由于设备结构的复杂导致了故障征兆与故障原因的多样性和故障信息的不完备与不协调,这是目前设备智能故障诊断研究中所面临的一大难题。研究具有不完备、不协调信息的设备故障诊断方法具有重要的现实意义。本文以粗糙集理论为基础,对故障信息系统特别是不完备、不协调决策信息系统的属性约简、规则获取及规则发现进行系统理论研究。通过建立智能推理诊断模型,为复杂设备的故障诊断提供了新的方法和手段。本学位论文主要作出了以下几个方面的研究工作:设备故障的不确定主要表现为故障信息的不完备与不协调,其与故障发生的概率有关,研究用事件的自信息来度量事件的不确定性、用信息熵来度量诊断系统不确定性的方法。以完备信息系统为研究对象,提出了基于最大分辨度的启发式属性约简算法,实现了多属性决策信息系统的最优属性约简,为决策信息系统属性约简提供新方法。针对不完备信息系统,通过研究最高可信度的数据补齐算法,保证了从中获取的规则对诊断决策有尽可能高的支持度。在不完备信息系统规则获取方面,作了两方面的研究工作:一是为从动态增加诊断样本中快速获取诊断规则,提出了一种增量式获取规则算法,该算法能有效地减少获取规则的计算量,节约大量的资源;二是受认识规律的启发,将不完备信息系统分为完备层和非完备层,然后进行层次递阶约简。即先对完备层进行约简,然后将不完备属性根据重要性大小逐层分步约简并提取规则,减小因系统完备化使信息失真而带来的不确定性,理论上证明了分层过程不会增加信息系统的不确定性。对不协调决策信息系统,将条件属性等价类与决策属性等价类用包含程度来描述,根据包含的程度不同,研究了分布约简、最大分布约简及分配约简算法;分布约简集与原属性集产生的规则有相同的可信度,通过对不协调决策信息系统的分布约简,解决了隐规则发现难的问题,并给出其可信度,这能缓解诊断系统数据量大而知识贫乏的矛盾;同时用最大分布约简算法实现了不完备不协调系统的最优选择。基于设备结构分解策略将故障特征参数空间和故障空间分割为多个子空间,能有效的降低推理机输入数据的维数。采用信息融合方法研究了智能故障推理机模型,提出了多子神经网络与模糊推理并串融合智能推理机结构模型。用改进的BP算法对并行子网络进行训练,模糊诊断权矩阵能根据样本数据自动生成,使推理机有良好的学习与容错性能,能达到较理想的推理效果。同时讨论了并行子网的组建和BP神经网络结构的优化原则和方法。在分析装载机远程故障诊断的系统需求的基础上,提出并实现了装载机远程智能故障诊断系统的总体结构、功能模型和计算模型,并用于实际的工程对象。实践表明,该系统能适应不同用户的要求,结构合理、工作稳定、实用性强。