大数据时代的来临打破了事件之间因果关系的固定格局，使相关关系的可用性浮出水面。大数据中因果关系是指:当一个作为原因的数据变化时,另一个作为结果的数据在一定程度发生变化,这两个数据存在着必然联系。
相关关系是指当一个数据变化时,另一个数据也可能随之变化,不论这两个数据是否有必然联系,相关关系背后的数学描述都是直接的、可视的，可以借助计算技术和数据分析工具轻易地获取数据间的这一关系。快速清晰的相关关系使得数据挖掘在工业大数据中更为实用。
将传感器全面收集到的相关数据与历史上的正常数据进行对比,即可预测出发动机有可能发生的故障。适当地放弃“因果”,将关注点转为“相关”,有助于我们更迅速、更全面地把握事件的发生,我们可以从“出现问题-逻辑分析一找出原因”的事后补救模式转换到“收集数据-预测问题-解决问题”的主动预警模式。工业大数据的智能故障诊断正是一种大数据相关关系分析方法。
工业大数据驱动的智能故障诊断框架
如图所示，工业大数据驱动下智能故障诊断框架主要由以下 3 方面构成：
（1）大数据质量改善。由于机械数据规模庞大、信号来源分散、采样形式多变和随机因素干扰等原因,监测大数据呈现“碎片化”特点,因此需要依据一定的性能标准对数据进行筛选,剔除冗余和噪声数据,在不降低甚至提高某方面性能的基础上,最大限度地降低计算时间和空间的消耗，提高机械大数据的可靠性，夯实设备智能诊断理论与方法的数据基础。
（2）大数据健康监测。通过时域分析、频域分析和时频域分析方法提取监测信号的多域特征,表征监测设备的健康状态信息。结合历史健康状态信息，设置特征值的自适应故障阈值实现对机械设备健康状态的判定,或者通过智能模型方法