振动基本参数
  • 品牌
  • 国洲电力
  • 型号
  • GZAF-1000T系列,GZAF-1000S系列,
振动企业商机

(4)时频能量分布矩阵(ATF图谱)获取声纹振动信号时频能量分布矩阵,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对比。下图13为正常状态下的声纹振动信号的时频能量矩阵。图13声纹振动信号的时频能量矩阵3.3.2绕组及铁芯运行状态分析下图14(a)为变压器运行时的绕组及铁芯声纹振动的时域信号。为更直观的分析绕组及铁芯运行状态,采用频域法分析声纹振动信号,实现变压器在线运行状态下的监测与诊断。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技术突破点。浙江振动监测现场服务

浙江振动监测现场服务,振动

一、概述变压器/电抗器(下文中二者皆用变压器代称)在电力系统中起到电压变换、电能分配等重要作用,其安全稳定运行对确保供电可靠性具有重要意义。变压器的绕组、铁芯和有载分接开关(On-LoadTapChanger,下文中均以OLTC代称,相关标准名除外)是变压器的重要组成部分,三者的故障率总和占变压器整体故障的70%左右,而传统预防性检修方法具有试验周期长、影响变压器正常运行、耗费人力物力等缺点。开展基于声学指纹振动(简称:声纹振动)信号的状态监测与诊断,可在在线状态下及时发现变压器OLTC、绕组及铁芯的潜在故障,并及时预警,从而延长变压器使用寿命,提高电网运行的可靠性。国产振动监测安全使用杭州国洲电力科技有限公司振动声学指纹在线监测服务的定制化解决方案。

浙江振动监测现场服务,振动

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。

ZAFV-01T子系统采用小型化设计,集成式架构,单元内综合电机电流及AFV的信号监测功能,可监测OLTC的完整动作过程和振动状况;可外接电流传感器(CT卡钳式),获取电机电流信号。装置提供RS485接口,对外通信和传送监测数据。GZAFV-01T子系统包括数据服务器,通信模块、AFV、电流传感器,数据采集模块,供电模块。通过吸附在变压器外壁上的3个AFV传感器获取AFV信号和1个电流传感器获取驱动电机电流信号,经现场的IED通过4G/5G无线传送模块传送至平台层数据服务器进行存储,通过操控及监测数据分析软件进行在线监测及诊断分析。GZAFV-01型声纹振动监测系统(变压器、电抗器)的数据可视化和远程监控。

浙江振动监测现场服务,振动

3.2.1.1OLTC监测与诊断:=1\*GB3①采用多路振动传感器获取振动信号,传感器通过固定底座安装在变压器外壁,安装位置通常选取平行于分接开关垂直传动杆方向,且尽量靠近分接开关触头组处。=2\*GB3②采用非接触方式安装在OLTC的1~2m范围内的声纹传感器获取OLTC切换时的声纹信号。=3\*GB3③采用安装于驱动电机电源线处的电流传感器获取OLTC驱动电机电流信号。3.2.1.2变压器本体(绕组及铁芯)监测与诊断:=1\*GB3①采用多路振动传感器监测与诊断变压器绕组及铁芯运行状况,通常安装于上夹件底部、非冷却器侧油箱表面中部及油箱顶部中芯点。为保持监测与诊断点同一性,便于历史数据对比,传感器底座应长期固定在变压器外壁上。=2\*GB3②采用声纹传感器获取变压器声纹信号,传感器采用工装固定在变压器周边立柱或防火墙上,距地面高度1.2m以上、1/2油箱高度以下,与变压器距离0.3m~2m之间。杭州国洲电力科技有限公司的企业发展历程与技术创新成果。电力振动监测系统配置

GZAFV-06T型便携式变压器声纹振动 监测与诊断系统原理。浙江振动监测现场服务

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。 浙江振动监测现场服务

与振动相关的**
信息来源于互联网 本站不为信息真实性负责