随着人们对汽车的质量和汽车提供的服务要求越来越高,车载计算机和各种电子设备在汽车上广泛使用,汽车发动机也变得愈加复杂.而在汽车领域,不断更新的立法要求发动机具有更严格的状态监测和故障诊断系统,降低汽车的油料消耗和改善排放尾气的质量.发动机上的组件和电子控制设备之间的复杂相互作用使得通过建立发动机的数学模型进行故障诊断特别困难.因此,研究不需要系统细节的发动机故障诊断技术具有重大的理论意义和实际价值.信号的功率谱能表示信号的能量分布,该文使用功率谱法分析汽车发动机的振动信号,确定其特征频窗,提取频域特征参数.但是,发动机振动信号具有非平稳随机性,功率谱分析难以全面反映它的特点,而小波分析具有时域、频域同时局部化的特性,能实现对信号全貌及局部特征的双重分析,因此利用频率在小波变换中的映射关系,使用按一定原则选取的小波基将振动信号进行小波包分解到第三层,提取合适子空间的时-频特征参数.表征信号的特征属性的选择是故障诊断中一个待解决的问题,该文综合使用布尔推理和粗糙集理论,阐述了选择特征属性的方法,利用布尔推理表示属性离散化、属性约简等概念,降低算法的复杂性,计算出最简属性集,再结合应用的特点,选择合适的特征属性集表征信号.粗糙集理论能处理不完备知识,但对数据噪声敏感,而且处理的信息要求是离散化的;神经网络能实现动态非线性映射,具有很强的泛化能力,但是输入的特征量是单值,包含许多不相关的信息.在故障诊断中,传感器的输出是一个范围或在观测时间内是变化的,而且表征信号的特征量的个数会对诊断结果有一定影响,因此,该文结合粗糙集和神经网络的优点,提出了使用区间输入的粗糙神经网络模型及其学习算法,并用于发动机气门间隙的故障诊断,结果表明粗糙神经网络能用于故障诊断,而且诊断准确率高于BP神经网络.