主动维修的有效实施能够保证机械设备和系统最高的可靠性和最长的使用寿命，从根本上避免故障的发生。同时，油液分析技术作为其实现的前提条件，已经得到广泛的应用。本文针对实现主动维修的油液监测故障诊断技术中存在的不确定性问题以及知识获取和故障源挖掘的问题，将知识发现方法引入油液监测和故障诊断技术，构建了基于油液监测的智能维护系统。该系统能完成对油液监测数据的积累与存储，并能结合单个油液监测方法的灵活性和信息融合模式识别的准确性，分层次地进行设备磨损情况的判断与预测，辅助维修决策。围绕系统中诊断知识获取的问题、油液监测多源信息融合问题、不确定性推理以及故障诊断知识处理技术问题展开了全面而深入地研究。主要研究内容如下：　　 在分析了油液监测与故障诊断技术在国内外的发展现状后，较为全面地介绍了油液监测故障诊断的数据源及其与故障模式之间的关系。针对其中应用最为广泛、便捷高效的光谱数据分析，采用决策树算法进行设备磨损状态识别的知识获取，并辅助维修决策。　　 在信息融合的思想下，根据油液监测数据源多的特点，利用粗糙集方法对知识进行融合与处理，去除其中的冗余知识，构造简洁、有效的油液监测故障诊断决策规则，并结合模糊逻辑推理进行故障诊断与维修决策。由于通常基于粗糙集理论的约简处理之前必需的离散化过程却会造成某种程度的信息损失，它没有保留离散化后具有相同符号表示的属性值在实数值上存在的差异，这使得粗糙集属性约简难以完整保留信息内容。为此本文提出对油液监测数据采用模糊化处理技术，构建基于油液监测的模糊决策信息系统，并运用模糊信息系统知识发现方法进行属性约简，从而避免了粗糙集约简处理之前必需的离散化而造成的信息丢失。　　 依靠单一智能技术的故障诊断已难以满足复杂的设备诊断的全部任务，将多种不同的智能技术结合起来的混合诊断系统成为智能故障诊断研究的一个发展趋势。　　 本文基于智能互补融合的思想，将粗糙集理论与贝叶斯网络有机结合在一起，对粗糙集约简后的最小约简征兆属性，根据故障征兆与油液监测数据之间的联系，构建了用于油液监测故障诊断的贝叶斯网络，其拓扑结构表示出故障征兆与故障原因之间的定性因果关系，分配于各个结点的概率分布有效地解决了诊断知识的不确定性问题。对贝叶斯网络用于诊断的两个关键性技术——诊断推理算法、贝叶斯网络学习进行了研究。然后利用贝叶斯网络的柔性推理，通过信度更新辅助故障源的确定。　　 在综合考虑诊断与维修决策过程中的时间、风险、费用、影响以及故障排查与维修中的观测代价和维修操作代价等因素后，通过对贝叶斯网络增加观测和试验节点，进一步构建了基于油液监测的维修决策贝叶斯网络，给出了两步最佳操作选择算法(TSHA)，分析表明，该算法能有效降低诊断代价。　　 由于监测数据本身的多源性及经知识发现各种技术获取的故障诊断知识表示的多样性，针对油液故障诊断的特点，本文在前几章的基础上，讨论了基于数据仓库的油液监测故障诊断系统的体系结构，数据仓库的设计和管理，对智能维护系统的知识集成、存储与管理进行了研究。　　 最后通过ADO使用Visual C++操作SQL Server数据库构建知识发现与维修决策算法应用于基于油液监测的智能维护系统，并以实例数据验证该程序的运算过程。