旋转机械在现代社会生产中扮演着重要角色,其故障诊断和检测也变得至关重要。目前以人工神经网络(Artificial Neural Network,ANN)为代表的模式识别方法已被普遍应用于旋转机械故障诊断领域,它们在训练模型时需要大量样本数据的参与,而工程实际中样本数据(尤其是故障样本)极为缺少。因此,需要合适的方法进行小样本和数据不平衡情况下的旋转机械故障诊断。生成对抗网络(Generative Adversarial Networks,GAN)是一种用于数据增强的深度学习模型。论文首先研究了GAN的基础理论和应用,基于旋转机械极坐标信号设计了一种旋转机械GAN网络结构。接着对深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)模型进行改进,结合ANN实现了小样本情况下的故障诊断。然后提出时间序列条件生成对抗网络(Time-Conditional Generative Adversarial Network,TCGAN),解决了数据不平衡下的一维振动信号故障诊断问题。最后把相邻工况下的样本当做辅助样本,通过循环生成对抗网络(Cycle-Consistent Adversarial Networks,Cycle GAN)迁移学习目标样本的特征,结合卷积神经网络(Convolutional Neural Networks,CNN)多途径地解决了小样本情况下的故障诊断问题。论文研究内容从以下几方面展开:(1)设计了一种基于旋转机械极坐标信号特点的生成对抗网络结构——旋转机械生成对抗网络模型。该方法以旋转机械极坐标信号为基础,对卷积层数、卷积核尺寸和池化方式等网络参数讨论分析,最终确定具有更优生成性能的网络结构。(2)针对DCGAN训练不稳定和生成样本精度不高的问题,提出了改进的深度卷积生成对抗网络(Improved Deep Convolutional Generative Adversarial Networks,IDCGAN)。该方法首先对振动信号进行极坐标变换,然后改进DCGAN的激活函数,最后对比IDCGAN与DCGAN的实验结果。实验信号证明IDCGAN生成样本更真实,能够更好地解决小样本情况下的故障诊断问题。(3)为了降低故障诊断工作量和深度学习模型的复杂度,提出了时间序列条件生成对抗网络的数据增强方法。对于一维故障振动信号,设计合理的网络结构,直接扩充样本数据,结合TCGAN与CNN实现了数据不平衡下良好的故障诊断效果,仿真和实验信号均验证了TCGAN的可行性和优越性。(4)为了多途径地解决小样本情况下的故障诊断问题,提出了一种基于时频图的生成对抗网络迁移学习方法,该方法提取时频图像特征,把相邻工况的数据当做辅助样本,通过Cycle GAN迁移学习产生目标样本,将使用迁移后数据训练的分类模型与迁移前分类模型对比,实验结果证明迁移后模型的故障诊断效果更加优秀。