发动机作为机械设备的重要组成部分,其运行中的安全性与可靠性直接关系到整套机械设备是否能正常工作。随着现代工业的发展,发动机的结构变得愈加复杂,成本也愈加高昂,传统的定期维修策略已不能满足安全性和经济性的需求。这时,油液监测技术的发展为发动机由定期维修转为视情维修提供了新的思路与研究方向。然而,目前我国在发动机润滑油液数据的分析方面仍处于采用单指标、简单的数理统计方法的阶段。针对该问题,本文结合发动机润滑油液的理化指标与磨粒参数,在基于数据驱动的故障诊断技术基础上设计了基于粒子群算法的核主成分分析模型（PSO-K PCA模型）与基于粒子群算法的支持向量回归机模型（PSO-SVR模型）分别用于发动机的状态评估与故障预测。最后结合具体的发动机润滑油液数据验证了所设计模型的有效性及可行性。本文所设计的模型充分利用了发动机润滑油液数据的各项指标,提高了发动机运行过程中的可靠性。具体研究内容如下:首先,本文在传统的粒子群优化算法的基础上,做了两个方面的改进:类S型惯性权重调整策略和变异操作。这提高了粒子群优化算法的收敛速度与收敛精度,以用于后续所设计模型的参数优化。其次,本文设计了PSO-KPCA模型用于底盘发动机的状态监测。选用了结合T2统计量与Q统计量的综合统计量作为监测指标,这不仅提高了模型的监测精度,同时也简化了后续的故障预测模型。在此基础上,本文还设计了基于综合统计量指标的PSO-SV R模型用于底盘发动机的故障预测。在数据方面,针对测量数据的时序性,提出结合时间序列算法与支持向量回归机算法来作为预测模型的理论基础。同时为了充分利用时序数据,采用相空间重构方法把一维数据扩展为矩阵形式,有助于提高模型预测精度。最后,本文结合实际的底盘发动机润滑油液数据来测试所设计的监测与预测模型。其中PSO-KPCA模型具有良好的状态监测效果,PSO-SVR模型能较好地跟随综合统计量的变化。