摘要:针对间歇过程的非线性、多阶段性等特点及其三维数据形式, 本文提出基于批次图像化的卷积自编码故障监测方法. 首先, 将每个批次数据看作一个灰度图, 每个批次中数据变化可以看作图片的纹理变化, 利用卷积自编码器(convolutional autoencoder, CAE) 直接对间歇过程三维数据进行特征提取, 避免三维数据展开成二维时导致的信息丢失, 无需分阶段充分考虑批次全局信息,有效提取过程变量相关关系的动态变化. 同时卷积操作提取局部特征信息, 自编码网络可以解决非线性问题, 实现特征的无监督学习. 然后, 使用一类支持向量机(one-class support vector method, OCSVM) 描述特征分布, 构造新的统计量, 确定控制限, 实现故障监测. 通过将该方法应用到Pensim 仿真平台及重组人粒细胞集落刺激因子发酵的实际生产数据, 验证所提方法的准确性和有效性.