气候变化是全球面临的重大挑战。我国作为最大的化石能源消费者,进行绿色低碳的能源结构转型,既是能源领域的挑战,也是发展新能源技术的重要机遇。核是清洁、可靠和可持续的能源,核燃料能量密度高而且不会造成空气污染,但是核能发电也面临乏燃料处理和热污染的问题。加速器驱动次临界系统（Accelerator Drive Sub-critical System,ADS）通过嬗变反应处理乏燃料,降低核废料放射性,减小核废料的体积。中国科学院近代物理研究所在ADS注入器II的基础上,建成了超导直线加速器样机（Chinese ADS Front-end Demo Linac,CAFe）,为更高功率的加速器驱动嬗变研究装置（China initiative Accelerator Driven System,Ci ADS）完成了技术积累。控制系统作为加速器的重要组成部分,在运行过程中会产生与加速器状态相关的时间序列数据,本文围绕加速器控制系统产生的时间序列数据开展了一系列研究工作。加速器报警系统用于监测过程变量的实时报警状态以及发布报警信息,产生的时序报警数据可用于加速器的隐患排查和故障诊断。本文提出了报警事件的概念,报警事件除了报警时间外,还包含设备类型、报警严重度等字段,用多维列向量来表示报警事件。引入距离相关度来确定滑动窗口宽度,将时间序列报警数据转化为报警事务数据集。结合加速器报警数据的特征,提出一种高相关度、低支持度为条件,基于大数据计算引擎Spark的并行关联规则CApriori算法。CApriori算法在第二阶段使用距离相关度来过滤频次高、相关度低的候选二项集。分区并行挖掘频繁项集,并通过使用布隆过滤器和过滤后的报警事务直接生成候选二项集来提升算法性能。最后,对CApriori算法的时间复杂度进行了分析,并将提出的CApriori算法与YAFIM算法应用于CAFe装置的报警数据,通过对比实验,验证了算法的有效性。机器保护系统通过预防故障的发生来防止束流对设备的损坏,实际信号存在异常值导致机器保护系统误报警,严重影响了加速器的稳定运行。针对此问题,本文提出了一种基于深度学习的报警判别算法,将其抽象成多元时间序列异常值检测问题。报警判别算法由预测和检测两个模块组成,预测模块由基于注意力机制的两层LSTM模型构成,使用小波变换将样本数据去除噪音后,用于捕捉正常情况下的模拟量变化规律;在检测模块,使用预测值与实际值计算均方误差,通过与均方误差阈值比较来检测异常信号,通过调节均方误差阈值来改变的误报率。最后,在BPM温度数据集进行了实验,实验结果表明报警判别算法可有效识别异常信号,减少误报警。随着加速器规模越来越大,历史数据的存储与查询面临新的挑战。本文研究实现了一种基于分布式数据库HBase的新型EPICS数据归档引擎Archive Engine。根据不同类型过程变量的特点,实现了Monitor、Monitor With Threshold、Scan等三种采样模式。元数据存储在My SQL数据库中,通过给每个过程变量都添加暂停标志位防止废弃的过程变量重连。Archive Engine同时也是HBase客户端,所有过程变量都共享一个缓冲区。根据HBase底层物理结构和用户数据查询习惯,设计了HBase表结构。重点研究了Phoebus的系统架构以及开发扩展方式,通过扩展Phoebus的Databrowser接口实现了历史数据的检索与查看功能。通过与EPICS Archiver Appliance的对比实验,验证了Archive Engine检索性能。论文针对CAFe装置运行过程中产生的时间序列数据,分别采用了不同的研究方法与技术。以上的研究工作对加速器故障智能化诊断、提高运行稳定性和数据归档引擎功能完善有重要的工程应用价值,同样为Ci ADS的建设提供了技术储备。