随着工业物联网、大数据和人工智能的发展,传统工业正在向数字化和智能化升级,从而创造了大量的时间序列数据。通过分析这些数据,可以提供准确可靠的信息服务和决策依据,促进了制造业的转型升级。由于工业物联网基础设施复杂,异常检测与诊断成为确保工业物联网效能的重要工具。然而,随着数据模态的增加,在多变量时间序列中,不同的时序维度有独特的相关性特征,需要更深入地探索变量之间的相互作用和关系。此外,由于数据时间跨度增大,识别长期的上下文依赖关系成为时序建模的关键因素。最后,少有模型考虑到定位发生异常的原因。本文旨在探讨多变量时序异常检测与诊断问题,并对现有模型中存在的缺陷进行深入研究。具体而言,本文主要开展了以下研究工作:（1）针对多变量时间序列中各变量相互关系以及捕捉长期时序依赖的问题,本文设计了一种基于注意力机制的多变量时序异常检测模型,分为三个模块:多变量交互模块,时间序列建模和训练模块,以及异常得分和检测模块。首先通过图形注意力网络来建模多变量间特征相关性,然后使用Transformer融合生成对抗网络来捕获序列数据中的长期相关性,最后通过异常得分来确定是否发生异常。（2）针对多变量时间序列异常的原因分析问题,本文旨在识别发生异常的特定维度,以便定位发生异常的原因。基于因果关系的动态异常诊断算法使用异常检测模型作为基础,由三个模块组成,包括维度评分模块、阈值诊断模块和异常诊断模块。首先通过多维度评分组合的形式来计算异常分数,并用自动化阈值设置方法来代替阈值枚举获得阈值进行异常判定,最后通过因果关系对异常持续时间内的维度异常分数进行排名,并返回排名靠前的维度。（3）针对工业物联网中的多传感器融合应用场景,设计并实现了一种面向工业物联网的时序异常检测与诊断系统。该系统结合多变量时序异常检测与诊断模型,可以通过数据采集模块实时监控传感器设备状态。首先,系统对监测数据进行预处理,然后将预处理后的训练数据输入到异常检测与诊断模型中进行训练。最后,系统可以对异常进行检测并展示检测结果,方便相关人员进行管理和维护。