变压器是电力系统中十分关键的一环,对其绕组的机械状况进行检测可以降低发生故障的概率、提高变压器运行的稳定性。课题以变压器绕组振动为研究对象,对其非线性特征进行了研究和提取,并基于提出的特征向量构建了绕组的压紧状态评估模型。本文的主要研究内容如下:首先,搭建了绕组冲击自由振动实验平台。在实验室所采购的SBK-100KV A型号变压器绕组线圈上布置7个测点并固定好CT1010L压电式加速度传感器,设计并制作了适用于该传感器的信号调理PCB硬件电路板,组装完成了便携式振动采集实验工具箱,同时安装了绕组压紧力调节装置。设计了绕组冲击自由振动实验,采集各个测点的振动信号。其次,对绕组结构整体振动的提取进行了研究。在绕组轴向振动数学模型研究的基础上,根据Kalman滤波思想对多个振动传感器的数据进行融合,并使用量子粒子群优化算法实现对扩展卡尔曼滤波模型参数的自适应,得到AMP-EKF多传感器数据滤波融合方法,通过该方法提取得到绕组结构的整体振动信号。然后,对绕组振动的非线性特征及其提取方法进行了研究,分别从频域和时频域两个方面展开分析。使用量子粒子群（QPSO）算法对变分模态分解（VMD）算法进行参数自适应优化得到改进VMD算法,应用该算法对绕组整体振动信号进行模态分析,经分析计算后提取出瑞利阻尼作为绕组振动的非线性频域特征量;提出绕组振动模态之间的时频差与绕组压紧状态之间存在某种非线性关系的假设,定义了模态时频互斜率特征量。使用连续小波变换（CWT）对信号进行时频分析并计算模态时频互斜率作为绕组振动的非线性时频特征量。最后,建立了绕组压紧状态评估模型。采集120组实验变压器样机绕组在不同压紧力条件下的冲击自由振动信号,经处理后得到非线性特征向量来构建评估模型的样本集。基于支持向量机的相关原理建立绕组压紧状态多分类模型,同样使用QPSO优化算法对SVM的两个核心参数进行优选,并对SVM多分类模型进行训练,最终得到识别率为97.8%的QPSO-SVM绕组压紧状态评估模型。