目前,深度学习技术应用非常广泛,而且在各个领域中都取得了瞩目的效果,LSTM神经网络就是其中之一,其利用自身超强的时序预测能力得到了很多学者的青睐。LSTM是循环神经网络的变体,弥补了RNN的梯度消失、梯度爆炸、长期记忆能力不足等问题,能够真正有效地利用时序信息。本文基于LSTM神经网络模型用于预测问题上的优势,将其应用到抽油机井实时故障检测的实际问题中,解决因井下故障造成油田生产损失的问题。首先,对神经网络特征提取算法的理论和LSTM神经网络模型进行了研究,为进一步的应用研究奠定了理论基础;对抽油机井的示功图的特征进行了分析,总结出了抽油机井常见故障的示功图特点。其次,故障检测的目标是示功图,示功图特征提取的好坏会影响最终的检测结果。基于此,提出一种利用BP神经网络降维提取示功图特征的整体性方法,这种方法将示功图看成由离散点构成的图形,然后从示功图图形整体的角度进行示功图特征的提取,利用神经网络的工作原理,逐层抽象,将高维特征抽象出低维特征,从而提取出示功图的特征。这种方法的好处是提取出的示功图特征非常具有代表性。第三,分析了LSTM神经网络模型在预测问题上的应用,提出了基于LSTM神经网络模型的抽油机井实时故障检测方法。该方法在特征提取算法的基础上,通过使用LSTM神经网络模型对示功图特征进行一步预测,然后对无故障的示功图特征利用箱线图方法制定无故障发生的区间值,接着将一步预测的结果与区间值比较,完成故障的检测。最后,对上述提出的方法与已有的回归模型进行预测结果的对比,验证了基于BP神经网络的特征提取的和基于LSTM神经网络的抽油机井故障检测的方法的有效性和可行性。