随着工业4.0时代的到来,人们更加注重产业信息化,工业4.0的本质就是采用数据流动化的技术,实现产销互联,用数据驱动信息技术变革。产业掌握核心数据,将肩负着促进信息技术变革的使命。关联规则是数据挖掘中核心内容之一,从海量价值密度低的数据中提取看似无关却具有关联性的信息是关联规则挖掘的重要意义所在。利用关联规则挖掘的特性对家族性缺陷数据进行处理,寻找家族性缺陷及潜在缺陷原因,缺陷与故障特征的关联,为输变电设备日常检修及故障预警发现工作做支撑,这些是该课题的主要研究目的。关联规则挖掘最经典的算法是Apriori算法,在探讨布尔型数据关系时该算法最为常见。随着被挖掘数据信息的多样化以及对时间效率的不断追求,实现方法也在不断拓新。文中根据采集的电力数据的特点,对数据进行相关处理,首先通过Apriori算法改进的Apriori算法分别建立家族性缺陷模型,找到属性变量间关联关系,通过综合分析时间及规则适用性分析模型的适用性。其次,对产生的关联规则进行评估,得到更准确的关联置信度。最后进行家族性缺陷等级评估,用客观量化数据说明家族性缺陷对电力变压器健康状态的影响。为了探索适合家族性缺陷中分类属性及频繁模式的关联规则方法,本文通过对变压器设备家族质量缺陷进行系统的分析,建立两种关联规则算法模型。对比以上两种缺陷模型结果表明,基于改进Apriori算法建立的家族性缺陷模型,通过将缺陷数据与故障特征量分块放置发掘频繁项集,最后将所得频繁项集整合求得强关联规则,该改进算法在时间及空间上都比原Apriori等算法更具有优势。根据关联规则方法的结果,评估家族性缺陷对电力变压器健康状态的影响。通过评估的家族性缺陷等级,对设备运行状态提供量化影响,为运维检修人员提供数据支撑,为厂家生产提供生产改良依据。