高压断路器是电网运行中重要的保护和控制设备，因此，准确并及时的发现高压断路器存在的缺陷和故障并确保其正常工作，对电力系统稳定运行具有重要意义。高压断路器的操作机构异常导致的机械故障是其无法正常工作的主要原因。当高压断路器的操作机构机械部分发生故障时，其机械传动部分的运动机理也会相应地发生改变，在线监测数据如振动信号、分合闸线圈电流信号等，可以对这些变化进行有效的表征。本研究针对高压断路器单一的监测信号难以准确全面的对操作机构进行机械故障诊断的问题，联合振动信号和分合闸线圈电流信号，对现有的人工智能算法进行了改进，提取机械信号的特征分量并进行分类辨识，构建了高压断路器操作机构机械故障诊断体系。
　　首先，选择40.5kV户外真空高压断路器弹簧式操作机构作为试验对象。为了获取振动信号和分合闸线圈电流信号，搭建了操作机构机械特性监测平台并进行了设备的选择、安装和参数设置。此外，对螺丝松动、分合闸弹簧力值衰减和机构空合这三种常见的故障进行了模拟，对正常及故障状态下的数据进行了采集，为后续的特征提取和分类识别提供了数据支撑。
　　其次，研究了断路器电振信号去噪预处理的方法。户外断路器在运行过程中容易受到周围环境或者其他设备的干扰，采集到的振动信号包含了大量噪声。将变分模态分解和相关系数引入小波阈值算法，对振动信号进行去噪处理，证明了该方法在断路器振动信号去噪处理上的适用性和优越性。对于波形较为简单的线圈电流信号，对比采用小波软阈值方法对其进行预处理，获得了完整的合闸线圈电流。
　　断路器操作机构在发生故障时，外部反映是多样的，若仅采用单一信号进行特征提取，容易忽略某些重要的故障特征。最后，为了提升故障诊断的精度，研究了基于电振信号特征的断路器操作机构机械故障诊断方法。对振动信号进行局部均值分解，引入盒维数特征对不同状态下乘积函数的频域分布规律进行表征。采用电流轮廓法提取能够反映分合闸线圈电流信号形状的主要时间点和电流幅值作为特征值。联合电振信号特征，结合主成分分析与K近邻算法建立故障分类模型，保留贡献率高的相关特征进行分类识别，并与基于单一的振动信号特征、线圈电流信号特征的故障分类识别进行对比。结果表明，本研究提出的故障诊断方法能更全面准确的识别断路器机构机械故障，提升了识别精度。