高壓斷路器是保證電力系統安全、可靠運行的重要設備，對於高壓斷路器機械故障定位和診斷成為近年來重要的研究課題。北京航空航天大學自動化科學與電氣工程學院、江蘇省電力公司電力科學研究院的研究人員王昱皓、武建文、馬速良、楊景剛、趙科，在2020年《電工技術學報》增刊1上撰文，針對高壓斷路器典型工況的振動信號，提出了一種基於核主成分分析（KPCA）的SoftMax故障診斷模型，為高壓斷路器機械故障診斷與定位提供了新思路。
根據國際大電網會議的兩次統計，高壓斷路器（High Voltage Circuit Breaker, HVCB）的主要故障是機械故障，斷路器的機械狀態檢測尤為重要，高壓斷路器機械特性的研究可反映出斷路器80%以上的運行狀態。因此，斷路器故障診斷技術成為研究的重點。
隨著輸配電網自動化程度和可靠性要求的提高，對斷路器自身的可靠性要求也不斷增加。斷路器在動作過程中蘊含著很多重要的反映其機械狀態的信息。採集其動作時的振動信號，提取故障信號的特徵向量，構建性能優越的分類器是對故障信號進行分析的關鍵。
斷路器的狀態檢測是故障診斷中很重要的一個環節，近幾年，國內學者從多個角度進行了探索研究，有學者將合閘過程中彈簧的加速度信號分為兩段，利用前段信號獲得待檢測彈簧與標準彈簧能量釋放速度的最小空間距離。利用後段信號提取彈簧的本徵頻率。對最小空間距離和本徵頻率進行數據融合，檢測合閘彈簧儲能狀態，對高壓斷路器機械特性進行判斷。
高壓斷路器電信號與位移信號反映了設備的機械特性，研究人員以此為切入點進行了相關研究，如有學者採集高壓斷路器分合閘線圈中的電流信號和動觸頭的行程信號，基於高壓斷路器運作機理，實現了兩種信號相互驗證分析方式的診斷方案。而有學者指出線圈電流能夠獲得電磁鐵和輔助開關狀態，且對測量位置和傳感器安裝方式要求低、波形穩定且直觀，但難以全面診斷斷路器的各類機械故障，特別是操動機構中電磁鐵之外部分發生的機械故障。
而機械振動信號能夠獲得斷路器整個操作過程中部件之間的機械撞擊和摩擦的信息，可以實現多種機械故障的有效辨識，但對測量位置和安裝方式比較敏感。有學者在振動傳感器安裝優化的基礎上，將採集到的振動信號導入支持向量機進行診斷。有學者從振動信號診斷、聲波信號診斷、振動和聲波聯合診斷等幾個方面進行了深入的研究。
近些年，關於高壓斷路器故障診斷主要研究的熱點和重點在於對採集到的振動信號進行分解，提取特徵向量，進而設計智能診斷算法，並將其投入應用。在處理信號方面，給出了如小波包變換法、包絡分析法、數理統計法等，有學者提出了一種基於數理統計的方法，通過分析採集到的振動信號，使用標準差作為特徵參數，將機械狀態的振動信號量化處理。由均值和標準差確定各個狀態的置信空間，比較待診斷振動信號在各個振動狀態置信空間的置信度來得到振動狀態的分類結果。
有學者探索了小波變換與小波包變換分析採集到的振動信號的區別，使用小波包變換提取特徵向量。得到特徵向量之後，通過智能算法建立診斷模型來處理斷路器的運行數據，從而對其工作狀態進行評估。
支持向量機（Support Vector Machine, SVM）、反向神經網絡（Back Propagation Neural Network, BPNN）、決策樹（Decision Tree, DT）、樸素貝葉斯（Naive Bayes, NB）等經典分類方法在斷路器故障診斷模型的建立中得到了廣泛的應用，有學者介紹了支持向量機的基本原理，提出了基於小波包和熵理論的振動信號特徵提取方法，並與傳統的神經網絡作對比，證明了支持向量機的效果優良。
有學者以真空斷路器的機械特性作為訓練與識別樣本，為了規避傳統神經網絡需要大量樣本才能保證分類準確率的不足，提出了基於自組織映射（Self Organizing Map, SOM）的機械故障診斷方法。通過提取正常與故障狀態下斷路器的機械特性，並將其輸入至SOM網絡中進行故障區分，經實驗證實有良好的故障識別能力。
有學者運用決策樹對保護或斷路器的不正確動作進行反向追蹤，給出故障原因。有學者提出一種將貝葉斯網絡與非精確狄裡赫雷模型相結合的故障概率估計方法，為小樣本情況下斷路器機械機構的狀態檢修提供了依據。有學者提出了基於多重支持向量域描述的故障診斷方法，增強了分類器在故障類別不完備時進行診斷的適應性。
現有診斷方法的基本原理是對被檢測對象進行建模，對採集到的信號進行分析，從時域、頻域、時頻域以及數理統計方面進行特徵描述，構建特徵空間，進而在得到的特徵空間中對被檢設備進行分析和判斷。
故障診斷精確度往往會受到多方面的影響：一是算法本身應用的局限性，二是對被檢系統認識不足，難以精確地建立系統的模型，構建的特徵空間往往維度過高，冗餘成分過多。
高壓斷路器由大量電氣設備和機械設備構成，在其動作的過程中，其內部各個部件相互影響、相互關聯，並與外部環境相互作用，採集到的振動信號含有大量噪聲和不確定性，導致構建的特徵空間過於龐大，因此有必要對原始特徵空間進行降維，高壓斷路器是一個典型的多變量、強耦合、非線性系統，而常用的降維方法如主成分分析法（Principal Component Analysis, PCA），往往是採用線性降維的原理，使用其處理高壓斷路器的特徵空間易造成非線性成分的丟失，影響故障診斷效果。
北京航空航天大學自動化科學與電氣工程學院、江蘇省電力公司電力科學研究院的研究人員，對基于振動信息的高壓斷路器機械故障診斷定位展開研究。針對SF6高壓斷路器六種典型工況：正常、合閘彈簧疲勞、分閘彈簧疲勞、傳動軸阻尼、油緩衝器漏油、地腳螺栓鬆動，提出了一種基于振動信號進行分析，核主成分分析法（Kernel PCA, KPCA）與SoftMax結合的診斷方法。
其中，KPCA降維法是PCA的非線性推廣，用於非線性信號的降維處理，SoftMax（柔性最大）多分類器，更客觀地衡量了各個工況的發生概率，在分類原理上有其優勢。文中採用對比實驗的方式說明了KPCA-SoftMax故障診斷方法對預防斷路器故障具有重大價值和實際意義。
研究人員最後得到如下結論：
1）發現合閘振動信號屬於局部突變的非平穩信號，使用時頻能量比的特徵描述技術進行分析，可以有效區別不同的工況，設計了一套可靠採集的高壓斷路器振動信號的檢測裝置。2）使用KPCA進行特徵空間重構降維，可以去掉多餘不相干的成分，獲取有效特徵用於診斷分類。相對於原始特徵空間，診斷準確度提高了6.63%，取得了高精度分類診斷結果。3）提出了一套有效的基於KPCA特徵空間重組和SoftMax故障定位的診斷方法，即振動信號檢測、特徵分析提取、特徵變換以及診斷，通過對比不同故障分類方法的診斷準確度，發現SoftMax的診斷效果良好，均值為91.76%，性能最穩定，方差為2.20%，實現了對高壓斷路器故障的辨識，為高壓斷路器故障診斷提供了思路。以上研究成果發表在2020年《電工技術學報》增刊1，論文標題為「基於核主成分分析-SoftMax的高壓斷路器機械故障診斷技術研究」，作者為王昱皓、武建文、馬速良、楊景剛、趙科。