1.一种高压断路器故障诊断系统，其特征在于，该系统包括：数据采集模块、数据传输模块、控制模块、数据处理模块以及故障数据库；其中，所述数据采集模块包括：振动监测传感器、电流传感器和角度传感器，所述振动监测传感器固定安装于高压断路器的合闸电磁铁附近以及分闸电磁铁附近或操动机构横梁中的一处，所述振动监测传感器用于采集多种状态下高压断路器合闸过程中的振动信号，所述电流传感器用于监测高压断路器合闸线圈的电流信号，所述角度传感器固定安装在高压断路器的分合闸指示针上，所述角度传感器用于采集高压断路器的动触头行程曲线；所述数据传输模块用于将数据采集模块所采集的模拟信号转化为数字信号，并通过无线传输方式与数据处理模块建立通信；所述控制模块包括高压开关测试仪，所述高压开关测试仪与高压断路器电性连接，所述高压开关测试仪用于下达分合闸操作指令；所述数据处理模块包括数据处理终端，所述数据处理终端内置机器学习算法，所述机器学习算法用于通过结合所述数据采集模块监测到的振动信号和机构动作时间参数建立高压断路器故障诊断模型，所述故障数据库存储有高压断路器的故障信号，在出现新的故障数据代码的时，故障数据库自动进行迭代和更新。
2.根据权利要求1所述的一种高压断路器故障诊断系统，其特征在于：所述振动监测传感器为加速度传感器，所述加速度传感器的采样频率为10kHz。
3.根据权利要求2所述的一种高压断路器故障诊断系统，其特征在于：所述数据采集模块以合闸线圈电压为触发源，持续工作300ms，所述数据采集模块的采集指令结束以控制模块的指令为准，所述控制模块在数据采集完成后需及时停止数据采集模块的部分工作，所述数据采集模块内还设置有边缘网关，所述边缘网关用于采集计算常规信息，及在运行状态下的高压短路其基本信息，边缘网关用于降低控制模块的计算量，通过边缘网关增加故障响应时间。
4.根据权利要求3所述的一种高压断路器故障诊断系统，其特征在于：所述振动监测传感器的多种状态包括：正常运行状态和多种故障状态，且多种故障状态至少包括：基座螺栓松动故障状态、缓冲弹簧疲劳故障状态、传动机构故障状态和合闸弹簧疲劳故障状态，所述基座螺栓松动故障状态、缓冲弹簧疲劳故障状态、传动机构故障状态和合闸弹簧疲劳故障状态，对应存在多个显著区别特征代码。
5.根据权利要求4所述的一种高压断路器故障诊断系统，其特征在于：所述多种故障状态均为人工模拟的故障状态，具体模拟方式为：拧松基座螺栓以模拟基座螺栓松动故障状态；拆除缓冲弹簧以模拟缓冲弹簧疲劳故障状态；缩短传动杆的长度以模拟传动机构故障状态；减小合闸弹簧的预应力以模拟合闸弹簧疲劳故障状态。
6.根据权利要求1-5任一项所述的一种高压断路器故障诊断系统，其特征在于：所述数据处理终端内置机器学习算法具体包括以下步骤：S1、根据所述数据采集模块采集到的多种状态下高压断路器合闸过程中的振动信号提取出各个时间段的特征向量作为检测数据；S2、对步骤S1中提取的不同时间段特征向量进行预处理，对于不同时间段所产生的的电流信息、电压信息和合闸触头行程信息进行采集记录，并且进行多次模拟且完全模拟该部件损坏情况下的这些信息并记录进入数据库中，并且将不同时间相似数据进行对比标记，检测数据作为故障参考数据；S3、根据步骤S2中预处理后的各个状态的特征向量，通过对多种信号进行多源数据融合诊断是否存在故障，将已有的故障参考数据与故障类型进行对应关联，训练出已知故障的诊断模型；S4、运用单分类算法将已标记状态看作一类，训练出未标记故障识别模型，将已标记的不同时间段的数据进行多源数据融合诊断。
7.根据权利要求6所述的一种高压断路器故障诊断系统，其特征在于：所述步骤S1中，所述特征向量的提取方法具体为：以高压断路器的合闸开始时间和合闸结束时间为分界点，将高压断路器的振动信号通过平均时间进行分段，分别计算每个时间段对应的电流、电压和合闸触头行程信息作为信号能量熵，将每段信号的能量熵分别进行数据监测分析作为数据集，将某个高压断路器的时间分界点内的数据集组合在一起作为特征向量。
8.根据权利要求6所述的一种高压断路器故障诊断系统，其特征在于：所述步骤S2中，所述预处理方法为数据过采样方法；所述数据过采样方法包括以下步骤：S1：输入不平衡的据集为A，少数类集合为B，多数类集合为C，其中，设集合B＝{b1,b2,...,b pnum }，C＝{c1,c2,...c nnum }，式中的pnum和nnum分别是少数类样本数量和多数类样本数量；将数据集A随机划分为60％的训练集和40％的测试集；S2：对训练集中的少数样本聚类后得到规模都各不相同的少数类集群d1,d2,d3,d4，...dn和噪声集群N，并且得到每个集群的成员隶属度矩阵wij，0＜i≤m，0＜j≤|ci|；删除噪声集群N并计算剩余少数类样本总数:Nmin＝pnum-|N|；S3：计算上述步骤中的每个少数类集群中需要合成的样本数量；S4：根据需要合成的样本数量对相应少数类集群自适应地合成新的样本，得到新的少数类数据集合e1,e2,...em。
