旋转设备在国民经济生产中有重要作用，出现故障会造成损失。故障诊断技术能够监控设备运行状态，提前预警设备异常，从而减少设备维修费用及故障损失，具有很好的经济效益。本课题研究旋转设备的故障智能诊断，首先通过经验模态分析(EMD)处理旋转设备原始振动数据，获取旋转设备故障类别的主要特征数据;然后采用粗糙集方法对主要特征数据约简，获取故障判断的有效规则。由于旋转设备数据的连续产生，需要实时判断旋转设备的故障类别，所以应将数据离散化;并在有一定故障规则的前提下，对新增数据样本识别或进行新规则的更新。　　为将连续数据离散化，本文研究了一种改进的CACC算法，该算法在类和属性最大相关度的前提下，增加数据不一致约束条件，从而减少数据丢失信息量。仿真结果表明，本文算法整体指标优于ModifiedChi2，Extent-Chi2，CAIM，CACC等算法，能够更为合理的获取连续数据的断点组合。　　研究实现了一种基于属性信息熵的增量学习算法，算法针对新增样本属性信息熵的变化来更新规则，通过机器学习数据库UCI中数据，该增量算法仿真实验结果表明，能够在较为合理时间内判别新增数据的故障类别或生成新的规则。对采集到的旋转设备电机运转现场数据验证表明，算法具有一定的有效性和实用性。