现代维修思想都是以可靠性为中心,在视情维修理论的基础上发展而来。其中,基于故障预测技术的预测性维修,能极大提高设备系统运行的安全性,是降低维修成本的重要方法和手段。但是,随着科技和制造业的快速发展,能够监测、分析和处理的设备状态参数越来越多,原有单一的故障预测方法在处理这些大数据量时表现出了它的不足,故障预测的准确性往往难以满足预测性维修的需要。为了解决单一预测方法的局限性,本文提出了基于模糊粒化的融合预测方法。为了能对融合的故障预测方法进行有效性验证,本文主要完成了以下工作:首先,利用AMESim软件平台,对柱塞泵内泄漏故障进行了仿真分析,为后期构建物理仿真平台提供了理论基础。然后利用柱塞泵内泄漏物理仿真实验平台,对柱塞泵在不同内泄漏程度的输出流量、压力和油液温度等参数进行实时监测并记录实验数据,为后期开展故障预测技术研究提供了数据支持。然后,利用MATLAB软件平台,建立基于支持向量机、小波神经网络以及BP神经网络的故障预测模型,利用经预处理后的部分实验数据对故障预测模型进行训练,并利用剩余实验数据对各单一预测方法的准确性进行验证。通过对比3种单一预测方法的预测误差可以发现,基于小波神经网络的故障预测方法明显优于其他两种方法。最后,为进一步提高故障预测的准确性,本文采用基于模糊粒化的支持向量机故障预测方法、BP神经网络故障预测方法以及小波神经网络故障预测方法,利用模糊粒化处理的部分实验数据对各预测模型进行训练,并利用剩余的实验数据对各预测方法的准确性进行验证。通过对比发现,基于模糊粒化的小波神经网络故障预测效果最好。