工业生产过程中由于设备故障造成停工,会产生大量的经济损失。伴随着工业4.0的深入推进和物联网技术的不断发展,重要工业设备的检测与维护数据被不断收集存储,这些监测数据中包含了大量的故障信息,为故障检测和故障的因子分析提供了数据准备。运用数据挖掘技术对设备故障进行检测,有利于提早发现故障,避免故障扩大造成更严重的损失。在设备故障检测的基础上进一步分析挖掘故障因子并且找到设备故障的原因,不仅可以指导工业设备科学的使用与维护,而且可以根据故障因子调整检修方案来减少事故发生。本文通过基于数据驱动的故障检测与因子分析模型,为设备维护与精确检测故障提供有效的科学理论保障。针对工业设备时序数据特点与故障检测与因子分析的应用需求,本文提出了一套工业设备时序数据特征工程的完整流程,特征工程包括了时序数据缺失、时序数据聚合与特征提取、时序数据标准化以及样本不均衡等问题的解决策略。同时针对工业故障检测中多分类的需求,提出了一种基于有向无环图(DAG)的集成多分类模型,通过减少基础的分类器个数提高故障检测效率。本文提出用随机森林模型对故障进行检测,结合相关性分析挖掘故障因子进行故障单因子分析。为了分析故障因子之间的关联关系,本文提出了一种权重关联规则分类算法(WCBA)的故障因子关联性分析方法,通过WCBA模型对设备故障进行检测,用分类规则前置项中分析故障原因之间的关联关系。最后通过实验验证了上述模型不仅仅能够有较好的故障检测准确率,而且能够进行故障的单因子分析与故障的因子相关性分析,为故障的检修与日常故障防护提供理论支持。本文将时序数据挖掘技术应用到工业设备故障检测与因子分析中,从设备监测时序数据入手构建故障检测模型并进行故障因子分析,目的是提高故障检测准确性,改善故障因子分析严重依赖专业知识的情况。本文的研究还存在不足之处,本文提出的模型是基于轻量级数据的,并没有考虑高并发大数据的因素;而且故障因子的背后物理意义解释性稍差。因此未来的工作是研究在高并发大数据集的前提下进行故障检测与因子分析,并且进一步提高模型的效率和可解释性。