目前,故障诊断已经发展到了智能阶段,而智能故障诊断技术的研究重点已经逐渐由传统的人工智能转向新兴的计算智能领域。计算智能领域的一些理论,如人工神经网络,粗糙集理论等已经在故障诊断中得到了广泛的应用。人工神经网络(ANN)是一种自适应非线性动力学系统,具有可学习性和并行计算能力,可以实现分类、自组织、联想记忆等功能。粗糙集(RS)理论是一种刻画不完整性和不确定性的数学工具。它能有效地分析和处理不精确、不完整、不一致等各种不完备信息,并从中发现隐含的知识,揭示潜在的规律。本文利用二者的优势,将ANN和RS相结合,提出了一种基于粗糙集神经网络的故障诊断模型。首先,研究了运用粗糙集理论进行属性约简的方法,并在此基础上提出了一种改进的基于二进制可辨识矩阵的属性约简方法,使属性约简计算量大幅度减小,可以快速得到给定要求下的属性约简。其次,对粗糙集的离散化方法进行研究。粗糙集理论是一种基于离散数据进行处理的方法,连续数据的离散化直接影响到它的处理效果,为此提出了一种基于粒子群优化算法,将离散化过程中的分割点确定问题转化为一个指标寻优问题,实例结果验证了方法的有效性。然后,针对BP神经网络在有限样本数据下,学习精度低、泛化能力差的缺点,采用了粒子群优化算法改进BP神经网络的方法,再将粗糙集和神经网络相结合,充分发挥两者的优点。最后,采用粗糙集神经网络的故障诊断系统,对田纳西-伊斯曼过程(TEP)进行故障诊断,取得了良好的故障诊断效果。