伴随着我国列车的高速发展,涡轮增压器作为列车发动机的关键部件之一,在机车的动力性、经济性和可靠性等方面发挥着重要的作用,因此对增压器的故障进行预测是非常必要的。本文重点研究了机车涡轮增压器故障预测的方法,建立了故障预测模型,设计开发了一套机车涡轮增压器故障预测系统。首先,根据文献资料和增压器的故障数据,总结涡轮增压器的常见故障,分析每类故障发生的主要原因并给出解决方案,为后续的预测系统提供技术支持。其次,提出了GA-SGNN的机车涡轮增压器故障预测方法。首先找出表征增压器工作性能的状态参数,计算多变量之间的关联度,然后建立了多变量灰色预测模型(MGM(1,n))对变量进行预测,用残差和相对误差检验了模型的精度,得出相对误差均小于5%,结果表明MGM(1,6)模型的精度符合要求。在MGM(1,6)模型基础上有机结合BP神经网络,建立串联灰色神经网络预测模型(SGNN模型),结果表明SGNN模型预测精度比MGM(1,6)模型预测精度高。在建立的SGNN模型的基础上,引入遗传算法来改善灰色神经网络模型的局部最优和收敛性问题,建立了基于遗传算法的灰色神经网络模型(GA-SGNN)并对模型的精度进行了检验,结果表明GA-SGNN模型的相对误差均在4%以内,可以很好的保证模型的可靠性和精度。然后,提出了RBF神经网络的增压器故障诊断方法。根据机车涡轮增压器运行参数的特点和RBF神经网络在故障诊断中的优势,建立了RBF神经网络模型,然后利用模型对故障数据进行了学习,最后对GA-SGNN模型的预测值进行了故障预测,结果表明RBF神经网络可以准确的诊断出增压器的故障,故障与实际情况相符。最后,开发了机车涡轮增压器故障预测系统。将增压器常见故障原因及解决措施、GA-SGNN模型和RBF神经网络模型应用到预测系统中,利用MATLAB GUI模块完成了机车涡轮增压器故障预测系统的开发。实现了数据导入、数据预测和数据故障诊断的功能,并建立了技术库提供了增压器常见的故障原因及解决方案。