油田开采效率与抽油机故障诊断技术息息相关,抽油机大多分布在野外偏远地区,且工作强度大、温度高,井下工况非常复杂,参数耦合严重,一旦发生故障,如果没有及时准确地进行故障诊断,很可能会造成财产损失甚至重大人身安全问题。因此,建立高效精准的抽油机故障诊断模型具有极其重要的应用价值和发展前景。基于人工智能的故障诊断算法已成为目前的研究热点。非负矩阵分解(Nonnegative Matrix Factorization,NMF)作为人工智能的新方法,其基本观点是部分构成整体的还原论思想,它将原始数据矩阵还原为基矩阵与系数矩阵的乘积,注意到这里的矩阵都是非负的,满足纯加性,增加了可解释性,物理意义明确,并且算法快速低耗,已成为处理非负数据的强大工具。针对抽油机故障诊断问题,提出一种基于核投影非负矩阵分解-虚假邻点算法的抽油机故障诊断模型,主要内容如下:首先,简要介绍非负矩阵分解的发展历程,从高斯分布和泊松分布下盲信号分离的角度对非负矩阵分解进行严谨细致的推导,这分别对应着欧式距离和KL散度两种目标函数,给出交替单步梯度下降的迭代公式,简单介绍交替最小二乘法和投影梯度法等计算思路,并对现有非负矩阵分解算法做简单归纳总结。其次,针对经典非负矩阵分解不能很好处理线性不可分数据,将核方法引入进来,加上投影非负矩阵分解(Projective NMF,PNMF)比经典非负矩阵分解具有计算量更小、算法更稳定的优点,并且分解结果的稀疏性往往可由正交性推得,提出带正交约束的核投影非负矩阵分解算法(Kernel PNMF,KPNMF),得出迭代公式,并严格证明其收敛性,提出基于KPNMF的特征提取算法。最后,为减少核投影非负矩阵分解的计算负担,将相空间重构中的虚假邻点(False Nearest Neighbours,FNN)思想结合进来,提出核投影非负矩阵分解-虚假邻点算法(KPNMF-FNN),建立以此为基础的维度约简和特征提取方法,最后提出基于该算法的故障诊断模型,利用贡献图法进行故障溯源与定位,并分别在田纳西-伊斯曼仿真平台和抽油机两个非线性复杂过程进行实验,实验结果表明,该算法能够快速准确诊断出两系统的故障状况,达到预期效果。