随着科技的发展,传统的维修模式已逐渐被“视情维修”所取代,而此维修模式的基础是对机械设备进行监测,只有建立在监测基础上的诊断才能避免盲目性,具有针对性,因此,建立在监测基础上,对机械设备磨损状态进行有效地预测具有十分重大的意义。油液光谱分析技术在船舶工业领域已得到广泛应用,已成为对船舶机械设备进行工况监测、故障诊断和故障预测的有效技术手段之一,它可以有效地检测出油液中的磨损性元素的含量,分析出油液的污染程度以及添加剂的状况。油液光谱数据包含两方面内容,一方面,由于磨损金属成分与对应的摩擦副材质相对应,所以可以利用光谱分析进行故障定位；另一方面,机械磨损状态是一个逐步发展的过程,因此可以利用光谱数据来进行机械设备磨损状态的预测,前者属于故障诊断范畴,后者属于状态监测范畴,本文所做的研究工作即为后者。利用油液光谱分析技术对船舶的运行状态进行监测,能尽早地发现故障或故障趋势,避免重大故障的发生,达到视情维修的目的,因此建立光谱数据预测模型有非常重要的意义。由于船舶运行工况复杂,其尾轴和主机的润滑油中磨损元素含量受诸多因素影响,用传统的方法难以预测其变化趋势。本文提出基于遗传神经网络的润滑油铁元素含量预测方法,并用MATLAB分别对6组油样进行建模分析,其中2组来自尾轴处滑油,4组来自主机系统油。首先对油液光谱历史数据建立时间序列,然后,基于BP神经网络建立预测模型,对铁元素含量进行预测,最后结合遗传算法对BP神经网络进行改进,使预测值的平均相对误差在可接受的范围内。通过实例分析,该方法能够满足船舶状态监测的需要。