故障诊断技术对于维护机电设备的安全、高效运行至关重要，在现代化工业生产过程中发挥着巨大作用。但是，由于大型旋转机械设备的复杂性，通过获取动态数据进行故障诊断变得非常困难，其中最主要的难点就在于故障知识发现始终未能取得突破性进展。针对此问题，本文开展了基于粒计算的旋转机械故障诊断知识发现研究工作，利用广义粒计算理论对故障诊断知识发现过程中的故障特征提取、故障数据聚类以及故障模式辨识进行了系统研究，主要研究内容及获得的相应研究结果如下：1　　(1)首先分析了知识发现与粒计算的基本内涵，并通过推演不同知识粒度间的运算关系，揭示了故障知识粒度计算的本质；然后以粗糙集理论作为知识处理工具，对故障知识粒度计算的数据处理模式进行分析，研究发现，故障知识的粒度大小需根据具体的应用情况进行确定；最后通过分析具有粒计算思维模式的几种方法，对粒计算方法的范畴进行推广，使故障诊断过程的每个步骤都体现出粒计算思维，为本研究建立了统一的理论框架。　　(2)针对局部均值分解(Localmeancomposition,LMD)存在计算过程复杂、计算误差较大的问题，将三次Hermite插值法引入LMD中，用于计算局部均值函数和包络估计函数；同时利用自适应波形匹配数据延拓技术和正交性准则共同消除LMD的端点效应与乘积函数误差较大的问题，从而得到了一种新的CHI-LMD方法。利用转子-轴承系统的碰摩故障信号对方法的性能进行了验证，处理结果显示，改进的CHI-LMD方法比LMD方法具有更好的非平稳信号处理能力。　　(3)针对时域、频域量化特征只能反映机械故障振动信号部分信息的问题，提出了一种基于CHI-LMD和Teager能量峭度的时频域量化故障特征提取方法。该方法首先利用CHI-LMD对机械振动信号进行分解，得到一组含有不同频率成分的PF分量；然后通过Teager能量算子计算每一个PF分量的瞬时能量，它可同时反映信号的频率和幅度变化；最后计算PF分量瞬时能量序列的峭度，可得到一种新的时频域统计特征—Teager能量峭度(TEK)。经过对转子-轴承系统实验振动信号的处理发现，TEK比一般的峭度指标能够更稳定地表征故障特性，非常适合于构建故障信息决策系统。　　(4)针对故障数据结构复杂、不同故障特征之间存在相互交叠的问题，提出了一种改进的模糊C均值聚类算法以处理故障数据集。该算法利用均值漂移、改进的马氏距离以及近邻样本加权等策略，对模糊C均值算法中的初始聚类中心不确定和孤立点敏感等问题予以克服。通过UCI标准数据集和转子-轴承系统的实验数据对方法的有效性进行验证，结果显示，改进的模糊C均值算法比 K-means算法和模糊C均值算法具有更好的聚类性能。　　(5)针对故障辨识过程中特征评价因子存在一定偏差、核主元分析无参数优化环节、支持向量机的参数优化结果不准确等问题，提出了一种集成改进智能的模式识别方法。该方法使用加权特征评价因子选择最敏感特征；基于类间可分性指标分别建立了核主元分析与支持向量机核参数的适应度函数，并利用自适应惯性权重的改进粒子群算法对核参数进行优化。通过 UCI标准数据集对改进方法和原方法进行了比较分析，结果显示，改进方法具有更高的分类准确率；在转子-轴承系统的故障辨识实验中，改进方法也获得了更好的诊断结果，进一步验证了该方法的有效性和实用性。因此，集成改进智能的模式识别方法适合于进行旋转机械的故障分类与辨识。