有载调压变压器中的有载分接开关（On-load Tap Changer,OLTC）在电力系统中起到了稳定电压水平、调节无功潮流、改善电能质量等关键作用,其正常运行与整个电力系统的安全稳定息息相关。然而,由于OLTC长期处于频繁切换状态,其内部的机械部件极易出现劣化而引发故障,导致OLTC无法正常切换,甚至使有载调压变压器发生事故,进而造成电力系统的电力传输中断。因此,通过准确高效的手段对OLTC存在的故障进行判断,对于保障OLTC正常切换,从而维持电力系统的稳定运行具有十分重要的意义。振动信号分析是实现OLTC故障诊断的主流方法,但目前该领域的研究多为针对故障类型的诊断,缺乏对故障程度诊断的探讨,而实现故障程度诊断可大幅提高检修效率、减少故障误判。同时,由于振动信号的复杂特性和故障程度的难以识别,振动信号的特征提取和故障诊断方法是影响故障诊断效果的研究难点。本文立足于OLTC故障诊断现有研究中的不足,以实现OLTC故障程度的诊断为目标,以时频分析和多通道信息融合技术作为主要分析手段,开展了系统性地研究。主要研究内容如下:首先,根据OLTC基本结构和工作原理搭建了故障模拟平台,并开展了正常状态及紧固件松动、触头磨损、弹簧疲软三种常见故障的模拟试验,且每种故障下分别开展了不同程度的模拟试验。为实现模拟试验中多路通道振动信号的同步测量,搭建了多通道振动信号测量系统,其中,软件部分基于Labview软件进行搭建,可实现振动信号的截取,提高了测量效率。从非线性、混沌特性和非平稳性三个方面分析了所测量振动信号的振动特性,确定了其属于具备混沌特性的非线性非平稳信号,为针对性地研究合适的特征提取方法提供了基础。通过计算不同通道的振动信号的自功率谱密度和互功率谱密度,验证了各通道振动信号属于同一振源,并通过计算自功率熵和互功率熵分析了各通道振动信号的差异,说明了不同通道包含不同的特征信息,为开展多通道信息融合研究提供了支撑。其次,由于时频分析可同时反映时域和频域两个方面的信息,有利于特征提取,因而对OLTC振动信号开展时频分析。比较了多种时频分析方法对OLTC振动信号的适用性,确定了伪平滑Wigner-Ville分布（Smooth Pseudo Wigner-Ville Distribution,SPWVD）能更好地描述信号的时频分布。为最大程度抑制SPWVD的交叉项干扰,提出了基于粒子群算法的最优SPWVD时频分析方法,其所计算出的最优时频谱具备更好的时频聚集性,能更好地反映不同程度故障在时频分布上的差异。引入卷积神经网络（Convolutional Neural Networks,CNN）从最优时频谱中提取关键特征,通过计算不同程度故障的特征值之间的相关系数,验证了CNN所提取的特征值的表征能力,符合高质量特征值的标准,并通过最大相关系数法对CNN各层的特征值进行分类,验证了全连接层的特征序列优于卷积层的特征图像,可进一步用于故障程度诊断中。最后,鉴于单通道振动信号的时频谱包含的信息有限,提出了可对多个通道的时频谱进行特征提取和特征融合的多通道CNN,相较于单通道CNN,多通道CNN的训练效率和识别率均大幅提升,验证了多通道信息融合的有效性。进一步,采用连续隐马尔可夫模型（Hidden Markov Model,HMM）对多通道CNN提取的特征序列进行分类,从而提出了一种基于多通道CNN-连续HMM的故障诊断方法。该故障诊断方法能精准识别正常状态以及包括不同类型故障和不同程度故障的9种故障状态,对这10种状态的平均识别率为100%,实现了故障程度的有效诊断,切实满足了OLTC故障诊断的实际需求。