高压断路器是电力系统中不可缺少的设备,对保证电力系统的供电可靠性和安全运行具有十分重要的意义,其机械状态是影响可靠性的主要原因。针对传统监测方法难以在线检测、难以提取出有效特征、实验步骤较为繁琐的问题,本文提出了基于卷积神经网络(Convolutional neural network,CNN)的高压断路器机械状态在线监测方法。利用网络中的卷积层对高压断路器振动信号进行特征转换,结合池化层强化重要特征的能力,对故障敏感特征进行有效提取。为了可视化所提取特征,采用t SNE降维法对卷积网络上的节点进行了特征表达。从特征空间分布可以看出,卷积神经网络能够有效地概括出振动信号中的时序信息,有助于后续的故障模式发现。本文以加速度传感器,A/D转换电路,外围电路(包括电源电路,保护电路)及DPS处理器等为基础,构成了高压断路器机械状态监测的数据采集系统。通过加速度传感器采集高压断路器机械状态的振动信号,所采集到的信号经放大电路,再通过A/D转换电路进行转换,将模拟信号转变为数字信号,最后将所得到的高压断路器振动信号传送到计算机中,这为高压断路器机械状态的监测提供了数据基础。CNN的卷积层中含有多个滤波器,输入信号经滤波器卷积操作,并与网络前一层的权重合并输出为一种特征映射。卷积层采用稀疏连接的方式,即神经元只与上一层的部分神经元相连,因此卷积神经网络具有权值共享的特点,一方面降低了神经元的数量,另一方面降低了整个网络的时间复杂度。本文以ZW32-12FG/630-20型真空断路器为实验验对象,对其机械特性在线监测与故障诊断进行研究。在真空断路器上设置了脱扣闭合电磁堵塞、主轴堵塞、半轴堵塞故障实验,以受试者操作曲线(Receiver Operator Characteristic curve,ROC)、查准率-查全率曲线(Precision-Recall Curve,PRC)、增益-提升图(Gain LiftCurve)和洛伦兹曲线作为判据,与传统SVM在线监测进行对比分析,结果表明CNN在线监测模型能有效提取故障信号特征,因此能够更快速准确地判断高压断路器机械故障类型,具有更好的监测效果。