现代科技迅速发展,工业系统日趋复杂,智能传感器的广泛使用,使得工业过程产生与存储大量复杂的时间序列数据,这些数据呈现多维、耦合、非线性与强因果等特性,因此对于工业过程时间序列数据的挖掘与分析成为热点研究。工业生产系统要求运行过程稳定与高效,如何分析与解决出现的故障,是关键性问题之一。工业系统故障分析包含异常检测与根因分析,异常检测要求对关注的时间序列对象进行及时准确地异常判断,根因分析要求对工业故障进行变量分析与根因溯源。本文针对工业过程中故障的分析问题,基于时间序列数据,提出异常检测集成模型与根因分析诊断框架,并将固定滞后格兰杰因果分析方法推广为可变滞后,对于工业过程中的故障分析具有一定的指导意义。本文的主要研究内容如下:（1）针对基于重建模型的工业时间序列异常检测任务中,重建误差分化不明显问题,基于长短期记忆自编码器（LSTM-AE）模型,根据集成思想原理,提出长短期记忆自编码器集成框架（LAEE）,训练多个隐层维度不同的自编码器,根据训练表现挑选基检测器并设置权重,在测试集中集成重建误差,并与集成重建阈值比较,判断时间序列是否异常。实验结果表明,集成框架优化了工业时间序列的异常检测精度。（2）针对缺乏精确历史数据的新型故障根因分析问题,提出根因分析诊断框架。首先,对于变量分析问题,基于极端梯度提升树原理,提出双极端梯度提升树（Bi-Xgboost）模型,在故障发生时可实时分析变量重要性;其次,对于故障相关变量选择问题,基于变量数量,提出平均贡献阈值（MCT）方法,使所选择故障相关变量数保持在合适的范围内;最后,对于故障相关变量的因果分析问题,引入时序因果分析网络（TCDN）,基于预测与注意力机制,判断多维时间序列之间的因果逻辑。在工业仿真过程中的验证结果表明,所提出的框架能够对工业过程中不同类型的故障进行及时与准确的根因分析。（3）针对以往的时间序列因果分析方法中总是假设因果滞后固定的问题,提出可变滞后格兰杰因果分析（VLGC）算法,通过动态时间规整进行时间序列之间的调整,并重建最优化对齐后的时间序列,根据格兰杰因果分析原理,建立向量自回归模型,通过模型之间的预测残差对比,判断时间序列之间的真实因果关系。分别在合成数据集与真实数据集中进行验证,结果表明可变滞后格兰杰因果分析方法在进行因果分析时的准确性,高于固定滞后假设的因果分析基线方法。