目前,石油作为一项重要的化工原料和动力能源发挥着不可替代的作用。及时识别抽油机异常工况对保证石油产量、减少设备损失、提高经济效益具有重要意义。随着油田数据采集与监控(Supervisory Control and Data Acquisition,SCADA)系统的发展,采油过程保存了大量的生产数据,为基于数据驱动的故障诊断技术提供了有利条件。本文立足于实时采集的油井生产数据,考虑过程的非线性特性,研究基于改进核Fisher判别分析(Kernel Fisher Discriminant Analysis,KFDA)的抽油机工况识别方法,并进行抽油机工况监控软件开发。本文主要工作如下:首先,针对抽油机标签数据量有限而大量无标签样本未能充分利用的问题,研究基于半监督局部核Fisher判别分析(Semi-supervised Local KFDA,SLKFDA)的工况识别方法。该方法能同时利用标签样本的监督信息以及大量无标签样本的全局结构信息,防止KFDA模型过拟合以及类内离散度矩阵奇异的问题。在典型工业过程工况数据集上的仿真结果表明,所研究方法比KFDA具有更好的工况识别性能。其次,针对传统算法不能深入挖掘变量高阶统计信息造成有用信息浪费的问题,研究基于统计模式分析的KFDA(Statistics Pattern Analysis KFDA,SKFDA)工况识别方法。并进一步与半监督局部方法相结合,研究基于统计模式分析的SLKFDA(Statistics Pattern Analysis SLKFDA,SSLKFDA)工况识别方法。该方法能将变量的高阶统计信息作为工况识别特征,利用更丰富的分类信息以提高工况识别能力。在典型工业过程工况数据集上的仿真结果表明,所研究方法具有更好的工况识别性能。然后,开展抽油机电功率数据特征提取和工况识别应用研究。针对不同工况电功率曲线频谱能量变化不同的特点,本文利用小波包变换对电功率数据进行分解,得到多个子频带能量作为工况特征集。将所研究方法应用于抽油机实测电功率数据,取得了较好的工况识别效果,并对抽油机的在线监控流程进行了讨论。最后,开发抽油机工况监控软件。为实现抽油机运行工况识别,采用Java与Matlab混合编程技术开发了一款抽油机工况监控软件。软件不仅能对各种算法进行工况识别测试,还能对抽油机生产数据进行实时工况识别,并能画出其示功图和电功率图曲线以便操作人员分析。