伴随着各国不断加大对航天领域的资金投入,在轨航天器的数量呈现出激增模式,随着在轨航天器控制精度要求越来越高、工作模式不断增加、数据复杂程度不断提高,对航天器的管理维护以及异常的处理等工作都带来了巨大的挑战。从航天器的地面设计到发射升空再到在轨运行期间,都会受到各种复杂情况的影响,从而导致不同程度的异常。随着时间以及航天器发射数量的增加,积累了庞大的数据量,这就为我们解决这一问题提供了新的思路:应用和大数据领域相关的数据挖掘来对航天器的异常问题进行分析。但由于引起异常的因素过于复杂,如果全部进行研究,效果可能并不会好。所以本文主要借助了相关文献中积累的大量数据中的一小部分进行试验。首先将异常数据库中的属性进行筛选,找到粘合度高的异常属性,对属性进行切片、切块、k Means聚类处理等操作,然后将属性进行编码,构建符合数据特点和挖掘平台适用的数据模型。其次对数据挖掘算法进行优化,通过样本验证优化是否有效,结合优化后的算法通过Weka数据挖掘平台进行试验。在实验的过程中结合领域知识对度量参数阈值的合理性进行评估,得到符合要求的高可信度、高粘合度的属性关联规则,对产生的异常分析模型进行验证评估。最终通过异常分析模型可以再遇到相似异常时,快速分析出导致异常的原因,或者当几个高粘合度属性同时出现时,对可能出现的异常进行提前处理。