随着现代工业发展,作为其组成部分之一的间歇过程在现代工业中所占地位越来越重要,实现间歇过程精确有效的故障诊断对于提高产品质量、保证生产安全至关重要。微小故障具有幅值低,易被噪声掩盖,极难被检测与诊断等特点,广泛存在于间歇过程的工业生产中,一个行之有效的间歇过程微小故障诊断方法在现代显得十分重要。针对间歇过程微小故障数据的强非线性、高维性、幅值小和易被噪声掩盖等特性,本文提出基于深度特征提取与机器学习方法结合的智能故障诊断模型。本论文主要内容如下:(1)基于机器学习方法的间歇过程微小故障诊断针对间歇过程微小故障数据的强非线性,高维性以及幅值低,易被噪声掩盖,难以诊断等特性,分析传统统计建模监测方法的不足,将适用于非线性问题的机器学习方法SVM,ELM,ANN引入间歇过程微小故障诊断中,建立基于机器学习方法的故障诊断模型,利用青霉素发酵过程数据进行验证,为后续研究做铺垫。(2)基于KECA特征提取与IGWO-KELM的间歇过程微小故障诊断方法在单一机器学习方法效果不佳的前提下,提出智能特征提取方法结合机器学习方法的故障诊断模型。通过使用KECA算法进行数据的特征提取,获得关键特征;选择KELM作为分类器,使用改进后的GWO算法在KELM模型训练过程中进行智能参数选择,在多个阶段建立最优故障诊断模型,在青霉素发酵数据上验证方法的可行性。(3)基于深层时序特征的间歇过程微小故障诊断方法针对间歇过程数据在本质上是一种多变量时间序列的特点,改进特征提取方法,选择对时间序列具有优秀处理能力的LSTM网络作为特征提取方法,结合AE网络进行改进,使网络具有数据去噪与更深层次的特征提取能力,在网络的特征输出端使用Softmax函数进行分类,利用青霉素发酵数据进行验证,证明基于深层时序特征提取方法的有效性与优越性。(4)基于时空融合特征的间歇过程微小故障诊断方法为深入探究深度学习方法在间歇过程微小故障诊断中的应用,获得效果更佳的诊断模型,综合考虑间歇过程数据所具有的单变量时序特性与多变量耦合的空间特性,引入LSTM网络对其进行时间维度上的特征提取,结合CNN网络在空间维度上进行特征提取,两个网络并行运算并在输出端通过一个卷积核融合层进行智能融合,提出基于时空融合特征的间歇过程微小故障诊断模型,为间歇过程微小故障诊断提供了一种可行且具有研究意义的方法。