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振动监测相关产品有哪些？电力振动监测化学变化
一、概述电力系统中的开关设备主要包括气体绝缘金属封闭开关设备(英文简称GIS；内部主要是断路器、隔离开关等)、敞开式开关设备（英文简称AIS；主要是高压开关、隔离开关等）、开关柜，各类开关设备材料、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。本章节以GIS为例做简单分析目前运行管理情况。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、电压/电流互感器、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，设备内部充SF6气体作为灭弧和绝缘介质组成的封闭组合电器。与传统的敞开式设备相比较，智能振动监测需要什么条件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客户反馈分析。
如下图14(b)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，以作为变压器运行状态的分析参数。各特征参量定义及解释如下：(1)峰值频率：频谱图中比较大幅值对应的频率值。(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，计算公式如下公式1所示：公式1：总谐波畸变率计算公式公式1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。
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*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。
各特征参量定义如下：(1)峰值频率：频谱图中比较大幅值对应的频率值。(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，计算公式如下：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。。。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国际合作案例。研发振动监测技术应用
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行业应用背景。电力振动监测化学变化
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*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。电力振动监测化学变化
