摘要： 为提前掌握装甲车辆发动机运行状态变化，避免安全运行事故，并为装备的视情维修提供数据支撑，本文提出一种基于BP神经网络和GALSSVM的柴油发动机状态预测方法。采用遗传算法对最小二乘支持向量机（least squares support vector machine，LSSVM）的惩罚系数C和核函数寻优，对发动机状态特征信号进行回归预测，利用BP神经网络对不同状态下的运行特征样本进行训练，构建柴油发动机状态评估模型，对发动机状态预测评估，并通过实例进行分析验证。验证结果表明，该算法所需训练样本少，预测精度高;该模型对发动机状态参数变化的预测在3步内具有较高准确性，最大平均误差为792%，一步预测最大误差约为169%，具有良好的发动机状态预测评估效果。该研究对装甲车发动机的安全运行具有重要意义。
　　关键词： BP神经网络; GALSSVM; 柴油发动机; 遗传算法; 状态预测
　　中图分类号： TP391.1; TK42   文献标识码： A
　　近年来，柴油发动机状态预测主要采用人工神经网络法[12]、基于实例的推理方法[3]、支持向量回归法[4]、模糊逻辑专家系统[5]等基于数据驱动的预测方法。在柴油发动机状态预测研究中，田松柏等人[6]采用动态神经网络，并结合相空间重构理论，构建了复杂装备单变量的技术状态预测模型，取得了良好的效果;雷荣强等人[7]在BP神经网络的基础上融合灰色理论系统，提高了预测模型对小样本数据的预测效果;曹向辉等人[8]采用支持向量机，实现了水泵电机设备状态的多步预测，并通过多通道时间序列之间的相关性，提高了预测精度;张金忠等人[9]在基于实例推理方法的基础上，引入云概念隶属度，建立云推理预测模型，提高了對非等间隔时间序列的预测效果。目前，在对装甲车辆柴油发动机进行评估与预测过程中，由于受实验条件的限制，很难获得大量的数据样本[10]。基于此，本文选取具有训练样本少，预测精度高，且不依赖主观经验优点的支持向量机[11]，提出了一种基于GALSSVM和BP神经网络的柴油发动机状态预测方法。该方法通过GALSSVM回归算法，利用遗传算法优化SVM的惩罚系数及核函数参数，解决了支持向量机在柴油发动机状态评估预测中核函数参数和惩罚因子难以确定的问题，并构建发动机状态特征多步回归预测模型，同时结合BP神经网络，对预测结果分类识别，评估发动机技术状况等级，实现了柴油发动机运行状态定量与定性的综合预测。该研究为装备的视情维修提供了理论基础。