随着现代机械设备朝着大型化、智能化发展，设备结构变得越来越复杂，对设备进行故障诊断也越发困难。在机器学习和数据挖掘技术的推动下，基于机器自学习的故障诊断系统正飞速发展。智能化的故障诊断系统克服了原有诊断方式的缺陷，能够及时准确发现机械设备隐藏的故障信息，从而快速自动监测诊断设备故障，提高了诊断效率，减少了因诊断不及时不准确造成的损失。智能化的故障诊断系统中，诊断规则如何获取是一个关键。本文采用数据挖掘中应用十分广泛成熟的决策树技术作为诊断规则提取的主要技术。首先对已有的决策树方法进行了分析和研究，发现基于粗糙集和变精度粗糙集理论的决策树构造方法具有较好的分类效果，然而也存在分类精度不够高，决策树节点属性选择困难，对噪声数据抑制能力差等特点，由此提出了基于变精度粗糙集的决策树构造改进算法。在Weka机器学习平台上试验比较，结果表明本文提出的算法在分类精度、决策树复杂度、抑制噪声能力方面都得到一定提升，证明了算法的有效性。在所提改进方法的基础上，以选煤厂机械设备为对象，设计实现了一套故障诊断与分析系统。系统根据已经测得的能够反映设备运行状况的振动历史数据，利用本文提出的决策树构造算法得到设备诊断规则，再将规则应用得到实时诊断系统中来，从而达到对设备实时运行状况进行分析诊断的目的。