随着现代工厂朝着自动化、智能化的方向高速发展,机械设备的复杂程度也越来越高。在复杂化的机械设备中,旋转机械部件轴承、齿轮是不可或缺的一部分。进行旋转机械部件故障诊断对于保证机械设备稳定运行具有重要意义。近些年,基于深度学习的智能故障诊断方法得到了广泛发展。神经网络模型的性能依赖于充足的训练样本,且要求训练数据和目标数据的分布相同。然而在实际工业设备中,机械设备的工作条件是多变的,我们无法针对各个工况收集大量的训练样本。迁移学习可使用源部件的标记样本辅助完成目标部件任务,为解决训练样本不充足问题提供了新思路。然而,当源部件和目标部件为故障类别不同的部件时,特别地,当目标部件的数据均为未标记数据,无监督异构迁移故障诊断仍是研究的难点。实现不同旋转机械部件间的无监督异构迁移故障诊断是亟待解决的问题。本文针对无监督异构迁移故障诊断开展了如下工作:（1）基于图拉氏公共子空间的无监督异构迁移学习模型。首先,利用高斯混合模型拟合原始振动信号的数据分布特征,为目标部件的无标记样本设计伪标签;其次,设计基于深度卷积神经网络的特征提取器,用以提取源部件标记样本和伪标记目标部件样本的深度故障特征;同时,我们利用近二进制码构造了一个公共隐藏属性空间,根据样本在公共隐藏属性空间的相似性构造图拉氏变换损失,优化样本数据在特征空间中的分布。因此,我们可以得到一个考虑故障特征分布和关联的更一致的公共子空间,从而有效地处理异构迁移故障诊断任务。（2）基于图注意力和孪生网络的无监督异构迁移故障诊断方法。首先利用高斯混合分布模型为无标记目标部件数据设计伪标签,增强模型识别目标部件故障的能力;然后构造了孪生网络提取样本对的高维特征,将样本变换到公共子空间,并通过相似性度量模块评估样本在公共子空间中的相似性;将相似性度量模块输出的样本间的相似性和图拉氏变换相结合,构造了新的适配数据分布的损失,不仅能缩小相同故障类别的样本在子空间中的距离,而且能够增大不同故障类别的样本在子空间中的距离,获得更好的分类边界,便于故障分类;最后,基于图注意力机制,对样本的特征进行加权,获得表征能力更强的故障特征。实验结果证明,本方法能提取区分度更高的特征,取得更高的故障诊断精度。