1.基于零试学习和潜在空间编码的旋转机械故障诊断方法，其特征在于：包括如下步骤：

S1、采集旋转机械信号：获取实验需要的正常数据样本、自然损害的数据样本和人为故障的数据样本，将采集到的所有样本整合成一个完整的数据集，并将该数据集划分为训练集、验证集和测试集；

S2、数据预处理及特征提取：对训练集、验证集和测试集分别进行预处理，然后对预处理后的数据进行特征提取；

S3、建立基于零试学习的潜在空间编码模型，从训练集和验证集中提取的视觉特征均用 表示，将视觉特征送入潜在空间编码模型中，由标注数据的惩罚函数来训练整个模型，找到潜在空间编码模型的最优解矩阵Ui，最优解矩阵Ui是使输入矩阵和恢复矩阵之间差异最小时的编码矩阵，如果找到最优解矩阵Ui，则用测试集进行测试并保存相关参数，否则调整超参数，优化模型，直到找出最优解矩阵Ui；

S4、训练完成后，将测试集中的数据送入训练好的潜在空间编码模型中，验证性能效果，若检测效果好，则为最终结果，否则继续调整超参数继续训练，直到得到最优模型。

2.根据权利要求1所述的基于零试学习和潜在空间编码的旋转机械故障诊断方法，其特征在于：所述步骤S2中数据预处理过程中采用小波变换得到时频谱图，具体过程为：首先将单个数据样本剪切成长度为1024的序列，然后使用小波变换得到同一大小的时频谱图，最后对经过预处理的数据分类保存。

3.根据权利要求2所述的基于零试学习和潜在空间编码的旋转机械故障诊断方法，其特征在于：所述步骤S2中数据样本进行特征处理过程中采用AlexNet网络进行特征提取，并将经过AlexNet进行特征提取后的结果送入步骤S3中建立的潜在空间编码模型中训练。

4.根据权利要求3所述的基于零试学习和潜在空间编码的旋转机械故障诊断方法，其特征在于：所述步骤S3中在潜在空间编码的模型中经过特征提取的样本输入为xi∈X1(i＝

1,2,......,N)，xi是指数据集中人为故障的数据样本中第i个数据样本的视觉特征矩阵，在编码过程中，编码器结构对输入向量Xi进行映射，得到编码后的向量C，向量C表示为输入向量Xi和编码矩阵 的乘积，表示为 在译码过程中，译码器结构对向量C进行映射，得到重构矩阵 是对输入信号的近似，因此，向量C表示为译码矩阵Vi和重构矩阵的乘积，表示为

5.根据权利要求4所述的基于零试学习和潜在空间编码的旋转机械故障诊断方法，其特征在于：所述步骤S3中寻找潜在空间编码模型的最优解矩阵Ui过程中，惩罚函数满足以下公式：

其中，λ是平衡两项的参数， 是重构矩阵和输入矩阵的重构误差，是由输入矩阵导出的码向量C和 之间的误差，由于编码‑解码框架是对称结构，因此编码矩阵和解码矩阵是对称的，有Ui＝Vi。

6.根据权利要求5所述的基于零试学习和潜在空间编码的旋转机械故障诊断方法，其特征在于：所述步骤S3中潜在空间编码模型训练过程中，当得到最小化的误差函数时，计算得出Ui的最优解矩阵为：当将公式(1)中的Ui替换为Ui的最优解矩阵之后，公式(1)的惩罚函数表示为：Tr[·]表示矩阵的迹，公式(3)中 是常数，求解L(Xi,C,Ui)的最小值，即求解 的最大值，因此，得出以下公式：T

s.t.CC＝1，        (4)T

用C代替C，公式(4)可以写作：T T

L(Xi,C)＝Tr[CΔiC]s.t.CC＝1，      (5)其中，

7.根据权利要求6所述的基于零试学习和潜在空间编码的旋转机械故障诊断方法，其特征在于：所述步骤S4中潜在空间编码模型训练完成后进行测试，在测试样本过程中，类原型由训练中的可见类的类原型经过加权得到，每类的类原型用Si表示，i＝1,…,N；因此，测试集中不可见的类原型由已知类的类原型的加权和构成表达式为：Au＝αS1+....+γSN,α+...+γ＝1，          (6)通过计算视觉特征与未知类原型之间的相似度，在这个过程中，将类原型编码到视觉空间中，在视觉空间中执行零试学习，有：其中，l(Xt)返回测试实例xt的标签， 是第j个不可见类的类原型Aj在视觉空间中的投影向量。