旋转设备故障诊断是保证设备可靠运行的重要研究内容,轴承复合故障诊断由于其特征高度耦合,故障类型繁多,是故障诊断中的难点问题。现有的复合故障诊断方法多需要获取大量的复合故障样本进行信号分析或者模式识别,考虑到实际工况中,轴承的单一故障样本比较容易采集和标注,但复合故障的样本却难以获取且难以标注。本文从单一故障样本与标签的约束条件入手,研究复合故障样本识别的新方法,提出基于零样本嵌入模型的复合故障诊断方法,进而发展出基于故障语义学习的复合故障诊断方法。具体包括以下两个方面的研究工作:（1）基于零样本嵌入模型的复合故障诊断方法。首先本文通过小波变换将原始的故障振动信号转为时频域图。其次,为了解决故障诊断领域中故障语义向量缺失的问题,本文首次构建了一种基于原始振动信号的单一故障类别语义,并利用单一故障的故障语义推导出复合故障的故障语义向量。在此基础上,本文将语义向量嵌入到故障特征空间。通过模型训练,使得故障语义向量和故障特征进行匹配。最终通过计算复合故障信号的特征与故障语义之间的欧氏距离来识别复合故障。实验结果表明,在没有任何复合故障样本的情况下训练模型,识别复合故障的准确率达到77.73%。（2）基于故障语义学习的复合故障诊断方法。首先结合上一章定义的语义向量和通过编码器提取样本高维的隐藏层特征,定义出了新型故障语义向量。其次,本文设计了基于卷积网络的故障特征提取器,并定义了一种自适应边缘中心损失作用于特征提取器上,最大化类间距,最小化类内距离。在此基础上,将新型语义向量嵌入到分类边界更清晰的故障特征空间,通过模型训练使得改进的故障特征和新型故障语义进行配对。最后使用欧氏距离度量故障特征和故障语义的距离,进而识别未知的复合故障类别。实验结果表明证明,改进的模型在只训练单一故障样本的前提下,模型能够对复合故障的识别精度能达到79.12%。对比上一章的模型,新型的故障语义能够提升更高的识别精度和更稳定的识别。