石油已然成为全球不可或缺的重要资源,随着开采力度逐渐增大,油井产量也越来越少。压裂开采是提高油井采收率最有效的方法之一,压裂车是进行压裂施工作业的主要设备,在降低开采成本、提高油气井采收率等方面发挥着重要作用。而压裂泵则是压裂车的核心部位,压裂泵的工作状态会对压裂车的工作性能产生直接的影响。基于压裂车工况多变,工作环境恶劣,压裂泵经过长时间的运行难免会出现故障,一旦事故发生,将会造成严重损失,因此对压裂车压裂泵及时进行诊断具有重要意义。压裂泵激励源众多,又因为现场振动信号的复杂性,使得其故障诊断更为复杂。针对压裂泵振动信号复杂,故障特征难以准确提取和辨识的问题,本文进行了压裂车压裂泵智能诊断方法的研究工作,主要内容如下:(1)分析了现有的机械设备故障诊断方法,论述了压裂车故障诊断方法的研究现状以及未来的发展趋势,并在此基础上给出了论文的具体研究内容和结构安排。(2)对压裂车压裂泵的工作原理进行了介绍,分析了压裂泵的典型故障类型,同时对压裂泵关键部件之间的磨损原因进行了研究。(3)针对压裂车压裂泵结构复杂,工作环境恶劣,振动信号含较多噪声的情况,单独依靠信号的时域波形或频域波形很难进行状态识别的问题,采用同步挤压S变换的降噪方法。研究结果表明,该方法能有效去除噪声成分,较其他方法时频分辨率更高。(4)针对卷积神经网络精度趋于饱和无法通过增加网络层数来获得更好的训练效果的问题,构建了深度残差网络DRN的分类识别模型,结合同步挤压S变换优越的时频分解特性,提出了一种基于同步挤压S变换SSST和深度残差网络DRN的压裂车压裂泵故障诊断方法,实验结果可知,该方法摆脱了对专家经验的依赖,且在强噪声环境下能有效提高对压裂车压裂泵的诊断准确率。