由于井下工况的复杂性,有杆抽油系统的故障问题一直是油田工作人员关注的一个问题,在目前数字化油田的建设背景下,为了能更为及时地发现有杆抽油系统在作业过程中出现的故障问题,以便进行针对性处理。本文利用数字化油田的现场采收数据建立了基于大数据挖掘方法的有杆抽油系统故障诊断预测模型。本文通过研究有杆抽油系统泵功图特征值的变化规律来实现故障工况的预测,提出使用大数据技术的数据挖掘方法建立预测模型的方法。利用灰度矩阵算法、不变矩理论和Freeman链码方法分别提取泵功图的特征值,以泵功图的特征值作为预测变量,同时研究数据挖掘中的时间序列方法的基本理论和算法,使用ARIMA模型(自回归差分移动平均模型)、LSTM(长短时记忆网络)和灰色模型三种预测模型,通过MATLAB建立针对有杆抽油系统故障工况的预测模型。然后利用评价指标对模型的预测情况作出评价,并利用灰色关联度分析对预测结果进行故障工况的诊断,最后基于特征值和故障诊断情况两方面进行对比分析,分别说明不同特征值和预测模型的组合对预测精度的影响。结果表明,这些预测模型能较好的模拟有杆抽油系统的工况变化趋势,其中以Freeman链码特征值作为预测变量基于LSTM的预测精确度更高。本文对有杆抽油系统的故障诊断预测进行了较全面的研究,对实践预测有很大的指导意义。