装甲车辆作为陆战部队最为重要的武器装备之一,其全部动力输出依靠的是底盘发动机,属于核心部件。对装甲车辆底盘发动机的运行状况进行故障预测,提前了解发动机的健康状况,可以有效保障装甲车辆的作战能力,还能延长使用寿命。因此,本文基于油液在线监测技术,为实现装甲车辆底盘发动机状况的故障预测提供一种智能化的预测方法。首先,本课题开发了一种六合一集成油液传感器,提高了仪器的集成水平,简化了结构设计;改进了对油液残留物的处理方式,提升了检测精度;从硬件、在线检测模块、检测信号的采集和调理、RS485在线获取到CAN总线的上传整体流程进行设计,有效实现了对影响装甲车辆底盘发动机运行时的润滑油液理化指标进行监测,获取了包含水活性（水分）、温度、污染度（混水）、粘度、密度及金属磨粒在内的六项指标。其次,进行了特征预处理,利用主成分分析（PCA）、核主成分分析（KPCA）的无监督特征处理方法以及线性判别分析（LDA）、核线性判别分析（KLDA）的有监督特征处理方法对油液传感器获取的六项监测指标进行去相关性和非线性处理,在加入核函数后,原始特征间的非线性数据结构得以缓解,同时考虑了不同核函数参数对处理结果的影响,并且可视化了特征处理效果。再次,在引入KLDA,并对特征集处理后,通过支持向量机（SVM）、极限学习机（ELM）和随机森林（RF）的多模式识别预测方法对发动机进行运行状态预测,然后再对原始特征集、经过PCA、KPCA和LDA特征处理的特征集故障预测后进行对比,相对于传统的特征处理方法,得到了在KLDA特征集下,RF-KLDA获得了最佳的预测性能,有效地实现了对发动机运行状况的故障预测。最后,提出了轻量化的图卷积神经网络（LGCN）,充分利用原始检测特征之间的数据关系,集成了特征处理和模式识别两个步骤,大大简化了发动机状况的预测过程;提出了利用皮尔逊相关系数来量化影响装甲车辆底盘发动机运行状况的特征间的数据关系,并构建图拉普拉斯矩阵;引入了切比雪夫多项式来代替GCN的图卷积核来减少图卷积过程的参数量及计算复杂度,并利用贪婪规则结合最大池化方式地进行图池化计算。在不同的故障预测方法结果对比中,LGCN获得了最高的分类性能,获得的预测准确率为98.75,F1分数为0.9831,Kappa系数为0.9718。综上,基于本课题开发的油液在线监测技术获取的装甲车辆底盘发动机运行时其润滑油液的状态数据,结合本课题提出的发动机故障预测方法有效地实现了对其进行故障预测,为提前了解发动机的健康状况、进一步保障装甲车辆的作战能力及使用寿命提供了有效方法。