目前旋转机械故障诊断技术的研究主要是集中在单一故障诊断(single fault diagnosis,SFD)方面,而实际工程中旋转机械转子系统并发故障比较普遍,所以对多重并发故障(Multi-Concurrent Fault Diagnosis,M-CFD)由于其复杂的故障机理使得诊断技术的研究还处于起步阶段。免疫系统是一种复杂的分布式信息处理学习系统,这种系统具有免疫防护、免疫耐受、免疫记忆、免疫监视功能,尤其具有较强的自适应性、多样性、学习、识别和记忆等特点。这些功能和特点的结合促成了各种基于免疫机理的人工免疫智能方法,解决了大量的非线性科学问题。免疫系统信息处理机制在故障诊断方面的应用具有重要的理论意义和实用价值。支持向量机(Support Vector Machine,SVM)是在有限样本统计学习理论基础上发展起来的一种新的机器学习方法,它较好地解决了小样本、非线性和高维模式识别等实际问题,并克服了神经网络学习方法中网络结构难以确定、收敛速度慢、局部极小点、过学习与欠学习以及训练时需要大量数据样本等不足,具有良好的推广性能,成为继神经网络研究之后新的研究热点。本文所做的主要工作如下:(1)对并发故障机理进行了较为深入的研究,并依据无量纲指标对并发缺陷不敏感的特性,探索出了一条基于时域无量纲指标的并发故障与其复合的单一故障之间的较为普遍适用的规律,给出了新的定义,并指出了该特性的适用的指标及范围,为并发故障的诊断带来了一种新的依据。(2)利用人工免疫系统克隆选择原理结合免疫网络的思想,针对免疫算法在多样性和去冗余方面的困难,提出了一种新型免疫网络学习(NovelImmune Network Learning,NINL)算法。该算法首次在抗体初始化过程引入了抗体抑制,消除了冗余的抗体,增强了抗体的多样性;另外在该算法中定义了新的学习速率计算方法,使得抗体向抗原的方向搜索速度更快;最后将该算法应用于机组故障诊断中,试验结果验证了算法的有效性。(3)以本文定义的并发故障与单一故障无量指标之间的关系为依据,针对多重并发故障提出了一种FH-SVM算法,该算法将模糊聚类引入到层次支持向量中,将前面提出的免疫网络学习算法与FH-SVM算法集成融合来对并发故障进行诊断,试验结果表明该算法在并发故障诊断方面的有效性。