近年来科学技术迅猛发展,现代工业化工过程也日趋复杂化和结构化,运行的工况和操作流程也越来越多变,在为企业提高产能效率和带来巨大效益的同时,也使得生产设备及生产过程发生故障的几率逐步增加。某一处的微小故障都可能会引起故障的广泛传播甚至造成生产过程的停止。故障诊断与检测技术是工业化工过程异常工况处理最常采用的方法,它为整个工业化工生产过程提供了安全保障。作为基于数据驱动方式的深度神经网络,以其强大的特征提取能力在处理带有复杂性、多变量、强耦合性的现代化工过程数据时,表现出色并取得众多成果,为故障诊断与检测技术提供了新的方向。但随着工业化的发展,化工过程产生的工业数据呈几何级数增长,全球所有的工业数据的80%都是近五年内产生的。此时面对如此巨大的非静态的数据流,传统的深度神经网络已经不能满足在给定时间内处理随着时间而改变的数据变化的要求,导致越来越多的未被处理的数据被积累。但传统的深度神经网络都是批量的处理数据,其中所有对象的类别都是预先知道的,并且所有的训练数据都可以以任意顺序被同时访问的,但已经训练好的深度神经网络模型在重新学习新类别的知识后往往会完全忘记所有以前学到过的知识,这种现象就被称作为灾难性遗忘。本文为解决这一问题,提出了一种基于增量结构的故障诊断方法,可以在不断地从新类别数据中学习新知识的同时保留已经学到过的旧知识,从而避免灾难性遗忘的发生。本文首先提出了一种DSResnet网络结构作为特征提取器,通过引入密集跳跃连接的思想将每一个残差块输出的特征图在通道结构上进行组合,然后传入最后面的1×1卷积层中,这样提供了低级特征和高级特征的组合以提高网络特征提取的性能。最后用本文提出的网络结构与同样层数的卷积神经网络(CNN)和不引入密集跳跃连接的残差神经网络(Resnets)进行对比实验,证明DSResnet特征提取器的优越性。其次本文提出了一种通过将蒸馏损失和AM-Softmax损失函数相结合形成的加强损失函数,并将小样本集和新类样本集组合形成的增强数据集。最后本文提出的基于增量结构的故障诊断方法,通过将DSResnet网络作为特征提取器,并加入了增强训练集和加强损失函数,使网络可以不断地从新数据中学习新知识,同时保留已经学到的旧知识。并分别与“Fine tune”、“iCaRL”和“Fixed representation”三种分类算法进行在10种类别的TE过程故障数据集上作增量对比实验。验证了本文提出的基于增量结构的故障诊断方法在分类精度上高于现有的增量分类算法,并能成功的避免灾难性遗忘问题。