油田中使用最广泛的机械式抽油机发生故障将会对油田的生产产生不可估量的经济影响,甚至可能产生人员安全事故。因此对抽油机的工况进行监控与诊断是十分必要的。抽油机故障诊断面临的难点在于抽油机的故障种类繁多,且其属于复杂的控制系统,这些因素都增加了故障诊断难度。为了提高支持向量机的故障诊断分类识别的准确度,本文采用蚁群算法优化支持向量机的关键参数,并搭建了基于混沌-懒蚂蚁算法优化支持向量机的抽油机工况故障诊断系统。主要内容如下:首先,针对抽油机的不同故障特征进行梳理,并研究了各种运行状态下的示功图特征。针对得到的示功图进行图像预处理使其成为边界最大区域填充图。在进行示功图特征提取时,为了更有效地使小波不变矩算法快速且无损地提取示功图特征值,本文在小波变换中融入Mallat算法进行优化,提出一种基于空间域归一化小波不变矩算法。通过优化后小波不变矩对抽油机示功图进行局部和全局的特征提取后建立典型示功图的样本库以供支持向量机进行故障分类识别。其次,在明确SVM的工作原理后,仔细研究了蚁群算法并用其调整SVM的惩罚系数以及核函数参数。传统的蚁群算法简单有效但易陷入局部最优解,为此通过引入懒蚂蚁策略,在蚁群算法停滞后利用懒蚂蚁再次更新信息素从而使蚁群获取新的路径。同时,为了进一步降低蚁群算法出现局部最优解的问题并提高蚁群算法普通蚂蚁个体在寻优初期的搜索速度,本文用混沌初始化和混沌扰动构建混沌-懒蚂蚁算法。并在混沌策略中对混沌搜索变量进行优化,使其可以随着蚁群算法的不断进行动态调整混沌搜索半径,在保证搜索精度的基础上加快算法收敛速度。最后,验证了混沌-懒蚂蚁优化的SVM相较于传统蚁群算法和改进粒子群算法优化的SVM能显著提高分类识别准确率,同时还能降低支持向量机的分类识别时间。验证了理论方法的有效性后,本文搭建了基于混沌-懒蚂蚁支持向量机的抽油机故障诊断系统,并介绍了关键硬件电路及软件的设计方法。通过采取大庆油田某厂区抽油机井的测试数据作为检验该故障诊断系统的样本数据。实验结果表明本文提出的故障诊断系统具有较高的故障识别准确率,可以稳定地运行。