粗糙集理论是一种处理的有效的数学工具，它在知识分类和知识获取得到成功应用模糊和不确定性知识的。粗糙集理论与神经网络法，遗传算法，模糊集理论，混沌理论和“软科学”不同的方法，它仅使用由信息提供的数据，不需要任何额外的信息或先验知识，如基本概率证据理论，模糊集合从属关系函数，在统计理论概率分布分配，粗糙集的基础，用于分类的数据观察和测量，直接测量输出对象，消除了冗余信息和冲突的信息的方法，从而找粗糙集理论的内在规律，因此比“软计算”方法等更加实用。粗糙集理论的诊断的一般步骤：
(1)知识库建立利用搜集到的历史或仿真数据生成联合诊断系统故障信息表，进而表示为知识库的'形式。
(2)数据离散化数据离散化方法包括等距离划分算法、等频率划分算法、NaiveScaler算法、基于属性重要性算法和基于断点重要性算法，以及布尔逻辑和粗集理论相结合的算法等，使条件属性和决策属性的取值为连续的不确定性空间，数据离散化是运用粗集理论的数据预处理。
(3)特征提取从原N个数据特征中找到M个数据特征，简化后M个数据特征对对象空间U的分类能力和原N个数据特征的分类能力相同(N，M)，此过程称为特征提取。常用的特征提取方法有基于属性重要性的最小约简、基于差别矩阵和差别函数的逻辑化简、基于包含度理论方法的最大分布约简、基于下近似质量不变进行属性约简和对存在噪声污染时用基于上近似质量的任一约简。
(4)规则应用提取的规则集可用来对新对象进行分类，该规则集称为“分类器”，用RUL来表示。当分类器遇到一个新对象X时，则在规则集RUL中寻找与x的条件属性相匹配的规则，应用规则集可判断新对象x决策属性。