随着科技的发展,现代工业过程正朝着大型化、复杂化方向发展,其中,间歇生产过程在市场中占据着极大的份额。为了提高复杂大型工业系统的可靠性和安全性,减少重大事故的发生,或减少工业过程的生产停产时间、降低制造成本等,在生产的早期阶段准确地检测和诊断工业系统故障是必不可少的。得益于信息技术和传统测量设备的升级,使得获取的过程测量数据越来越丰富,这也使得传统的基于数据驱动的方法难以用于复杂间歇过程的故障检测,因为这类过程通常具有数据量大、非线性、非高斯性等特性。近年来,深度学习凭借其强大的特征提取能力,在图像和自然语言处理等领域取得了许多成就,吸引了很多学者对其理论及应用展开研究,并开始尝试用深度学习解决各自领域的一些难题。本文也将针对间歇过程中的故障检测问题,引入深度学习方法并对其展开研究,具体研究如下:1)研究深度学习模型及其算法的基本框架,并针对在故障检测中引入深度学习模型所面临的问题和挑战进行探讨,提出建模策略和需要注意的方向。2)针对具有多阶段操作特性的间歇生产过程进行操作阶段划分,建立了基于无监督学习算法的卷积-自动编码器网络模型,然后在网络的编码层上建立高斯混合模型并进行聚类,在提取特征的同时大大减少了建立模型的计算量;最后,基于马氏距离和置信区间理论提出全局概率检测指标,实现故障检测。通过在一类半导体蚀刻过程的仿真实验,结果表明该方法可以有效地提高故障检测率。3)针对间歇过程中过程数据量大、种类多,且价值密度低等特性,建立了基于长短期记忆网络与批规范化结合的有监督学习方法。首先利用改进的深层长短期记忆网络进行特征学习,该网络通过添加批规范化层,结合交叉熵损失的表示方法,可以有效提取间歇过程数据的特征并进行快速学习;最后,在一类半导体蚀刻过程上进行仿真实验,可以有效地检测和诊断各类故障,对故障的整体检测率达到95%以上。在文章的最后,对本文进行了总结并对未来的研究工作提出了自己的想法和展望。