基于图论中的符号有向图（Signed Directed Graph,SDG）的故障诊断方法是故障诊断领域的一个重要研究分支。SDG的知识表达与复杂系统的故障特征有很好的对应关系,它能够有效地的表达复杂系统的故障知识,又具有灵活的推理方式和有效的推理算法。因此,研究SDG用于复杂系统故障诊断的方法,对于缩短故障判定时间、减少故障损失、提高检修准确性、节约维修费用等,有着重大的理论意义和应用价值。但它也有很多需要解决的问题:（1）多义性推理导致分辨率不高;（2）计算大系统时,实时性差,诊断速度慢;（3）没有利用定量知识改进其定性推理与决策。粒计算（Granular Computing,GrC）是当前计算智能领域中模拟人类思维和解决复杂问题的新方法,已成为复杂问题求解、海量数据挖掘、模糊信息处理的有效工具。粒计算可以解决故障诊断技术中知识获取、表达、与推理等问题。刘清教授等将信息粒理论引入到Rough逻辑中,提出了信息粒语言、逻辑及其推理,是粒计算的一个研究方向。为了解决SDG模型故障诊断时推导复杂、诊断分辨率低的问题,本文将基于粒计算的推理方法与SDG故障诊断相结合,提出了一种基于粒推理的SDG模型故障诊断方法,为SDG模型的推理提供了一种新的方法。此方法的具体过程是用粒形式化描述SDG模型中的元素;根据实验及分析得到其故障的样本集,并把它转化为反映故障与征兆关系的决策表;然后把决策表转化为对应的粒库;最后通过对粒库的搜索并计算最大相似度,从而找到最可能发生故障的故障源。并做了下面的工作:（1）给出了基于粒的SDG模型定义,用粒形式化描述SDG模型中的元素,将粒与SDG融合起来,是一种描述SDG模型的新方法。（2）对阈值p进行了探索性的研究,通过实例验证其取值的合理性。本文将此方法用于蒸汽锅炉系统中,并在Matlab仿真平台上进行了可行性验证。此方法提高了SDG故障诊断的分辨率。