本论文在进行粒计算和人工神经网络的理论研究的基础上,进一步将两者结合起来,提出了粒计算——神经网络算法,并将其应用到旋转机械故障诊断之中。粒计算理论(Granular computing theory, GrC)是美国学者T.Y.Lin教授提出的,他曾指出“粒计算理论是数据约简的一个好工具”。粒计算从不同粒层次上研究问题,主要用于处理不确定的、模糊的、不完整的和海量的信息,是信息处理的一种新的概念和计算范式,覆盖了所有有关粒的理论、方法、技术和工具的研究。作为一种新的智能信息处理技术,粒计算属于“软计算”的一种,在近几年受到国内外学者的广泛关注。人工神经网络(Artificial Neural Networks,ANN)因其具有自学习、自组织、容错性好和并行处理信息等能力,广泛地应用于各种领域。本文在此基础上提出的粒计算——神经网络松耦合算法将粒计算与人工神经网络相结合,各取其优点,优势互补,其核心思想是将粒计算作为神经网络的前端处理器,即利用粒计算理论强大的约简能力对原始信息进行化简,从而得到与原始信息等价的最小属性集,最后构建基于最小属性集的神经网络,从而进行网络训练。实验证明,基于粒计算的约简算法简单明了,计算量小,简化了网络结构,提高了训练效率。另外,本文还提出了二进制粒神经网络(Binary Granular Computing Neural Networks,BGrCNN)模型,该模型将二进制粒与神经网络紧密地融合在一块,构建了一种新的神经网络。该模型的输入输出及其运算过程均为二进制数,能大大提高网络的训练时间。本文的主要创新成果有:1)首次将基于Rough集的粒计算与人工神经网络相结合,各取其优点,建立了粒计算—人工神经网络的模型。粒计算是对数据进行约简的一种方法,人工神经网络是对数据进行分类的一种手段,二者的结合可以彼此加强处理数据的能力。2)提出粒计算—人工神经网络故障诊断算法,以改进人工神经网络在故障诊断应用中的内在缺点。3)将粒计算—人工神经网络松耦合故障诊断算法在仿真平台上进行测试,并应用到大型旋转机械系统的故障诊断中。4)构建了二进制粒神经网络模型,将粒计算与神经网络紧密融合,是一种新型模型,也是理论研究的一个新课题。