随着信息技术与工业制造的深度融合,设备运行过程中不断产生的海量状态数据被保留下来,使利用大数据分析的方法对设备故障进行有效识别和预测逐渐成为故障诊断领域的主流。但是,由于生产过程中设备运行状态随时间推进发生变化,原有故障类型被修复,而新增故障类型产生,传统的机器学习方法无法满足生产过程中设备运行状态实时变化的实际需求。将增量学习方法应用于故障诊断领域,能够不断地从增量数据中学习新的知识,同时保留大部分先前学习到的知识,能够有效的提高准确率、节约时间空间成本、减少计算量。但是由于设备运行中的增量状态数据存在海量、非平衡、高噪声、强因果关联等特点,若不对此进行处理将严重影响故障识别的准确率。针对上述问题,本研究根据设备运行状态数据的特点,在参考了大量国内外文献的基础上,提出一种基于增量信息的动态权重集成学习模型,该模型的创新之处主要体现于以下三个方面:(1)该模型针对增量状态数据的非平衡特性,提出一种基于样本分布信息的动态加权非平衡处理方法,动态调整样本权重,实现了对非平衡增量数据的实时处理。(2)考虑到随着时间推进,新增故障模式产生,而原有故障被修复的情况,提出一种集成学习基分类器动态评价机制对模型进行动态调整,舍弃分类准确率低、不适用于当前运行状态的基分类器,以适应设备运行状态的变化,有效提高分类模型的可靠性。(3)针对设备故障间存在强因果关联的特点,提出一种有效信息增益筛选策略,筛选更有价值的新增特征用于训练新的基分类器,并更新原有集成分类模型,实现增量信息融合,解决增量状态数据的故障模式诊断问题。通过实验证明本文研究方法能够有效的解决增量非平衡设备运行状态数据的故障诊断问题,利用非平衡数据处理方法消除了数据不平衡性对诊断准确率的消极影响,实现对非平衡增量样本的实时处理,利用增量学习实现新增数据中有效信息与原有模型的增量融合及对分类模型的动态更新调整,完成对设备运行过程中产生的实时状态数据的高效诊断,显著提高模型的诊断准确率,节约时间空间成本,满足工业生产中的实际需求。