潜油柱塞泵举升系统是油田一种新型的节能采油设备,它的动力源为直线电机,这种新型结构避免了传统旋转电机系统中换能装置产生的能量损耗,提高了抽油效率。但潜油柱塞泵整套装置完全工作于井下,现有的故障诊断方法难以对其工作状态进行有效地监测,不利于设备的维护与保养,降低了设备的使用效率,增加了企业的运营成本。研究潜油柱塞泵举升系统故障诊断方法,实时监测设备的运行状态,并在设备出现故障时给出有效的参考信息,及时采取相对应的补救措施,是延长设备使用寿命,减轻企业运营负担的重要手段。故障诊断属于模式识别范畴,主要研究信号的预处理、特征提取以及故障识别三个方面,其中特征提取是故障诊断技术的核心环节,它直接影响着后续故障识别算法的复杂度与精度。如何挖掘出隐藏在高维数据空间中的低维特征,以降低后续故障诊断的难度,仍是故障诊断领域一个热门的课题。本文以局部线性嵌入算法(LLE)为基础,针对LLE算法在维数约简中存在的问题进行深入研究,并给出相应的解决方案,主要工作如下：针对所采信号的非平稳性和信噪比低可能会降低LLE算法的降维效果,影响最终识别精度的问题,研究了基于小波变换、奇异值分解(SVD)和LLE(WSLLE)多算法融合的故障诊断方法。为提取信号的显著特征,该方法利用小波变换技术将信号投影到频域空间中；采用SVD分解方法对信号在不同频段的特征进行综合考虑,以建立一个新的特征空间；运用LLE算法,在新特征空间中进行维数约简,并将所得结果输入到SVM识别算法中进行故障识别；采用潜油柱塞泵和轴承故障数据集对所提故障诊断方法的可行性和识别精度进行了验证。针对多算法融合故障诊断方法复杂度较高的问题,深入分析了LLE算法中局部结构对嵌入结果的影响,充分考虑原始高维重构目标函数的特点,结合稀疏正则理论,在高维空间中构建一种新的目标函数,并探究对目标函数快速求解的新方法,在此基础上,提出了迭代收缩LLE(ISLLE)算法以及基于ISLLE算法的故障诊断方法。采用人工数据集与实际数据集对ISLLE算法的自适应性、鲁棒性进行了验证。针对ISLLE算法属于无监督模式,无法充分利用数据中的类别信息指导算法进行维数约简的缺点和局限性,结合第三章所提的ISLLE算法和半监督学习技术,研究设计一种能够更加充分利用数据先验知识的半监督ISLLE(SS-ISLL E)算法,致力于提高嵌入结果的可分性能。将所研方法与SVM识别器相结合,提出一种基于SS-ISLLE算法的故障诊断方法。将SS-ISLLE算法运用于原始的高维数据空间中,学习出数据集的低维嵌入坐标,并将SVM识别器应用于低维特征空间中,完成对故障类型的识别,采用Iris数据集、轴承数据集以及潜油柱塞泵数据集验证了所提方法的实用性与通用性。针对SS-ISLLE算法属于批处理模式,处理新样本效率较低的问题,深入研究SS-ISLLE算法的每一个步骤,分析其处理新样本复杂度高的本质原因,提出了一种增量式SS-ISLLE算法ISS-ISLLE算法,实现对新样本快速、精准地处理。考虑到数据的局部具有线性结构,新样本及部分结构发生变化的旧数据的嵌入结果可通过其近邻域数据的线性组合来近似表示,在此基础上利用梯度迭代算法对整个数据集进行更新。采用标准的人工数据对算法的可行性、精度以及计算速度进行了验证,并将其与SVM识别器相结合应用于对潜油柱塞泵的故障诊断中。针对上述所提各种故障诊断方法的识别精度对嵌入维数敏感的问题,在深入研究分数维数估计方法的基础上,重点分析了关联维数估计方法,考虑了数据的概率分布对维数估计的影响,提出了一种加权关联维数(WCD)估计算法。WCD算法通过计算图中顶点遍历其局部邻域的长度来度量样本的局部概率分布,并结合高斯核函数计算出每个样本的局部“体积”占总“体积”的权重,实现局部“体积”的全局化。采用人工数据集与实际数据集验证了WCD方法的估计精度,并分析了WCD算法的计算复杂度。