【摘要】间歇过程数据上呈现出较强的非线性、高维性以及耦合性等特点，故障识别难度较大，而弱故障又具有幅值低，易被噪声干扰的特点，当间歇过程中出现弱故障时，更加大了检测人员对故障识别的困难。为解决该问题，提出一种基于时空融合特征的间歇过程弱故障识别方法，该方法设计一种并行时空特征提取网络对数据进行特征提取，通过对特征进行识别来判断故障类别。并行时空特征提取网络由卷积神经网络(Convolutional Neural Networks， CNN)和长短期记忆网络(Long Short Term Memory， LSTM)并行构成，同步计算，网络的输出端由一定尺寸的卷积核对各网络提取的特征进行深度融合，最后通过一个全连接层将特征输入分类器，进行故障识别。利用青霉素发酵仿真实验数据进行实验，验证了方法的有效性。