对油井工况进行实时监控能够及时发现抽油机故障和避免无效生产,这对于降低生产成本和提高油田产能具有重要意义。抽油机的油泵部分通常在地下上千米的深处,直接对其进行检测难度较大。在抽油机悬点处测量油井功图,通过识别油井功图来判断抽油机的工作状况是目前进行油井工况诊断的主要方法。传统作业中通过人工识别油井功图来分析油井的工况,这种方法效率低、人为因素影响大、不能实现油井工况的实时自动诊断。由于油井功图受抽油机工作环境因素影响较大,使用传统机器学习模型对其进行识别时,识别准确率往往较低。针对以上问题,本文提出了基于深度学习神经网络的油井功图识别方法,主要研究内容及研究成果如下:分析了有杆式抽油机的工作原理及油井功图的产生机理,并对常见的油井工况类别及其所对应的油井功图形状进行了分析和介绍。阐述了深度学习神经网络的产生背景和基本思想,分别对三种深度学习模型的结构和原理进行了详细介绍。对本文所使用的DBN和CNN深度学习模型的结构原理和算法进行了深入的研究。对收集的油井功图样本进行了标准化处理,分别以DBN网络和CNN网络为基础,构建了基于深度学习结构的油井功图识别模型。分别对基于DBN和CNN的油井功图识别模型进行实验和验证,将样本功图数据分为训练样本和测试样本,用训练样本对功图识别模型进行训练,再用测试样本对训练后的模型进行检验。分别在DBN和CNN的基础上使用SVM作为分类器进行实验。将所提出的几种基于深度学习的油井功图识别方法的实验结果进行对比和分析。最后将本文所提出的深度学习方法与其它文献中的浅层结构的功图识别模型进行了对比。实验结果表明,深度学习神经网络可以在训练中自动学习样本的特征,无需复杂的人工提取特征的过程,同时在进行油井功图识别中,深度学习神经网络能够达到比其他浅层模型更好的识别效果。最后,将本文研究的油井功图识别方法应用于智能油井故障诊断系统中,使用labwindows/cvi平台开发具有功图自动识别能力的油井工况监控服务器,设计了完整的智能油井故障诊断系统解决方案。