Para abordar el problema de datos limitados en el diagnóstico de fallos en el mundo real, estudios anteriores se han centrado principalmente en métodos de aprendizaje semi-supervisado y aprendizaje por transferencia. Sin embargo, estos enfoques a menudo tienen dificultades para obtener los datos necesarios, sin aprovechar completamente el potencial de los datos no etiquetados fácilmente obtenibles de otros dispositivos. A la luz de esto, este artículo propone una nueva arquitectura de red, llamada Signal Bootstrap Your Own Latent (SBYOL), que utiliza señales de vibración no etiquetadas para abordar los desafiantes problemas de condiciones de trabajo variables, ruido fuerte y datos limitados en el diagnóstico de fallos de maquinaria rotativa. La arquitectura consiste en una red de reconocimiento de características de fallos basada en preentrenamiento auto-supervisado y una red de diagnóstico basada en transferencia de conocimiento. La red de reconocimiento de características de fallos utiliza ResNet-18 como la red base para el preentrenamiento auto-supervisado y transfiere el extractor de características de fallos entrenado al objeto de diagnóstico objetivo. Además, se propone una técnica única de aumento de datos de señales de vibración, la transformación de señales en el tiempo-frecuencia (TFST), específicamente para el diagnóstico de fallos de maquinaria rotativa, que aborda la tarea clave del aprendizaje contrastivo y logra un diagnóstico de fallos de alta precisión con muy pocas muestras etiquetadas. Los resultados experimentales demuestran que el modelo de diagnóstico propuesto supera a otros métodos tanto en escenarios de muestras extremadamente limitadas como en situaciones de ruido fuerte y puede transferir la utilización de datos no etiquetados entre tipos de dispositivos similares e incluso diferentes.