食品加工系统是由多个相互耦合的子系统共同组成的分布式网络结构,这种网络生产结构成为工业4.0时代的主流生产模式。食品加工系统具有生产实时性、结构分布性、节点多尺度性等传统生产系统所没有的特性,因此针对系统特性的运行维护成为新兴的研究课题。随着工业技术的迅速发展,具有耦合关联的生产系统取缔了传统单一的生产单元,随之产生的数据急剧增多,在食品加工系统故障诊断领域中深度学习凸显其计算优势,尽管深度学习算法取得了比较精确的诊断精度,但在针对该系统的特性方面入手的研究相对不足。针对这些问题,本文主要对基于深度学习的故障预测进行研究,主要包含以下方面:（1）基于正则化ISU-LSTM（Insert Sparse Unit-Long and Short Term Memory,ISU-LSTM）的食品加工系统故障预测方法。针对现有故障预测领域中对于实时性的需求,设计内置稀疏单元ISU代替传统网络中的遗忘门,建立内置稀疏单元的长短时记忆网络（ISU-LSTM）,该网络有效稀疏网络结构,满足故障预测的预测实时性;利用优化均方误差的方法不断迭代更新神经网络参数,为处理不断更新的传感数据,建立实时预测模型,实现网络参数及维度不断更新,有效避免神经网络模型训练陷入局部优化,从而提高预测模型鲁棒性。（2）基于残差SRU（Residual-Simple Recurrent Unit,Res-SRU）的食品加工系统故障预测方法。针对食品加工控制故障预测存在多节点数据难以泛化计算的问题,而相邻节点存在耦合工作的特性,开创性的将残差网络中同等映射函数融入到多层简单循环单元SRU中,建立并行化故障预测模型。利用多节点协作算法对相邻节点相应故障请求,根据欧式距离范围和概率3σ准则得出区域内的所有故障节点信息。将分层级残差SRU网络作为预测模型的主要架构,可以使得多节点故障数据也得到有效训练。（3）设计并开发了一种基于深度学习算法的健康管理系统PHM（Prognostic and Health Management,PHM）。基于本论文的主要研究算法,以食品加工系统设备为应用研究对象,提出参数更新优化算法（Parameter Update Optimization,PUO）,搭建了食品加工系统健康管理系统,包括数据处理、健康管理中心和交互应用等三个模块,实现了对实际食品加工系统的状态监控功能,有效预测准确的RUL（Remaining Useful Life,RUL）值。在故障发生前发出故障警报,给出故障决策评估,最后对核心功能模块进行了验证测试。本文针对信息物理融合系统的实时性、多节点性、分布性的生产特点,结合深度学习处理大数据集的优势,提出一种基于稀疏ISU模块的LSTM故障预测方法,通过添加正则化稀疏模块提高神经网络的计算速度,满足故障预测实时性。此外,提出含有残差连接的SRU网络来预测食品加工控制系统的剩余使用寿命。最后将二者网络融入健康管理中心PHM系统上,结果测试表明,PHM系统能够取得准确的预测结果。