随着主动维修思想的出现,其优势日趋明显,同时,油液分析技术作为其实现的前提条件,已经得到广泛的应用,人们开发出各样的油液分析综合系统,以适应维修领域知识专家经验不能满足需要这一现状。本文提出了一个基于机器学习方法的油液分析系统的模型,运用一种新的增量式的学习方法,解决油液分析系统的知识获取问题。另一方面,通过决策树方法得到的知识模型,辅助故障源的判断,能够在故障发生之前提前预防,达到主动维修的目的。首先,针对实现主动维修的油液分析系统中存在的知识获取,以及故障源挖掘的问题,结合机器学习方法,提出了一种机器学习方法在油液分析专家系统中的应用模型,并对模型中的关键部分作了简要概述。其次,阐述了系统中选取具体的机器学习方法的过程,并对其中的决策树方法辅助故障源的挖掘过程进行了详细阐述。利用决策树方法学习到的知识模型,结合机器学习的推理能力,发掘诊断属性中的重要参数,辅助故障源的确定以及维修决策。接着,本文在决策树增量式学习算法ID5R和粗糙集理论的基础上,提出了一种粗糙集结合决策树增量式的学习方法,使得学习过程在遇到新的故障示例时,不需要重新计算一次所有结点的信息熵,减小了系统对新示例学习的消耗。并将该方法运用于系统的知识获取过程,并通过一组油液分析样本数据对该算法进行了验证。最后,利用Microsoft SQL Server以及Powerbuilder,开发了一个决策树算法应用于油液分析系统的原型系统。