高学金, 刘爽爽, 高慧慧

(1. 北京工业大学 信息学部, 北京 100124; 2. 数字社区教育部工程研究中心, 北京 100124;3. 城市轨道交通北京实验室, 北京 100124; 4. 计算智能与智能系统北京市重点实验室, 北京 100124)

1 前 言

发酵过程是现代流程工业中常见的一种生产方式[1]，通常表现出动态性、非线性等固有特性，难以建立模型在线监测。因此，亟需建立合适的监测模型实现过程安全稳定运行。基于数据驱动的多元统计方法在工业过程领域取得广泛应用，典型方法有主成分分析(principal component analysis，PCA)[2-3]、独立分量分析(independent component analysis， ICA)[4-5]、时间片典型相关分析(canonical correlation analysis，CCA)[6]，但传统多元统计方法模型较为简单，不能自适应提取数据深层特征，在当今的大数据背景下，面对数据量大、数据复杂多变等问题，监测能力远远不足。

深度学习[7-9]在大数据特征提取上具有其他算法不可比拟的优势，通过逐层的非线性特征提取能深入挖掘数据内在信息，表现出强大的信息学习能力和表达能力，并且对时序相关的序列数据同样具有较强的适用性。近年来深度学习方法因优越性能被广泛用于工业过程，如深层置信网络[10]、循环神经网络[11]、堆叠去噪自编码[12]和卷积神经网络(convolution neural network，CNN)[13]，尤其是CNN 优越的特征提取能力越来越受到科研人员的青睐。Lee 等[14]提出故障检测和分类卷积神经网络方法，应用于半导体制造过程。Zhang 等[15]提出一种第一层宽卷积核的深度卷积神经网络方法，解决CNN 应用于故障诊断准确率不高的问题。Jiang 等[16]针对齿轮箱振动信号固有的多尺度特性，提出一种多尺度卷积神经网络结构，实现齿轮箱振动信号的多尺度特征提取和分类。……