抽油机是开采石油的一种机械设备,通过抽油杆的抽汲作用把油抽上来。目前抽油机故障诊断技术的研究热点是基于智能算法的故障诊断方法,本文研究了两种基于智能算法的故障诊断方法,并将其应用到抽油机的故障诊断中,具体完成了以下工作:将可拓神经网络用于抽油机的故障诊断,该方法即充分利用了可拓学定性描述和定量描述的优点,又考虑了神经网络并行结构的特点。对传统遗传算法进行了改进,提出一种自适应遗传算法。采用杂交概率和变异概率自适应算法,即在进化过程中根据种群的实际情况,随时调整大小。该算法能够有效克服BP算法陷入局部极值的缺点,同时算法收敛速度大大提高,训练成功率高。利用遗传算法的全局搜索能力,对建立的可拓神经网络的权值进行优化。在优化过程中利用可拓神经网络输出的正确次数与可拓神经网络输入的样本总数的比值作为适应度函数,染色体根据物元的节域进行实数编码。最后将自适应遗传算法优化的可拓神经网络用于抽油机的故障诊断仿真研究,取得了满意的效果。将人工免疫算法与遗传算法相结合,提出一种免疫遗传优化算法。该算法既保留了遗传算法的搜索速度、全局和局部搜索能力,没有降低遗传算法的鲁棒性,同时克服了遗传算法收敛方向难以控制以及由于交叉搜索导致局部搜索效率低的缺陷,又在很大程度上避免了未成熟收敛现象。根据抗体相似时,距离小,亲和度大的特点提出一种基于抗体矢量距离的亲和度计算方法,这种方法不但计算简单,而且没有需要凭借经验调节的参数。在抗体的促进和抑制环节增加基于密度的调节因子,既保留了优秀抗体,又保证了抗体的多样性,可以避免未成熟收敛现象。用该算法来优化RBF神经网络的隐层中心,能够克服RBF神经网络学习效率差的特点,同时提高其逼近精度,而且克服了传统算法需要预先指定隐层节点数或通过大量实验获得节点数的缺点。将优化后的RBF神经网络用于抽油机的故障诊断,取得良好效果。