在互联网高速发展的时期,各行各业都依赖软件实现数据化运转,这其中离不开运维人员的工作。但是随着高新技术的发展,逐渐庞大的软硬件系统、大数据以及无法估量的变化等,都反映出人力决策无法应对当前运维面对的重大挑战。我们希望逐渐减少人力决策在运维中的比例,因此智能运维应运而生。智能运维在网络服务中应用广泛,而在航天器等机械重工上的应用还不普遍。并且航天器发回的遥测数据具有数据量大、数据类型复杂的特点,因此需要将智能运维的方法应用于保障航天器正常运行中。为了解决已有算法进行异常检测根因分析时,运行效率低且精确率不高的问题,本文以多维遥测数据下的异常定位作为重点研究内容,对多维时间序列异常检测与根因分析算法分别进行深入研究。主要研究内容与创新点如下:(1)本文选择深度学习方法中LSTM(Long Short-Term Memory,即长短期记忆网络)作为本文的基础算法,并在此基础上提出了加权多维LSTM异常检测算法。首先训练多维LSTM模型生成预测序列;其次将实际值与预测值之间的欧式距离进行加权放大;最后通过设置阈值窗口判断航天器是否发生异常。(2)根据遥测数据之间发生异常事件时存在线性关系的特点,本文选择相关系数矩阵进行根因分析。对正常数据与异常数据分别求得绝对相关系数矩阵,通过观察相关系数热力图分析相关系数明显变动的相关参数定位根因集合。本文使用某航天机构提供的两年的航天器遥测数据,对本文提出的异常检测根因分析算法进行了实验分析。在异常检测方面,本文算法F1度量均超过了0.9,验证了本文所提出的异常检测算法在实际运维场景下的可行性。在根因分析方面,对比已有的根因分析算法,本文算法可以准确定位到异常事件的根本原因,在有效性和稳健性都取得了很大的进步。