关键设备故障诊断是一项复杂的任务,诊断精度是评价机器故障诊断系统性能的一个重要指标,也是影响诊断系统发展和应用的主要因素.该文围绕着如何基于粗糙集理论(RST)和支持向量机(SVM)提高故障诊断系统的诊断精度问题展开了理论和应用方面的研究和探讨.论文主要内容如下:传统的Pawlak粗糙集模型常常受到噪音问题、有效知识获取算法和不确定性知识评价等问题的困扰,该文根据变精度粗糙集模型的原理和基于知识的诊断专家系统特点,重新确定规则强度的定义和不确定性知识评价方法,提出了故障诊断中基于变精度粗糙集模型的知识获取算法,有效地改善了专家系统知识获取的质量,提高了系统诊断的准确性和性能.同时,该文针对神经网络诊断的一些局限性,结合粗糙集理论善于处理不完整数据的特点,提出了使用粗糙集理论优化神经网络故障诊断模型(RNN)的基本策略,通过对神经网络的优化,提高粗糙集神经网络模型诊断的准确率.最优分类面对SVM分类精度的影响很大,该文有机地融合了SVM算法和非参数模式识别方法,将它们应用于最优分类面附近的可疑区域的分类研究中.定义了样本集中的正例支持向量和反例支持向量的代表点,研究了原始空间样本x,y在核函数k(x,y)映射下在特征空间中的x,y映象之间的度量和特征函数,并给出了相关的定理及证明.探讨了最近邻判别法则的分类原理,给出了NNSVM(Nearest Neighbor-Support Vector Machine)算法的基本原理,提出了对样本精确分类的NNSVM算法.该文分析了SVM传统的1-a-r多分类算法和1-a-1多分类算法的优缺点,结合故障诊断领域多故障诊断的特点,给出了基于SVM的多分类算法故障诊断策略,建立了基于SVM的多故障诊断模型,提高了SVM对多故障诊断的识别率.该文采用故障样本仿真数据、实验台数据和工程实际数据对RST、RNN和NNSVM等提高诊断精度方法进行了验证,比较了各种方法的差异,指出了它们的应用环境和发展趋势等.适应大型机组远程监视诊断的需要,同时根据863计划研究项目的实际情况,开发了基于Web技术的远程监测诊断系统(WFD802系统).该文研究了分布式设备远程监视诊断系统的体系结构,介绍了WFD802系统,并给出该系统的现场应用实例.