在轴重式动态汽车衡的服役状态下，由于受到重型货车频繁的加卸载循环冲击，会导致其内部螺栓发生松弛脱落，针对这一问题，提出了一种基于莱维飞行改进粒子群算法优化的广义回归神经网络(LPSO-GRNN)的轴重式动态汽车衡螺栓松紧状态预测模型，并结合振动信号特征提取，将该模型应用于汽车衡螺栓松紧状态的预测。首先，研究并提取了螺栓不同松紧状态下输出振动信号的波形指标、峰值指标、脉冲指标、峭度指标等信号特征，并将其作为模型的共同输入特征向量；然后，采用莱维飞行提高了粒子群优化算法的寻优能力，通过产生随机步长，提高了算法的全局寻优能力，避免算法陷入局部最优值；利用改进的算法对广义回归神经网络(GRNN)的光滑因子进行了优化，得到了全局最优的光滑因子；最后，通过设计实验，分别使用广义回归神经网络(GRNN)、粒子群算法优化广义回归神经网络(PSO-GRNN)和LPSO-GRNN,以此来对螺栓松紧状态进行了预测，并将预测结果与实际情况进行了对比分析。实验结果表明：基于LPSO-GRNN建立的螺栓松紧状态预测模型，其预测准确率可达到95%。研究结果表明：该螺栓松紧状态预测模型可以有效提高汽车衡螺栓松紧预测的准确率，同时有效解决粒子群算法容易陷入局部最优收敛的问题。