在现代化的生产制造中,机械设备故障诊断技术越来越受到人们的重视,该技术的应用不仅能够帮助企业及时发现设备故障,避免重大安全事故,还能够给企业带来可观的经济效益,具有重大的研究价值。目前大多数设备故障诊断方法是基于知识规则的,发展较为成熟,但这类诊断方法依然存在难以克服的缺点,例如知识规则提取困难,知识规则库维护复杂等。针对此方法的不足,本文引入案例推理的故障诊断方法,该方法具有知识获取容易,成长性强和求解过程简单等特点,但在构建基于案例推理的故障诊断系统时仍然遇到了一些问题:依据单通道信息构建的案例库存在信息遗漏、故障信息不完整的问题;常规信号分析方法对所采集的非线性、非平稳振动信号难于处理;案例表征特征存在冗余性;案例检索技术中的常规K最近邻法(KNN)诊断准确率低等。基于以上问题,结合全矢谱技术、集合经验模态分解方法(EEMD)和案例推理技术的优势,提出基于全矢EEMD和案例推理的旋转机械设备故障诊断方法。本论文的主要研究内容分为以下几方面:(1)针对常规方法难于处理非线性、非平稳信号以及单通道信号容易遗漏故障信息的问题,结合同源信息全矢融合技术和EEMD方法,分离噪声信号,改善经验模态分解(EMD)方法的模态混叠问题,保障所采集故障信息的完整性和准确性,最后通过实验表明:基于全矢EEMD方法所提取的故障特征具有更好的故障分辨能力。(2)针对案例推理技术中的属性冗余及KNN方法诊断准确率低的问题,提出遗传算法结合相关性特征选择的滚动轴承故障特征优化方法,对初始特征集进行筛选,降低原始特征集中特征间的冗余性,显著提高计算效率,但诊断准确率略低于原始特征集;为提高诊断准确率,提出遗传算法加权KNN的滚动轴承故障特征优化方法,为初选特征子集添加权重系数,有效提高诊断准确率。实验结果表明:本方法可以显著提高滚动轴承故障诊断的诊断准确率和计算效率。(3)构建全矢EEMD和案例推理的滚动轴承故障诊断模型,并以此模型为基础,运用案例推理工具mycbr建模平台搭建滚动轴承的故障诊断系统,并通过实例验证表明:该系统不仅能够诊断滚动轴承的单一故障类型,还能够诊断复合故障类型,相比于基于知识规则的故障诊断系统,本系统不需要研究其复杂的故障机理,而且案例的获取较为容易,得到的诊断结果和解决措施让人更加容易理解和接受。