机械设备发生故障，若不能及时得到诊断并排除，往往造成严重的经济损失，据此，研究机械设备的智能系统具有极其重要的意义。但是由于知识和经验描述的多样性和不确定性，因此知识的获取和有效处理已成为专家系统的“瓶颈”问题。目前，在机械故障诊断中应用比较广泛的是人工神经网络方法，这一方法要求有大量典型的训练样本数据或先验知识，但是在大型机械设备中，大量典型故障数据往往很难获得。 近年来，以粗糙集理论为基础的数据处理方法得到了广泛的发展，基于粗糙集的知识理论由于不需要预先给定某些特征或属性的数量，可从现有的数据出发给出知识的简化方法，成了软计算方面的强有力工具。我们利用粗糙集理论强大的数据分析能力和分辨能力，对专家系统中存在的大量多余的信息进行精简并消去一些不必要的属性，这样就降低了故障诊断专家系统知识库的繁杂性，并明显改善了专家系统的整体效能。 本文介绍了知识发现、知识发现方法粗糙集的基础知识以及基于知识发现的故障诊断方法；讨论了等价关系、属性核、数据约简相对正域等粗糙数据分析的现有算法及算法复杂度：提出了知识获取平台(Knowledge Discovery Platform，KDP)系统构成与机器实现的设计算法，数据推理原理和各种数据推理方法，各种决策规则约简、提取的方法，并用MATLAB语言实现KDP知识获取平台。 本文还将KDP平台通过C++语言嵌入到Prolog语言中心开发的ESTA专家系统框架中，使KDP系统与ESTA系统实现了基于文本文件的数据交换。文中介绍了ESTA系统的汉化、扩展及知识库设计方法；分别给出了KDP系统在故障诊断中诊断规则提取的应用实例、ESTA系统的故障诊断实例以及KDP与ESTA集成的诊断实例。