随着工业生产日趋集成化和智能化，现代机械设备的运行状况和工作环境更加多变，大大提高工业生产效率的同时，也增加了机械设备及其零部件发生故障的概率。在生产过程中，一旦机械设备及其零部件产生故障，将造成严重的经济损失和人员伤亡事故，因此有效准确的故障诊断方法的研究成为目前研究热点之一。传感器技术的发展使得获取海量数据成为可能，同时计算机技术的发展推动了基于数据驱动的故障诊断方法的快速发展和广泛应用，而作为数据驱动方法新崛起的分支，深度学习可以处理复杂的非线性数据并且对特征具有更强的提取能力，因此深度学习被广泛应用于图像处理、语音识别以及故障诊断等领域。由于设备工作环境复杂，能够采集到的故障数据较少，导致缺乏带标签的故障数据，现有的故障诊断方法难以实现高精度的故障诊断，本文将生成对抗网络(Generative adversarial network，GAN)应用于故障诊断中，通过其生成器生成新样本来扩充故障数据集。
　　本文从基于深度学习的故障诊断这一背景出发，以生成对抗网络模型为基础，针对GAN应用于故障诊断过程中存在的模式崩溃和输入噪声单一的问题，对基于GAN的故障诊断方法进行了改进和研究。
　　1)针对GAN应用于故障诊断时存在的模式崩溃问题，提出了一种基于多生成器的辅助分类器生成对抗网络(Auxiliary Classifier Generative Adversarial Network，ACGAN)的故障诊断方法。首先依照实际工况下故障类型的数量选择生成器的数量，保证每个生成器可以生成一种类型的故障数据。然后将原本的单一生成器结构替换为多生成器结构，利用不同的生成器捕获不同的高概率模态。最后在新模型的生成器和判别器交替训练时，通过给不同的生成器指定相应的类标签来鼓励其生成相应类型的生成样本。该方法提高了模型的特征提取能力和泛化能力，解决了模式崩溃的问题。实验表明，提出的新模型可以捕获更多高概率模态并且生成高质量的样本，并且面对不同工况下故障数据具有较好的泛化能力和较高的诊断精度。
　　2)针对故障诊断过程中生成对抗网络存在的输入噪声单一的问题，研究了一种噪声预处理的方法。根据均值和方差的不同，首先对随机噪声进行分类和处理，经过处理之后得到了不同均值和方差的噪声。然后，从处理后的噪声中选取不同均值和方差的随机噪声输入到生成器中，将生成器原本单一的噪声输入替换为多高斯噪声输入，多高斯噪声可以包含更多的有效特征，提高了样本的多样性，解决了输入噪声单一的问题。最后通过类标签指导每个生成器生成不同类型的故障数据。实验结果表明，所提出的噪声预处理的方法可以携带更多的信息，扩大搜索的空间，增加了样本的随机性和多样性，进而提高了模型的诊断精度。