高压断路器是电力系统的关键设备之一,由于户外环境的影响或机械部件自身的质量问题,机械故障时有发生,从而造成经济损失。机械振动信号包含的时频特征能反映机械的运行状况,因而国内外学者大量开展了基于振动信号的高压断路器故障诊断的研究,但信号特征的有效提取与故障的准确识别一直是研究的难点,且未取得重大突破。为此,论文利用虚拟仪器技术搭建的振动信号采集平台采集了四种振动类型(正常状况、基座螺丝松动、延时动作、储能弹簧松动)的实验数据,对高压断路器合闸振动信号的特征提取与识别方法进行了研究,研究的主要内容包括:(1)信号的降噪及时频分析。针对实测数据,采用了改进的阈值函数进行降噪预处理,对比软阈值、硬阈值信号降噪方法,能有效保证估计信号的平滑性与突变信息。然后选定经验小波变换、变分模态分解两种方案对实测信号分解,并讨论了实测信号本征模态数的选取问题,对比经验模态分解、聚合经验模态分解方法的时频分辨性能,论文选取的方法可精确得到信号真实的窄带本征模态分量。(2)信号的特征提取。为了进一步量化信号的时频特性,在时频分析的基础上,论文提出了两种新的特征提取方法,改进的时频熵法、一种新的时间分割能量熵的特征提取方法。与传统的特征提取方法相比,两种特征提取方法能更好刻画信号的时频特性。(3)信号的识别。针对断路器动作次数不频繁,获取大量的振动样本难以实现,且存在样本数量分布不均匀问题,论文为断路器机械振动信号的识别提供了两种可行方案,并详细讨论了识别方案的各项分类性能指标。方案一采用了多分类支持向量机识别四种类型振动信号,分类器参数采用随机搜索寻优确定,以减少识别时间开销,方案一的准确率达95%,以所有故障样本为正例下的召回率达96.67%。为了综合考虑召回率、准确率性能指标与样本数量分布不均匀问题,方案二创造性的利用单分类支持向量机最大限度的检测出故障样本,然后用循环遍历优化的概率神经网络识别出具体的故障类型,模型准确率达到95%,以所有故障样本为正例下的召回率达96.77%,与传统故障诊断模型相比,该分类模型在保证准确率的前提下,能最大程度避免故障样本误识为正常状况而错过设备最佳维护时间。