粗糙集理论作为一门新兴的智能信息处理技术，作为一种处理不确定性和不完整性的数学工具，它能有效地分析处理不一致、不完整、不精确等多种不完备信息，并且能够在保留关键信息的情况下对数据化简同时求得知识的最小表达，它在智能诊断中得到了很好的应用。概率神经网络(Probabilistic Neural Network(PNN))作为一种训练简洁、结构简单、应用广泛的人工神经网络，它的优势在于用线性学习算法来处理以往非线性学习算法所处理的工作，同时又能保持非线性算法的某些特性(比如：高精度特性)。　　 本文将概率神经网络应用到旋转设备(压缩机)的故障诊断中，由于它具有强大的模式分类和识别能力，可以较好地解决其他神经网络，例如反向传播神经网络(Back-Propagation Network,BP网络)，样本变化时需要重新训练，训练时间较长等缺点，提高了故障诊断的准确率。第五章中本文结合粗糙集理论与概率神经网络技术，将其应用于压缩机故障诊断，较好地利用了两种方法的优势，取得了高效的诊断方法。　　 论文的内容由下面几个部分组成：简单介绍了设备故障诊断的现状和发展趋势；详细讨论了基于粗糙集理论的属性约简；由于概率神经网络相对于BP网络具有的优势，提出建立基于概率神经网络的设备故障诊断模型，实验表明，采用遗传算法优化训练样本的平滑因子的概率神经网络的故障分类结果较之于普通的概率神经网络分类结果更为优秀；使用粗糙集方法对原始数据进行约简构成精简的规则集，由此决定的概率神经网络结构具有良好的拓扑结构，减小了网络规模，提高了学习速度，同时网络的分类能力得到了保持。结果表明，本文针对旋转设备的常见故障，提出的将粗糙集理论与概率神经网络结合应用于旋转设备故障诊断的方法，是行之有效的。