李训铭，周志权

（河海大学 江苏 南京 210036）

我国95%左右的油井采用机械采油方式，由于油井数量多，位置分散以及周边环境不一，为了及时了解各抽油井的运行状况，油井上会安装示功仪来测量油井的位移和载荷，绘制成示功图[1]。示功图的远程诊断技术对提高原油的开采效率，降低开采成本有重要作用。

国内外现有油井诊断系统大部分采用示功图作为依据，诊断的关键是示功图识别的准确性。而其识别的关键又在于如何提取其最具代表性的特征值和采取何种分类器进行类别的判定。目前，获得故障诊断特征参数的方法有几何特征、灰度矩阵、矩特征等。

1 BP神经网络算法

近年来，神经网络为一种自适应的模式识别技术非常适合于用来建立智能化的故障诊断模型，它不需要预先给出判别函数，能通过自身的学习机制自动形成所要求的决策区域。神经网络通过对经验样本的学习，将知识以权值和阈值的形式存储在网络中，网络的输入是被诊断对象的征兆即特征值，输出则表示发生故障类型的概率值，通过训练逐层修改权值和阈值获得均衡收敛，使网络的分类性能收敛到最佳点[2]。

1985年，Rumelhart在误差反向传播理论的基础上提出反向传播（Back-Propagation）学习算法，即BP神经网络算法。BP网络是一种多层前馈式神经网络，它通过误差的反向传播来调整网络的权值和阈值，使网络的误差平方和最小。该网络有3层，在学习过程中，比较输出层的实际输出与期望输出的误差均方差，如果不能满足误差精度要求，通过梯度下降算法调整神经元的权值，直至误差满足要求为止。……