实验材料矿物油，聚α-烯烃PAO6，PriEco3004，高压加氢BS光亮油。矿物油是采用常规溶剂精制法生产的基础油，价格低廉。聚α-烯烃PAO6是由聚α-烯烃在催化剂作用下聚合而获得的一类比较规则的长链烷烃，具有倾点低、挥发性低以及粘度指数高等特点，而且在合成油中是价格比较便宜的油品，因此在高档多级发动机油中，得到了更广泛的应用。

　　PriEco3004是高性能多用途多元醇酯类合成基础油，具有优良的生物降解性、热稳定性、水害级为0以及粘度指数高等优点，非常适合用于调配环境友好型润滑油。

　　高压加氢BS光亮油是由克拉玛依低凝稠油重组分的丙烷脱沥青油经高压加氢工艺生产制得。颜色为水白色，该油品具有高粘度、低凝点（倾点）、低杂质、粘温性好、氧化安定性好等特点，是调制中高粘度中高档润滑油*理想的调合组分。

　　神经网络模型的建立神经网络结构的设计本模型设计采用具有双隐层的三层BP网络，其结构如示。BP神经网络结构BP神经网络是一种多层前馈网络，其神经元的传递函数为sigmoid型函数，它可以实现从输入到输出任意的非线性映射。网络权值与阈值调整采用反向传播的学习算法，即利用输入样本及输出目标样本对网络进行训练，以使网络实现给定的输入输出映射关系，同时，训练好的BP网络具有泛化功能，即对非样本集中的输入亦能给出合适的输出。

　　为提高网络的训练速度和输出精度，网络取2个隐层。网络的第1个隐层取3个神经元，第2个隐层取20个神经元，每个神经元通过适当的权值ωi与下一层相连。所有输入与其对应权值的乘积之和输给函数阈值单元，阈值单元的另一个输入为阈值bi，第1层的输出通过神经元的传递函数传递到第2个隐层，如此连续传递直至*后获得网络的输出向量a.第1和第2隐层的神经元取tansig双曲正切S形传递函数，第3层神经元取purelin线性传递函数，以保证较大的输出值范围。

　　半合成发动机油基础油配比的神经网络设计设计时将不同配方基础油的油膜强度（PB值）、摩擦系数和粘度指数作为输入样本p，将基础油的不同配比作为目标样本向量t。本网络采用Levenberg-Marquardt算法即L-M规则训练网络，该算法比标准BP算法速度更快，结果更精确，实际上是一种优化训练算法。确定输入样本和目标样本以后，可利用initff函数对网络进行初始化：<ω1，b1，ω2，b2，ω3，b3>=initff（p，S1，‘tan2sig’，S2，‘tansig’，t，‘purelin’）然后用trainlm算法对网络进行训练。

　　神经网络的自学习训练调用Matlab工具箱中trainlm函数对网络进行优化训练，<ω1，b1，ω2，b2，ω3，b3>=initff（ω1，b1，‘tan2sig’，ω2，b2，‘tansig’，ω3，b3‘purelin’，p，t，tp）其中ep为训练步数，tr为网络误差和学习速率矩阵，tp为训练参数，每次训练中网络输出值与目标样本做比较，并求出网络误差平方和，若大于期望误差值，网络自动返回，修改各神经元权值ω，其L-M规则为：Δω=（JTJ+μI）-1×JTe其中Δω为权值增量，JTJ为牛顿法项，μI为梯度法项，当训练达到所设的*大训练次数，或网络误差平方和降低到期望误差以下，网络都将停止学习。此时神经网络自学习完成，且已具有面向对象???磨损自补偿系统摩擦副表面润滑膜临界比压与添加剂的添加量关系的计算能力。经过上述网络优化网络训练后，可以得出网络误差平方和变化曲线。神经网络误差平方和曲线由可见，网络训练时收敛很快，173次训练即降低到期望误差以下，实际上网络的训练即是网络的自学习过程，网络对照目标样本反复调整各神经元的权值ωi和阈值bi，训练完成时权值向量ω和阈值向量b即调整到*佳值。

　　经过网络优化训练后，该神经网络已成为一个很精确的摩擦学计算模型。从可以看出，网络仿真输出与目标输出极其吻合，在此，我们可以输入综合性能优良的指数，希望通过仿真输出得出基础油的配比，如：p=<56；0.065；112>经仿真输出后得到a=<49.9957；4.3693；42.4578；3.1772>按照此仿真输出的配方调配半合成发动机油基础油，经实验后得出数据为<56；0.065598；112>，仿真输出结果非常理想。

　　结论（1）应用双隐层BP神经网络建立了半合成发动机油基础油调配的配方优化模型，取得了很好的效果，模型仿真输出的结果与实验结果极其吻合。（2）从模型仿真输出和实验结果，我们可知，采用矿物油、聚α-烯烃、多元醇酯和高压加氢BS光亮油调配半合成发动机油基础油时，在49.9957∶4.3693∶42.4578∶3.177的配比下，基础油具有比较优良的综合性能，油膜强度、摩擦系数和粘度指数分别达到549N，0.065598和112.（3）将BP神经网络应用到半合成发动机油基础油调配中，可以简化正交实验，同时，预测时无需推导精确的数学公式，只需要简单的目标样本，即可利用训练好的神经网络进行准确的计算，预测精度高，可以得到优良的基础油配方，解决了长期以来基础油调配中配方研究的难题。