摘要：以某系統零部件資料庫中的故障資料為研究物件，採用apriori演算法挖掘待挖掘資料中各項之間的關聯規則，找到零部件或者系統發生故障的原因、模式和部位之間的關聯性，並進行相應的解釋，為部件的故障模式分析提供簡便的方法。
關鍵詞：關聯規則；故障模式分析；apriori演算法
現代裝置的特點是技術密集、系統龐雜，僅靠人們積累的經驗判斷零部件故障的侷限性很大。任何部件發生故障的機理都十分繁雜，要想從中分門別類地分析故障的特性，就必須首先研究故障模式和機理，探尋故障的規律，尋求預防故障途徑的重要環節,因此對於故障模式的分析就顯得尤為重要。本文運用apriori演算法[1,2]找出故障模式的頻繁項集，並對頻繁項集進行分析，找出相應關聯規則，對部件進行故障分析，找出滿足給定支援度和置信度閾值的故障原因、故障模式與部位的關係，產生有用的關聯規則，為部件故障診斷提供科學依據。
1.故障分析的關聯規則
apriori演算法是關聯規則中產生頻繁項集的主要演算法，迭代是該演算法的核心，該演算法的基本過程為[3]：1)首先計算所有的候選1-項集c1；2）掃瞄資料庫，刪除其中的非頻繁子集，生成頻繁1-項集l1；3）將l1與自己連線生成候選2-項集c2；4）掃瞄資料庫，刪除c2中的非頻繁子集，生成頻繁2-項集l2；5）依次類推，通過頻繁(k-1)-項集lk-1與自己連線生成候選k-項集ck，然後掃瞄資料庫，生成頻繁k-項集lk，直到不再有頻繁項集為止。
2.故障模式應用分析
現有某部件單元電氣機械零部件的故障資料(表1)
表1某電氣機械零部件故障資料表
故障分析的主要目的是尋找影響零部件工作的故障模式和原因，因此最小支援度和最小置信度設定越低越好，為了使得最小支援計數大於1，故設定最小支援度為10%，最小支援計數就為：首先根據故障部位的**找出頻繁1-項集(見表2)。
表2頻繁1-項集
從表2中不難看出故障部位**c的支援計數最多。下面以故障發生最多的軸承部位（ｃ）為例，從源資料庫中找出所有c的故障原因或模式，根據頻繁1-項集尋找頻繁2-項集（表3），依次搜尋下去，再根據頻繁2-項集尋找頻繁3-項集（表4）。直到所有的源資料中包含部位c的資料被搜尋完畢就停止。
關聯規則在系統中的應用
摘要 推薦系統從 資料中提取使用者感興趣的資訊，為使用者提供個性化服務。推薦演算法應盡可能地利用各種有用的資料資訊，提供更加精確有效的推薦。文章對目前推薦系統所使用的技術進行了分析針對推薦系統面臨的問題，提出一種基於關聯規則挖掘的推薦演算法，該演算法結合使用者訪問資料和商品層次結構資料，快速選擇最優...
資料探勘中關聯規則在零售業中的應用
第 卷第 期重慶科技學院學報 自然科學版 年 月 董引娣 重慶城市管理職業學院，重慶 摘要 目前，在需要處理大量資料的科研領域中，資料探勘受到越來越多的關注。我們可以利用資料探勘技術從海 量資料中發現有用資訊，幫助商家了解客戶以往的需求趨勢，並 未來，從而給商家帶來巨大的利潤。在國內很多 領域，尤其...
關聯規則挖掘技術在運動視覺分析中的應用 錢增磊
計算機技術 6121914014 錢增磊 研究方向 基於 編譯碼的影象檢索技術 由於本人的研究方向是 編譯碼，以後研究的是利用h.264編碼技術對 目標的動態檢索，所以本文以足球運動員和非運動員在 比賽 過程中的注視停留區域為挖掘物件，利用關聯規則挖掘演算法尋找不同物件的注視規律，以挖掘運動員和非運...