CN118094169A - 用于复杂装备智能运维报警系统的组件关联性分析方法 - Google Patents

Abstract

本发明公开了一种用于复杂装备智能运维报警系统的组件关联性分析方法，该方法包括：将历史报警数据集转化为表示特定时间间隔内报警是否发生的布尔矩阵；使用FP‑Growth算法生成FP‑tree，挖掘第一频繁项集并生成第一报警关联规则，得到对应的组件报警关联规则；当获取新的报警数据集时，得到第二频繁项集，与第一频繁项集取并集，并合并相似的频繁项集，得到第三频繁项集；将新的报警数据集与历史报警数据集合并，基于合并的报警数据集求取第三频繁项集的支持度，选取支持度大于最小支持度阈值的第三频繁项集作为新的频繁项集；生成新的报警关联规则，并转化为组件报警关联规则。本发明可为优化智能运维报警系统、改进运维策略、提升复杂系统稳定性提供支持。

Description

用于复杂装备智能运维报警系统的组件关联性分析方法

技术领域

本发明属于复杂装备组件关联性分析技术领域，具体涉及一种用于复杂装备智能运维报警系统的组件关联性分析方法。

背景技术

随着港口复杂装备智能运维技术的不断发展，现有港口复杂装备关键组件处配置了相应的传感器对其状态进行监测，在组件损坏或运行异常时智能运维报警系统会发出警报提醒技术人员进行及时的运维工作，并将报警数据储存到报警数据集中，保障港口复杂装备的正常运行。

然而，由于港口复杂装备拥有大量的组件，其中一部分组件在运行时有相互功能依赖关系，导致故障的传播，引起大量关联的报警，并且报警数据的不断增加对计算机算力的要求不断提高，与此同时有些组件功能依赖关系在运行一段时间后可能才会出现，但合并到总的大数据集中频繁模式会被掩盖而不能及时挖掘出来。

综上所述，港口复杂装备为确保安全高效的运行会布置大量的传感器组成智能运维报警系统，但因其运转结构的连续性和结构的复杂性，往往会出现大量相关联的报警，影响操作人员的正常操作，现有对组件关联的分析多是本领域技术人员凭借丰富的经验和理论知识进行分析，或是只针对历史报警数据进行分析，因此分析结果并不全面准确，无法快速有效得出科学准确的组件关联特征。

因此，急需一种新的方法可以通过现有智能运维报警系统储存的海量报警数据和新的数据集并行计算，快速识别港口复杂装备的组件功能依赖关系，并在不重复计算的情况下动态分析新的报警数据合集，为优化智能运维报警系统、改进运维策略、提升复杂系统稳定性提供支持。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种用于复杂装备智能运维报警系统的组件关联性分析方法，解决复杂装备的组件关联性分析问题。

为实现上述目的，按照本发明的第一方面，提供了一种用于复杂装备智能运维报警系统的组件关联性分析方法，该方法包括：

根据各组件的不同报警标签，将历史报警数据集进行符号化表示；

确定滑动时间窗口的大小，通过重叠滑动时间窗口将整个时域离散化，以将历史报警数据集转化为表示特定时间间隔内报警是否发生的布尔矩阵；其中，滑动时间窗口的大小即为特定时间间隔；

基于布尔矩阵，使用FP-Growth算法生成FP-tree，根据FP-tree挖掘第一频繁项集并生成第一报警关联规则，基于第一报警关联规则得到组件报警关联规则；

当获取新的报警数据集时，得到新的报警数据集的第二频繁项集；

将第二频繁项集与第一频繁项集取并集，并合并相似的频繁项集，得到第三频繁项集；所述合并相似的频繁项集为：若某一频繁项集包含于另一频繁项集，则删除该频繁项集，保留所述另一频繁项集；

将新的报警数据集与历史报警数据集合并，基于合并的报警数据集求取第三频繁项集的支持度，选取支持度大于最小支持度阈值的第三频繁项集作为新的频繁项集；

基于新的频繁项集生成新的报警关联规则；

将新的报警关联规则转化为组件报警关联规则。

进一步的，根据各组件的不同报警标签，将历史报警数据集进行符号化表示，包括：

假设第j个组件Sj有个不同的报警标签，利用/>表示组件Sj的第k种报警；其中，/>；

则历史报警数据集中所有报警类型的集合为：；其中，/>表示组件总数。

进一步的，确定滑动时间窗口的大小，包括：

统计每段时间发生的报警量L1，L2…Li…Lm；其中，Li表示第i段时间发生的报警量，m表示时间段总数；

根据下式计算滑动时间窗口的大小：

式中，表示滑动时间窗口的大小；

滑动时间窗口的步长小于。

进一步的，将历史报警数据集转化为表示特定时间间隔内报警是否发生的布尔矩阵，包括：

布尔变量转换如下：

由此将滑动时间窗口内的报警数据转化为一个布尔变量。

进一步的，根据FP-tree挖掘第一频繁项集并生成第一报警关联规则，包括：

若事件x和事件y同时满足以下两个条件，则事件x与事件y为关联规则；

支持度大于最小支持度阈值，且大于最小置信度阈值；其中，/>表示支持度，表示置信度，/>表示事件x与事件y在同一时间窗口发生的窗口个数，N为总窗口数，/>表示事件x发生的窗口个数；

事件x与事件y表示不同的报警类型。

进一步的，该方法还包括：

基于合并的报警数据集，根据动态最小支持度算法更新所述最小支持度阈值。

进一步的，该方法还包括：

同步获取新的报警数据集的报警关联规则，并与所述新的报警关联规则合并，得到最终的报警关联规则；

将最终的报警关联规则转化为组件报警关联规则。

进一步的，该方法还包括：

对于已有的报警关联规则，利用合并的报警数据集重新计算其置信度，确定是否保留；

并删除低置信度的报警关联规则。

进一步的，该方法还包括：

识别由规则的前因和后因中的组件并集形成的子集，将非空的子集进行交集运算，并将结果与原始的组件报警关联规则集合合并找到最终的组件报警关联规则集合。

按照本发明的第二方面，提供了一种复杂装备智能运维报警系统，所述复杂装备智能运维报警系统采用上述中任意一项所述的用于复杂装备智能运维报警系统的组件关联性分析方法。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得以下有益效果：

本发明提供了一种用于复杂装备智能运维报警系统的组件关联性分析方法，首先根据复杂装备的特性将报警数据集根据组件的不同报警标签进行符号化表示，将报警数据和选取的历史数据集选择合适的时间间隔并增加重叠滑动时间窗口将整个时域进行离散化，然后将报警数据集转化为布尔类型，生成表示某一时间间隔内报警是否发生的布尔矩阵，使用FP-Growth算法进行频繁项集挖掘并生成报警关联规则；其次，当获取新的报警数据集时，直接得到新的报警数据集的第二频繁项集，将第二频繁项集与第一频繁项集取并集，并合并相似的频繁项集，得到第三频繁项集，同时将新的报警数据集合并到历史报警数据集中，基于合并的报警数据集求取第三频繁项集的支持度，并根据动态最小支持度算法更新最小支持度阈值，然后选取支持度大于最小支持度阈值的第三频繁项集作为新的频繁项集，以此更新频繁项集和关联规则，避免了使用FP-Growth算法重新计算整个数据集；最后使用组件关联分析算法将挖掘的港口复杂装备报警关联规则进行组件关联分析，为优化监测系统、改进运维策略、提升复杂系统稳定性提供支持。

此外，同步挖掘新数据集的报警关联规则，可以快速挖掘最近出现的关联规则，避免有些组件功能依赖关系在运行一段时间后可能才会出现而不能及时挖掘出来。

综上，本发明解决了通过港口复杂装备智能运维报警系统动态数据集识别组件功能关联性不明确的问题，为现实中的复杂系统组件功能关联特征及易损性分析提供了技术方法。

附图说明

图1为本发明实施例提供的一种用于复杂装备智能运维报警系统的组件关联性分析方法流程图；

图2为本发明实施例提供的一种重叠滑动时间窗口示意图；

图3为本发明实施例提供的一种布尔矩阵示意图；

图4为本发明实施例提供的一种组件关联性分析结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

实施例一

本实施例提供一种用于港口复杂装备智能运维报警系统的组件关联性分析方法，如图1所示，步骤如下：

1）根据复杂装备智能运维报警系统的特性，将历史报警数据集d根据组件的不同报警标签进行符号化表示，并通过重叠滑动窗口将整个时域进行离散化处理；

2）将报警数据集转化为布尔类型，生成表示某一时间间隔内报警是否发生的布尔矩阵，得到标准化历史数据集，使用FP-Growth算法生成FP-tree并挖掘频繁项集和生成报警关联规则；

3）将新的数据集d'进行标准化处理并与原始标准数据集d合并，得到一个新的数据集D，根据新的数据集D更新已有的FP-tree并同步更新频繁项集及报警关联规则，同时同步挖掘新数据集d'的关联规则；

4）最后使用组件关联分析算法将挖掘的港口复杂装备报警关联规则进行组件关联分析，并进行可视化增加易读性。

其中，步骤1）中的报警标签符号化为：假设一个组件Sj有个不同的报警标签，将报警标签统一为/>来表示组件Sj的第k种报警，数据集中所有的报警消息类型的集合是：/>。其中，/>，/>表示组件总数。

步骤1）中的微重叠滑动时间窗口将整个时域进行离散化为：根据历史报警数据库的报警量计算窗口大小，首先由于报警的传播具有延时性，根据专家经验延时一般不会超过一个小时，如图2所示，在报警数据集时间范围[t0-tf]统计每小时发生的报警量L1，L2…Li…Lm；其中，Li表示第i段时间发生的报警量，m表示时间段总数。

然后将每个窗口的数据量设置为，增加关联规则挖掘的准确性。为提高数据挖掘的连续性，设置步长为r（r略小于/>）的重叠滑动窗口，将数据集离散化。

步骤2）中的报警数据集进行布尔类型转换为：

上式表示，若某一个时间窗口内某一组件的某种报警类型发生，则该组件的该种报警类型的布尔值为1；否则为0，由此生成布尔矩阵。

然后使用FP-Growth算法构建FP-tree，且如果满足以下两个条件，即：支持度大于最小支持度s%，可识别频繁的报警模式，且置信度大于最小置信度c%，则事件x与y为关联规则（/>），其中为事件x和y在同一窗口内发生的窗口个数，N为总窗口数，/>为事件x发生的窗口个数。

在本申请中，事件x与事件y表示不同的报警类型。例如图3中的a(1，2)与a(2，1)。如图3所示，a（1，1）与a(2，1)在同一窗口出现两次。

步骤3）中，新的数据集d'标准化处理后与原始标准数据集d合并，得到一个新的数据集D。在新的数据集d'中寻找包含新项的频繁项集X_item：对于原始数据集d的每个频繁h项集X（每一组已知的频繁出现的数据组合X，叫频繁h项集），新的数据集D的频繁项集Y_e为项集X与项集X_item的并集，即Y_e=X∪X_item。

然后计算支持度：对于每个新生成的项集Y_e，计算其支持度S(Y_e)。

最后选择频繁项集：根据动态最小支持度和置信度算法，更新最小支持度和置信度阈值，选取支持度大于最小支持度的项集作为频繁项集，合并相似的频繁项集，这些被选取的项集为更新后的频繁项集。

示例性的，如果历史频繁项集X中有（1，2）这个项集，新项集中有（1，2，3）这个项集，合并后就是（1，2）和（1，2，3），但是其中有重复的项（1，2），所以只保留（1，2，3）这一项就可以。

需要说明的是，计算支持度S(Y)以及更新最小支持度和置信度阈值均是在合并数据集D中进行。

因为数据集d中可能有接近支持度阈值的非频繁项集，它们可能在新的数据集d'中再次出现，进而使得合并数据集D中的这个项集的支持度大于设定的支持度阈值，这个非频繁项集就会被认定为频繁项集，以此更新频繁项集。

本发明将历史报警数据集和新数据集的频繁项集合并，并基于合并的报警数据集求取其支持度，然后选取支持度大于最小支持度阈值的第三频繁项集作为新的频繁项集，以此更新频繁项集和关联规则，避免了需要使用FP-Growth算法重新计算整个数据集求取频繁项集。

步骤3）中，更新报警关联规则为：对于每个新的频繁项集X，可以生成其所有可能的关联规则，并同步挖掘新数据集的关联规则（因为历史数据集很大，新数据集较小，如果在新的数据集中有新的关联规则，在整体中由于数据集过大可能会被判定为非频繁项，而无法快速发现，因此需要同步挖掘新数据集的关联规则）；对于已有的关联规则，可以重新计算它们的置信度，以确保其准确性和可靠性。此外，对于低置信度的关联规则进行剪枝，例如设置置信度阈值或设置保留关联规则的最大个数，从而剔除掉不重要的规则，减少规则数目。

步骤4）中，组件关联分析算法为：根据挖掘的报警关联规则转化为组件关联信息，即将报警的关联规则转换为相应组件Sj的关联规则，例如，报警关联规则a(1，2)→a(2，2)转换为组件的规则S1→S2，识别由规则的前因和后因中的组件并集形成的子集，将非空的子集进行交集运算，并将结果与原始的组件集合合并找到组件关联规则集合，例如组件关联的子集为S1→S2和S2→S3，交集运算后为S1→S2→S3，并将结果可视化。

实施例二

本实施例提供一种用于港口复杂装备智能运维报警系统的组件关联性分析方法，如图1所示，包括：

1）根据复杂系统的特性将报警数据集根据组件的不同报警标签进行符号化表示；假设一个组件Sj有个不同的报警标签，将报警标签统一为/>来表示组件Sj的第k种报警，数据集中所有的报警消息类型的集合是：。其中，/>，/>表示组件总数。

2）如图2所示，根据历史报警数据库的报警量计算窗口大小，首先由于报警的传播具有延时性，根据专家经验延时一般不会超过一个小时，可以在报警数据集时间范围[t₀-t_f]统计每小时发生的报警量L1，L2…Li…Lm，然后将每个窗口的数据量设置为增加关联规则挖掘的准确性。此外，为提高数据挖掘的连续性，设置步长为r（r略小于/>）的重叠滑动窗口，将数据集离散化。

3）将报警数据集转化为布尔值生成表示某一时间间隔内报警是否发生的布尔矩阵，布尔变量转换为：，由此生成布尔矩阵；然后使用FP-Growth算法构建FP-tree，且如果满足以下两个条件，即支持度/>大于最小支持度s%，可识别频繁的报警模式，且置信度/>大于最小置信度c%，则事件x与y为关联规则（/>），其中/>为事件x和y在同一窗口内发生的窗口个数，N为总窗口数，/>为事件x发生的窗口个数。在本申请中，事件x与事件y表示不同的报警类型。

4）新的数据集d'标准化处理后与原始标准数据集d合并，得到一个新的数据集D。在新的数据集d'中寻找包含新项的频繁项集X_item：对于原始数据集d的每个频繁h项集X（每一组已知的频繁出现的数据组合X，叫频繁h项集），新的数据集D的频繁项集Y_e为项集X与项集X_item的并集，即Y_e=X∪X_item。

计算支持度：对于每个新生成的项集Y_e，计算其支持度S(Y_e)。

选择新的频繁项集Y_f：根据动态最小支持度和置信度算法，更新最小支持度和置信度阈值，选取支持度大于最小支持度的项集（S(Y_e)＞S_min），并合并相似的频繁项集，这些项集为更新后的频繁项集Y_f。

更新报警关联规则为：对于每个新的频繁项集Y_f，可以生成其所有可能的关联规则，并同步挖掘新数据集的关联规则；对于已有的关联规则，重新计算它们的置信度，以确保其准确性和可靠性。对于低置信度的关联规则进行剪枝，从而剔除掉不重要的规则，减少规则数目。

5）组件关联分析算法为：根据挖掘的报警关联规则转化为组件关联信息，将报警的关联规则转换为相应组件Sj的关联规则，例如，报警关联规则a(1，2)→a(2，2)转换为组件的规则S1→S2，识别由规则的前因和后因中的组件并集形成的子集，将非空的子集进行交集运算，并将结果与原始的组件集合合并找到组件关联规则集合，例如组件关联的子集为S1→S2和S2→S3，交集运算后为S1→S2→S3，并将结果可视化。

如图4所示，本发明生成两个报警数据集，历史报警数据集设定逻辑为：时间为300天，组件数量为10，每个组件有3种不同类型的报警，报警的数量随机，特别设定在某一时间随机生成某一类报警并设定组件S2的第2类报警发生后有90%的概率出现组件S8的第2类报警、组件S1的第1类报警发生后有90%的概率出现组件S10的第1类报报警，共生成19073个报警数据；新的报警数据集设定逻辑为：时间10天，组件数量为10，每个组件有3种不同类型的报警，报警的数量随机，特别设定在某一时间随机生成某一类报警并设定组件S3的第3类报警发生后有90%的概率出现组件S7的第3类报警，共生成607个报警数据。使用本发明一种港口复杂装备智能运维动态报警数据分析方法后，得出图4所示的结果。

综上所述，本发明提出一种用于复杂装备智能运维报警系统的组件关联性分析方法，包括以下步骤：首先，根据港口复杂装备的特性将报警数据集根据组件的不同报警标签进行符号化表示，将报警数据集通过微重叠滑动窗口将整个时域进行离散化，然后将报警数据集转化为布尔类型，生成表示某一时间间隔内报警是否发生的布尔矩阵，使用FP-Growth算法进行频繁项集挖掘并生成报警关联规则。其次，将新的报警数据集合并到历史数据集中，并根据新的数据集更新频繁项集和关联规则，避免重新计算整个数据集，并同步挖掘新数据集的关联规则，最后使用组件关联分析算法将挖掘的港口复杂装备报警关联规则进行组件功关联分析。本发明可为优化智能运维报警系统、改进运维策略、提升复杂系统稳定性提供支持。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于复杂装备智能运维报警系统的组件关联性分析方法，其特征在于，该方法包括：

根据各组件的不同报警标签，将历史报警数据集进行符号化表示；

确定滑动时间窗口的大小，通过重叠滑动时间窗口将整个时域离散化，以将历史报警数据集转化为表示特定时间间隔内报警是否发生的布尔矩阵；其中，滑动时间窗口的大小即为特定时间间隔；

基于布尔矩阵，使用FP-Growth算法生成FP-tree，根据FP-tree挖掘第一频繁项集并生成第一报警关联规则，基于第一报警关联规则得到组件报警关联规则；

当获取新的报警数据集时，得到新的报警数据集的第二频繁项集；

将第二频繁项集与第一频繁项集取并集，并合并相似的频繁项集，得到第三频繁项集；所述合并相似的频繁项集为：若某一频繁项集包含于另一频繁项集，则删除该频繁项集，保留所述另一频繁项集；

将新的报警数据集与历史报警数据集合并，基于合并的报警数据集求取第三频繁项集的支持度，选取支持度大于最小支持度阈值的第三频繁项集作为新的频繁项集；

基于新的频繁项集生成新的报警关联规则；

将新的报警关联规则转化为组件报警关联规则。

2.根据权利要求1所述的用于复杂装备智能运维报警系统的组件关联性分析方法，其特征在于，根据各组件的不同报警标签，将历史报警数据集进行符号化表示，包括：

假设第j个组件Sj有个不同的报警标签，利用/>表示组件Sj的第k种报警；其中，/>；

则历史报警数据集中所有报警类型的集合为：；其中，/>表示组件总数。

3.根据权利要求1所述的用于复杂装备智能运维报警系统的组件关联性分析方法，其特征在于，确定滑动时间窗口的大小，包括：

统计每段时间发生的报警量L1，L2…Li…Lm；其中，Li表示第i段时间发生的报警量，m表示时间段总数；

根据下式计算滑动时间窗口的大小：

式中，表示滑动时间窗口的大小；

滑动时间窗口的步长小于。

4.根据权利要求2所述的用于复杂装备智能运维报警系统的组件关联性分析方法，其特征在于，将历史报警数据集转化为表示特定时间间隔内报警是否发生的布尔矩阵，包括：

布尔变量转换如下：

由此将滑动时间窗口内的报警数据转化为一个布尔变量。

5.根据权利要求1所述的用于复杂装备智能运维报警系统的组件关联性分析方法，其特征在于，根据FP-tree挖掘第一频繁项集并生成第一报警关联规则，包括：

若事件x和事件y同时满足以下两个条件，则事件x与事件y为关联规则；

支持度大于最小支持度阈值，且大于最小置信度阈值；其中，/>表示支持度，表示置信度，/>表示事件x与事件y在同一时间窗口发生的窗口个数，N为总窗口数，/>表示事件x发生的窗口个数；

事件x与事件y表示不同的报警类型。

6.根据权利要求1所述的用于复杂装备智能运维报警系统的组件关联性分析方法，其特征在于，该方法还包括：

基于合并的报警数据集，根据动态最小支持度算法更新所述最小支持度阈值。

7.根据权利要求1所述的用于复杂装备智能运维报警系统的组件关联性分析方法，其特征在于，该方法还包括：

同步获取新的报警数据集的报警关联规则，并与所述新的报警关联规则合并，得到最终的报警关联规则；

将最终的报警关联规则转化为组件报警关联规则。

8.根据权利要求1所述的用于复杂装备智能运维报警系统的组件关联性分析方法，其特征在于，该方法还包括：

对于已有的报警关联规则，利用合并的报警数据集重新计算其置信度，确定是否保留；

并删除低置信度的报警关联规则。

9.根据权利要求1所述的用于复杂装备智能运维报警系统的组件关联性分析方法，其特征在于，该方法还包括：

识别由规则的前因和后因中的组件并集形成的子集，将非空的子集进行交集运算，并将结果与原始的组件报警关联规则集合合并找到最终的组件报警关联规则集合。

10.一种复杂装备智能运维报警系统，其特征在于，所述复杂装备智能运维报警系统采用权利要求1至9中任意一项所述的用于复杂装备智能运维报警系统的组件关联性分析方法。