万能式断路器是低压配电网中的保护和控制设备,其健康状态对配电系统的性能、稳定性有着巨大的影响。对其进行故障诊断,可及时发现故障隐患和故障趋势,有助于维修人员及时掌握断路器各部件的健康状态,制定维修策略,实现预知性维修。随着深度学习理论的发展,从数据本身自主学习故障特征的思想为断路器故障诊断方法提供了新思路。卷积神经网络作为深度学习中最重要的模型之一,其对数据强大的表征能力,使得卷积神经网络在区分故障类别等问题上具有很强的优势,摆脱了传统故障诊断方法对人工特征提取和专家经验的依赖,为万能式断路器故障诊断领域开辟了广阔的发展前景。基于此,本文针对万能式断路器分合闸操作附件和触头系统开展了故障诊断技术的研究。首先,详细阐述了万能式断路器基本结构和工作原理,分析了分合闸操作附件和触头系统常见故障类型以及故障原因;并对不同机械状态进行模拟试验,设计并构建故障信号采集系统;通过分析选取分合闸线圈电流和触头振动信号分别作为分合闸操作附件和触头系统的故障特征信号。此外,针对触头振动信号的时频分析方法,通过对比选取时频分辨率更高的连续小波变换对振动信号进行时频变换。然后,针对万能式断路器分合闸操作附件线圈回路采用交流供电方式,使得线圈回路合闸相角的随机性会导致同一运行状态下电流信号存在差异,提出一种基于第一层宽卷积核自适应一维深度卷积神经网络（AW-1DCNN）的故障诊断方法。相较于传统故障诊断方法中存在人工特征提取与故障分类两个阶段,该方法将两者合二为一。将原始的线圈电流信号作为AW-1DCNN模型的输入对模型进行训练,最大化的发挥模型自动学习原始信号特征的优势,能够有效克服合闸相角变化对故障诊断结果的影响并且提高了故障诊断的精确度。最后,为消除因人工提取特征带来的参数预定义影响,实现快速特征提取的同时提高诊断效果,本文针对触头系统常见故障,将振动信号转化为时频图像作为研究对象,提出一种用于触头系统故障诊断的二维卷积神经网络故障诊断方法。该方法将连续小波变换的时频分析方法与改进的Alex Net卷积神经网络模型相结合实现了触头系统故障诊断。为提高模型的故障诊断识别率和稳定性,分别对Alex Net网络结构、参数以及优化算法进行改进。实验结果表明,改进后的Alex Net网络模型具有更高的故障识别率,且网络模型也更加稳定。