目前,智能算法已被广泛应用于抽油机井故障诊断领域。现有的大部分诊断模型均是基于实测示功图建立的。由于示功图测量精度差、测量成本高等不足,大部分基于示功图建立的诊断模型实际应用效果并不理想。由于从电参数中提取的故障特征可分性不强,基于电参数的诊断效果依旧不理想。因此,对基于电参数抽油机井故障诊断技术的研究具有重要的工程意义和经济价值。针对目前研究中存在的问题及不足,本文的研究主要有以下几个方面:通过对抽油机井系统各个部分进行研究分析,建立了多种工况下的泵功图、示功图以及电功率曲线的仿真模型。并利用该模型获得各种工况下的电机输入功率曲线及对应的悬点示功图,建立基于系统动态仿真的训练样本库;建立地面机械的运动分析仿真模型及动力学仿真模型,根据地面节点力能参数关系,分析反演示功图的影响因素与影响敏感程度。分别从两个技术路线建立了基于电参数与示功图对应关系样本库,建立示功图智能反演模型和基于径向基改进的阈值拟合法反演示功图解析模型。并利用测试数据对两个模型进行分析比较,使用实测数据验证模型精度;建立样本数值特征提取模型,根据样本数据特点及应用条件,合理提取样本的数值特征。绘制电功率曲线与悬点位移图,并将该图与示功图生成二值图像,通过建立图形特征提取模型提取二值图像的图形特征。对样本曲线进行小波包分解,将时域信号转换到时频域,然后提取时频特征参数。最后,对提取的特征参数进行主成份提取,获得最终的特征样本;分别建立相似性测度分类器,BP神经网络分类器,RBF神经网络分类器,并对神经网络分类器进行结构参数优化。根据各分类器诊断特点及结果,建立多种分类器并行识别的工况识别模型。并利用实测数据对各个分类器以及总的工况识别模型进行精度验证。