电厂故障诊断的知识获取是制约电厂故障诊断专家系统普遍推广应用的瓶颈。电厂的DCS系统存储了大量的数据，这些数据的背后隐藏了大量的知识，但没有被深刻理解和挖掘。数据挖掘是从大量数据中自动提取知识的过程。本文用数据挖掘技术进行知识提取，以克服电厂故障诊断系统知识获取的瓶颈。本文首次将粗糙集的理论和方法用于电站凝汽设备的故障特征提取。粗糙集是一种处理模糊和不确定知识的数学工具，它的最大优点是无需提供除问题相关的数据集合以外的任何先验信息，比较适合发现数据中隐含的、潜在有用的知识。本文的研究表明，用粗糙集方法对凝汽器故障进行特征提取，效果较好。本文首次尝试用决策树方法对凝汽器故障进行诊断，研究结果表明，该方法切实可行。本文针对凝汽器故障非线性的特点和神经网络所具有的很强的学习能力、适应能力和鲁棒性的优点，用神经网络对凝汽器故障分类，在MATLAB软件中的实验表明该方法十分有效。关联规则用于发现大量数据中项集之间的有趣联系。本文用关联规则分析设备运行过程中报警事件之间的联系，很有意义。