随着科学技术和生产的发展,人们面临的控制系统日益复杂,自动化程度越来越高,对系统的稳定性和系统故障的诊断处理也提出了更高的要求。成功及时的故障诊断将能够对系统实施良好的控制,从而保证控制系统能够高效稳定地运行。而系统中出现的某些微小故障若不能及时检测并排除,极有可能造成整个系统的失效、瘫痪,甚至导致灾难性后果。设备故障诊断技术是保障设备安全运行的基本措施之一,就是对运行中系统的异常状态和偏差进行检测、识别和预测的技术和方法。风机是火电机组中不可少的机械设备,风机运行的安全可靠性直接影响火电机组的安全经济运行。对于风机的故障诊断,在一些经验规则中,存在判断条件冗余或不完全、故障征兆描述不确定等现象,给实际应用带来很多缺陷,如诊断效率较低。人工神经网络由于对非线性映射关系的有效逼近能力,适用于故障模式的识别问题。但神经网络为了得到较高的诊断精度,需要较多训练样本,这样使得神经网络结构复杂,训练时间较长;而且神经网络无法分析确定冗余和不确定信息更影响其学习效率和诊断精度。粒计算主要用于处理不确定的、模糊的、不完整的和海量的信息。本文深入研究了设备故障诊断的技术和方法,分析了电站风机的故障机理和特征,详述了粗糙集和粒计算的基本理论,提出二进制粒矩阵和依赖度幂图结合的约简算法。结合粒计算的约简能力和人工神经网络对于非线性映射关系的有效逼近能力,提出基于粒计算-神经网络的智能诊断算法。并将粒计算-神经网络智能诊断算法应用于电站风机的故障诊断。本文利用二进制粒矩阵约简算法对神经网络的输入数据进行预处理,通过对诊断特征进行压缩或约简,剔除冗余特征,降低特征信息的维数,从而大大简化神经网络结构,缩短训练时间,提高了神经网络的诊断精度和故障诊断的效率。通过电站风机的故障诊断实验分析,表明了粒计算-神经网络智能诊断算法的有效性。