神经网络的故障诊断能力的好坏是与它的学习样本多少成正比关系的；而神经网络的结构复杂程度和训练时间的多少，也与需要处理的数据多少成正比关系，也就是说功能强的神经网络一般都具有复杂的结构；而复杂的神经网络，需要大量的训练时间才能收敛，这是制约神经网络进一步实用化的一个主要因素。如何有效降低神经网络的复杂度，减少训练时间是本课题的主要研究任务。 本文利用粗集的约简功能对训练样本数据进行处理，消除样本数据中冗余信息，使训练样本的到简化，同时也就降低了神经网络结构的复杂程度，缓解了影响神经网络实用化的矛盾性问题。并在此基础上构建了一个基于粗集一神经网络的智能混合故障诊断系统。 论文论述了应用粗集对故障数据进行约简的可行性，并应用自组织映射神经网络的聚类功能，来实现连续属性值的离散化方法；给出了简化的分明矩阵法，并用该方法实现了样本条件属性的约简，消除了样本数据中的冗余信息；采用MATLAB神经网络工具箱建立了压缩机的部分故障类型的智能混合诊断系统；最后介绍了智能混合故障诊断系统的功能模块组成，各功能模块分别为：数据采集模块，数据预处理模块，数据约简模块，神经网络模块，故障诊断模块，故障解释模块；并给出了各功能模块的工作流程。