通过振动信号对机械故障诊断一般分为信号特征分析和状态识别两方面，本文利用时频分析的新方法Hilbert—Huang变换对信号进行分解提取故障特征向量，然后运用粗糙集理论建立最简故障决策规则表，对旋转机械故障进行识别。 在信号特征提取中，Hilbert-Huang变换(HHT)是分析非线性与非平稳数据的一种独特的频谱分析方法，首先用经验模式分解(EMD)方法将任何信号分解为有限的具有一定物理意义的几个本征模态函数(IMF)分量之和，再对各分量进行Hilbert变换以得到各自的瞬时频率和振幅，最后可以求得振幅．频率．时间分布的Hilbert谱以及Hilbert边际谱。Hilbert-Huang变换虽然是很好的信号分析工具，但仍有许多问题有待解决。本文分析了各种问题及其相应的改进方案，并提出一种基于极值点变化趋势与镜像法相结合的预测方法来抑制EMD分解过程中的端点效应，仿真结果表明其有效性。 在状态识别中，粗糙集理论是一种刻画不完整性和不确定性的数学工具，能有效地分析处理不精确、不一致、不完整等各种不完备信息，能在保留关键信息的前提下对数据进行化简并求得知识的最小表达，特别适于智能诊断。针对旋转机械的常见四种故障(转子不平衡、不对中、油膜振荡及转子碰摩)，以Hilbert边际谱中8个不同频段上的幅值分量比值作为故障征兆属性，进而离散化后作为条件属性，对应的典型故障类型为决策属性，建立故障决策表。然后运用粗糙集理论对决策表进行化简，去除冗余的故障属性，对各决策规则进行约简，得到极小决策规则集，并通过实例验证该旋转机械故障诊断模型是有效的。