传统的基于数据驱动的间歇过程故障诊断方法往往需要对过程数据的分布进行假设,而且对于非线性等复杂数据的监控往往会出现误报和漏报,为此提出一种基于长短期记忆网络(LSTM)与批规范化(BN)结合的监督学习方法。不需要对原始数据的分布进行假设,首先,对间歇过程原始数据运用一种按变量展开并连续采样的预处理方式,使处理后的数据可以向LSTM单元输入;然后,利用改进的深层LSTM网络进行特征学习,该网络通过添加BN层,结合交叉熵损失的表示方法,可以有效提取间歇过程数据的特征并进行快速学习;最后,在一类半导体蚀刻过程上进行仿真实验。实验结果表明,所提方法相比多元线性主成分分析(MPCA)方法故障识别的种类更多,可以有效地识别各类故障,对故障的整体检测率达到95%以上;相比传统单层LSTM模型建模速度更快,且对故障的整体检测率提高了8个百分点以上,比较适合处理间歇过程中具有非线性、多工况等特征的故障检测问题。