高压断路器大多工作在室外,常年遭受外部环境影响,极易发生故障。据统计,断路器所发生的故障大部分是其操作机构机械故障。此外,断路器操作机构在发生不同机械故障时,断路器分合闸时的振动信号与线圈电流信号的时频特征会发生不同变化,因此分析振动信号与线圈电流信号并对其进行特征量的提取,对特征量进行分类可以判断断路器操作机构具体故障类型,这会对提高断路器维修效率带来重要意义。在此背景下,本文从对振动信号与线圈电流信号采集、处理及特征提取出发,结合人工智能分类算法,对断路器操作机构机械故障诊断进行研究。首先,为了获取振动信号与线圈电流信号,本文设计了数据采集方案。对于振动信号的采集,选择加速度传感器采集振动信号,将其安装在断路器操作机构的基座上,用波形监测仪采集振动信号;对于线圈电流信号的采集,选取霍尔电流传感器采集线圈电流信号。此外,模拟了三种常见的断路器操作机构机械故障状态:基座螺丝松动、铁芯卡涩、操动机构卡涩,并进行多次重复分合闸操作,采集保存各故障状态的振动信号与线圈电流信号,一部分作为训练数据,另一部分作为测试数据,作为本文的数据支撑。振动信号属于非线性、非平稳信号,为了对其进行全频域分析,用小波包对振动信号进行分解,对分解后的各频段信号求取包络,再将求取包络的各频段信号在时间域上进行等时间段地划分并求取每个时间段的能量,从而得到振动信号时频能量特征谱。分析了各状态的时频能量谱的差异。采用深度自编码网络建立故障诊断模型,并对模型进行验证。在算例分析中,详细分析了不同的小波包分解层数以及各频段时间划分段数对诊断准确率的影响,得出小波包分解及等时间段划分的最优选择;此外,分析了深度自编码网络在不同的网络层数以及不同的节点组合方式时对故障诊断准确率的影响;通过以上参数设置,得到具体的诊断模型并对其进行验证,结果表明此模型可以取得良好的故障诊断效果。分合闸线圈电流作为能反应高压断路器操作机构工作状态的重要监测数据,其特征提取完全可以在时域中进行。首先对分合闸线圈铁芯的工作特性及典型的线圈电流波形进行了详细描述,选取了时间及电流的特征点,对实验采集到的合闸线圈电流信号进行去噪,提取出合闸线圈电流中重要的七个特征量并组成特征向量,并分别对比分析了三种故障状态的合闸线圈电流和正常状态的区别以及特征量的变化;其次,借助KNN算法建立了断路器操作机构机械故障诊断模型,并根据不同的k值,给出了相应的故障诊断的准确率;最后,对合闸线圈电流的特征量提取方法进行了改进,增加了三个特征点,并与之前的特征量组合成改进的特征向量,借助KNN分类算法进行诊断正确率的验证,结果显示改进后的特征向量能显著提高诊断准确率。论文研究了振动信号与线圈电流信号在断路器操作机构发生机械故障时所呈现的特征,结合不同的诊断方法对断路器操作机构机械故障进行诊断。所做的理论研究和方法表明,在断路器操作机构发生不同机械故障时,振动信号与线圈电流的时频特征也会不同,所研究的方法能够对断路器操作机构机械故障进行有效诊断识别,得到的结果能为电网运营、维修维护决策提供一定的理论基础。