高压断路器在电力系统发生故障时通过切断故障电流来隔绝电路中的设备,避免事故的进一步扩大给工业生产和居民生活带来影响。传统的断路器故障诊断方式存在过程复杂、训练速度慢、准确率低等问题。定期维护存在耗时过长、操作频繁、拆装过多等问题,会降低断路器的可靠性。高压断路器在机械操作过程中蕴含丰富的振动信号,其中的特征参量具有稳定性和可靠性。从振动信号中可以提取出有效的特征值,从而准确地判断出断路器是否发生故障及故障的类型。许多学者利用卷积神经网络的局部感受能力、共享权值的优点来加速训练进程。本文采用卷积神经网络对断路器的振动信号进行特征提取。首先,通过预先设定步长的滑动滤波器对输入信号进行卷积运算,卷积运算可以遍历整个样本,从而获取样本中的故障信息,然后将信息传递给池化层。在池化层进行非线性激活有助于减少样本量以及避免过度拟合来达到加快训练速度的目的。这也可以看作是一个平滑的过程,从中可以消除不必要的噪声。最后,将之前获取的局部信息传递给全连接层来连接所有之前的特征映射,获取完整的特征向量。本文建立的卷积神经网络与长短时记忆神经网络的混合模型充分发挥了两种模型的优势,可以在提高训练速度的同时又能保证较高的诊断精度。浅层网络中的支持向量机训练速度慢,无法满足高压断路器实时监测的需求。针对真空断路器最常出现的脱扣闭合电磁堵塞、主轴堵塞、半轴堵塞三种机械故障分别进行多次实验,利用所提出的方法分别对相同的高压真空断路器的振动信号样本进行故障诊断,结果在受试者工作特性曲线、精确召回曲线、洛伦兹曲线、累计收益曲线、升程曲线中均显示本文建立模型具有更好的诊断效果,验证了本文方法的可行性。