近年来,信息技术和工业物联网的高速发展推动了制造业革命性的创新和突破。以德国“工业4.0”为代表,多个国家相继推出多种措施吸引制造业回流,提升制造业智能化水平。我国作为全球制造业中心,提出实施制造强国战略第一个十年的行动纲领《中国制造2025》,加快推进智能制造,这是落实两化深度融合、打造制造强国的战略举措,更是我国制造业紧跟世界发展趋势、实现转型升级的关键所在。可见,运用大数据等先进技术理念,推动智能制造发展,已成为大势所趋。随着信息技术与智能技术的深度融合,获取大型机械装备在生产过程中不断涌现的海量运行数据变得更为容易,使得借助大数据分析方法对故障类型进行有效诊断和预测成为智能制造领域的研究热点。但面对海量的新增运行数据,传统的机器学习方法无法满足实时处理需求,且装备的状态和属性会随时间变化而发生改变,新增数据的潜在信息对装备当前状态和未来运行趋势有更重要的价值。增量学习虽然能够在保存大部分已经学习到知识的同时,不断地从新数据中学习新的知识。但在故障诊断领域,增量生成的数据流具有海量、非平衡、高噪声、强因果关联等特点,如不加以处理将会严重影响诊断效果。针对上述问题,本研究根据机械装备故障数据的特性,提出一种融合增量学习机制的故障诊断方法,该方法首先利用深度学习提出基于增量融合的动态深度学习模型(Dynamic Deep Learning Model Based on Incremental Mergence,简称IMDDL),用于解决海量新增数据的故障模式提取与分类问题;其次,在此技术基础上引入非平衡数据预处理和有效实例选择模型,用于解决故障数据普遍存在的非平衡问题和故障因果关联问题;最终,形成一种基于数据驱动增量融合的螺旋式故障诊断方法(Helical Fault Diagnosis Method Based on Data-Driven Incremental Mergence,简称IMH),该方法能够有效克服装备故障数据海量、非平衡、高噪声、不平稳、强因果关联等特性带来的问题。通过对轴承运行状态数据实验验证分析,本文研究方法不仅通过增量学习实现了故障数据中有效信息的提取与传递,保证实时处理装备运行过程中产生的海量数据,而且通过非平衡数据处理方法解决了故障数据的显著非平衡问题,消除装备运行状态数据中对方法故障诊断准确性的消极影响。因此,显著提高诊断精度,节约时间成本,满足装备故障数据的特性要求。