近年来,随着我国航天事业的发展,通信卫星结构日趋复杂,伴随的是卫星故障种类与数量的剧增。目前,工业上对卫星故障的检测以阈值法和专家经验法为主,如何实现通信卫星故障检测的智能化,成为了当前航天领域研究的热点问题。本文基于某航天机构提供的某颗通信卫星的大量遥测数据,针对基于循环神经网络的故障检测算法进行研究,提出了相应的解决方法。并将其与该领域各已有的算法进行实验对比分析,验证了本文所提出故障检测算法的有效性。本文的主要工作内容与创新点如下:(1)利用某航天机构提供的某通信卫星时长为2年的24维遥测数据,针对每个遥测参数,训练相应的长短时记忆(Long Short Term Memory,LSTM)网络进行时序数据的预测。在此基础上,定义了一种时序数据偏离度,将其用于计算各时间点的加权欧式距离。进一步得到各时间点的故障分数,然后选定合适的阈值进行多维故障检测。通过与现有故障检测算法的实验对比,验证了模型的有效性。(2)利用训练的各个遥测参数的LSTM预测模型,对各个单参数进行预测。提出了一种阈值化方式,为各个遥测参数选取不同的故障判定阈值,从而进行各个单参数的故障检测。在各不同时刻可以获取发生故障的具体参数,得到故障判定矩阵。(3)在内容(2)中单参数故障检测的基础上,对各个卫星遥测参数进行相关性分析,将具有强相关性的遥测参数进行分组。若某时刻仅有个别参数发生故障,但与之具有强相关性的其它参数均未发生故障,则认定其为非故障点,否则为故障点,从而进行系统级的故障检测。通过与现有故障检测算法进行实验对比,展现出了该模型的良好性能。(4)根据以上两个故障检测算法的特点,同时结合上述提出的多维故障检测与基于单维检测与相关性分析的故障检测算法,进行系统级的故障检测。通过实验对比,该模型可以有效的区分故障检测时可能存在的误判,减小故障误报率。