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。 GZAF-1000T系列变压器/电抗器振动声学指纹监测系统绕组及铁芯运行状态分析。校验振动监测含义
3.2.3云平台服务器各项监测的数据经现场的数据采集装置通过4G/5G无线传输模组（或电力光纤专网）传送至云服务器进行存储及深度计算，远端通过浏览器登录云服务器可随时随的查看系统监测与诊断内容，对变压器进行运行状态的监测与诊断分析。云平台系统结构图如下图7所示，采用B/S结构（浏览器/服务器模式），提供本系统的数据深度计算、存储及浏览器查看服务，便于管理。3.3信号分析与处理3.3.1OLTC运行状态分析OLTC动作时，典型声纹振动和驱动电机电流的信号如下图8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。校验振动监测品牌杭州国洲电力科技有限公司振动监测技术参数。
三、技术方案3.1系统原理变压器振动主要包括OLTC切换时的瞬态振动、电流通过绕组时电动力引起的绕组振动、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、以及冷却装置工作时的振动。其中冷却系统引起的基本振动频率小于100Hz，不作为变压器振动监测与诊断分析的内容。变压器内部振动信号通过绝缘油、支撑单元、加强筋结构等多种途径传播，可由安装于外壁的振动传感器测得。OLTC切换过程中，分接选择器动作、切换开关动作、动静触头碰撞等机械动作产生声纹振动信号。信号包含触头分合状态、三相触头是否同期、触头表面是否平整、切换是否到位等信息，可反映分接开关结构磨损、卡滞、松动、变形等故障。切换过程中若储能弹簧性能发生改变或储能过程中存在机构卡塞等现象，必然伴随着电机驱动力矩的变化，使驱动电机电流发生变化。因此驱动电机电流与声纹振动的两类信号融合分析，可更加有效的评价OLTC的运行状况和疑似故障类型。
3.2.2功能特点Ø具备断路器的振动、分合闸线圈和电机的电流、动静触头分合闸位移和位置等信号的监测功能；Ø具备振动、电流波形、位移曲线、压力变化等信号的记录和展示，自动计算峰值电流、电流上升速率、动作时间、动作时长、位移、分合闸位置、分合闸次数等参量；Ø监测主机/IED支持多通道信号同步和实时采集，通道数不小于8个（可定制）；Ø支持历史数据与实测数据对比分析、不同通道测量数据的横向及纵向对比功能；Ø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1000次以上断路器动作数据；Ø断路器每次动作后，监测主机/IED主动评价断路器运行状态，并自动上传结果。断路器典型振动和储能电机电流信号及对应包络曲线如下图4所示。国洲电力振动监测系统怎么样？
三、功能特点3.1GIS本体的监测3.1.1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与负载电流的平方成正比，GIS振动信号的基频为100Hz，当存在机械故障时，振动信号频谱分布将发生改变，产生谐波分量。GIS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，引发局部放电，甚至造成绝缘事故。异常振动还可能造成SF6气体泄漏，损坏绝缘子和绝缘支柱，影响外壳接地的牢固，危及设备运行安全。因此开展本体振动监测、实时频谱分析并提取相关特征参量对提高GIS可靠性具有重要意义。GZOLM-1000G 系列特高压GIS 多参量监测与融合评价系统安装调试服务。校验振动监测品牌
杭州国洲电力科技有限公司振动监测设备。校验振动监测含义
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。校验振动监测含义
