1.一种自适应调整的高压断路器诊断系统，包括互相通信连接的感知层、网络层和应用层，其特征在于：所述感知层包括传感单元和数据传输单元，所述感知层用于实时采集高压断路器的多维信号数据并发送至所述网络层，所述网络层包括网关装置，所述网络层用于接收所述感知层采集到的多维信号数据并转发至所述应用层，所述应用层包括可视化平台，所述应用层内置自适应故障诊断算法，所述自适应故障诊断算法包括如下步骤：S1、对感知层采集的多维信号数据采用CEEMDAN算法结合自适应小波阈值去噪法进行自适应去噪；S2、将去噪后的多维信号数据进行同一化处理，并组合成多维特征向量作为样本数据；S3、将步骤S2中组合成的样本数据输入提前训练好的基于自适应学习率和Nesterov动量的自适应故障诊断模型，获得最终诊断结果；所述自适应故障诊断模型的训练方法包括如下步骤：B1、人工模拟高压断路器的各种故障类型，通过感知层采集多维信号数据，并进行自适应去噪处理；B2、将多维信号数据进行同一化处理，并组合成多维特征向量，随机选择其中90%作为训练样本数据，剩余10%作为测试样本数据；B3、构造卷积神经网络CNN模型，并对权重、偏置量和卷积核大小参数进行初始化，其中，在卷积层和池化层之间设置归一化层，用于加快训练速度，所述归一化层的公式如下： ,式中： 和 分别是第l层的输入和响应输出，m是批量归一化的样本数， 和 分别是针对每一个特征映射图的缩放和平移的参数；B4、将步骤B2中的训练样本数据输入到步骤B3中的CNN模型中，利用自适应学习率和Nesterov动量法对CNN模型进行训练；B5、将步骤B2中的测试样本数据输入到步骤B4训练后的CNN模型中验证诊断性能；B1过程中，人工模拟高压断路器的各种故障类型至少包括：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；所述自适应学习率用于解决网络收敛速度加快时产生的过拟合现象，所述自适应学习率的具体规则如下：误差变化率 ，式中，err（q）为第q次训练的误差；第q次训练的学习率 ，式中，ɑ为阈值因子，ɑ∈（0,0.2），δ为惩罚因子，用于防止学习率变化过快，δ∈(0,0.1)；所述Nesterov动量法用于调节随机梯度下降法的动量梯度下降速度，其公式如下： ，式中，d i 和d i-1 分别是第i次和第i-1次的更新方向，β为修正因子，β∈（0,1），η为学习率，g（θ）表示目标函数在θ处的梯度。
2.根据权利要求1所述的一种自适应调整的高压断路器诊断系统，其特征在于：所述多维信号数据包括高压断路器的分合闸线圈电流信号、操动机构处的振动信号和动触头的行程曲线信号。
3.根据权利要求2所述的一种自适应调整的高压断路器诊断系统，其特征在于：所述传感单元包括安装于分合闸线圈处的霍尔电流传感器、安装于操动机构横梁处的加速度传感器和安装于传动机构上的位移传感器。
4.根据权利要求1所述的一种自适应调整的高压断路器诊断系统，其特征在于：所述高压断路器诊断系统的通信方式采用LoRa无线通信。
5.根据权利要求1所述的一种自适应调整的高压断路器诊断系统，其特征在于：所述自适应去噪法具体包括如下步骤：A1、运用CEEMDAN算法将信号分解成一系列IMF分量;A2、采用连续均方误差准则确定含噪声较多的高频IMF分量;A3、采用自适应小波阈值去噪方法对含噪声较多的高频IMF分量进行去噪处理，其中，采用自适应小波阈值： ，式中：N为信号长度，r 1,2 为分解信号与源信号的相关系数， ， 为小波系数，M为经验常数;A4、将去噪处理的IMF分量和未去噪处理的IMF分量进行重构，获得联合去噪方法去噪后的信号。
