随着工业物联网技术的发展与广泛应用，工业领域通过密集的传感器网络积累了海量的设备运行数据，促使现代工业故障诊断由原先的经验驱动、机理建模驱动转变为数据驱动。传统数据驱动的故障诊断方法只有在静态数据场景中能够表现出优异的诊断精度与鲁棒性，因此基于数据驱动的故障诊断方法通常将设备运行数据视为静态数据。然而在复杂工业生产环境中，设备在时变工况条件下产生的是动态的流数据，相较于静态数据，流数据具有规模庞大、动态多变、标签匮乏的特点，而传统数据驱动的故障诊断方法缺乏增量学习、实时更新与利用无标签数据的能力，因此难以适应工业流数据场景。
鉴于此，本文针对流数据不断增长且时变的特性，结合模型更新实时性问题，提出了一种基于自适应触发增量学习的故障诊断算法（FD-ATIL）用于构建具有实时更新与增量学习能力的故障诊断模型。此外，针对流数据缺乏标签的特性，本文进一步提出了一种基于自训练密度峰值聚类的故障诊断算法（FD-STDPC）用于赋予FD-ATIL算法半监督学习的能力。