当今生产设备日趋集成化与复杂化。如何及时发现和预测故障并保证设备在工作期间始终安全、高效、可靠地运转,具有重要的研究意义。传统的故障诊断方法存在着诊断对象单一、诊断模型难建立、依赖主观经验、难以获得规则等缺陷,对于故障的多样性、复杂性和隐蔽性往往无能为力。本文针对传统故障诊断的缺陷,深入研究了几种数据挖掘技术,并在故障诊断中应用,以完成对复杂设备的通用、快速、脱离主观经验的故障诊断。本文重点研究了粗糙集理论在故障属性约简中的应用,决策树算法在故障分类中的应用及关联规则挖掘在故障分类中的应用。通过查询与条件属性具有相同分类能力的属性集,改进了粗糙集属性约简算法,解决了其在决策表约简的过程中需要建立辨识矩阵和求取核属性,效率较低的问题;通过利用嵌入式SQL直接对故障数据库进行高效的数据查询与处理,大大提高了ID3算法的效率和可实现性,同时可以使算法具有随元组个数增长的良好的可扩展性;利用数据库查询的方法改进了Apriori算法,使其既能满足事务型数据库又能满足关系型数据库的应用并提高的规则产生的效率,这样就满足了实际诊断的需要。针对复杂设备的故障诊断,本文将三种算法结合,先通过粗糙集对故障属性约简以简化数据库规模,再通过决策树算法的高效性和关联规则算法的全面性相结合,以实现快速全面故障规则的挖掘。最后以此为核心设计了一个故障诊断系统,实现了故障数据的采集、存储、预处理、规则挖掘及故障匹配一系列功能。实验证明该系统能够发现故障属性和故障分类之间的对应关系,自动地实现故障规则库的建立和故障匹配,较好的满足实际故障诊断的需要。