徐 巖， 王鳴譽， 范 文

(新能源電力系統(tǒng)國家重點實驗室(華北電力大學(xué))，河北 保定 071003)

0 引 言

在智能站中，二次設(shè)備的運行狀態(tài)會影響整個變電站的工作情況。雖然智能站在經(jīng)濟、節(jié)能等方面存在優(yōu)勢，但是也存在著二次設(shè)備邏輯回路不可視、故障排查難的特點。傳統(tǒng)的二次系統(tǒng)故障分析依賴人力，手段簡單，在運行人員面對海量數(shù)據(jù)時，難以做出快速判斷，二次設(shè)備全部基于標(biāo)準(zhǔn)化的微處理機制造，可以實現(xiàn)信息交互，同時還具備自檢能力[1]，并通過告警等方式輸出異常信號。通常情況下，智能站的二次設(shè)備故障記錄由調(diào)度人員記錄在在調(diào)度管理系統(tǒng)中，或者由檢修人員手動記錄在調(diào)度管理系統(tǒng)中[2]。

為了提升數(shù)據(jù)分析的效率，近年來數(shù)據(jù)挖掘技術(shù)在電力系統(tǒng)數(shù)據(jù)分析方面應(yīng)用越來越廣泛，文獻(xiàn)[3]利用Apriori算法結(jié)合聚類算法實現(xiàn)用戶側(cè)負(fù)荷分解；文獻(xiàn)[4]利用FP-growth算法實現(xiàn)電力設(shè)備故障預(yù)判。以上傳統(tǒng)FIM(Frequent Itemsets Mining)算法雖然簡單有效，但是仍然存在需要多次掃描數(shù)據(jù)庫造成處理速度較慢的特點。

在二次故障方面，文獻(xiàn)[5]利用H-mine算法實現(xiàn)對二次故障數(shù)據(jù)的分析，該算法在數(shù)據(jù)稀疏時，運行效率要高于傳統(tǒng)FIM算法。文獻(xiàn)[6]利用改進(jìn)Apriori實現(xiàn)二次設(shè)備缺陷部位、原因的分析，該算法與傳統(tǒng)Apriori相比，運行速度有顯著提升，同時可以直觀有效的分析缺陷數(shù)據(jù)。文獻(xiàn)[7]利用一種只用掃描一次數(shù)據(jù)庫的FIM算法來處理配網(wǎng)薄弱點分析，以上方法雖然與傳統(tǒng)FIM算法相比有一定的改善，但是在關(guān)鍵參數(shù)的選擇上面，只能依靠分析人員的經(jīng)驗，并沒有給出很好的解決辦法，同時與傳統(tǒng)關(guān)聯(lián)分析一樣，缺乏有效的規(guī)則篩選辦法，導(dǎo)致生成的無用規(guī)則過多，分析結(jié)果可閱讀性較差，分析時過于依賴人力。

針對上述問題，本文使用ITL-mine(ItemTransLink-mine)算法[8]，實現(xiàn)對頻繁項集的快速挖掘，同時結(jié)合自適應(yīng)煙花算法[9-13]，優(yōu)化關(guān)鍵參數(shù)的選擇，最后利用關(guān)聯(lián)規(guī)則冗余淘汰機制選出質(zhì)量最高的關(guān)聯(lián)規(guī)則，從而簡化分析過程，減少對人力的依賴。同時方便維護人員記錄，為二次設(shè)備高效管控和運維提供有價值信息。

1 二次設(shè)備故障數(shù)據(jù)庫模型

1.1 二次設(shè)備故障數(shù)據(jù)

運維人員通常會在日常工作時，在調(diào)度日志中記錄下發(fā)現(xiàn)日期、變電站名稱、設(shè)備名稱、告警信號、故障原因等信息，這些信息可以從生產(chǎn)管理系統(tǒng)或者在站端的缺陷記錄中獲得[14]。

變電站站端的信息更加完整，有利于挖掘設(shè)備故障和告警信號之間的信息，因此本文的數(shù)據(jù)來源來自某地區(qū)智能站的站端故障記錄。

通常記錄的數(shù)據(jù)可以分為如表1幾種類別，不同類別之間設(shè)置不同的編碼以便于識別，見表1。

表1 數(shù)據(jù)表

數(shù)據(jù)庫中的變電站名稱包括某地區(qū)6座智能變電站。生產(chǎn)廠家則是這些變電站中二次設(shè)備的實際生產(chǎn)廠家。

設(shè)備類型總共包括10多種設(shè)備，主要包括：通信鏈路、五防機、交換機、保護裝置、故障錄波器等。

故障原因包括：“程序出錯”、“配置出錯”、“電源故障”、“光纖故障”等。處理情況則是發(fā)生故障后的解決方法。

其中，可以利用FIM算法，尋找數(shù)據(jù)背后的一些特征，例如：可以通過數(shù)據(jù)挖掘，找出同一個智能站內(nèi)的各設(shè)備發(fā)生故障的概率、設(shè)備不同部位發(fā)生故障的概率。

也可以尋找不同數(shù)據(jù)之間的數(shù)學(xué)關(guān)系，利用關(guān)聯(lián)規(guī)則的形式找尋在一種事務(wù)發(fā)生的情況下，另一種事務(wù)發(fā)生的概率。

1.2 數(shù)據(jù)準(zhǔn)備

在進(jìn)行挖掘之前首先設(shè)置日期，將同一發(fā)生時間下不同類型的信息整理成如下元組形式：

D=(a,b,c,d)

(1)

式中：D是元組名稱代表故障編號，a,b,c表示不同的告警信號，d表示故障元件。故障數(shù)據(jù)在分析前要整理成公式1的形式，以便后續(xù)挖掘告警信號與故障元件之間的關(guān)系。

本文的重點是找到某些數(shù)據(jù)之間存在的“if-then”的關(guān)聯(lián)關(guān)系；以便直觀的得到數(shù)據(jù)之間的聯(lián)系。

在分析故障時，通過挖掘數(shù)據(jù)之間的關(guān)系，找到它們之間的關(guān)聯(lián)規(guī)則，得到在告警信號發(fā)生的情況下，故障原因為某種特定原因的概率。

本文的研究的重點是利用優(yōu)化算法優(yōu)化生成的關(guān)聯(lián)規(guī)則，提高關(guān)聯(lián)規(guī)則的質(zhì)量、減少冗余規(guī)則，從而找出對檢修人員有用的信息。

2 煙花算法

2.1 傳統(tǒng)煙花算法

煙花算法目前在多個領(lǐng)域都得到了應(yīng)用，其中文獻(xiàn)[15]利用煙花算法計算萊文斯坦距離相似度實現(xiàn)虛端子的連接，文獻(xiàn)[16]利用煙花算法結(jié)合混沌爆炸改進(jìn)，實現(xiàn)多能源系統(tǒng)并網(wǎng)優(yōu)化調(diào)度。文獻(xiàn)[17]利用柯西變異結(jié)合傳統(tǒng)煙花算法，實現(xiàn)移動式儲能的削峰填谷。

煙花算法在不僅全局搜索能力較好、適應(yīng)度值在分配資源、信息交流時，可以平衡搜索能力，兼顧局部和總體，適合用來優(yōu)化多目標(biāo)問題。同時爆炸機制可以提高算法精度和速度。

煙花爆炸產(chǎn)生的火花數(shù)目以及爆炸半徑的計算公式如下：

(2)

(3)

式中：fmin以及fmax分別是最小、最大適度值。

A和M是常數(shù)，ε是常量。

為限制火花數(shù)量，需要對火花進(jìn)行數(shù)量限制，其中上限為Smax、下限為Smin。

隨機選擇煙花的z個維度進(jìn)行位移，公式如下：

(4)

rand(0,Ai)為(0,Ai)范圍內(nèi)的隨機數(shù)。

煙花算法除了爆炸火花外，為了提高火花多樣性，還有高斯變異算子求出的變異火花：

(5)

除此之外，需要將超出可行域的火花重新映射到新的位置：

(6)

2.2 EFWA算法

傳統(tǒng)煙花算法存在如下問題[18-20]：

(1) 高斯火花的位置傾向于原點，這就導(dǎo)致在最優(yōu)解遠(yuǎn)離原點時，產(chǎn)生的火花會更加原理最優(yōu)解。

(2) 很多情況下，超出解空間范圍的火花超出的幅度并不大，這會導(dǎo)致映射過來的新火花分布在原點位置。

為了避免適應(yīng)度低的煙花爆炸半徑過小，EFWA(Enhanced Fireworks Algorithm)算法規(guī)定了爆炸半徑最小值，Aik

Aik=Amin,k

(7)

其他情況下爆炸幅度不變。

爆炸半徑最小值使用如下公式選擇：

(8)

evalsmax是評估次數(shù)的最大值，Ainit是爆炸半徑的起始檢測值，Afinal是爆炸半徑的最終檢測值。

同時為了避免傳統(tǒng)煙花算法中高斯變異會導(dǎo)致在原點附近產(chǎn)生過多火花，增強煙花算法的變異操作是：在當(dāng)前解和當(dāng)前最優(yōu)解之間進(jìn)行變異。

xik=xik+(xBk-xik)×e

(9)

e為均值等于0，方差等于1的隨機變量，xik是當(dāng)前解，xBk為當(dāng)前種群中的最優(yōu)解。

同時映射規(guī)則改為

xik=xlb,k+U(0,1)·(xub,k-xlb,k)

(10)

xub,k為上限，xlb,k為下限。

選擇下一代煙花時，增強煙花算法使用ERP選擇方法：先選擇一個適應(yīng)度值較低的個體，再隨機選擇若干煙花作為下一代煙花。

2.3 自適應(yīng)煙花算法

除了上述缺點，傳統(tǒng)煙花算法以及EFWA中，最優(yōu)煙花不爆炸，這意味著最優(yōu)煙花對收斂過程的貢獻(xiàn)有限，但是由于它生成的個體數(shù)量最多，因此它有利于促進(jìn)算法的收斂性。

AFWA(Adaptive Fireworks Algorithm)算法利用已經(jīng)生成的火花求取最優(yōu)煙花爆炸半徑，利用父代求取最優(yōu)煙花在子代中的爆炸半徑。

首先需要選擇一個個體，利用它和最優(yōu)煙花之間的距離作為下一代爆炸半徑，選擇的條件如下：

(1) 適應(yīng)度比上一代差；

(2) 到最優(yōu)個體的距離是所有滿足1條件中的個體中最小的，即滿足如下公式：

(11)

同時滿足：

f(si)>f(X)

(12)

si為煙花生成的個體；s*為當(dāng)前種族中具有最小適應(yīng)值的個體；d為距離函數(shù)，本文采用無窮范數(shù)作為距離度量；X表示煙花。

最優(yōu)煙花的爆炸半徑如下：

(13)

3 關(guān)聯(lián)分析算法

3.1 關(guān)聯(lián)規(guī)則關(guān)鍵指標(biāo)參數(shù)

通常情況下，評價規(guī)則好壞的量度主要有：支持度、置信度：

(14)

(15)

其中，D為總數(shù)據(jù)個數(shù)，Sup(BA)為同時包含B和A的數(shù)據(jù)個數(shù)，Sup(A)為A出現(xiàn)的次數(shù)。

傳統(tǒng)關(guān)聯(lián)規(guī)則中并沒有引入其他指標(biāo)來排除相關(guān)性差、獨立性差的關(guān)聯(lián)規(guī)則，導(dǎo)致可能會產(chǎn)生大量無意義的關(guān)聯(lián)規(guī)則甚至含有誤導(dǎo)性的關(guān)聯(lián)規(guī)則，為了解決這個問題,傳統(tǒng)的篩選指標(biāo)有：

(1)CF(Certainty Factor)值

若Conf(A→B)>Sup(B)：

(16)

反之，則：

(17)

CF為正數(shù)時，說明前后件具有正相關(guān)關(guān)系，CF為負(fù)數(shù)時，說明二者為負(fù)相關(guān)關(guān)系，同時CF越接近1，規(guī)則的置信度越高。

(2)提升度Lift

(18)

提升度這個指標(biāo)反映了兩個變量的相關(guān)度，通常認(rèn)為提升度越高，二者正相關(guān)關(guān)系越明顯，以1為界，提升度為1時，二者并無相關(guān)性。

(3)規(guī)則中的項目數(shù)量N以及規(guī)則的總數(shù)Num

N(A→B)=A+B

(19)

A和B代表前后件的數(shù)量。

通常情況下，關(guān)聯(lián)規(guī)則前后件的總數(shù)越少，則越方便理解，同時規(guī)則總數(shù)也可以體現(xiàn)分析結(jié)果的復(fù)雜程度，規(guī)則數(shù)較少時，分析人員容易提取有用的結(jié)論。

上述指標(biāo)只針對單獨的關(guān)聯(lián)規(guī)則，本文的主要優(yōu)化目標(biāo)是針對關(guān)聯(lián)分析算法產(chǎn)生的全部關(guān)聯(lián)規(guī)則，因此在考慮上述指標(biāo)時，需要求取所有規(guī)則的平均值。

除此之外，為了防止規(guī)則太少導(dǎo)致覆蓋率下降，本文還設(shè)置了數(shù)據(jù)覆蓋率這個指標(biāo)，它指的是規(guī)則覆蓋的數(shù)據(jù)占比，該指標(biāo)越大，得到的信息越豐富。計算公式如下：

(20)

式中：suffixi為生成的規(guī)則的后件，也就是故障原因；N為數(shù)據(jù)集中故障原因的總數(shù)。

本文設(shè)置的需要優(yōu)化的參數(shù)為：最小支持度、最小置信度、最小提升度三種指標(biāo)，在挖掘規(guī)則時應(yīng)當(dāng)刪除不滿足這三種指標(biāo)的結(jié)果，本文中的煙花便是由這三種參數(shù)組成，通常情況下，這三種參數(shù)由分析人員自行根據(jù)數(shù)據(jù)集確定，但是這個過程中需要耗費人力，同時如果指標(biāo)設(shè)置過小，將導(dǎo)致結(jié)果中含有大量無意義的數(shù)據(jù)，而如果三種指標(biāo)過大，結(jié)果將難以覆蓋全部數(shù)據(jù)。因此本文設(shè)置的優(yōu)化目標(biāo)為：保證較大的數(shù)據(jù)覆蓋率的情況下，盡量使所有的關(guān)聯(lián)規(guī)則有較好的提升度和CF值，所要優(yōu)化的目標(biāo)函數(shù)如下：

f(x1)=-(K1*CoverRate+K2*(Liftave+CFave))

(21)

式中：K1和K2是數(shù)據(jù)覆蓋率和提升度與CF值之和的權(quán)重。

特別地，提升度的取值通常大于1，而數(shù)據(jù)覆蓋率和CF值的取值通常小于1，因此在求取適應(yīng)度之前需要將其標(biāo)準(zhǔn)化：

(22)

3.2 ITL關(guān)聯(lián)分析算法

傳統(tǒng)關(guān)聯(lián)分析算法主要包括Apriori、FP-growth等，這些算法大都存在多次掃描數(shù)據(jù)庫導(dǎo)致效率較低的問題，文獻(xiàn)[5]利用H-mine算法實現(xiàn)故障數(shù)據(jù)分析，本文提出了一種ITL-mine算法，在H-mine的基礎(chǔ)上結(jié)合水平和垂直數(shù)據(jù)結(jié)構(gòu)，實現(xiàn)了挖掘效率的進(jìn)一步提高。項目表中包括項目名稱和它們的支持?jǐn)?shù)，并且與事務(wù)鏈接中項目第一次出現(xiàn)時的位置鏈接在一起，事務(wù)鏈接則是把所有事務(wù)中包含的每個項目從第一次出現(xiàn)到最后一次出現(xiàn)用鏈接串聯(lián)起來，以便快速計數(shù)。ITL結(jié)構(gòu)不僅建立了每個項目之間的垂直鏈接，還可以跳過一些事務(wù)集，直接對各個項目進(jìn)行掃描，因此具備不錯的靈活性。

ITL-mine算法分為如下步驟：

(1) 構(gòu)造項目表和事務(wù)鏈接。

(2) 刪除項目表中支持度低于指標(biāo)的項。

(3) 利用鏈接挖掘頻繁項集。

具體的案例如表2。

表2 事務(wù)集表

表2是全部事務(wù)集，設(shè)支持度數(shù)閾值為2。首先掃描一次數(shù)據(jù)集，構(gòu)造項目表和事務(wù)鏈接。形式見圖1。

圖1 事務(wù)鏈接圖

在項目表中記錄項目出現(xiàn)的次數(shù)，同時建立事務(wù)鏈接，將小于支持度閾值的項目從項目表和事務(wù)鏈接中刪除，修剪之后的事務(wù)鏈接如圖1所示。

頻繁項集挖掘過程如下：

以A為例，通過指向A的鏈接指針得到所有與A一同出現(xiàn)的項目，形成一個隊列，記錄在一個臨時的表中，見表2，包含支持度計數(shù)，對于A項，與A一同出現(xiàn)的頻繁項有BCD，生成此步驟時，可以得到二項集：AB(2)、AC(3)、AD(2)。再通過將A項為首項構(gòu)成的隊列與其他元素為首項的隊列求交集來獲得多項集，如A可以與B的隊列求交集得出以A、B為首項的隊列，從而求出三項集，接下來再將以A、B為首項的隊列與其他隊列求交集，直到無法找到新的頻繁項集為止。所有結(jié)果見表3。

表3 頻繁項集表

得到頻繁項集后，下一步則是根據(jù)結(jié)果生成規(guī)則，例如三項集ABC，可以通過求AB→C的置信度、提升度來判斷該規(guī)則是否符合要求。

整個關(guān)聯(lián)分析參數(shù)優(yōu)化過程的輸入量與輸出量如下：

本文基于AFWA算法的關(guān)聯(lián)分析優(yōu)化的輸入量為數(shù)據(jù)集和需要優(yōu)化的支持度、置信度、提升度三種指標(biāo)的變化范圍以及AFWA算法的基本運行參數(shù)。

輸出量為當(dāng)前最優(yōu)的三種指標(biāo)參數(shù)和它對應(yīng)的適應(yīng)度值以及對應(yīng)的數(shù)據(jù)覆蓋率、平均提升度、以及平均CF值，以及所有滿足最優(yōu)參數(shù)的規(guī)則。

AFWA算法優(yōu)化關(guān)聯(lián)分析關(guān)鍵參數(shù)的流程圖如圖2。

圖2 AFWA流程圖

3.3 關(guān)聯(lián)規(guī)則篩選策略

通常情況下，告警信號一般都會伴隨衍生告警信號，這會導(dǎo)致生成的關(guān)聯(lián)規(guī)則項目過多，從而影響可理解性，例如：頻繁項集{ABCD}可以生成ABC→D，AC→D，AB→D，為了減少規(guī)則的冗余，本文設(shè)置了相似度指標(biāo)用來淘汰多余的規(guī)則：

(23)

式中：S(ARi,ARj)是規(guī)則ARi，ARj中同時出現(xiàn)的事務(wù)數(shù)；S(ARi)是ARi的總事務(wù)數(shù)；Simi[i,j]是指規(guī)則i相對于j的相似度。

本文設(shè)置的相似度主要指的是前件的相似度：

(24)

同理還可以得到j(luò)相對于i的相似度。當(dāng)某兩種規(guī)則的后件相同，前件相似度大于指標(biāo)時，過濾掉規(guī)則中項目數(shù)量較多的規(guī)則。

4 數(shù)據(jù)分析

實驗數(shù)據(jù)取自某地區(qū)過去幾年的故障站端記錄，為了驗證本文提出的方法的優(yōu)越性，本文不僅對比了ITL-mine算法與其他FIM算法的速度，同時還對比了AFWA與傳統(tǒng)煙花算法(Fireworks Algorithm)、標(biāo)準(zhǔn)粒子群算法(Standard Particle Swarm Optimization)在關(guān)聯(lián)分析中的參數(shù)優(yōu)化效果，以證明本文提出方法的優(yōu)越性。

首先本文設(shè)置了幾組數(shù)據(jù)，并且利用傳統(tǒng)Apriori、H-mine算法與ITL-mine進(jìn)行對比，對不同支持度下的數(shù)據(jù)進(jìn)行處理，對比它們的運行時間，如圖3。

圖3 算法性能對比圖

可見ITL-mine算法的性能要優(yōu)于Apriori、H-mine，原因如下：1.該算法只遍歷數(shù)據(jù)庫一次，并使用ITL執(zhí)行其余的挖掘過程。2.構(gòu)造ITL數(shù)據(jù)結(jié)構(gòu)以去除不頻繁的1項集后，在挖掘所有頻繁模式時保持不變。而在H-Mine中，在頻繁模式的提取過程中，H-struct中的指針需要不斷地重新調(diào)整，因此需要額外的計算過程。3.H-Mine中的遞歸調(diào)用還涉及對H-struct相關(guān)部分的重復(fù)遍歷。而ITL-Mine通過使用利用隊列求交集避免了這些重復(fù)的部分。

本文適應(yīng)度函數(shù)的權(quán)重設(shè)置為K1=0.8，K2=0.2。三種優(yōu)化算法的具體運行參數(shù)設(shè)置如表4。

表4 參數(shù)表

為了使對比過程更加科學(xué),本文設(shè)置的種群大小均為8次，迭代次數(shù)均為300次，并且重復(fù)做了10次十折交叉驗證，三種算法的對比如表5。

表5 算法對比表

三種算法在優(yōu)化參數(shù)過程中適應(yīng)度的平均排名為：AFWA為1.3，F(xiàn)WA為2.6，SPSO為2.1，可以發(fā)現(xiàn)AFWA算法較其他兩種優(yōu)化算法相比搜索到的適應(yīng)度最小，因此參數(shù)優(yōu)化效果更好。AFWA算法產(chǎn)生的規(guī)則質(zhì)量更高。不僅可以保證覆蓋全部數(shù)據(jù)，同時還有較高的提升度和CF值。

除了對關(guān)聯(lián)分析參數(shù)的優(yōu)化之外，還需要對產(chǎn)生的規(guī)則進(jìn)行篩選，保留項數(shù)較少的規(guī)則，以提高可理解性。本文設(shè)置的相似度指標(biāo)為0.6。

本文將故障原因作為后件，將告警信號作為前件，以便于分析兩者之間的關(guān)系，本文只排除在后件相同的情況下，前件存在冗余的規(guī)則。篩選前的部分規(guī)則如表6。

表6 篩選前規(guī)則

經(jīng)過關(guān)聯(lián)規(guī)則篩選處理后，上述規(guī)則將只保留化簡后的形式，使規(guī)則的平均項數(shù)減少，過濾掉部分衍生信號。這樣不僅提高了規(guī)則的參考價值，同時可理解性也得到了提高，見表7。

表7 篩選后規(guī)則

為了說明本文所提出的方法的優(yōu)越性，本文通過對比傳統(tǒng)關(guān)聯(lián)分析來對比兩種方法的差別。

本文設(shè)置了平均相似度來說明該方法相比于傳統(tǒng)關(guān)聯(lián)分析的先進(jìn)性，其定義為：所有規(guī)則之間的相似度的平均值。計算公式如下：

(25)

由于傳統(tǒng)關(guān)聯(lián)分析算法大多原理相似，因此本文選擇基礎(chǔ)的Apriori作為對比算法，該算法只存在支持度、置信度的概念，本文將兩者調(diào)整為與AFWA的優(yōu)化結(jié)果一致，見表8。

表8 結(jié)果對比

Aprior總共生成規(guī)則426條，并且平均規(guī)則長度較長，同時提升度較低，CF值也較低，這說明規(guī)則前后件之間的相關(guān)性并不明顯，同時包括大量的無用規(guī)則，需要人力篩選。

本文提出的AFWA-ITL-mine關(guān)聯(lián)規(guī)則優(yōu)化方法，生成規(guī)則數(shù)為285，不僅總數(shù)小于傳統(tǒng)方法，同時質(zhì)量更高，提升度、CF值指標(biāo)更好，并且引入的規(guī)則篩選策略在一定程度上減少了規(guī)則長度，提高了可理解性，便于檢修人員理解。

5 結(jié) 論

文中利用AFWA算法對關(guān)聯(lián)分析中的支持度、置信度以及提升度指標(biāo)進(jìn)行優(yōu)化，并且利用數(shù)據(jù)覆蓋率、所有結(jié)果的平均提升度和CF值的加權(quán)組合作為目標(biāo)函數(shù)，經(jīng)過與傳統(tǒng)煙花算法、SPSO算法對比分析，該算法可以得到更好的適應(yīng)度值，可以較為精確的計算出要優(yōu)化的三種參數(shù)，同時利用ITL-mine算法挖掘頻繁項集，該算法與Apriori、h-mine算法相比減少了掃描次數(shù)，同時，利用ItemTransLink的數(shù)據(jù)結(jié)構(gòu)，結(jié)合了水平和垂直數(shù)據(jù)結(jié)構(gòu)，利用隊列交集求取頻繁項集，比傳統(tǒng)關(guān)聯(lián)分析速度更快，規(guī)則挖掘完畢之后，利用關(guān)聯(lián)規(guī)則篩選策略，對相似度過高的策略進(jìn)行刪減，只保留項數(shù)較少、可理解性更好的規(guī)則。經(jīng)過驗證，本文所提的方法無需人工設(shè)置支持度、置信度、提升度等參數(shù)，并且經(jīng)過優(yōu)化的關(guān)聯(lián)規(guī)則不僅質(zhì)量更高，同時項數(shù)較少，在一定程度上減少了冗余，便于檢修人員理解。