滚动轴承故障诊断因与设备安全性息息相关,一直以来都是十分受重视的研究课题。在实际工程应用中,由于轴承承受来自多方面的压力,各个部位的损伤程度也有所差异,轴承故障的振动信号常常不具有像平稳信号那样的良好统计特性。并且由于轴承受到工作条件,设备类型,工作环境等多方面因素的影响,轴承复合故障形成机理复杂,故障数据难以采集,采集到的数据通常存在数据类型不完整或缺失部分故障特征等问题,导致故障数据难以用于训练。复合故障数据含有未知的特征,某些故障类别数据缺乏等问题,给故障诊断模型的研究带来了困难。同时,由于故障会导致机器故障甚至是难以挽回的事故,因此故障是不被允许的,根本无法获取轴承服役过程中的故障数据,阻碍了轴承服役故障诊断研究的快速发展。当面对复合故障数据含有未知的特征,缺少某些故障类别的数据等问题时,设计了图卷积轴承故障诊断模型,通过将原始振动信号由小波变换转换为同时具有时间和频率信息的时频图,输入到图卷积层中进行学习,然后用少量复合故障数据对训练好的模型进行微调,重新调整模型参数,构建了一个轴承故障诊断模型。并通过实验证明了该模型对轴承复合故障的诊断效果高于现有的其它方法。针对在实际工程应用中,难以获得服役故障数据,轴承服役故障诊断困难的问题,基于迁移学习的轴承故障诊断模型能有效地从数据充足的人工模拟损伤故障数据中学习故障知识,并迁移到真实的服役故障上,提高服役故障的诊断准确率。具体来说,通过将人工模拟故障和服役故障的原始振动信号由小波变换转换为同时具有时间和频率信息的时频图,输入到图卷积层中进行学习,有效地提取人工模拟故障和服役故障的故障数据的特征表示,然后计算人工模拟故障和服役故障数据分布之间的Wasserstein距离,通过最小化数据分布差异,构建了一个能诊断轴承服役故障的故障诊断模型。同时,该模型也能从一个工作条件迁移到另一工作条件,可以进行不同组件类型,不同工作条件之间的智能诊断。针对复合故障和服役故障诊断难的问题,设计了一个功能比较完善的轴承故障诊断系统,主要对复合故障和数据稀少的轴承服役故障进行快速诊断,为用户提供简单方便、快速良好的使用体验。系统采用分层设计,实现了用户和管理员登录,用户管理,数据预处理,模型训练,模型预测等主要功能,能快速地预测故障类型,并节约训练资源。