近年来,工业生产系统不断向自动化、智能化、大型化方向发展,生产过程也日趋复杂。为了保障工业过程安全可靠地运行,必须利用相关技术发现并确定故障发生的位置与故障的性质,找出引发故障的原因,预测故障的发展趋势。为了确定表征故障的关键参数,需要对工业过程参数与故障进行相关性分析,通过对历史监测数据集中的大量故障数据进行挖掘分析,寻找参数与故障间的对应关系,以及确定表征故障的关键参数,然后用故障规则的形式来描述这种相关性。这些故障规则可以为决策者提供协助支持,指导故障的检测与定位,并预测潜在的故障。为了分析工业过程参数与故障的相关性,本文进行了以下工作:针对工业过程数据量大但利用率低,并且目前相关性分析多用于单一设备和特定对象的现状,本文将关联规则挖掘方法应用于工业过程参数与故障的相关性分析过程中。首先,构建了相关性分析模型,探讨了工业过程参数与故障相关性分析的特点和实现过程中存在的适用性问题,并将其归纳为量化关联规则挖掘问题,提出了相应的挖掘模型。其次,针对既有方法只对单一参数分别进行聚类以及事先无法获取划分区间详细信息的问题,提出使用ISODATA聚类进行缓变参数离散化,并针对原始算法对初始聚类中心和噪声点敏感的问题,引入一种基于密度的方法对其进行改进,避免了获取划分区间结果的偶然性,将原始故障数据集转化为易于挖掘的数据集。最后,针对工业过程参数与故障相关性分析中故障规则形式的适用性问题,提出了基于约束优化矩阵的故障规则挖掘算法,调整了矩阵结构和挖掘过程并加入约束条件,通过获取带约束的最大频繁项集来生成合适的故障表征规则,能够更好的描述工业过程参数与故障之间的相关性。总的来说,本文以发现工业过程参数与故障的相关性为切入点,提出了一种基于密度ISODATA聚类和约束优化矩阵的量化关联规则挖掘算法(NISO-CIMC)。该算法对工业过程缓变参数历史数据集中的大量故障数据进行挖掘,将工业过程参数与故障之间的相关性描述为形式统一、表述直观、便于理解解释、易于传承的故障规则,并通过基于TE过程故障数据集的仿真实验,验证了NISO-CIMC算法的有效性和准确性。