符号有向图(Signed Directed Graph, SDG)是一种定性的故障诊断方法,能够解释故障的传播路径,而且诊断结果的完备性好。但是SDG忽略了大量的定量信息,导致诊断结果的分辨率不高,而冗余的信息又增加了计算量；另外,模糊概率SDG对不可测节点的估算不够准确。为此,本文提出基于邻域粗糙集的SDG故障诊断方法和基于改进模糊概率SDG的故障诊断方法。粒计算(Granular Computing, GrC)约简算法可以按照属性的重要程度,对属性进行有效地约简,消除冗余信息。因此,将基于粒计算的推理方法与SDG故障诊断相结合,可以减少计算量。但是大部分的粒计算约简方法只能处理离散数据,对于连续数据需要离散化处理,从而丢失了一部分定量信息,不利于诊断结果的分辨率和诊断过程的快速性的提高。邻域粗糙集(Neighborhood Rough Set, NRS)能够直接处理数值型属性,而无须对其进行离散化处理。本文提出一种基于邻域粗糙集的符号有向图故障诊断方法。该方法首先利用SDG确立每个故障的传播路径,并对路径上的节点进行模糊化处理,这样做不但可以表示节点发生偏差的程度,而且数据还具有连续性特点,然后再利用邻域粗糙集对故障诊断决策表进行属性约简,最终得到属性约简后的决策表。当发生故障时,利用实时采集的样本数据与属性约简后的决策表中的数据进行偏离度比对,判断该案例故障是否发生。当基于邻域粗糙集的SDG故障诊断方法的故障规则库不够完备时,则要应用基于改进模糊概率SDG的故障诊断方法进行故障诊断。木文在该方法中引入故障贡献权重约束,用来表达不同子节点对父节点的贡献大小。该方法对不可测节点的估算发挥了重要作用。最后,以Tennessee Eastman(TE)过程为例进行仿真分析,验证运用本文提出的诊断模型进行故障诊断的准确性和可行性。