磨合质量的优劣直接关系到柴油机后续的运行状态及使用寿命,故在其投入运营之前必须进行磨合评定。油液光谱分析技术是磨合评定的有效手段之一,通过油液光谱数据预测可实现柴油机磨合过程的评定。目前常用的油液光谱数据预测模型有曲线拟合、时间系列、Kalman滤波、灰色预测、模糊模型等,但柴油机磨合过程中油液光谱数据往往是非线性变化的,上述预测模型尚不能适应油液光谱数据的非线性变化,造成预测精度低,从而限制了在柴油机磨合过程中的运用。因此,开展柴油机磨合过程中油液光谱数据预测算法研究,建立有效的油液光谱数据预测模型,不仅具有一定的理论意义,亦可为柴油机磨合评定提供新方法,具有重要的应用价值。本文以柴油机磨合过程中油液光谱数据为研究对象,开展神经网络预测算法研究,应用BP神经网络、RBF神经网络及GA-RBF神经网络建立柴油机磨合过程中油液光谱数据预测模型,为柴油机磨合的评定提供新方法。本文尝试应用条样拟合方法对实测油液光谱数据进行拟合,以获取足够的训练样本和测试样本,训练和测试神经网络。测试样本的预测结果表明,所建立的BP神经网络、RBF神经网络及GA-RBF神经网络预测精度均较高。本文应用所建立的神经网络对柴油机磨合过程中油液光谱待测数据进行预测,结果发现,BP神经网络和RBF神经网络均可用于柴油机磨合过程中油液光谱数据预测,但二者均存在一定的不足：BP算法精度低,收敛速度较慢；RBF算法收敛速度快,但精度仍偏低。为克服RBF算法初始权值随机选择的盲目性所造成精度偏低的问题,保留其收敛速度快的优点,本文应用遗传算法对RBF算法进行优化,建立了GA-RBF神经网络。研究结果表明,GA-RBF神经网络实测数据预测精度可达到85%以上,可对柴油机磨合过程中油液光谱数据变化趋势进行短期预测。本文研究结果可为柴油机磨合评定提供新方法,亦可为研究油液光谱数据长期预测模型奠定理论基础,具有一定理论意义和应用价值。