更严格的排放管制和不断上涨的能源成本迫使工程机械将产品朝绿色、高效、低碳方向更新和升级。随着优化系统匹配、更好的控制策略和混合动力系统等新技术的引入,系统的复杂性也随之增加,典型工程机械如液压挖掘机的开发成为一项复杂、昂贵和耗时的任务。半实物仿真允许在早期的开发阶段对系统性能进行分析,兼具更高的真实性和更低的实验成本,可以有效实现对机器开发过程的改进。本文结合校企合作项目“系统匹配实验室半实物仿真平台建设”,提出了基于RBF（Radial Basis Function）神经网络的挖掘负载预测模型,并将其应用于挖掘机半实物仿真实验台的负载模拟系统。经实验验证,负载预测模型能够实现精确、快速的模拟加载,且具备良好的泛化能力。该预测模型极大提升了半实物仿真加载的准确性,也为实现挖掘机自动挖掘和轨迹优化提供了新思路。本文具体工作如下:（1）介绍了本文所述半实物仿真平台的结构组成以及采用的加载原理。并对挖掘流程进行了划分,并将不同挖掘阶段拆分不同能耗组成,便于后续负载预测。为实现精确加载,本文验证了桥式加载回路和控制信号延迟影响,并通过调整比例溢流阀补偿,降低半实物仿真平台对预测模型加载的影响。（2）为便于半实物仿真实验台加载,本文将流量信号转化为挖掘机工作装置关键节点的位置信号。同时,减少整体计算量并提高负载预测精度,本文通过对挖掘机工作装置运动学、动力学仿真分析得到挖掘机自身结构载荷。并通过运动数据反推各个液压缸维持工作装置运动状态所需推力。将所得推力与经过小波滤波处理的挖掘机空载挖掘实验数据对比,验证了仿真分析的准确性。（3）为同时保证负载预测模型的仿真精度和时效性,本文采用K-means算法和P-nearest算法确定RBF神经网络的隐层函数主要参数,并采用渐消记忆最小二乘法计算各隐层单元权重。为保证输入信号的可靠性,本文对半实物仿真实验台反馈数据应用卡尔曼滤波处理。通过与经验公式预测模型和BP神经网络预测模型的仿真对比,验证了本文所述负载预测模型的综合优势。