皮带式抽油机由于结构简单、机采效率高在油田采用广泛。由于抽油机系统自身或者井下复杂的环境问题,采油过程中会出现机械故障、电动机故障等各种工况,影响了油田生产效率。本文针对抽油机井的工况诊断问题,主要研究了基于皮带式抽油机电功图数据源的工况诊断技术,可实时监测抽油机运行工况,提高油田生产的智能化、信息化水平。本文首先介绍了皮带式抽油机的机械结构和工作原理,基于运动学和动力学分析,构建了抽油机电功图和示功图的映射模型,在典型工况示功图基础上得到了不同工况的电功图样本,进而分析并定义了多种工况下典型电功图的特征,并分别根据电功图的数据、曲线和频率特征研究了多特征向量的提取技术。其次由于多种特征向量的数据维度、数量级和数据结构不同,研究了多特征量的数据融合算法,提出了基于SOFM神经网络的多特征向量可视化归一化方法,得出归一化特征向量。再次利用典型工况下的电功图归一化特征向量对概率神经网络训练,并利用概率神经网络对测试样本进行准确度测试统计,MATLAB仿真实验证明了算法的有效性。最后把该方法应用于正常工作的抽油机系统进行现场试验,实验表明了基于电功图的工况诊断方法的有效性,对提高油田的智能化管理监测水平具有重要意义。