为提升矿用挖掘机发动机在高强度复杂工况下的故障预测准确性与稳定性,构建了基于灰狼优化算法(GWO)优化支持向量机(SVM)的故障预测模型.通过采集潍柴WP14T型矿用挖掘机发动机实时运行过程中的关键工况参数,使用异常值检测与剔除、数据标准化等手段进行数据预处理,并采用皮尔逊相关系数法进行特征选择,构建结构合理、特征信息完备的样本集.利用灰狼优化算法对支持向量机中的惩罚因子与核函数参数进行自适应全局寻优,以提升模型的非线性学习和泛化能力.设计故障预测试验,在多种典型故障工况下开展对比验证,结果表明:GWO-SVM 模型在多类故障预测中表现出更高的准确性和更强的鲁棒性,在测试集上的预测准确率高达92.8％,较传统SVM 提高了9.9个百分点,在少样本干扰及数据波动条件下仍能保持稳定输出.