断路器是电力系统中的重要控制和保护设备,随着智能电网建设的加快,要求断路器的可靠性和稳定性也日益升高。断路器工作可靠性主要是靠其机械特性决定,断路器机械故障诊断常采用提取信号特征作为专家系统、人工神经网络等识别方法的输入向量,对信号特征的研究方法更是千变万化。这些方法有的对系统先验知识的需求较多,有的需要精准的数学解析模型,对于断路器的拒动误动等典型故障而言,这些条件很难获取,一般的监测方法很难发现和判断。因此,对断路器进行状态识别与故障诊断,研究断路器测试信号的处理方法,对断路器的安全稳定运行具有非常重大的意义。模糊聚类在对复杂庞大的断路器系统领域进行故障诊断时有着独特的优势,可以从大量的系统监控数据中获取系统运行模式信息。本文首先设计了断路器故障特性识别系统,以此为平台进行实验分析,从电、声、振动等多信号检测角度出发,研究了基于模糊聚类的断路器故障诊断方法。然后,研究了适用于断路器故障诊断的密度峰值优化的模糊聚类动态加权新算法,并与传统的模糊聚类相比较,验证其具有可行性、高准确性和优越性。并根据三维振动信号特征的差异进行了研究,说明了振动传感器不同的安装部位和安装方向对测量信号的影响。利用差异性的影响,采集振动和声音信号,通过时标对位消除了前后声音信号和振动信号采集的时间差,修正了密度峰值聚类算法对样本时间差的敏感性。针对振动和声波信号具有非线性、非平稳特性特点,合理选择局部均值分解并求取近似熵作为信号特征量。对ZN65与ZN63断路器模拟故障,针对性的进行了断路器双聚类智能故障诊断方法的研究。通过基于DPCA优化的KFCM将训练样本聚类进行预分类,建立数据样本与故障类型间的隶属度映射,获得风险最小的最优超平面,并利用SVM建立多个训练器,将测试样本集输入训练器,利用网格寻优算法获得最终的诊断结果。通过对断路器进行基于模糊聚类的智能故障诊断研究,设计了一种基于双聚类的断路器声振联合智能故障诊断方法,经过实验测试该方法能较好的处理断路器故障的诊断问题,使诊断结果的可靠性大大提高,有效地推动了断路器在线故障检测工作。