。GZAF-06 型振动声学指纹监测子系统。进口振动监测作业
国洲电力变压器振动监测系统使用。浙江电力振动监测技术应用
4.2.2具备实物ID管理功能，提供OLTC、绕组及铁芯运行状态信息链接入口，可扫码读取设备在线监测历史数据及趋势。通过扫码或RFID识别设备，读取设备ID信息，通过站内网络（4G/5G/WIFI）传输给云端服务器，向服务器请求该设备的详细信息，以及详细的运行状态，测试信息等。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。 浙江电力振动监测技术应用
