在实际工程场景中，机械设备的运行速度是复杂多变的。然而，现有的智能故障诊断研究大多是在恒速条件下进行的，有限的研究集中在时变速度下的故障诊断上。此外，标记数据的限制给智能故障诊断方法带来了相当大的障碍。因此，在速度时变和标记样本有限的情况下，提出了一种半监督元路径空间扩展图神经网络（ME-GNN）用于故障诊断。首先，提出了一种新的异构图，它将振动数据、故障信息和变量快速信息之间的最近邻关系转换为图。这种图不仅集成了各种物理信息，而且便于异构数据类型之间的消息传递和聚合。为了从不同的特征空间获得异质图的特征信息，实现了元路径空间扩展图卷积网络，以聚合来自不同属性节点的信息。最后，设计的特征融合模块有效地整合了节点特征和拓扑信息，从而进一步扩展了特征空间，增强了模型的诊断能力。一系列对比实验验证了所提出的方法优于现有的故障诊断方法。 关键词：故障诊断、图卷积网络、半监督学习、特征融合，时变速度
