铁路对国民经济起着非常重要的作用,机车是铁路的牵引动力设备。电力机车的采用在我国铁路运输中日益广泛,HXD2B型电力机车是一种重载货运机车。机车的结构非常复杂,故障种类也是多种多样。虽然在机车的使用过程中应用了一些智能故障分析手段,但当实际的问题产生时,故障分析与诊断工作、维修工作,多依赖于机务段检修人员凭借经验进行分析和诊断,远不能满足铁路现代化的要求。本文旨在通过多种方法研究电力机车的智能诊断技术与方法,便于检修人员能够迅速、准确的找到机车的故障所在,进行维修。本文研究了两种故障诊断方法:基于粗糙集的案例推理方法和与粒子群优化算法相结合的BP神经网络算法。本文首先查阅了电力机车相关资料,以司机显示单元的故障为例,搜集了典型故障案例、故障特点,将专家知识记录起来,并进行整理,然后通过不同的方法,实现对电力机车故障诊断技术的研究。案例推理方法是一种智能诊断方法,是一种基于知识的学习和问题求解方法,它通过重新使用或者修改历史知识和实例,为新的问题提供决策参考,并且可以不断的自学习,更新知识库。案例推理方法的过程包含案例检索、案例重用、案例修正和案例保存四个过程[1]。在本文中案例检索采用加权K-NN算法,权值利用粗糙集理论进行计算;案例重用、案例修正的实现通过在每次诊断完成,使用人员和软件进行互动,记录在案例库中;案例保存同样采用粗糙集理论,对案例进行约简,来实现方便、高效的信息存储。在粒子群优化算法和BP神经网络相结合的算法中,BP神经网络算法建模简单,普遍使用于各个方法的研究,但是其收敛速度慢,容易陷入局部最优值;而粒子群优化算法收敛速度快,具有全局搜索功能,两者结合能够在全局范围内快速的找到最优值。在此算法中,BP神经网络的权值和阈值由粒子群算法中粒子的位移代替,通过设置停止准则:适应度和迭代次数,在全局范围搜索得到最优的权值和阈值,并赋值给BP神经网络进行训练,大大加快了BP神经网络的训练速度,增加了准确性。本文利用Matlab软件进行故障诊断技术的研究和仿真,利用电力机车的实际数据,仿真实现了两种方法,并分别对结果进行说明阐述。