1、眾所周知，石油資源是我們?nèi)祟愘囈陨婧桶l(fā)展的物質(zhì)基礎(chǔ)。原油生產(chǎn)過程中普遍使用抽油機，但大多數(shù)抽油機工作在無人值守的狀態(tài)下，井下工況復雜，負荷隨著抽油過程不斷發(fā)生變化，導致抽油機經(jīng)常發(fā)生故障，影響到油田的產(chǎn)量和效益。本文針對目前抽油機故障診斷準確率不高、智能性不強的問題，提出了一種基于智能型的BP神經(jīng)網(wǎng)絡(luò)的示功圖故障診斷研究方法。
　　首先，本文對抽油機示功圖故障診斷的國內(nèi)外研究現(xiàn)狀進行了簡單介紹。從中國石油天然氣集團公司的油氣生產(chǎn)

2、物聯(lián)網(wǎng)系統(tǒng)（A11）項目中學習到了正常示功圖和20種主要故障示功圖類型。將從系統(tǒng)中得到的20種抽油機示功圖故障類型圖作為BP神經(jīng)網(wǎng)絡(luò)訓練的教師信號。
　　其次，在對相關(guān)基本原理學習的基礎(chǔ)上，結(jié)合油田實際采油過程，建立了抽油機示功圖故障診斷模型。該模型分為三個步驟：第一步是利用相應的傳感器進行基礎(chǔ)數(shù)據(jù)采集。第二步是由每個抽油機配備的示功儀繪制示功圖。第三步是示功圖故障診斷方法解析，也是本文的主要研究內(nèi)容。
　　最后，重點進行示

3、功圖故障診斷方法解析，本文將其分為三個階段：第一個階段是選取形狀不變矩和傅里葉描述子相結(jié)合的新方法進行示功圖特征參數(shù)提取，二者結(jié)合，提高了運行速度、降低了計算量，對圖形旋轉(zhuǎn)、尺度及平移的不變性表現(xiàn)穩(wěn)定；第二個階段是進行示功圖故障診斷分類識別，針對BP神經(jīng)網(wǎng)絡(luò)訓練的缺點，采用迭代學習控制優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，使得該算法綜合性能好，縮短了訓練時間、提高了訓練速度，并具有識別準確率高、泛化能力強的特點，克服了傳統(tǒng)方法需要人工提取特征和網(wǎng)絡(luò)易

4、陷入局部最小的缺點；第三個階段是將識別結(jié)果與專家診斷法的診斷結(jié)果及斜率診斷法的診斷結(jié)果進行對比，若診斷結(jié)果一致則可確定故障類型，若不一致，則需要重新進行識別判斷。得出最終的診斷結(jié)果。利用MATLAB軟件進行模型訓練仿真實驗。從測試過程和結(jié)果看出本文診斷方法性能具有一定優(yōu)勢，相同測試樣本情況下，識別時間相對支持向量機識別方法提高約9ms，診斷的準確率也有大幅提高。本文提出的方法非常適于油田大量示功圖的實時故障診斷。彌補了現(xiàn)有的診斷方法的不