近年来,针对复杂设备维护策略优化的研究日益受到重视,故障预测和健康管理(PHM, Prognostic and Health Management)技术以及基于状态的维修(CBM,Condition based maintenance)都是研究的热点。借助于先进的传感器技术,使得复杂设备大量的运行数据信息能够被采集并存储起来,而使用这些数据用于指导设备的维修和制定先进维修策略是当前维修工作的重要研究内容。随着高铁的迅速发展,保障其运行的安全可靠,成了铁路相关运营维护部门面临的极大的挑战性问题。我国高铁的维修模式正由传统“计划修”向“状态修”转化,在有数据证明设备将要发生故障的时候对设备进行维修能够提高维修效率、节约维修成本、增加设备的安全可靠性。经济型维修策略的制定和改进需要准确的把握设备的故障发生时间,健康状态评估以及剩余使用寿命(RUL)等,因此,故障预测是高铁维修策略优化的核心研究内容。本文主要着重研究高铁动车组的故障预测技术,主要内容包括：(1)以复杂设备维修策略的优化为目的,介绍分析了当前主流的故障预测算法,分析并研究了高铁动车组关键零部件牵引传动系统(以下简称牵引系统)的故障机理和4种退化状态的划分,并提出建立基于退化状态的牵引系统的HSMM预测模型。(2)鉴于HSMM存在的缺陷,使用PSO算法优化HSMM参数估计。在此基础上对PSO算法改进,赋予粒子新的特性,提出裂变式粒子群算法(FPSO),进一步优化HSMM模型参数,设计FPSO-HSMM预测模型。(3)将改进的后算法,应用到动车组牵引系统中,实现对牵引系统健康状态的评估以及剩余寿命估计。实验结果表明,本文中提出的FPSO-HSMM预测模型,对动车组关键部件具有良好的预测效果,较传统预测模型预测精度有了很大提升。