压裂装备是石油化工行业能源生产过程中重要的开采设备之一,泵注系统是压裂装备作业的核心运转部位,其主要作用是将压裂液高压注入地下油层以提高原油开采率。压裂装备一般工作在野外,泵注系统工作载荷大、工况多,长时间运行下故障时有发生。故障若不能被及时发现,会引发事故并造成巨大经济损失。因此,开展泵注系统故障诊断对提高压裂作业的安全性与经济性具有重要意义。泵注系统结构复杂,内部振源多,作业现场有较强的噪声,应用传统故障诊断方法难以精确提取故障的本征特征,无法快速而准确的识别泵注系统早期故障。在此基础上,本文开展了泵注系统智能故障诊断方法研究,主要研究内容如下:（1）对压裂装备泵注系统的具体结构以及工作原理进行了分析,研究了泵注系统常见故障的主要形成原因,分析了采用传统的信号处理方法对泵注系统进行故障诊断所面临的一些问题。（2）针对泵注系统动力端轴承早期故障信号冲击特征不明显,故障特征频率易被振动固有频率掩盖的问题,提出了一种基于鲁棒局部均值瞬态提取变换的滚动轴承早期故障诊断方法。使用软筛分停止准则以及直方图统计理论对局部均值分解进行优化,极大地减少了滚动轴承故障信号模态分解过程中产生的无意义分量,同时使用集体延迟算子对相关分量进行能量的重分配,增强了重构信号中的瞬态冲击特征。包络分析结果证明该方法能够有效强化轴承的故障特征,诊断早期故障能力强。（3）针对泵注系统液力端故障信号时频特征分辨率较低、时频能量易分配不均的问题,提出了基于改进多重同步挤压变换（IMSST）的液力端故障诊断方法。通过调整时频系数的舍入条件,有效缓解了MSST等方法处理信号过程中能量系数的重分配紊乱问题,在高效挤压离散时频能量的同时减少了时频带之间的交叉干扰。特征提取结果表明,该方法能够精准捕捉泵注系统作业过程中的振动频率变化特征,提高了泵注系统液力端故障诊断精度。（4）针对泵注系统故障信号特征频率繁杂,故障特征难以识别的问题,提出了一种基于深度脊波卷积自编码网络的故障诊断方法。在深度自编码器的基础上使用脊波函数改进Sigmoid函数,结合一维卷积神经网络（1D-CNN）权值共享的思想构建出脊波卷积自编码器,堆叠形成了深度脊波卷积自编码网络模型。使用IMSST等时频分析方法预处理信号所获取的故障样本对模型进行了训练与测试,实验结果证明,该方法能够高效学习数据潜在特征,提高了泵注系统故障识别正确率。