随着工业信息化的发展,各类设备积累了海量的历史维护、故障数据,如何利用好数据挖掘技术从历史数据中提取有用信息,为工业设备故障诊断和维护提供有效的决策支持成为急需解决的难题。传统的数据挖掘处理及改进的算法大多是串行算法,由于单机处理能力有限,并不适合海量、多维数据集的挖掘工作,本文以风力发电机组设备数据为研究背景,讨论了一种聚类算法与并行关联规则算法相结合的故障诊断研究方案。采用最近邻优化的k-means聚类算法对数据进行纵向处理,利用最近邻思想优化的k-means聚类算法,缩小分类误差和减少迭代次数,相较于k-means聚类算法具有更高的实用性。将风力发电机组的数据进行聚类分析,为下一步故障诊断数据挖掘研究提供准备工作。关联规则中支持度和置信度并不足以将强关联规则全部过滤出来,反而会出现负关联规则这一现象,且具有迭代性质的关联规则算法会产生大量候选项集。改进并行环境Map Reduce框架下的Apriori算法,通过增加一个标记来过滤候选项集,增加了频繁2-项集中项集之间的关联性,避免负关联规则和大量无效的2-频繁项集的生成,减少了系统的开销。将算法应用于风力发电机组数据进行横向数据挖掘,查找设备间可能关联的故障信息。通过对改进后的模型进行具体分析与实验,表明该方案能够快速、高效地实现故障诊断知识获取。