目前,利用多种智能故障诊断技术相结合实现故障诊断已经成为故障诊断领域研究的一个热点。神经网络凭借自身独特的优势在故障诊断领域发挥着越来越重要的作用,但是训练数据中大量冗余信息的存在严重制约着神经网络的诊断效率,而粗糙集理论可以在保持数据分类能力不变的情况下,删除多余的不相关信息。于是两者的结合就成了一种必然。本文以构建基于粗糙集-神经网络的故障诊断虚拟系统及其程序实现为目的,主要做了以下几方面的工作：①针对现有的粗糙集-神经网络相结合的故障诊断方法,在分析了目前几种常见方法的优缺点的基础上,提出如下实现方法：采用SOM神经网络进行连续属性离散化,属性约简采用基于粗糙集理论的rosetta软件中的Johnson’s algorithm约简算法,采用改进的BP神经网络实现故障诊断。②BP神经网络中引入L-M算法。该算法结合了高斯-牛顿法和梯度下降法两者的优点,从而使网络在学习和训练过程中可以自适应调整网络权值,使网络能够有效收敛,同时也大大提高了网络的收敛速度和泛化能力。③本文采用面向图形用户、交互性强、具有强大数据可视化分析能力的LABVTEW图形化编程语言进行故障诊断系统的友好用户界面设计；采用编程效率高、数值计算能力强、具有各种神经网络工具箱的MATLAB编程语言实现数据离散化以及网络的训练和诊断；最后结合某一故障样本数据的实例验证了本系统的可行性和实用性。