针对发电厂制粉系统故障与征兆对应关系复杂及过程信息的不确定性及传统BP神经网络故障诊断的缺点，提出了基于粗糙集概率神经网络（RSPNN）的制粉系统故障诊断方法，以改善传统BP神经网络初始值敏感、易使学习过程陷入局部极小值以及样本数据过大时训练速度慢等问题。首先采用自组织映射神经网络（SOMNN）对连续样本数据进行离散化；再利用基于区分矩阵的HORAFA算法对离散化样本数据进行RS属性约简，并将约简结果作为概率神经网络（PNN）的输入；最后利用PNN作为诊断决策分类器，输出故障模式，并进行了仿真研究。仿真结果表明，该方法不仅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有一定启发性。