针对换热站这类非线性、时变、时序控制系统的故障诊断,采用传统非时间序列故障诊断方法存在故障识别不够精准的问题,提出一种基于时间序列分析方法的故障诊断策略。该类系统的主要特点体现在变量间存在较强的非线性关系且变量相互耦合,同时系统的输出特性不仅与输入信号的变化有关,还与输入信号的作用时刻及作用时长密切相关。因此对该类系统的故障诊断应充分考虑变量间的信息传递和时间序列关系,结合当前时刻与历史时刻信息等因素构建故障诊断模型。首先,通过搭建实际物理系统,对小型多输入输出的非线性、时变、时序装置进行专题研究,以此模拟相关故障的发生,并构建特征类别故障数据库。为分析变量间的信息传递和时序特性,采用传递熵方法分析相关变量间在时间轴上信息传递强弱关系,以此获得最大传递时间。由于原始时间序列数据存在噪声扰动,对其做符号化处理以减弱扰动,并将处理后的数据用于传递熵方法的使用上。同时为保证选取的数据段尽可能合理的包含诊断信息,将传递熵提取的最大时间长度作为数据窗口的大小,使划分的待检测数据段合理包含不同故障的历史时刻信息及当前时刻信息。其次,对经滑动窗口技术划分的时间序列数据段建立长短时记忆神经网络（LSTM）故障诊断模型,实现诊断模型对故障库已知故障类型的识别。对比分析传统的RBF、BP、PNN非时间序列神经网络模型诊断效果,结果表明采用时间序列分析方法的整体识别正确率为93.7%,相比较其它方法提升10%,验证了针对该类系统的故障诊断应充分考虑数据之间的时间序列关系。再次,鉴于已知故障数据库并不能包含系统运行的所有故障类型,为解决模型对故障库未知故障类的识别,引入支持向量数据描述（SVDD）方法对故障库已知故障数据构建超球体,设定未知故障判定阈值用于模型对未知故障类的检测。通过保留未知故障数据和聚类分析,根据其数据密度特性生成新增故障类,经定义后实现故障库与诊断模型的迭代更新,以此构建本文诊断方法的开放性及迭代递进特点。最后,结合本文研究背景建立SVDD-LSTM诊断模型和信息物理系统（CPS）,实现对换热站运行过程的实时在线故障诊断。经实验装置和真实换热站验证,本文方法能在线准确识别已知故障类型,并且能智能增加对未知故障的异常检测,有助于保障换热站的运行安全,该方法也可对该类生产过程的故障检测与诊断提供借鉴和参考。