故障诊断是确保工业体系可靠高效持续运行的关键技术。随着工业信息化和智能化的深入发展,故障诊断方法逐渐由基于信号处理的方法迈向基于深度学习的方法。图神经网络是基于深度学习发展起来的一类处理图数据的方法,其具有较好的性能和可解释性。本文将采集的传感器信号建模成故障样本图并基于图神经网络提出了三种旋转机械故障诊断方法,其主要工作如下:（1）基于图神经网络的电机转子无监督故障诊断方法。该方法首先采用快速傅里叶变换对电机转子的各故障样本进行频域特征提取;其次基于频域特征,采用K-近邻（KNN）方法构建故障样本图;以该故障样本图作为输入,采用图采样与聚合算法求取各故障样本特征的向量表示,最后采用K-均值（K-means）聚类算法获得各故障样本的类别标签。该方法在无标签样本下实现对电机转子的故障诊断,从而能够帮助专家对大量故障数据的初步了解并进行样本标记。另外,该方法通过挖掘故障样本之间的关系来构建故障样本图,从而为故障诊断提供了额外的特征。（2）多种距离测度下基于图卷积神经网络的半监督学习电机转子故障诊断方法。该方法基于多种距离测度采用的K-近邻方法对电机转子故障样本进行故障样本图构建;以该故障样本图作为输入,采用图卷积神经网络半监督学习算法,在不同比例标签样本下实现对故障样本的标签获取。该半监督故障诊断方法既避免了无监督故障诊断中出现的准确率不足的问题,又克服了故障诊断实际中面临的标签样本匮乏的难题。（3）一种端到端半监督学习的滚动轴承故障诊断方法。该方法首先采用皮尔逊相关系数对滚动轴承的故障样本进行故障样本图构建;其次构建基于卷积神经网络和图卷积神经网络的联合模型以实现故障样本的分类;最后,构建一个端到端的半监督学习故障诊断框架。该方法不需要对故障样本进行特征提取而直接构建故障样本图,因此故障诊断结果不依赖于特征选择的结果。该方法中卷积神经网络与图卷积神经网络一起训练能够在少标签样本下实现较高的故障诊断准确率。