励磁系统是同步发电机的重要组成部分，励磁系统一旦发生故障，直接影响着同步发电机的安全可靠运行。由于发电机励磁功率单元的工作电流很大，作为整流回路中的晶闸管等元件易遭受到过流过压而损坏。因此，快速准确地诊断出功率单元的故障部位和性质，对于缩短发电机的停机与检修时间有着十分重要的意义。论文阐述了发电机励磁系统及其故障检修维护的发展现状，结合当前最新的故障诊断方法，确定了粗糙集-神经网络(RSNN)相结合的故障诊断方法，对同步发电机励磁系统功率单元进行故障诊断。首先，采用MATLAB对励磁系统功率单元的故障进行建模仿真，得出晶闸管发生开路与短路情况下整流回路的输出波形；其次，应用BP神经网络方法对励磁系统功率单元进行故障诊断，并详细介绍了粗糙集理论特点及其应用成果；最后，采用了RSNN方法对励磁系统功率单元进行故障诊断。在RSNN分步法中，先利用粗糙集理论对故障属性建立决策表，并利用粗糙集理论中的知识约简方法化简决策表，得到故障类型的诊断规则并实现功率单元故障类型的诊断，再利用神经网络的非线性映射特性，将训练好的神经网络实现功率单元的故障元诊断；在RSNN整体法中，先对故障电压波形进行数据采样获得神经网络的训练样本，利用粗糙集理论中知识约简，消除冗余的故障样本，再利用约简后的故障样本对神经网络进行训练，将训练好的神经网络用于励磁系统功率单元的故障诊断。通过仿真实验验证，基于粗糙集-神经网络分步法和整体法均能准确的诊断出功率单元的故障元。特别是在RSNN整体法中，经过粗糙集理论处理过的样本数据，使得神经网络的训练规模比单纯的神经网络规模大大减小，在保证故障诊断的正确率不变的情况下，使故障诊断的速度大大提高。