设备运行的工作环境基本上是一个复杂环境，监测设备所得到数据是混有噪声干扰的数据，很显然我们得到的这些信息并不都是必要的。其中很大一部分是冗余的，对故障的诊断是没有用处的，因此有必要去除这些冗余信息，使故障信息得到简化。因为去除了数据中的冗余信息，神经网络需要处理的数据量就会大量减少，需要的网络结构也就没有那么复杂，同时训练时间也得到减少。
本文将粗集理论应用在神经网络的前端，利用粗集对压缩机故障样本进行约简处理，简化数据，降低神经网络的数据处理量，实现了神经网络结构的简化和神经网络在压缩机故障诊断中的实用化。
粗集-神经网络智能混合压缩机诊断系统的构建数据预处理粗集理论只对离散的符号化属性值进行分析处理，而故障诊断中检测到的征兆数据一般为连续量，因此，在应用粗集理论对故障诊断决策系统进行约简处理之前，需要对其中的连续属性值进行离散处理。所谓连续属性的离散化，是指将数值属性的属性值划分成若干子区间，并以此区间代替原有的实值。
本文采用自组织映射（SOM）神经网络对连续属性值进行离散化处理，通过自组织映射（SOM）神经网络的聚类功能，将故障数据按照规定聚类数目，分布在各类中，然后用类名称代替原来数据，实现离散化，离散结果能够比较客观地反映数据分布情况。
该功能的实现主要是应用到MATLAB的SOM网络的创建函数newsom和训练函数train.Newsom函数的调用格式如下：Net=newsom（minmax（P），）；其中，P为输入向量即为检测到的设备数据，minmax（P）指定了输入向量的*大*小值，表示创建网络的竞争层为22的结构，网络结构是可以调整的。
然后利用设计好的网络对数据进行聚类离散。
数据约简数据的约简是利用粗集理论中的分明矩阵法来实现的，分明矩阵法是A.Skowron于1991年提出的，可以实现对故障数据的约简。定义如下：如果S=（U，A）是一个知识表达系统，A={a1，，am}，我们用M（S）表示nn阶矩阵（Cij），称它为S的分明矩阵，其中Cij={aA：a（ui）a（uj）%ui，ujU%i，j=1，，n}Cij是由所有那些能分明个体ui和uj的属性组成。显然M（S）是对称的，且当i=1，，n，Ci=.所以我们仅需下三角形部分表示M（S），即对应1j 这个算法的时间和空间的复杂度是关于S的大小成指数变化的，但是它是许多实践中*为有效的计算决策表约简的方法，工作流程如。 数据约简模块工作流程3神经网络的扩展神经网络只能对训练过的故障类型进行正确识别，因此要求当设备出现新的故障类型时，需要对网络进行重新训练后，才能够对新的故障进行识别，这就要求重新设置网络结构并抹去网络的全部记忆，重新学习，显然这是单子神经网络的一个缺陷。本系统采用多子神经网络来弥补这个不足，也就是说，当出现新的故障后，不改变原来的网络结构，而是重新设置一个单故障诊断子网络，并用新的故障样本对其训练，完成后将其加入原来的神经网络，原来的神经网络的一切参数保持不变，只是增加一个子网络，这样就避免了神经网络的重复训练，节约了时间。多子神经网络新子网络的增加流程图如。 多子神经网络新子网络的增加流程4粗集-神经网络智能混合压缩机诊断系统的实现步骤基于粗集理论的神经网络压缩机故障诊断系统的实现框图如所示，具体实现步骤如下：（1）测取压缩机的运行工况过程参数，形成特征样本集；（2）用SOM神经网络对连续属性值量化；（3）用离散化后的条件属性和决策属性建立决策表并使其相容；（4）用粗集理论对条件属性化简：（a）计算决策表系统S的分明矩阵M（S）；（b）计算与分明矩阵相关的分明函数fM（S）；（c）计算分明函数fM（S）的*小析取范式，它将给出所有的约简。 （5）在约简后的数据集上构建神经网络，利用优化的属性组合，将简化后的条件属性所对应的量化样本集作为神经网络的输入，压缩机故障类型作为网络的输出；（6）采用各种神经网络学习算法进行网络的学习；（7）重复5，6步，直到使用此网络分类的效果无法再获得较明显的提高；（8）保存网络，并应用于故障诊断。 用训练好的神经网络进行故障诊断的步骤：（a）测取压缩机的运行工况过程参数；（b）根据*优决策表筛选用于诊断的数据；（c）将筛选好的数据输入训练好的神经网络，进行诊断；（d）输出诊断结果。 粗集-神经网络混合故障流程诊断效果比较以某型压缩机的4种故障类型20组故障数据为实例，分别用纯粹的神经网络和本文的粗集神经网络智能混合故障诊断系统，对该同一故障数据进行学习训练，然后比较了两者的网络结构和学习训练达到收敛需要的步数以及诊断误差。
