智能预诊是智能维护系统的核心环节,对智能预诊结果的理解程度会直接影响到设备维护人员制定决策的准确率和执行效率,但是智能预诊模型的预诊结果通常是以繁杂的数据形式存在的,比如神经网络的知识广泛分布在各个连接权值和阈值中,尤其当神经网络结构比较复杂时,连接权值矩阵和阈值矩阵会非常庞大,这些数据就难以直接被人们理解和应用。本文从数据挖掘角度通过提取关联规则来挖掘预诊结果数据中隐藏的预诊信息和预诊知识,将以数据形式存在的智能预诊结果转化为以关联规则形式表示的知识,提高智能预诊结果的可理解性。支持向量回归机SVR已经被广泛应用于智能预诊过程中的剩余寿命预测,但是SVR的预测精度与正则化参数C、不敏感系数ε以及核函数参数θ的选择紧密相关。针对传统方法的不足,本文提出了基于关联规则的参数选择方法。首先构建参数样本数据,然后利用数据挖掘工具CBA提取关联规则,最后验证关联规则。验证结果表明那些正确率高的参数关联规则可以被直接应用于SVR参数的选择,该方法为SVR参数选择提供一种新的途径。由于CBA工具对数据的规范性要求过于严格,本文进而提出了一种基于多重剪枝策略的分类关联规则提取算法MAMP。首先利用MA算法产生支持度和置信度满足阈值条件的原始关联规则,然后对这些规则进行相关性分析、冗余分析和数据覆盖技术分析,保留用户最感兴趣的关联规则。验证结果表明,MAMP算法具有很好的剪枝效果,它能够在保证分类精度的前提下保持尽量少的关联规则,而且能够处理一般的数据,对数据规范性没有特殊的要求,因此MAMP算法能够较好地处理智能预诊模型生成的各种数据。性能评估是智能预诊过程中的一个关键环节。针对传统的基于断裂力学的金属疲劳性能评价方法建模的复杂性,本文从实验的角度建立了一种基于贝叶斯网络的金属疲劳性能衰退评估模型,直接利用贝叶斯网络来学习金属疲劳实验数据,而不必去考虑金属疲劳破坏过程中疲劳裂纹的产生和扩展。性能评价结果表明本文提出的评估方法较传统方法有较大改进,它大大降低了建模的复杂性,考虑了更多因素对疲劳性能的影响,而且为设备或部件的在线性能监测提供了一种途径。本文最后利用MAMP算法提取了金属疲劳性能衰退评价结果的关联规则,将以数据形式表示的性能评价结果转化成以关联规则形式表达的知识,提高了智能预诊结果的可理解性,使得人们能够更加直观地理解和应用这些关联规则来判断设备所处的性能状态,并制定相应的维护决策。