Las señales de vibración recopiladas en entornos industriales reales suelen ser limitadas y no etiquetadas. En este caso, los métodos de diagnóstico de fallas basados en aprendizaje profundo tienden a tener un rendimiento deficiente. El trabajo anterior principalmente utilizó los datos no etiquetados del mismo objeto de diagnóstico para mejorar la precisión diagnóstica, pero no aprovechó al máximo las señales no etiquetadas fácilmente disponibles de diferentes fuentes. En este estudio, se propone un contraste de momento de señal para el aprendizaje de representaciones no supervisado (SMoCo) basado en el algoritmo de aprendizaje contrastivo de contraste de momento para el aprendizaje de representaciones visuales no supervisado (MoCo). Puede aprender a extraer automáticamente características de falla de datos no etiquetados recopilados de diferentes objetos de diagnóstico y luego transferir esta capacidad a tareas de diagnóstico objetivo. En la estructura, SMoCo aumenta la estabilidad al agregar normalización por lotes a la capa de perceptrón multicapa (MLP) de MoCo y aumenta la flexibilidad al agregar un predictor a la red de consultas. Utilizando el método de aumento de datos, SMoCo realiza la extracción de características en señales de vibración tanto en dominios de tiempo como de frecuencia, lo que se denomina aprendizaje multimodal de señales (SML). Se ha demostrado mediante experimentos que después del preentrenamiento con datos de cojinete de falla inyectados artificialmente, SMoCo puede aprender un extractor de características potente y robusto, que puede mejorar significativamente la precisión sin importar los datos de diagnóstico objetivo con diferentes condiciones de trabajo, diferentes modos de falla o incluso diferentes tipos de equipos del conjunto de datos de preentrenamiento. Cuando se enfrenta a la tarea de diagnóstico objetivo, SMoCo puede lograr una precisión mucho mejor que otros métodos representativos en muy poco tiempo, y su excelente robustez con respecto a la cantidad de datos tanto en el conjunto de datos de preentrenamiento no etiquetado como en el conjunto de datos de diagnóstico objetivo, así como el fuerte ruido, demuestra su gran potencial y superioridad en el diagnóstico de fallas.