有杆泵抽油系统是原油开采的主要设备,由于自身结构限制和周围环境影响,故障率较高。悬点示功图是抽油系统进行故障诊断的依据,而长期实测示功图维护成本高,并存在数据漂移现象。因此本文对基于智能学习的电参数间接测量示功图展开了以下研究:基于不同工况条件下抽油杆柱纵向振动的仿真模型,建立了悬点示功图与抽油机扭矩系数曲线、悬点载荷扭矩曲线对应关系的仿真模型。通过大量仿真计算,建立了不同工况条件下悬点示功图与抽油机扭矩系数曲线、悬点载荷扭矩曲线对应关系样本库,为基于智能学习的示功图反演模型提供了训练样本。综合考虑抽油机的平衡方式、传动效率和运动件惯性的影响,依据系统能量平衡关系,建立了基于实测电动机输入功率的悬点载荷扭矩模型,为基于智能学习的示功图反演模型提供了测试样本。针对BP神经网络存在收敛速度慢、易陷入局部最小值的不足,利用PSO粒子群算法优化BP神经网络的权值和阈值。同时选择悬点载荷扭矩、扭矩系数的曲柄转角序列作为网络模型的输入参数,建立了基于PSO-BP神经网络的示功图反演模型。反演结果表明,基于PSO-BP神经网络的示功图反演模型具有较高的反演精度。为进一步提高示功图反演模型的精度,将GA遗传算法中遗传操作引入到PSO粒子群算法中,建立了GA-PSO混合算法,并优化ELM极限学习机的权值和阈值,建立了基于GA-PSO-ELM的示功图反演模型。同时选择悬点载荷扭矩、悬点载荷扭矩一阶导数、悬点载荷扭矩二阶导数和扭矩系数的曲柄转角序列作为网络模型的输入参数。反演结果表明,基于GA-PSO-ELM模型的示功图反演结果与实测示功图高度吻合,能够满足工程实际应用的要求,为基于示功图的故障诊断提供数据支持。