证据推理(Evidence Reasoning,ER)规则是对Dempster-Shafer(DS)证据理论中Dempster组合规则的有效扩展,它解决了Dempster组合规则中证据折扣前后特异性的非正常变化问题,并明确区分了证据的重要性权重和可靠性因子的概念。最近,一些学者将ER规则应用于设备故障诊断中,并且取得了一定的成果。在此基础上,本文通过量化分类属性样本及其证据的不确定性,给出一种获得可靠性因子的方法,并基于此设计了一种新型的广义分类器,然后将该分类器应用于完备和不完备样本条件下的故障诊断中,以便提升ER诊断模型在解决设备故障诊断问题中的适用性和应用效果,主要工作如下:(1)基于证据推理规则和粗糙集的广义分类器设计。首先,基于样本特征参考值投点获取参考证据矩阵,利用证据不确定度进行参考证据矩阵参数的优化。然后,基于粗糙集和证据不确定度获取证据的可靠性因子,使用ER规则进行证据融合与分类决策。最后利用University of California Irvine(UCI)提供的五种典型分类数据集,详细叙述了广义分类器算法的实施过程,并对实验结果进行了详细分析,从而说明所提分类器性能的优势。(2)完备样本条件下的旋转机械设备故障诊断方法。针对训练样本完备的情况,亦即建模所需多维故障特征向量中不存在缺失的情况,基于(1)中广义分类器给出了相应的诊断方法。首先对多传感器采集的机械振动信号进行特征提取;基于k-means算法获取特征样本参考值,构建参考证据矩阵并计算证据可靠性因子;通过证据融合与决策判断待检测样本的故障模式;在融合过程中,利用序列线性规划(SLP)策略实现了证据重要性权重的优化;最后,在电机转子故障诊断实验中,验证了所提方法的有效性。(3)不完备样本条件下的旋转机械设备故障诊断方法。针对故障诊断中样本数据缺失这一典型问题,进一步提出两种基于(1)中广义分类器的诊断方法。方法一在多源证据获取以及融合过程中都忽略缺失的故障特征;方法二把数据缺失看作是故障特征自身所具有的一种自然特性,并在证据获取和融合中都考虑了该特性的影响。最后,在电机转子故障诊断实验中,通过对比其他典型诊断方法,验证了所提两种方法的有效性。