高压断路器（High voltage circuit breaker,HVCB）是保护电力网络的设备,它的存在能有效避免电力事故的扩大。HVCB的故障中大多数为机械故障,目前对于机械故障诊断的研究主要以动作时的振动、声音、电流信号为主。由于HVCB结构的特殊性,基于电流信号的故障诊断方法能诊断的故障种类有限,以单一的振动信号或声音信号进行故障诊断的诊断效果较好,但难以适应多种干扰存在的环境。基于以上现状,本文主要从以下几个方面对HVCB机械故障诊断方法进行研究:（1）针对几种常见机械故障的声音信号以及振动信号设计了相应的数据采集方案,分别利用心型指向性话筒以及压电式加速度传感器采集数据。（2）为提升利用振动信号进行故障诊断时的诊断精度,研究了基于精细复合多尺度散布熵（Refined Composite Multiscale Dispersion Entropy,RCMDE）的故障诊断方法。该方法提取多个尺度下的RCMDE值作为特征向量,并利用粒子群优化算法（Particle Swarm Optimization,PSO）优化极限学习机（Extreme Learning Machine,ELM）模型进行故障诊断。实验结果表明,该方法在实验室条件下的故障诊断正确率为98.92%,在不同干扰环境下的故障诊断正确率均维持在95.29%以上。（3）针对利用声音信号进行故障诊断时诊断精度不高的问题,研究了基于局域均值分解（Local Mean Decomposition,LMD）和差分进化（Differential Evolution,DE）优化概率神经网络（Probabilistic Neural Network,PNN）的故障诊断方法。该方法利用LMD对信号进行分解,提取重构信号的分段能量熵作为特征。利用DE算法对PNN模型进行优化,使用优化后的模型进行故障诊断。实验结果表明,该方法在实验室条件下的故障诊断正确率为99.33%,并且在不同干扰环境下的故障诊断正确率均维持在95.83%以上。（4）针对振动信号以及声音信号在特征提取中易受噪声影响,导致特征提取效果一般的问题,研究了一种基于声振联合信号的故障诊断方法。该方法选用变分模态分解（Variational Mode Decomposition,VMD）对信号进行分解,利用烟花算法（Fireworks Algorithm,FWA）优化VMD的参数,提取振动信号分解后每个本征模函数对应的能量熵值,结合声音信号分解重构后的无量纲参数作为特征。利用网格搜索法搜寻支持向量机模型（Support Vector Machine,SVM）的最优参数,得到最优参数下的SVM故障诊断模型,实现故障诊断。实验结果表明,该方法在实验室条件下的故障诊断正确率为100%,在不同干扰环境下的故障诊断正确率均维持在98%以上。（5）为实现故障诊断算法的应用价值,设计并初步实现了基于声振信号的高压断路器机械故障诊断软件部分。主体软件界面由QT进行设计开发,故障数据由My SQL进行存储。MATLAB打包生成故障诊断算法的dll程序包方便软件调用。