游梁式抽油机是油田生产中使用占比最大的机型,由于此种抽油机重要组件常年处于井下做工,井下的工作环境恶劣,情况较为复杂,因此设备易于损坏。及时掌握抽油机的实时工况对提高生产效率和经济效益具有重要意义。传统的工况诊断技术主要通过分析示功图判断工况,然而示功图的测量过程繁琐,需要采集各个油井的悬点载荷、位移等信号。采集过程需要用到载荷传感器,此种传感器长期处于交变载荷的拉伸过程中,容易引起弹性系数发生变化甚至失效,因此经常出现故障,致使采集的数据可靠性下降,设备维护工作量增大,生产成本增高。针对以上问题,本课题将提出基于信息融合的电参数工况诊断方法,并且对其实现方法以及具体应用进行了研究与分析。首先,通过证明示功图数据与电参数据之间存在强关联性,从而说明了基于电参数据进行工况诊断研究的可行性。而后,提出了基于电参数时间序列的工况诊断方法和电参数空间图像工况诊断方法,分别提取电参数据在时间维度和空间维度上的特征信息。最后,在前述两项研究的基础之上,本课题提出了基于信息融合的电参数工况诊断方法,通过设计信息融合层将时间与空间的特征信息进行融合,使用深度学习模型分析融合后的时空特征信息,突破了单一维度数据源的局限性,从而提高了工况诊断的准确率。在实现工况诊断的基础上,对于供液不足工况采取分级制度判断,以泵效为标准划分为严重供液不足工况和轻度供液不足工况。本课题提出的基于信息融合的电参数工况诊断方法相比于单一数据源方法效果有显著提升,共计识别工况类别10种,综合准确率可达90%。