關鍵詞：間歇過程 故障檢測 自編碼器 深度學習 高斯混合模型 

摘要：傳統基于數據驅動的間歇過程故障檢測方法往往需要對數據的分布進行假設,其模型多階段劃分不精確,導致故障檢測率受到影響.對此提出一種基于一維卷積自編碼器—高斯混合模型(One dimensional convolution-auto encoder-Gaussian mixture model,1DC-AE-GMM)的檢測新方法.該方法不需要對原始數據進行假設,首先對原始數據進行等長和縮放處理,并以最小重構誤差的原則在具有卷積和多個中間層的深層神經網絡上進行訓練,以非線性的方式自動、精確地進行階段劃分和特征提取;然后在網絡的編碼層上建立高斯混合模型并進行聚類,在提取特征的同時大大減少了建立模型的計算量;最后結合馬氏距離提出全局概率檢測指標,實現故障檢測.通過在一類半導體蝕刻過程的仿真實驗,結果表明該方法可以有效地提高故障檢測率.

信息與控制雜志要求:

{1}基金或課題項目：若要標注獲得基金或課題贊助的論文，應注明基金或課題項目名稱，并在圓括號內注明項目編號。

{2}本刊歡迎具有創見性、應用性、前瞻性的論文，對觸及社會和學術界熱點、重點及時代感、現實性較強的論文優先錄用。

{3}圖片要求為原始稿件單獨發送，清晰，色彩、亮度適中，圖像分辨率應為1024×768像素，4M以上。

{4}文中需進一步解釋的內容作為頁末注釋，用宋體五號字。文中用上標標注，編號為：①②③。

{5}附錄內容較少，與參考文獻排在同一頁；如出現內容較多，則另起一頁。附錄的字體為12磅，Times New Roman字體，加粗。附錄內容格式要求與正文一致。

注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社