风力发电作为一种非常重要的发电方式,对推动全球可再生能源的发展日益重要。风力发电机组因故紧急停机不仅会造成电力供应的中断,而且会对其本身的零部件造成很大伤害,影响长期稳定运行。因此根据各类传感器信号,对风机状态进行实时监测并及时对故障状态进行识别和预警,意义重大。本文以风力发电机组轴承和叶片为研究对象,以不平衡数据集以及不同工况的风机故障诊断为应用背景,研究了基于改进生成对抗网络的风机故障诊断。针对风机故障诊断中存在的正常样本和异常样本数量不平衡问题,提出了一种基于生成对抗网络的异常分数诊断方法。其特点是利用编码-解码-再编码的生成器结构获取正常样本的数据分布特点,诊断期间通过输出较高的异常分数对异常样本进行判别。其在凯斯西储轴承数据集和实验室自采数据集上均能够实现100%的异常检测精度。风机故障诊断的部分场景中,仅利用异常分数的高低并不能准确的对故障样本进行识别;此外在有故障样本存在的情况下,将故障样本直接忽视也会造成重要信息的丢失。针对上述问题,提出了融合生成对抗网络与卷积分类网络的风机故障诊断方法。该方法针对各类别样本分别训练其对应的生成对抗网络,获取各类样本的数据分布特征后,利用卷积分类网络对各类样本特征间的差异进行深层次提取。提出的先分开训练后整体训练的两阶段训练策略可以有效提高故障诊断准确率。相较于传统机器学习算法,其在风机叶片结冰数据集上的故障诊断准确率和评判分数均表现最优。不同风机因运行工况的差异会对训练模型的故障诊断准确率造成影响,融合生成对抗网络和卷积网络的风机故障诊断方法直接将训练模型应用在新风机数据上,而对新风机的无标签数据未有任何利用。为改善迁移效果,提出了融合生成对抗网络和迁移学习的风机故障诊断方法。利用生成对抗网络获得各类别样本的数据分布特征后,通过学习源域和目标域样本之间的域不变特征,进一步提高模型在新风机上的故障诊断准确率。同样使用风机叶片结冰数据集对所提出方法的有效性进行验证,结果表明该方法有效提升了故障诊断模型的迁移效果。