高压断路器在电力系统中起到控制和保护作用,其安全可靠的工作状态关系到电网的安全稳定运行,经国内外相关组织调查研究发现:高压断路器故障引起的停电损失远远超过设备本身损坏的价值。当高压断路器操动机构动作时,释放的机械振动信号包含了丰富的设备状态信息,因此,可以通过分析振动信号实现高压断路器机械故障诊断。本文以ABB公司12 kVVD4智能高压断路器为研究对象,基于振动信号的监测手段,建立了高压断路器振动信号采集系统,针对VD4断路器最常见的四种机械故障,提出了四部分研究内容:采集系统的搭建与信号采集、信号预处理、信号特征提取和断路器状态识别。首先,统计了 VD4智能高压断路器最常见的四种机械故障:机构卡涩、分闸弹簧疲劳、润滑失效和缓冲故障,根据机械故障的振动频率选择了合适的加速度传感器,并确定了最佳安装位置。搭建振动信号采集系统,并对采集到的振动信号进行小波阈值去噪。其次,引入了两种方法对信号进行特征提取:(1)集合经验模态分解-近似熵特征提取法,信号被分解成不同层IMF分量,选取与原振动信号强相关的IMF分量进行近似熵计算,这些近似熵值构成的向量即为特征;(2)小波变换-局部二值模式法,将转变成灰度图的信号进行分区,对各个区域局部二值模式值出现的频率进行统计,生成的直方图归一化处理后即为特征向量。最后,将两种特征信号分别进行支持向量机分类和BP神经网络分类。通过检出率和误检率两种量化判别标准进行综合分析,得到效果最佳的诊断方法为基于集合经验模态分解-近似熵特征提取经由支持向量机分类,其检出率为99.5%,误检率为0%,诊断效果较好。实验结果显示:本文基于振动信号提出的故障识别方法,为高压断路器健康管理提供了新方案,进一步实现了精准决策,体现了较高的应用价值。