1.零试学习和特征提取的旋转机械故障诊断方法，其特征在于：包括如下步骤：S1、获取数据集：获取数据集，并进行分划分为训练集、验证集和测试集；

S2、数据预处理及特征提取：将获取的数据集划分为训练数据和测试数据并进行预处理，然后对预处理后的数据进行特征提取；

S3、建立基于广义零试学习的特征细化模型：特征细化模型包括将VAE和GAN集成为统一的VAEGAN生成模型、特征细化模块和分类器，VAEGAN生成模型包括特征生成VAE和特征生成WGAN,在训练过程中分为两阶段的学习，第一阶段：使用以VAEGAN生成模型为框架，通过编码器E、解码器G和鉴别器D学习故障信息的特征信息和语义信息之间的映射关系，然后使用特征细化模块对故障真实信息和故障的伪信息进行对抗学习，并对真实/伪故障信息进行区别表示，通过边缘中心损失和循环一致性进行优化，对特征细化模块进行参数更新；第二阶段：使用训练过的特征细化模块对训练数据和测试数据进行特征信息进行细化，然后将细化后的真实故障特征信息和细化后的合成新类别的故障特征信息送入分类器进行分类识别，使用验证集数据检测模型性能，若检测效果好，则保存网络参数，否则继续调整超参数直到得到最优模型；

S4、训练完成后，对测试集数据进行检测：将测试集数据送入网络中，经过特征提取、特征细化后的特征送入训练好的模型，评估模型的最终性能。

2.根据权利要求1所述的零试学习和特征提取的旋转机械故障诊断方法，其特征在于：对所述步骤S2中数据集进行特征提取，并将经过提取后的结果送入步骤S3中建立的VAEWAN生成模型和特征细化模块中进行训练。

3.根据权利要求1所述的零试学习和特征提取的旋转机械故障诊断方法，其特征在于：所述步骤S3中特征生成VAE包括编码器E(x,a)和解码器G(z,a)，编码器E(x,a)将输入的可见视觉特征x编码为潜在码z，而解码器G(z,a)将z重建为视觉特征 特征生成VAE通过一个VAE损耗 来优化：

其中， 是K‑L散度，p(z|a)是服从N(0,1)分布， 是由‑logG(z,a)表示的特征重建损失。

4.根据权利要求1所述的零试学习和特征提取的旋转机械故障诊断方法，其特征在于：所述步骤S3中特征生成WGAN包括解码器G(z,a)和鉴别器D(x,a)，解码器G(z,a)从随机输入的噪声z中合成一个视觉特征x1，鉴别器D(x,a)接受一个真实的视觉特征x或合成的视觉特征x1并输出一个真实值，表明真实或虚假的程度，G(z,a)和D(x,a)都以嵌入a为条件，通过WGAN损失优化：

其中x′＝τx+(1‑τ)x1,τ～U(0，1),λ是权重系数。

5.根据权利要求4所述的零试学习和特征提取的旋转机械故障诊断方法，其特征在于：所述步骤S3中在特征细化模块中，使用中心损失和循环一致性损失函数对特征细化模块进行优化， 和 的表述如下：

其中，Cy是第y个训练类的语义信息嵌入到特征空间的类原型，Cy′是第y′个(除了y类随机选择的类标签)类原型，Δ表示控制类内和类间距离的边缘信息，μ是特征细化模块中经过编码后的特征，γ∈[0,1]是用于平衡类内和类间距离可分性的参数；

其中， 是使用FR由训练数据故障样本的特征信息xi合成的语义相关特征， 是由x1合成的语义相关特征， a是对应于视觉特征x或x1的语义嵌入。

6.根据权利要求5所述的零试学习和特征提取的旋转机械故障诊断方法，其特征在于：所述步骤S3中将训练数据故障样本的特征信息xi和伪特征信息x1进行特征优化后在特征细化模块中相应潜在空间的嵌入向量hi和hj、语义相关的嵌入向量 和 连接成完全细化的特征，i,j分别为训练集和验证集中的样本数据，表示为：其中，hi和hj均∈H， 和 均∈A。

7.根据权利要求6所述的零试学习和特征提取的旋转机械故障诊断方法，其特征在于：所述步骤S3中特征细化模型的总体优化函数为：其中，λSAMC和λR_a是相关损失项的权重。

8.根据权利要求7所述的零试学习和特征提取的旋转机械故障诊断方法，其特征在于：所述步骤S3的具体过程为：输入信号为经过特征提取送入网络中的输入信号为xi(i＝1,

2,......,M),xi是训练数据的故障样本的特征信息，在特征生成VAE中，编码器E(xi,a)将xi编为潜在空间的码向量zi，而解码器G(zi,a)将zi可以重建为视觉特征 在特征生成WGAN中，解码器G(zi,a)从潜在空间的码向量zi和语义信息a的混合合成伪特征信息 而鉴别器D(xi,a)接收一个真实的故障特征信息xi或合成的伪特征信息 并输出一个真实值，表明真实或虚假程度，在特征细化模块中提取完全细化的特征 和 将真实的训练集特征信息xi和验证集中真实/伪新类别特征 细化为鉴别特征， 和 用于训练分类器，进行分类。