柴油机是一种复杂的动力机械，在多个行业中得到了十分广泛的应用。同时，其发生故障时的代价较高，使得柴油机的故障诊断技术成为了当前的一个重要研究课题。本文在分析柴油机故障诊断常用技术和国内外研究现状的基础上，尝试给出了一种基于粗糙集（RoughSets，简称RS）和微粒群算法（ParticleSwarmOptimization，简称PSO）优化BP神经网络的故障诊断方法。　　论文将柴油机故障诊断的全过程分为了两个重要步骤：故障数据的特征提取和利用神经网络进行故障状态识别。其中在故障数据的特征提取方面主要是使用粗糙集对故障特征进行了空间维数的简化；而在故障状态识别方面，则是在已有的故障诊断算法上，使用PSO对用于诊断的BP神经网络进行了优化，使其结果准确、完整、有效。具体如下：　　论文讨论了故障数据的特征提取。由于粗糙集不需要任何额外的信息，仅仅依靠数据本身就能发现数据间的关系，去除冗余信息，因此选用粗糙集理论的核心思想——属性约简来进行此项工作。论文采用了用简化差别矩阵代替传统差别矩阵、选择潜在分辨力最大的属性加入约简集、反向消除过程中忽略核属性等手段，对基于属性频率的约简算法进行了有效改进。实验仿真表明两个算法在处理小数据集时效率相当；数据集较大时，改进后的算法不论是时间、空间还是约简质量均优于原算法。　　针对前馈神经网络最经典的BP算法以梯度下降为学习规则，存在学习复杂，训练时间长，容易陷入局部极值等缺陷，论文采用了一种通过PSO优化神经网络的方法，将神经网络的每个权值和阈值分别对应微粒的一个分量，定义均方误差为适应值函数，通过多次迭代运算达到优化BP神经网络的目的。实验仿真表明优化后的神经网络训练时间、预测精度等均优于BP网络。　　论文将粗糙集理论与优化后的BP神经网络相结合进行故障诊断，以一组实际的柴油机气门机构故障数据为样本开展应用研究。为了便于分析，论文加入了BP网络、GA-BP网络作为对比，在MATLAB中进行仿真实验。结果表明，本文研究的柴油机故障诊断方法速度更快，诊断精度更高，效果更好。