近年来,随着科学技术的进步和现代化生产的发展,以制造业为核心的技术革命成为大国竞争的关键。结合大数据、人工智能等领域的发展,利用海量数据打造具有国际竞争力的智能制造业,已经成为提升国家综合国力、保障国家安全、建立世界强国的关键。在生产过程中,随着大型装备的状态数据呈海量增加,如何基于数据快速高效地分析提取故障特征,并利用数据挖掘对故障类型进行智能诊断,已成为智能制造领域研究的热点。装备数据分为运行数据和人工检测数据。其中,装备运行数据包括在线监测、带电检测、预防性试验数据等;人工检测数据是工人在对装备维护过程中记录下的文本信息,包括运行状况、维修保养、故障情况等。基于数据驱动的故障诊断方法通过对装备运行数据进行分析、挖掘和特征提取,将相关的、难以分析的、高维的数据转变成不相关的、容易理解的、低维的知识。但是,该方法存在无法融入经验性的知识、数据不平衡以及大规模训练集训练收敛时间过长等问题,降低了模型效果。针对人工检测数据,常采用文本数据挖掘的方式进行分析和特征提取,从而建立故障特征和故障模式之间的联系。但是,由于文本数据挖掘方式存在多次运算结果不稳定、差异较大、对数据非常敏感且容易发生过拟合等不足,使得仅依靠人工检测数据难以达到理想准确率。针对上述问题,本文将装备运行数据和人工检测数据相结合,提出基于动态加权的双模型装备故障诊断方法。首先,提出基于快速收敛优化的DBN故障诊断模型(Fault Diagnosis Model Based on Fast Convergence DBN,简称FCDBN),用于解决装备运行数据的非平衡处理以及故障模式的快速提取与分类问题;其次,提出基于文本数据挖掘的故障诊断模型(Fault Diagnosis Model Based on Text Data Mining,简称TDM),用于解决人工检测数据的文本预处理、主题模型特征提取及分类问题;最后,提出加权组合算法,提出了一种基于动态加权的双模型装备故障诊断方法(Equipment Fault Diagnosis Method Based on Dynamic Weighting Double Model,简称DWD)。该方法克服了装备故障诊断中海量运行数据中非平衡性和高维度性等特点,取得较好的效果。更进一步,运用Matlab2015b软件进行建模,对某公司提供的装备数据进行实验分析,证明DWD方法既可对装备运行数据进行非平衡处理、有价值信息的提取与分类,又有效结合人工检测数据的经验性知识进行文本数据挖掘,相比单一诊断模型,本方法可显著提高故障诊断精度,获得更好的性能评价指标,具有较好的理论和应用价值。