在石油、化工等过程工业的生产实践和科学研究中，会产生大量的原料、产品、设备、工艺和操作信息等方面的数据。提取这些数据中包含的知识，即过程工业数据挖掘，是过程系统工程的重要研究领域，也是模拟、监控、优化、故障诊断等工业实际应用的基础。过程工业数据挖掘的主要难点包括：如何建立适用的数据挖掘算法，这些算法能够适应过程工业数据的复杂特性，如大数量、高维数、强相关性、包含噪音、动态性等；如何将这些算法整合为从数据到知识的挖掘系统，使它们能协调工作，解决实际问题。 常减压精馏装置是原油炼制系统中的重要组成部分，具有一般连续石油化工生产过程的各种典型特性。该文以此为主要背景，研究过程工业中的数据挖掘。 为了得到数据集中不同属性间的关联关系，该文采用数量型关联规则提取的方法。在基于Apriori搜索的基本算法的基础上，提出了从原始数据集到目标数据集的有效映射的概念，可同时完成格式转换和信息传递，适用于各种类型数据的挖掘；提出了模糊分配系数，根据此系数确定模糊离散化的参数，可以简单有效地控制离散化中的模糊程度，减少分段和边界值等偶然因素对结果的影响。 针对过程工业数据的动态特性，进行了以下研究：采用时间窗口上的差分方法，提取多维时间序列的趋势变化信息并建立规则；将频繁项集上的Apriori性质扩展到项集处于不同时间点的情况下，完善了事务间关联规则提取的算法理论，并采用该算法分析时间轴上的属性间变化的因果性；文中还讨论了系统特性对不同时间尺度下的规则的影响，以及多维关联规则中的混合有效映射和规则的评价标准。 为了解决复杂的实际问题，建立了以多个功能模块整合而成的过程工业数据挖掘系统，并将它应用于以下两个问题中：在药物设计中，确定结构参数与活性间的关联关系；利用DCS数据，分析常减压精馏装置的运行特性，并建立侧线润滑油产品粘度的经验模型，利用数据挖掘的结果可以减少输入参数，选择合适的训练样本，保证模型的精度。这些结果验证了数据挖掘系统的有效性。