随着智能制造的进一步推进,工业过程也朝着更加复杂的方向发展,此时过程和设备出现的故障类型也将变得更加多样化,对诊断方法提出了更高的要求。传统的基于监督学习的故障诊断方法依赖于大量带标签的故障样本,这在工业过程中难以满足,尤其是一些零样本但已知的故障（未见类故障）,监督学习无法处理。零样本学习（Zero-Shot Learning,ZSL）方法已被证实可以处理未见类故障,其在训练阶段仅有已见类故障（有样本,参与模型训练的故障类别）样本。然而,零样本学习故障诊断方法测试阶段只能处理未见类故障,对于已见类故障和未见类故障均可能发生的情况无法处理,这严重限制了其实际应用。为了解决上述问题,需对零样本学习方法扩展,使其在测试阶段既能处理已见类故障又能处理未见类故障,即广义零样本学习（Generalized Zero-Shot Learning,GZSL）。本文将广义零样本学习引入工业过程故障诊断领域,广义零样本学习通过语义描述信息的引入,将不相交的已见类故障和未见类故障建立联系,使其在测试阶段既能处理已见类故障又能处理未见类故障。但是,实现广义零样本学习的故障诊断方法仍面临域偏移、语义偏差和端到端难实现等关键技术难点,本文致力于解决上述难点,主要内容如下:1.针对模型在测试阶段未见类故障样本会更偏向于已见类故障的域偏移问题,提出一种通过生成模型生成伪样本的方法,将已见类故障和未见类故障的域判别转换为一个二分类问题;将判别为已见类故障的样本用监督学习进行分类;将判别为未见类故障的样本用零样本学习进行分类。将广义零样本学习问题转换为监督学习和零样本学习问题。2.针对人为定义的语义描述信息主观性过强的语义偏差问题,提出一种通过属性预测错误率,实现对已见类故障语义描述信息进行语义纠正的方法,从而减小人为主观性对结果的影响,提升模型分类准确率。3.针对实现广义零样本学习所需模块过多的问题,提出一种端到端广义零样本学习故障诊断框架,在该框架下只需一种二分类算法就能实现广义零样本学习。并且通过一些已知的规则将端到端模型分为多个阶段,所有阶段都通过一种二分类算法来完成,让端到端模型具有较强的可解释性,从而让该方法更符合故障诊断领域。