3.3.1.1信号包络分析为提高在线监测的准确度，GZAFV-01系统的IED/主机通常采用高采样率获取声纹振动及驱动电机电流的信号，然而大量的数据不利于快速、准确存储与分析。因而采用包络分析，简化并反映原始信号特征，便于后续分析与处理。传统希尔伯特变换进行包络分析时存在提取深度不足、存在幅值偏差等问题，因此采用小波变换和希尔伯特变换结合的信号包络分析。声纹振动和电流的信号包络分析如下图3.5所示。
3.3.1.2信号包络重合度比对分析如下图3.6所示，信号包络分析后可快速实现历史信号重合度比对分析，更直观地判断OLTC运行状态。为量化信号重合度比对，GZAFV-01系统引入互相关系数的计算。当实时采集的与正常状态的信号包络互相关系数：◆接近1时，OLTC接近正常运行状态。◆接近0时，OLTC可能存在故障。 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环保效益分析。杭州GIS振动声学指纹在线监测使用说明书
3.2.1感知层的传感器GZAFV-01系统的感知层如上图3.1所示，由IED/主机、6路声纹振动传感器、1路电流传感器等构成，声纹振动传感器集成电荷放大器，将声纹振动信号转换成与之成正比的电压信号；电流传感器采用微型卡扣结构，便于现场安装。各传感器外观及参数如下表1所示。◆3路声纹振动传感器采集取OLTC振动信号，通过固定底座安装在变压器外壁，安装位置选取平行于OLTC的垂直传动杆方向，且尽量靠近OLTC的触头组处。◆1路电流传感器采集OLTC驱动电机电流信号，安装于OLTC驱动电机电源线处。◆3路声纹振动传感器采集变压器绕组及铁芯声纹振动信号，安装位置选取于上夹件底部、非冷却器侧油箱表面中部、油箱顶部中心点。为保持监测点的同一性，便于后期监测数据的时间轴线比对，所有声纹振动传感器底座长期固定在变压器外壁上。安装示意图如下图3.2所示。（备注：传感器安装的数量及位置可根据被测设备的监测需求而灵活调整）杭州振动声学指纹在线监测厂家价格GZAFV-01型声纹振动监测系统（变压器、电抗器)实时监测和分析的结合。
综上所述，采用声纹振动法监测变压器OLTC、绕组及铁芯的状态，适用于带电监测/在线监测，与变压器无电气连接而不影响正常运行，有安装方便、安全、可靠等优点。我公司结合多年技术预研储备及现场技术服务经验，成功研制出GZAFV-01型声纹监测系统，既有固定安装的长期在线监测式，也有便携式的带电监测系统及可移动的在线重症监护式。GZAFV-01系统由声纹振动传感器、驱动电机电流传感器、数据采集装置（在线监测式：IED，便携/手持式：主机；下文皆用IED/主机简称）、云服务器、通讯单元及供电单元构成；操控及监测数据分析软件结合包络分析、重合度分析、小波分析、能量分布矩阵、时域信号频谱分析等多种算法，并提取故障诊断特征参量，在线状态下实现变压器OLTC、绕组及铁芯的健康态势评价与故障类型诊断。
技术背景GIS运行时，电流通过高压导体时产生的电动力引起振动，由于导体所受电动力正比于负载电流的平方，GIS本体振动产生的声纹振动信号的基频为100Hz。当存在机械故障时，声纹振动信号的频谱分布将发生改变，产生谐波分量。GIS本体机械型缺陷主要是指内部存在开关触头接触异常、导电杆接触不良、母线卡簧松动、屏蔽罩松动等异常时，在交变电场作用下发生异常振动，长期振动可能导致导电杆和绝缘件松动，易造成绝缘事故。异常振动还可能造成SF6气体泄漏，损坏绝缘子和绝缘支柱，影响外壳接地牢固，危及GIS运行安全。杭州国洲电力科技有限公司振动声学指纹在线监测的概述。
二、遵循标准（不限于下列标准）2.1GB/T4208外壳防护等级（IP代码）。2.2DL/T860变电站通信网络和系统。2.3DL/T1430变电设备在线监测系统技术导则。2.4DL/T1432.1变电设备在线监测装置检验规范第1部分：通用检验规范。2.5DL/T1498.1变电设备在线监测装置技术规范第1部分：通用技术规范。2.6DL/T1686六氟化硫高压断路器状态检修导则。2.7DL/T1687六氟化硫高压断路器状态评价导则。2.8DL/T1700隔离开关及接地开关状态检修导则。2.9Q/GDW383智能变电站技术导则。2.10Q/GDWZ414变电站智能化改造技术规范。2.11Q/GDW561输变电设备状态监测系统技术导则。2.12Q/GDW739输变电设备状态监测主站系统变电设备在线监测I1接口网络通信规范。2.13国家电网公司智能组合电器技术规范。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未来发展趋势。振动声学指纹在线监测厂家价格
杭州国洲电力科技有限公司振动声学指纹在线监测技术系统的智能化设计。杭州GIS振动声学指纹在线监测使用说明书
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。 杭州GIS振动声学指纹在线监测使用说明书
