滚动轴承在机械设备中应用广泛,它的工作状态直接影响机械设备生产,研究轴承的故障诊断,具有一定意义。轴承的故障可以通过温度分析技术、油样分析技术进行诊断,但是当滚动轴承的故障比较轻微时,温升较不明显,难以诊断,而油样分析技术又不能对脂润滑的轴承进行诊断,因此上述方法存在一定的局限性。滚动轴承工作时产生的振动信号反映了滚动轴承的工作状态,所以振动信号分析法是轴承故障诊断的最实用的方法。粗糙集理论是人工智能领域中处理混乱、不完整信息的重要方法,在数据关联关系的挖掘、冗余属性的约简等领域有着广泛的应用。模糊神经网络集合了神经网络和模糊系统的优点,可以充分发挥模型对系统不确定性的处理能力,而且模型的参数能够通过自我学习进行调整和优化。这两种理论方法,均可以同振动信号分析法相结合,用于滚动轴承的故障诊断。本文通过轴承故障模拟试验台,采集振动信号,提取特征向量,研究了两种方法用于故障诊断。第一,基于粗糙集理论相关原理,通过粗糙集分析工具Rosetta软件,对提取到的振动信号的特征向量进行属性约简,建立粗糙集分类器,通过自学习实现故障的诊断;第二,将粗糙集方法和模糊神经网络融合,其中粗糙集方法仅作为特征向量约简的工具,将约简后的特征向量作为模糊神经网络输入,训练生成自适应模糊神经网络系统,用于轴承故障的诊断。结果表明,融合了粗糙集降维和自适应模糊神经网络的诊断方法诊断效果更佳。最后结合LabVIEW和MATLAB两款软件的不同优点,开发了两者混合编程的故障诊断系统,实现了轴承的故障诊断。