作为电力系统的重要设备之一,高压断路器的安全、可靠运行对电力系统的稳定运行意义重大。统计表明,高压断路器的大部分故障由机械缺陷引起。由于高压断路器分合闸过程中的振动信号蕴含了丰富的设备机械状态信息,且振动信号的非侵入性采集非常适合于电力设备的在线监测,因此,基于振动信号的断路器机械故障诊断方法研究受到了很多关注。为进一步提高高压断路器机械故障诊断的准确性,本文对基于振动信号的高压断路器机械故障诊断技术进行了若干研究,主要研究内容和成果如下:针对高压断路器的典型机械故障,设计了高压断路器分合闸过程中的振动特性测试方案。以某40.5k V高压断路器为试验对象,经测试得到了断路器在正常和典型机械故障下分合闸过程中的振动信号,为后续断路器振动信号特征提取及机械故障诊断研究提供了重要的数据支持。鉴于高压断路器振动信号非平稳、强时变的特点,为准确获取断路器分合闸过程中的振动信号特性,结合粒子群算法提出了基于优化变分模式分解(Variational Mode Decomposition,VMD)的振动信号分解算法。对仿真信号和实测振动信号的分析结果表明:所提出的优化VMD算法可主动寻优分解参数,较好地解决了现有经验模态分解(Empirical Mode Decomposition,EMD)算法的模态混叠和虚假模态问题,提高了算法的自适应性和信号分解准确度。进而结合优化VMD算法与Hilbert变换计算了高压断路器振动信号时频谱,对比分析了不同测点与不同机械故障下振动信号的时频分布,定义了振动信号特征向量和相似度系数指标。对高压断路器不同机械故障下振动信号的分析结果表明,断路器振动信号的时频分布与振动传感器的放置位置有关,不同机械故障下的振动信号时频谱分布存在较为明显的变化,所定义的的振动信号特征量和相似度系数指标能有效地检测断路器的机械状态。为准确识别高压断路器的不同机械故障,将正常与不同机械故障下振动信号的特征向量作为样本,引入了“一对一”多分类支持向量机进行故障诊断,并使用网格法对支持向量机的最优参数进行了搜索。鉴于单一传感器无法全面准确反映断路器故障信息,提出了基于可信度和后验概率对单个传感器证据体基本概率分配函数赋值方法,并使用D-S证据理论对多传感器决策层信息融合,从而进行故障诊断。诊断结果表明,该方法能融合多测点信息,极大提高了高压断路器机械故障诊断的可信度。