制粉系统是火力发电厂锅炉机组的重要辅助系统,对其进行故障诊断对整个发电机组稳定经济运行有很大作用。为提高制粉系统运行的安全性和可靠性,满足现代预维修制度自动化的要求,对制粉系统进行状态检测和故障诊断具有十分重要的意义。　　 本文在对国内外研究现状进行分析的基础上分析了制粉系统的各种典型故障机理和相应故障维修措施,针对以往制粉系统故障诊断研究中条件属性数量庞大以及传统神经网络学习过程收敛速度缓慢、易陷入局部最小、结构难以确定等缺点提出了一种基于粗糙集与神经网络集成的故障诊断算法并围绕数据降噪、基于粗糙集的属性约简、基于概率神经网络的故障诊断三方面展开。　　 本文首先应用中值滤波与小波分析集成的降噪方法对采集到的数据进行降噪处理,通过仿真实验验证本文提出的方法优于传统数据降噪法；然后利用基于遗传算法的粗糙集属性约简算法对决策表条件属性进行属性约简以求得到最小约简属性集合；最后利用概率神经网络对约简后的样本进行网络训练以及故障诊断并与传统BP神经网络、RBF神经网络进行了仿真比较。仿真结果表明,基于粗糙集和概率神经网络的故障诊断算法不仅能优化神经网络的拓扑结构,降低神经网络的训练时间,而且能准确、快速地诊断制粉系统故障类型,同时对发电厂制粉系统及其相关设备的在线故障诊断问题研究有一定启发性。