关键词：间歇过程 故障检测 自编码器 深度学习 高斯混合模型 

摘要：传统基于数据驱动的间歇过程故障检测方法往往需要对数据的分布进行假设,其模型多阶段划分不精确,导致故障检测率受到影响.对此提出一种基于一维卷积自编码器—高斯混合模型(One dimensional convolution-auto encoder-Gaussian mixture model,1DC-AE-GMM)的检测新方法.该方法不需要对原始数据进行假设,首先对原始数据进行等长和缩放处理,并以最小重构误差的原则在具有卷积和多个中间层的深层神经网络上进行训练,以非线性的方式自动、精确地进行阶段划分和特征提取;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;最后结合马氏距离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.

信息与控制杂志要求:

{1}基金或课题项目：若要标注获得基金或课题赞助的论文，应注明基金或课题项目名称，并在圆括号内注明项目编号。

{2}本刊欢迎具有创见性、应用性、前瞻性的论文，对触及社会和学术界热点、重点及时代感、现实性较强的论文优先录用。

{3}图片要求为原始稿件单独发送，清晰，色彩、亮度适中，图像分辨率应为1024×768像素，4M以上。

{4}文中需进一步解释的内容作为页末注释，用宋体五号字。文中用上标标注，编号为：①②③。

{5}附录内容较少，与参考文献排在同一页；如出现内容较多，则另起一页。附录的字体为12磅，Times New Roman字体，加粗。附录内容格式要求与正文一致。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社