随着机舱自动化与智能化程度的发展,机舱机械设备的故障产生机理复杂多变。船舶主机作为机舱内的核心设备,对船舶的安全航行起着重要的作用。船舶主机包含的众多子系统之间呈复杂的非线性关系,且主机上众多测点在短时间内采集的大量数据,若不加处理将大大增加诊断系统的运算开销,传统的故障诊断方法难以高效地完成任务。本文以船舶主机的燃油系统为研究对象,提出一种基于粗糙集理论和优化有向无环图—支持向量机(DAG-SVM)的故障诊断方法。首先,将数据挖掘中的粗糙集理论引入传统的支持向量机(SVM)诊断模型,并通过差别矩阵对离散化数据进行降维,在每2种故障之间建立支持向量机分类器,从而构建DAG-SVM拓扑网络;然后,以类间的分类精度为依据,优化有向无环图中根节点和其他叶节点的位置,从而有效避免“误差累积”;最后,基于某超大型油轮模拟器,开展数值实验分析,在相同条件下,对四种典型的分类模式进行仿真实验,分别是1-vs-1 SVM、1-vs-a SVM、DAG-SVM 和本文方法。仿真结果表明,粗糙集与优化DAG-SVM相结合的故障诊断方法可以对船舶主机故障进行有效的诊断决策,其分类精度比传统的DAG-SVM方法提高了3.4%,而时间消耗也降低了2.42s,本文方法在诊断精度和时间消耗上也远优于1-vs-1 SVM和1-vs-a SVM。该诊断方法对船舶主机的故障诊断研究具有一定的参考价值,也可为SVM在其他小样本分类中的应用提供数据支撑。