随着现代化生产技术的改革,工业系统变得越来越复杂,规模越来越庞大,系统的维护成本成倍的增长。现代化大生产中工业系统一旦出现问题,在造成资源浪费的同时人们的财产人身安全受到严重的威胁,因此,提高复杂工业系统的可靠性和安全性,降低事故风险并提高经济效益成为人们密切关注的焦点问题。计算机、传感器及通信技术的不断发展,越来越多的监测设备被用于现代工业系统的生产和维护,现代工业系统已呈现出向大规模,复杂化发展的新趋势。反映系统运行机理和状态的数据呈现出大数据量、多模式、不确定性和非线性等“大数据”特性,传统的基于数据驱动的故障诊断方法力有未逮。近年来,深度学习在学术领域和工业领域迅猛发展,以其高效的特征提取和处理复杂任务的能力,大大提高了许多传统识别任务中的识别精度,大批专家学者投以关注的目光并对其理论与应用展开深入研究。深度置信网络(Deep Belief Network,DBN)是近年来被广泛应用的深度学习网络之一,其具有强大的自动特征提取能力和处理高维和非线性等方面的优势,在图像处理,语音识别等领域取得了丰硕的成果,本文在基于数据驱动的故障诊断背景下,针对深度学习在故障诊断中所面临的问题和挑战,对深度学习在非线性过程故障诊断中应用展开研究,具体如下:(1)研究深度学习在故障诊断中的应用及其面临的问题和挑战,对其中的深度置信网络进行分析,指出其在处理具有时间相关性的间歇过程故障诊断中的不足之处。(2)针对具有时间相关性的非线性间歇过程,建立了基于深度置信网络和长短时记忆网络相结合的间歇过程故障诊断方法。首先利用深度置信网络的特征提取能力,提取特征,然后在特征层面上进行时间相关性分析。该方法在一类半导体蚀刻过程仿真实验中可以有效的检测各类故障,具有较高的故障识别精度,达到了98%以上,比深度置信网络提高了12%,比卷积神经网络提高了6%左右。(3)对本文进行总结,对未来研究工作提出想法和展望。