技術特征：

1.一種基于動態(tài)關聯規(guī)則的設備故障信息挖掘方法，其特征在于，包括：

獲取設備故障維修信息數據集D；

按照預約維修日期將獲取的設備故障維修信息數據集D劃分為n個子數據集D₁,D₂,...,D_n，其中，D＝{D₁,D₂,...,D_n}；

定義動態(tài)關聯規(guī)則算法，其中，動態(tài)關聯規(guī)則表示為：其中，A、B分別表示項集，SV表示支持度向量，CV表示置信度向量，s表示項集的支持度，c表示關聯規(guī)則的置信度，表示動態(tài)關聯規(guī)則的推理符號；

按照定義的動態(tài)關聯規(guī)則算法，對n個子數據集D₁,D₂,...,D_n進行動態(tài)關聯規(guī)則挖掘，得到設備故障原因與維修措施之間的關聯關系。

2.根據權利要求1所述的基于動態(tài)關聯規(guī)則的設備故障信息挖掘方法，其特征在于，所述獲取設備故障維修信息數據集D包括：

獲取設備故障維修信息原始數據集；

從獲取的設備故障維修信息原始數據集中，獲取目標屬性數據；

對獲取的目標屬性數據進行預處理，所述預處理包括：處理目標屬性中的屬性缺失值，屬性格式不一致值和/或去掉冗余值。

3.根據權利要求2所述的基于動態(tài)關聯規(guī)則的設備故障信息挖掘方法，其特征在于，在對獲取的目標屬性數據進行預處理之后，所述方法還包括：

對預處理后的對目標屬性數據進行字符離散化，得到設備故障維修信息數據集D。

4.根據權利要求1所述的基于動態(tài)關聯規(guī)則的設備故障信息挖掘方法，其特征在于，所述動態(tài)關聯規(guī)則的支持度向量SV表示為：

$SV=\[s_{{(A\∪B)}_1},s_{{(A\∪B)}_2},...,s_{(A\∪B)n}\]$

$\begin{array}{cc}st.& s_{{(A\∪B)}_i}=\frac{f_{{(A\∪B)}_i}}{\left|D_i\right|},(i\∈\{1,2,...n\left\}\right)\end{array}$

其中，表示項集A∪B在子數據集D_i中的支持度度量，st.表示約束條件，表示項集A∪B在子數據集D_i中出現的頻數，|D_i|為子數據集D_i中的記錄數。

5.根據權利要求1所述的基于動態(tài)關聯規(guī)則的設備故障信息挖掘方法，其特征在于，所述動態(tài)關聯規(guī)則的置信度向量CV表示為：

$CV=\[c_{{(A\∪B)}_1},c_{{(A\∪B)}_2},...c_{{(A\∪B)}_n}\]$

$\begin{array}{cc}st.& c_{{(A\∪B)}_i}=\frac{s_{{(A\∪B)}_i}}{s_{X_i}},(i\∈\{1,2,...n\left\}\right)\end{array}$

其中，反映了項集A∪B在子數據集D_i中的置信度度量，st.表示約束條件，為項集A∪B的SV中的第i個元素，為項集A的SV中的第i個元素。

6.根據權利要求1所述的基于動態(tài)關聯規(guī)則的設備故障信息挖掘方法，其特征在于，所述動態(tài)關聯規(guī)則的支持度s表示為：

$s=\underset{i=1}{\overset{n}{\Σ}}\frac{f_{{(A\∪B)}_i}}{M}$

其中，M是數據集D中的記錄數，表示項集A∪B在子數據集D_i中出現的頻數。

7.根據權利要求1所述的基于動態(tài)關聯規(guī)則的設備故障信息挖掘方法，其特征在于，所述動態(tài)關聯規(guī)則的置信度c表示為：

$c=\frac{s_{(A\∪B)}}{s_X}$

其中，s_(A∪B)為項集A∪B的支持度，s_X為項集A的支持度。

8.根據權利要求1所述的基于動態(tài)關聯規(guī)則的設備故障信息挖掘方法，其特征在于，所述按照定義的動態(tài)關聯規(guī)則算法，對n個子數據集D₁,D₂,...,D_n進行動態(tài)關聯規(guī)則挖掘，得到設備故障原因與維修措施之間的關聯關系包括：

對每個時間段上的子數據集利用頻繁項集產生算法產生動態(tài)關聯規(guī)則左項和右項；

確定所述動態(tài)關聯規(guī)則左項的支持度，所述動態(tài)關聯規(guī)則左項的支持度表示為：

$s_{R_L}=\underset{i=1}{\overset{n}{\Σ}}{s}_{R_{L}i}\·\frac{M_i}{M}$

其中，表示動態(tài)關聯規(guī)則左項的支持度，表示動態(tài)關聯規(guī)則左項在時間段t_i上的支持度向量，M_i表示與時間段t_i上的子數據集D_i中的記錄數M_i，M表示數據集D中總的記錄數；

若所述動態(tài)關聯規(guī)則左項的支持度大于預設的支持度閾值，則確定所述動態(tài)關聯規(guī)則左右全項的支持度，所述動態(tài)關聯規(guī)則左右全項的支持度表示為：

$s_R=\underset{i=1}{\overset{n}{\Σ}}{s}_{Ri}\·\frac{M_i}{M}$

其中，s_R表示動態(tài)關聯規(guī)則左右全項的支持度，s_Ri表示動態(tài)關聯規(guī)則左右全項在時間段t_i上的支持度向量；

通過公式確定動態(tài)關聯規(guī)則的置信度，其中，c表示動態(tài)關聯規(guī)則的置信度；

判斷所述動態(tài)關聯規(guī)則的置信度是否大于預設的置信度閾值，若大于預設的置信度閾值，則根據挖掘得到的動態(tài)關聯規(guī)則，分析設備故障原因與維修措施之間的關聯關系。

9.根據權利要求1所述的基于動態(tài)關聯規(guī)則的設備故障信息挖掘方法，其特征在于，所述方法還包括：

建立時間序列回歸模型，預測動態(tài)關聯規(guī)則的發(fā)展趨勢。

10.根據權利要求1所述的基于動態(tài)關聯規(guī)則的設備故障信息挖掘方法，其特征在于，所述方法還包括：

在交互式可視化界面上，根據用戶點擊的預約維修日期，鏈接到相應的項集和關聯規(guī)則的挖掘結果界面；和/或，

在交互式可視化界面上，根據用戶輸入的查詢條件進行匹配查詢，以列表的形式顯示相應的查詢結果，所述查詢條件包括：項集或關聯規(guī)則；和/或，

在交互式可視化界面上，根據用戶選擇的關聯規(guī)則，以柱狀圖的形式顯示所述關聯規(guī)則的置信度。