农业机械为机械事故高发领域。对农用机械设备来说,其工作环境恶劣,工作条件复杂多变,机械磨损程度很大,其发动机润滑油中的磨损磨粒包含了大量设备运行状态信息。因此,通过对磨损磨粒进行分析研究来预测设备的突发事故具有重要的意义,它能将事故消灭在萌芽状态,实现机械设备的预防性维护。铁谱技术是以磨损磨粒识别为基础的诊断技术,对磨损磨粒的分析及其浓度数据的提取都较为准确,因此是机械设备磨损监测与故障诊断最为有效的方法之一。传统故障诊断方法往往基于专家经验和简单的数学模型,难以处理高度非线性模型,无法满足预防性维修的客观要求。支持向量机(Support Vector Machine,简称SVM)是起源于统计学习理论的一种新的机器学习技术,它基于结构风险最小化原则,有着比传统的基于经验风险最小化原则的人工神经网络更优越的性能。最小二乘支持向量机(Least Squares Support Vector Machines,简称LS-SVM)是SVM的一种扩展算法,它避免了SVM所求解的相对繁重的二次规划问题,有效的提高了求解速度,不但较好地解决了以往困扰很多学习方法的小样本、过学习、高维数、局部最小等实际难题,而且具有很强的泛化能力。目前,农业机械部门普遍使用的发动机多为柴油机,因此本论文以一小型叉车柴油机中的润滑油为实际研究对象,采集柴油机中具有代表性的油液,运用铁谱分析技术提取柴油机润滑油中的磨损磨粒,对其磨损状态和磨粒特点进行分析研究,同时,分析了作为SVM理论基础的统计学习理论和SVM的原理,推导了SVM分类模型和回归模型,并在对支持向量机方法的参数性能进行分析的基础上,提出了一种最小二乘支持向量机方法来预测磨损磨粒的浓度趋势。论文将LS-SVM与润滑油中磨损磨粒的浓度预测相结合,首次提出了基于LS-SVM的磨粒浓度趋势预测模型,实现了模型参数的自动选择。同时,结合实际数据进行磨粒浓度预测的实例分析,以达到理论与实践相结合的目的。通过仿真证明,与人工神经网络模型相比,LS-SVM模型具有更高的磨粒浓度预测精度,是用于润滑油中磨粒浓度预测的一种很有效的方法。