旋转机械在现代制造业中扮演着重要的角色,对于现代制造工业生产而言,旋转部件能否可靠运行至关重要。然而随着现代制造产业不断升级,机械装备结构更加复杂精细,装备维护与诊断的研究人员针对这一现状,从人工智能和大数据技术的角度寻求突破。然而真实情况下,现代制造的故障数据大多都是不完整甚至缺失的,如何利用这些标签不完备的数据来进行有效地诊断,这对现今的故障诊断技术提出了挑战。为了解决这个难题,本文以不完全监督学习技术为核心,构建出了新型的通用智能故障诊断模型,研究了机械装备的智能故障诊断技术,只需要少量的相关数据就可以很精确地诊断出机械装备的故障类别,大大提高了机械装备诊断的效率。在不完全监督学习中,过拟合,负迁移,欠拟合,欠适配的问题交错叠加。在拟合旋转设备故障数据的未知概率分布时存在过拟合和欠拟合问题;欠适配是指不同工况下下得到的故障数据的概率分布失配的问题没能够得到修正,负迁移是指辅助的领域任务对目标任务有负面影响,这些都成为不完备标注数据下旋转设备智能诊断的研究痛点。本文重点向欠拟合,欠适配的故障诊断研究进行挑战,主要创新点在于:(1)针对欠适配问题,从域自适应的角度提出了一种基于非参数迁移学习的智能故障诊断模型,来构建跨域间的特征迁移,拉近不同分布间的特征距离,从而只需要少量目标数据就可以得到较高的分类精度。同时将提出的方法应用于滚动体故障数据集,无需调参及模型选择就可以得到不逊于现有任何迁移学习方法的效果,使得故障诊断技术更加实用化。(2)针对欠适配问题,注意到目标域和源域之间存在一部分公共的特征。对此可以直接选择出这部分共享的特征来构建模型,于是在此基础上,一个基于最优传输的无监督迁移特征选择的智能故障诊断方法被提出,并应用于滚动轴承故障数据集,在故障特征提取的基础上进行二次提取,降低了迁移学习域偏移的问题,进一步提高了分类精度,证明了该方法的有效性。(3)针对欠拟合问题,从热力学的角度出发,以傅里叶定律为基础提出了一种新的图推断半监督学习算法,能够更加贴近真实的机械振动特征,为旋转机械故障诊断研究提供了一种独特的思路。再将其应用于滚动轴承数据集,通过实验验证可以发现这种方法是现有基于半监督学习方法中最贴近机械运行真实状态的,同时通过与其它方法的对比也说明了这种方法是现今最先进的方法之一,为机械领域的智能故障诊断技术提供了理论支撑。(4)针对欠拟合和欠适配问题,提出了一种基于迁移半监督学习的智能故障诊断模型,从子空间学习的角度同时融合了域自适应与半监督学习的优点,而不是简单的方法叠加。从两个轴承数据集上验证了该方法的有效性与可行性。解决了在数据分布不均衡,目标域数据标签不完备的极端情况下的智能故障诊断研究所面临的痛点。