柴油机作为典型的往复式机械设备,在整个机械系统中占有重要的地位,然而其结构的复杂性使得柴油机的故障呈现出多样性,另外由于工作环境噪声、信息采集系统精度、数据处理和故障诊断方法的影响,使得柴油机故障诊断的准确率和效率偏低,因此如何寻找一种快速、有效的故障诊断方法,是目前国内外相关学者的主要研究内容。粗糙集理论可以挖掘数据中的冗余信息,实现实验测点和特征参量的优化;人工神经网络具有较好的容错性,是目前应用较为广泛的智能化故障诊断方法;信息融合技术,把多个传感器的信息进行组合,能够改善系统的可靠性和可信度。因此本文将粗糙集理论、人工神经网络和信息融合技术等智能化诊断方法相结合,以便达到更好的故障诊断效果。本文首先阐述了本课题国内外的研究现状,以及粗糙集理论与人工神经网络相结合的可行性和必要性,其次重点研究了基于粗糙集理论的优化问题,通过对现有测点优化方法、属性离散化和约简算法的归纳总结,指出目前存在的问题,从而提出了相关的改进方法:基于属性依赖度的测点优化方法,可以有效区分不同测点的属性依赖度,以及各个测点对不同故障工况的敏感程度;改进的NS离散化算法,能够实现在确保不改变信息系统分类能力的前提下,尽量减少断点的数目,提高数据的抗噪声能力;改进的基于属性依赖度的约简算法,以属性依赖度和不可分辨关系共同作为系统分类能力的判断标准,以约简的基本条件为指导,应用实例论证了方法的正确性和有效性。最后将约简后的振动与噪声信号进行特征融合,通过对比RBF神经网络的训练过程和输出结果,表明该故障诊断系统能够提高诊断的准确率和效率。