游梁式抽油机采油系统属于有杆泵采油,是目前国内外油田主要的采油方式。由于抽油泵工作在数千米的井下,工况十分复杂,工作环境极其恶劣,故障发生率很高。示功图可以真实地反映井下的实际工作状况,是油田生产中分析井下工况的主要手段。油田生产中主要以人工分析为主,根据结论判断停井修井还是调整油井生产参数,但是这种人工检井的方式很难做到实时监测,不能保证油井处于稳定的、高效率的连续生产中。因此,实现油井井下工况的实时监测和分析,采用及时的措施改善生产,对提高抽油井的生产效率具有十分重要的意义。随着计算机通信和人工智能技术的不断进步和对抽油井生产自动化要求的不断提高,实现基于示功图的井下工况的计算机诊断,由计算机取代人对抽油井井下工作状况进行实时监测是非常有意义的。可以根据井下工况及时调整生产参数以及对故障进行预警,从而保证采油作业安全、稳定、高效的运行。本文以游梁式抽油机井下故障的计算机诊断为研究背景,以提高示功图诊断的全面性和准确性为目标,对示功图的特征提取方法、故障定位方法和由图形不规则引起的不确定性问题等进行了更深入的研究。主要研究工作如下：针对故障图形的多样性和不确定性,采用了更为细化的特征提取方式,结合油田生产中人工分析的“四点”法,将图形分为4个部分,每个部分体现了抽油泵工作的不同状态；采用曲线矩理论计算每一条曲线的7个不变特征矩,从而“放大”曲线的局部特征；由28个不变曲线矩特征向量表达示功图的特征,在进行分类时更能体现不同图形的差异。采用了支持小样本训练的支持向量机(Support Vector Machine, SVM)方法作为分类器,同时采用粒子群算法(Particle Swarm Optimization, PSO)优化误差惩罚参数C和核函数参数g。人工诊断示功图是一种定性分析的过程,而计算机的诊断则是一种定量分析的过程。示功图图形的不规则性使得故障类型和图形特征之间存在着不确定性关系,单纯的“是”和“非”来进行故障诊断存在一定的局限。只有采用定性和定量相结合的方式,才能得到较为客观的诊断结论。针对这一问题,提出了基于物元可拓理论的井下工况的诊断方法,从定性和定量两个角度同时出发,由28个不变曲线矩特征向量构造各故障类型的物元模型,特征向量的特征值为一个区间(由训练样本确定),通过计算待诊断样本与各故障类型的关联度得到其相对于各类型的发生程度。提出了基于Freeman链码和指定元分析的井下多故障诊断方法。Freeman链码通过提取数据点变化的曲率,可以更形象的表达曲线的走势。仔细分析典型故障类型的示功图,发现它们都具有一些明显的特征,各种故障的发生一般可以表达为这些明显特征发生了异常。对此,通过分析典型故障示功图的特点,将相关的典型特征发生的程度作为特征向量。根据理论知识和人工经验,建立了典型故障类型的指定元模式集,首先由正常样本确定各模式集上的上下控制限,然后将待诊断样本向各模式集进行投影,如果投影点落于上下控制限之间,认为没有发生该类型故障,反之,则认为发生了异常。为了解决有监督学习依赖训练样本的不足,本文提出了基于改进模糊ISODATA的动态聚类算法,使数据通过一种自我学习的方式,发现全局分布模式和数据属性之间的关系,实现各故障类型数据的自动聚类。由Hsim相似性函数取代欧式距离,解决计算高维数据间的距离时存在的不足；为了确定最佳分类数,避免穷举搜索的方法带来的巨大运算量,且不能保证得到全局最优解,引入“合并”和“分裂”机制,实现聚类数目的动态修正,通过分析“两分类间最小距离(Md)”参数、聚类数目(c)、有效性指标(XB)和准确率之间的关系,采用具有全局最优求解的模拟退火(Simulated Annealing, SA)算法,通过搜索最优的Md和XB,可以得到满意的聚类结果。单一的诊断方法可能会造成误诊断的情况,为了提高诊断结论的准确性和全面性,采用基于D-S证据理论的多专家集成诊断,将不同方法的诊断结论进行融合决策。所存在的一个重要的问题就是对冲突结论的合成。对此,提出了基于权重优化的证据合成方法,首先提出了一种证据间支持度的计算方法,并由其计算证据的可信度；然后采用AM衡量证据的不确定度,并利用负指数函数来抑制不确定度,使证据变得清晰；最后由证据的可信度和不确定度计算各条证据的权重,并根据Dempster组合规则进行合成。为了避免产生可信度小而证据权重大的情况,给出了约束条件,认为证据的可信度大权重就大,从而保证证据合成的结果是合理的。通过一个实例验证了所提出的集成诊断方法所得到的诊断结论是可靠的。