近年来,工业自动化水平在信息科学与技术的支撑下突飞猛进,多传感器设备可以采集到大量时序数据,这些数据往往蕴含了大量工作状态和运行模式等信息,通过挖掘这些时序数据中的隐藏信息对其进行异常检测和预测,不仅能够实时掌握工业设备的健康程度,保障设备的正常运行,而且能够为工业生产过程提供有效指导,提升工业产能。本文基于深度学习方法,结合实际工业数据集和合成数据集,针对多维时序数据异常检测和预测问题,开展研究如下:针对工业时序数据往往表现出数据量大、数据维度高等特点,本文提出在异常检测算法和预测算法模型中,加入基于极端梯度提升算法的特征选择模块,对原始数据集中变量进行打分排序,通过设置不同阈值进行实验,获得数据集的最佳高相关性子集。针对工业时序数据强耦合性、强相关性等特点,本文利用编码解码器结构,提出了基于重建的多维注意力卷积门控循环编码异常检测算法,利用经过极端梯度提升算法特征选择后的高相关性时序数据构建特征矩阵,采用含有注意力机制的全卷积编码器提取不同时间序列间的相关性特征,采用基于注意力机制的Conv GRU模块来提取时间序列间的时间性特征。最后利用全卷积解码器对特征矩阵进行联合解码,从而得到重建后的特征矩阵,设置合理阈值,利用残差特征矩阵进行异常检测。通过三个故障数据集实验结果表明,该算法异常检测效果优于其他九种对比算法。针对多维时序数据预测算法模型随着时间序列维度和长度的增加,往往预测效果有所下降的问题,本文提出了基于注意力机制的门控循环双分支预测算法,该算法模型具备双分支结构,将经过极端梯度提升算法特征选择后的高相关性时序数据作为编码解码器分支的输入,该分支主要任务是将时序数据有效压缩,生成优化的隐藏向量表示,在GRU编码器中加入注意力机制,使模型能够自适应地赋予非目标时间序列不同的权重,在解码器前加入注意力机制,自适应地赋予编码器隐藏层不同的权重,提取时间序列间的长期依赖性特征。预测分支采用全连接神经网络对优化的隐藏向量进行有效建模,最终达到对多维时序数据的前瞻性预测。通过三个预测数据集的实验结果表明,该预测算法的预测准确率高于其他八种对比算法。最后,本文构建了基于数据驱动的工业应用系统,通过三个故障数据集的实验结果表明,该系统具备有效性和鲁棒性。