润滑油添加剂作为改善润滑油性能的常用方法,普遍存在于各种润滑油中,常采用理化方法对润滑油中所含添加剂进行测定,理化方法有拉曼光谱法、理化性能检测、气相色谱法等等,这些方法耗时长,测定结果误差大,消耗成本高。为了快速识别润滑油中添加剂种类和含量,将添加剂硫化异丁烯(T321)、烷基二苯胺(T534)、硫代磷酸胺盐(T307)以不同配比混合在基础油中,使用极限学习机对油样的红外光谱数据构建模型进行训练测试,并采用贪心算法、遗传算法对输入波段优化,筛选出最优波段区间组合以剔除相关性过高的波段从而提高运算效率。研究结果表明:1.极限学刊机模型可有效对润滑油添加剂进行种类识别和含量检测,验证了通过构建模型分析红外光谱作为润滑油添加剂快速测定方法的可行性,相比于传统理化检测方法是一种经济快速的新型润滑油添加剂检测手段;且经遗传算法波段筛选优化后模型输出结果更具优势,对三种添加剂的种类识别准确率由75%、85%、75%均提升至100%、含量检测决定系数R2分别由0.6278、0.6436 和 0.6853 提升至 0.9028、0.8945 和 0.8524,分别提升了 43.8%、39.0%和24.4%。2.机器学习的方法结合红外光谱应用在润滑油添加剂这种微量成分的检测具有可行性,不难预见在经过大量的采集工作后,可以构建一个较为完善的数据库,依据此数据库可以快速识别未知润滑油中所含有的添加剂,再与各种经实验测定的润滑油性能指标相结合,有希望仅通过对红外光谱的分析便能推断出该含添加剂润滑油的性能,节约检测分析成本、提高检测分析速度,并为关于润滑油性能的科学研究提供模拟模型,指导研究方向。