我国石油资源进入开采后期,有杆泵采油系统通常存在抽油机大马拉小车的问题,导致抽油机能耗大、效率低。因此,研究了一种新的抽油机智能控制系统,将深度学习神经网络引入其中,从而有效改善抽油机工作状况。本文首先通过调研分析国内外抽油机的研究现状,对抽油机的工作特点进行分析,建立了抽油机智能控制系统总体结构。通过传感器采集抽油机的悬点载荷和位移,将其转换为示功图。然后通过卷积神经网络对示功图进行分类,得到抽油机不同的工况。为了提高卷积神经网络的性能,采用了粒子群算法对卷积神经网络的卷积核、学习速率、迭代次数等进行优化。抽油机工况识别完成后,针对不同工况,对电机转速进行控制。建立三层RBF神经网络,将电动机的电压和电流、抽油机的冲程和冲次、抽油泵的泵径等参数作为RBF神经网络的输入。采用自适应调整算法确定RBF神经网络隐含层中心参数。通过对采油参数样本进行训练和学习,实现对抽油机转速的精确控制。最后,对抽油机智能控制系统进行仿真及实验。在MATLAB上对所建立的神经网络模型进行仿真,卷积神经网络能够对10种工况进行分类,准确率达到了94%;当RBF神经网络最大训练误差设置为0.0001时,对2000组训练样本的训练精度达到了92%。对CYJ3型抽油机进行室内实验,在模拟供液不足和气体影响两种工况下,经过神经网络控制后,抽油机的工作状态得到改善。因此,该系统的有效性得到验证。该系统将在数字化油田具有较高的实用价值和广阔的应用前景。