随着数据挖掘与机器学习算法的蓬勃发展,各行各业都涌现出一股大数据的潮流。航空工业也不例外,各大航空公司纷纷开始重视大数据,并花费大量精力研究航空大数据的处理分析手段。我国在航空工业的设计制造上起步较晚,对航空大数据的积累与分析更是不足。在这种研究背景下,本文以航空大数据中的商用大飞机交流电源信号数据为研究对象,聚焦于其中频域关键品质参数的异常检测。目前针对电源信号频域关键品质参数的研究方法存在两种不足之处,一是当前方法异常检测结果的时效性很差,检测到的异常信息没有太大的参考价值;二是当前方法异常检测结果的准确度仍然有待提升。针对以上现有研究方法的不足,本文开展了对现有电源信号频域参数异常检测方法的改进工作,以设计出一种高时效性和高可靠性的异常检测方法为目的,提出并设计实现了一种新的基于频域参数值预测的模型,同时还建立了机载电源异常知识库。从而提升商用大飞机的飞行安全保障性,且实现对机载电源故障数据的经验积累。本次研究主要有两个创新点,一个是设计并实现了一种基于短时傅里叶变换（Short Time Fourier Transform,STFT）与长短期记忆（Long Short Term Memory,LSTM）递归神经网络模型的异常检测模型。该模型能够实现对机载电源信号频域关键品质参数值的超前预测,有效地解决了当前方法时效性很差的缺陷,具有高时效性的特点。另一个创新点是该异常检测模型具有很高的检测准确度,可靠性较高。尤其是在超前较长时间进行异常检测的场景下,模型输出结果的准确度远高于当前其他方法。本次研究还做了一些深入的拓展研究工作,包括对上述模型中各模块的优化研究,通过在不同实现方法之间进行理论层面对比分析,寻找到在本次课题场景下最为合适的实现方法。本文的最后是对本次研究所有内容的实验验证。一方面对本次研究设计实现的异常检测模型进行大量实验,分析验证其相较于当前其他方法具有高时效性与预测结果高准确度的优势,同时也验证了方法中异常知识库对模型的优化作用。另一方面进行了一些以优化为目的的各项对比实验,并对实验结果进行分析。