随着科技进步和现代化大生产的不断深化，机械设备正朝着复杂化、精密化、集成化、信息化和自动化等方向发展，被广泛应用于航空航天、核反应堆、热电厂、化工等一系列工程技术领域。但是这些机械设备的结构复杂、零部件之间联系紧密，故障类型众多，同时工作环境恶劣、数据采集困难，故障响应缓慢，故障诊断准确率低，这些原因使得对于机械设备的故障诊断成为目前研究的热点。本文把粗糙集（Rough Sets，简称RS）理论和神经网络技术引入到机械设备故障诊断中来，提出了一种基于粗糙集和改进量子行为粒子群优化(ImprovedQuantum-behaved Particle Swarm Optimization，简称IQPSO)算法优化RBF网络的故障诊断方法。本文首先对故障诊断技术的研究内容及研究意义进行了阐述，介绍了故障诊断主要的方法，指出了故障诊断技术的发展趋势，并探讨了粗糙集和神经网络结合的可行性。其次，针对故障样本之间相关性和冗余性较高的问题，把粗糙集引入到故障数据的预处理中去，利用改进的HORAFA-A约简算法去除冗余属性。算法首先把决策表中的核加入到初始的约简集中，不断选择加权频率最大的属性加入到候选约简集中，同时删除包含当前约简属性的元素，直至矩阵为空为止。当多个属性都具有最大的加权频率时，把辨识能力最强的属性加入候选约简集中，然后仅对非核属性进行反向消除。实验仿真表明改进后的算法保证了约简是最优约简。再次，针对QPSO算法存在早熟的趋势，本文提出了一种改进的QPSO算法，算法中粒子不仅仅考虑自身的位置，同时还向周围的粒子学习，解决了QPSO算法中由于粒子缺乏多样性，陷入早熟的趋势，通过对三个基准函数的测试表明改进的QPSO算法收敛速度和全局搜索能力优于PSO和QPSO算法。然后把IQPSO算法引入到优化RBF网络参数中去，给出了IQPSO算法中粒子编码规则和优化RBF网络的详细步骤。最后，利用IQPSO算法的全局搜索能力，优化了RBF网络中宽度向量、中心矢量以及网络的权值，从而建立了结构稳定、收敛速度快的故障诊断模型。柴油机气门机构的故障诊断实例结果表明该模型与其他模型相比，具有收敛速度快、预测误差率低、预测准确等优点。