神经网络由于其超强的非线性映射能力、容错性和知识获取潜力,以及分布式的知识表达和隐含的并行性,在航空发动机气路、磨损及振动故障诊断中均得到了广泛的应用。然而,神经网络方法存在一个固有的缺陷,即由于其获取的知识蕴涵在大量的连接权中,难以理解,也难以为推理过程给出清晰的解释,严重地限制了神经网络智能诊断的发展。因此,需要从训练好的神经网络中提取知识规则,这也是神经网络智能诊断和神经网络专家系统的迫切需求。本文在研究现有神经网络规则提取方法的基础上,基于功能性观点,提出一种新的神经网络规则提取方法,并将之运用于航空发动机转子振动故障诊断中。(1)综述了现有的神经网络规则提取方法和研究现状,介绍了目前国内外几种主要的基于结构性观点和基于功能性观点的神经网络规则提取方法。并指出了神经网络规则提取方法在航空发动机故障诊断中的意义以及现有方法的缺陷。(2)讨论了神经网络专家系统原理以及神经网络专家系统智能诊断过程,比较了基于规则的专家系统和神经网络专家系统各自的优缺点,指出了神经网络规则提取是神经网络专家系统发展的客观需要。(3)针对功能性观点,研究了一种新的神经网络规则提取方法,在特征选取中,引入了数据挖掘中广泛应用的熵法;在连续属性离散中,引入了粗糙集理论中的由S. H. Nguyen和Skowron提出的布尔逻辑与粗糙集理论相结合的经典离散化方法,该方法可以将离散属性看作连续属性的特例,同时进行处理,这在很大程度上降低了计算的复杂性;在神经网络结构设计中,引入遗传算法,实现了神经网络结构自动优化,以保证训练好的神经网络具有最佳的泛化能力;在规则提取中,提出了一种分层穷举式的规则提取方法,保证了规则提取的完整性和优先次序。并用Iris数据和人群分类问题数据验证了方法的正确有效性。(4)利用ZL-3型多功能转子实验台和航空发动机转子实验器采集了包含不平衡、碰摩及油膜涡动的故障样本,利用本文方法提出的新的神经网络规则提取方法直接从大量的故障样本中提取故障诊断知识规则,结果表明了方法的正确有效性以及规则的良好解释性。