石油是工业生产和日常生活中应用广泛的能源之一,在能源领域占有重要地位,作为一种天然能源,石油开采所用的抽油井工作环境恶劣,经常会出现故障,轻则影响石油产量,重则会造成严重的人员伤亡和财产损失。因此抽油井安全且高效地运行对石油开采意义重大,而油井安全的关键是抽油机故障的准确识别。在抽油机故障识别上,以示功图为依据是目前普遍采用的手段。现有的方法大部分以对示功图提取特征后进行故障分类为主要途径,这类方法的识别精度对特征提取有较强的依赖性;卷积神经网络以其特征提取与分类为一体的优势在故障诊断领域得到了广泛应用,采用卷积神经网络进行抽油机故障诊断有重要意义。本文以抽油机中使用最广泛的有杆式抽油机为研究对象,以辽河油田中油井的实际采集数据为基础,现场使用WIA-PA无线示功仪采集数据并绘制井上示功图。针对抽油机井上示功图与井下泵功图在反映抽油机井下部分运行状态上存在的差异性,基于Gibbs波动方程,将井上示功图转换成井下泵功图,对泵功图进行数据预处理和数据集扩充,构建了WPD油井故障诊断数据集。在卷积神经网络类型选择上,对比多种常见的卷积神经网络模型,选择GoogLeNet网络结构进行抽油机故障诊断,并修改GoogLeNet网络结构的激活函数、归一化层、全连接层、学习率、Dropout层等重要参数对网络改进。实验结果表明改进卷积神经网络New-GoogLeNet使抽油机故障识别准确率和识别速度均得到了提升。进一步针对现有抽油机故障数据集数据量不足对识别精度的影响问题,选择引入迁移学习来提高识别精度,在迁移学习实现中使用了对比分析迁移不同的数据集、不同的数据集扩充方式和不同的冻结方式。实验结果表明引入迁移学习的改进卷积神经网络TL-New-GoogLeNet进一步提高了故障识别准确率和识别速度。本文采用卷积神经网络对抽油机故障识别,结果表明具有高准确率和高识别速度的优势,本研究方法对抽油机故障诊断具有重要的应用价值。