随着工业物联网和信息技术的发展,制造业中的大型机械装备在生产过程中不断涌现出海量运行数据,通过运行数据快速高效地分析提取装备故障信息,并借助神经网络等算法实现对故障类型的有效诊断和预测,有效降低由于装备故障带来的停产损失或人员伤害事故,已经逐渐成为智能制造领域的研究热点。但是在生产过程中,由于工业设备本身特性,其产生的数据往往具有非平衡、高噪声等特点,并且随着设备运行数据的不断增多,设备故障诊断模型的精确度也会越来越低。针对上述问题,本研究根据工业设备状态数据的特征,以及工业生产环境的复杂性,提出一种基于集成增量动态权重组合的设备故障诊断分类模型,具体如下。第一,该模型通过研究不同分类器在不同环境下轴承设备的故障诊断分类效果,提出一种将长短期记忆人工神经网络(Long Short Term Memory,简称LSTM)与多分类的支持向量机(Support Vector Machine,简称SVM)进行组合的动态权重组合分类模型(Dynamic Weight Combination Classification Model Based on LSTM-SVM,简称DWCLS),用于解决在高噪声设备状态数据中的故障特征提取和分类问题。第二,在以上提出的基于LSTM-SVM动态权重组合分类模型的基础上,引入选择性集成增量学习机制和非平衡数据处理技术,用于解决海量非平衡设备状态数据下普遍存在的新增数据特征提取和分类以及样本类别不平衡问题。第三,将第一条研究内容和第二条研究内容进行融合,形成一种基于集成增量动态权重组合的设备故障诊断分类模型(Equipment Fault Diagnosis Classification Model Based on Integrated Incremental Dynamic Weight Combination,简称DWCMI),并通过实验证明该模型能够快速适应环境变化,可以有效解决设备故障诊断过程中的故障数据量过大、非平衡、高噪声、数据样本无法关联等问题。