随着机械设备的日趋复杂,其日常生产中的可靠性和安全性及维护问题已经引起人们的极大关注。能够建立准确地定位和及时地诊断故障诊断系统是解决这一问题的关键。矿井通风机是煤矿企业的重要供风设备,其故障是导致瓦斯爆炸的主要原因之一。因此,对矿井通风机实施故障检测与诊断具有重大意义。本文以粗糙集和人工神经网络等理论为基础,重点研究了故障特征约简和BP神经网络在风机故障诊断中的应用,以基于粗糙集--神经网络的智能诊断方案,实现对矿井通风机常见机械故障的有效诊断。本文主要从以下几个方面作了探索性尝试:(1)根据粗糙集和神经网络各自的优缺点,选择矿井风机作为基于两者相结合的故障诊断模型的研究对象。在粗糙集理论基础上,讨论了数据的离散化问题、样本数据的约简问题。(2)对BP神经网络理论及结构和算法做了相应分析研究,了解了神经网络集成思想和模式,以及故障诊断中集成神经网络的应用,并利用MATLAB的神经网络工具箱进行数据训练及仿真。(3)选取UCI数据集中提供的风机故障样本作为本课题研究中仿真的原始数据样本,应用粗糙集的约简方法对大样本进行属性约简,结合BP神经网络完成矿井风机的故障诊断。(4)通过神经网络诊断结果和粗糙集--神经网络的诊断结果的对比,在简化网络结构的和提高训练速度方面做了分析,通过实例仿真说明约简对于大样本故障诊断是可行的。最后,证明了利用粗集作为神经网络诊断的数据预处理在风机故障诊断中的可行性及优势。