随着工业互联网的提出与发展,时刻运行的设备产生的海量数据不断的进行采集、传输、存储,如何利用智能算法对这些设备数据进行故障分析,在保证准确率的前提下,做到缩短诊断时间,高效利用存储空间,成为当下智能制造的热点问题。目前,设备故障诊断仍然存在一些问题:面对海量数据时,分类模型很难兼顾稳定性与可塑性,根据设备状态和属性建立实时调整的分类模型,挖掘新增数据的潜在信息显得十分重要;增量学习虽然可以保留已学知识并持续获取新增数据中的信息,但在设备运行时,增量生成的数据流存在海量、非平衡、稳定-可塑性难平衡等特点,如不采取有效措施调整会严重影响诊断结果。因此,本文考虑到工业数据的特征和故障信息的多样性,构建一种基于异构集成增量融合的双向式故障诊断模型,实现海量非平衡高噪声滚动轴承设备状态数据下的故障识别与诊断。主要工作如下:首先,提出基于极端梯度提升的动态特征排序方法（Dynamic Feature Ranking Method Based on e Xtreme Gradient Boosting,XGBDFR）,根据梯度提升原理对特征重要性值进行排序,随着增量数据的加入,实时动态调整特征重要性序列;同时,通过反向验证准确率实时更新特征序列的候选集,用来解决集成分类器高效处理海量新增数据中的特征筛选问题。接着,为了解决故障数据普遍存在的非平衡问题,引入基于划分安全集的重采样非平衡处理方法,通过k-安全度的计算划分出安全集和非安全集。对非安全集中少数类样本使用本福特-安全水平过采样方法,对安全集中多数类样本使用改进的聚类欠采样方法,从而在尽可能保留样本真实分布的前提下得到相对平衡的数据集。然后,为了解决故障分类模型中分类器存在的稳定-可塑性难平衡问题,创建异构基分类器双向权重调整机制,通过改进的局部敏感哈希算法在训练数据和待测数据两个方向上同时对每一个基分类器进行权重更新,不但使集成分类器兼顾历史数据保持分类稳定性,又使基分类器根据当前待测数据进行适应性调整,提高分类模型的可塑性。最后,通过训练和待测两类增量数据对异构分类模型的双向调整作用,形成一种基于异构集成增量融合的双向式故障诊断模型（Bidirectional Fault Diagnosis Model Based on Heterogeneous Ensemble Incremental Mergence,HEIMB）。将其用在轴承设备状态数据进行实验,结果表明该方法使轴承故障诊断效率平均达到了89.74%,相比无增量学习的SVM、XGBOOST、CDAE方法平均提高了4.32%,相比其他非平衡数据处理的方法平均提高了3.84%,相比XGBDFR方法提高了2.40%,能够实现海量非平衡高噪声滚动轴承设备状态数据下的故障类别的识别与诊断。