杭州断路器振动声学指纹在线监测硬件使用

GIS及敞开式的隔离开关监测:功能特性:主要功能特性如下：采用加速度传感器及电流传感器监测隔离开关振动声学指纹及电机电流信号；具有比对分析功能：可将测量数据与标准信号、历史测量信号进行横向及纵向比对分析；具有诊断分析功能：可对隔离开关状态进行诊断，并上传原始数据及分析结果；具有断电不丢失存储数据、复电自启动、自复位的功能，可连续监测、存储及导出功能，可够存储500次以上的操作数据，并具备批量处理数据功能；具备振动声学指纹及电机电流信号波形、包络分析、时频图谱等展示功能；自动提取分合动作时间、电机峰值电流、电机电流燃弧时间、电流抖动振动声电力设备监测及诊断技术的“中国智造者”第8页共12页学高幅值关键特征、振动声学脉动关键特征等参量；智能分析：依托于我公司建立的海量典型故障案例的数据库，包络分析后可快速实现历史信号重合度对比开展智能分析，更直观、快速地判断电力设备运行状态。为量化信号重合度对比，GZAF-1000S监测系统引入互相关系数的计算。当实时采集信号包络曲线与正常状态包络曲线互相关系数接近1时，实时采集的信号接近正常运行状态；当互相关系数接近0时，被测设备可能存在故障。GZAF-1000T系列变压器(电抗器)振动声学指纹监测软件界面。杭州断路器振动声学指纹在线监测硬件使用

系统功能：智能分析功能：系统软件内置海量故障特征的数据库，可与测得的数据进行比对，通过信号波形、时间长度和幅值等特征值，诊断分析故障类型；也可添加新测得的数据，方便后期横向、纵向比较；软件可将同一厂家同一型号的正常检测数据进行导入保存，便于对该厂家、型号的变压器数据曲线进行比对分析；具有报表分析功能，自动计算并保存重合度、动作时间、能量分布、电流最大值、电流平均值、绕组及铁芯振动峰值频率、总谐波畸变率、基频能量比、互相关系数等特征参量，并生成分析报表。杭州开关柜振动声学指纹在线监测系统组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方案。

包络分析：为提高在线监测的准确度，GZAF-1000T系统的数据采集装置通常采用高采样率获取振动声学信号及驱动电机电流信号，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，GZAF-1000T系统采用小波变换和希尔伯特变换结合的信号包络分析。有载分接开关振动声学信号和驱动电机电流信号包络分析如下图8的A和B所示。

变压器/电抗器运行时，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，绕组振动信号的基频为100Hz。由于变压器/电抗器中磁感应强度正比于加载电压的平方，铁芯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，振动信号还会包含频率为100Hz整数倍的高次谐波。当变压器/电抗器的绕组变形或铁芯故障后，振动信号频谱分布将发生改变，产生谐波分量。因此，振动信号分量可以作为区别绕组变形故障与铁芯故障的重要依据，采用振动分析法可实现绕组及铁芯的故障诊断。GZAF-1000T系列变压器(电抗器)振动声学指纹监测绕组及铁芯运行状态分析。

有载分接开关运行状态分析：有载分接开关动作时，典型振动声学指纹和驱动电机电流的信号如下图7所示。通过分解时域内典型信号区间，可有效判断分接开关驱动电机启动、分接选择器断开、分接选择器闭合、切换开关动作、驱动电机制动等动作顺序，进而分析分接开关的运行状态。然而，以上通过典型信号分析判断分接开关的运行状态需要丰富的实践经验，为方便检测人员快速完成诊断任务，需通过多种算法更直观、准确地判断开关状态。变压器/电抗器声学指纹监测系统结合基于小波变换及希尔伯特变换的包络分析、基于互相关系数的重合度分析、基于小波多分辨率分解的能量分布曲线分析、基于时频分布矩阵的信号对比等多种**算法，实现有载分接开关***、有效、准确的状态诊断和早期故障监测，降低变压器/电抗器运行的故障风险。杭州国洲电力科技有限公司振动声学指纹在线监测怎么样？杭州开关柜振动声学指纹在线监测系统组件

GZAF-1000T系列变压器(电抗器)振动声学指纹监测系统功能。杭州断路器振动声学指纹在线监测硬件使用

系统功能：3.4.2监测系统的智慧化功能具备边缘计算能力，就地采集并处理振动声学指纹信号及驱动电机电流信号，完成有载分接开关信号包络、ATF等分析，完成绕组及铁芯振动信号频谱分析及参数计算，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；具备实物ID管理功能，提供有载分接开关、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。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/电抗器运行状态及机械故障类型。图15基于振动声学指纹的变压器故障诊断结合变压器/电抗器的带电检测、智能巡检以及其他在线监测状态量，杭州断路器振动声学指纹在线监测硬件使用