Due to the real working conditions, the collected mechanical fault datasets are actually limited and always highly imbalanced, which restricts the diagnosis accuracy and stability. To solve these problems, we present an imbalanced fault diagnosis method based on the generative model of conditional-deep convolutional generative adversarial network (C-DCGAN) and provide a study in detail. Deep convolutional generative adversarial network (DCGAN), based on traditional generative adversarial networks (GAN), introduces convolutional neural network into the training for unsupervised learning to improve the effect of generative networks. Conditional generative adversarial network (CGAN) is a conditional model obtained through introducing conditional extension into GAN. C-DCGAN is a combination of DCGAN and CGAN. In C-DCGAN, based on the feature extraction ability of convolutional networks, through the structural optimization, conditional auxiliary generative samples are used as augmented data and applied in machine fault diagnosis. Two datasets (Bearing dataset and Planetary gear box dataset) are carried out to validate. The simulation experiments showed that the improved performance is mainly due to the generated signals from C-DCGAN to balance the dataset. The proposed method can deal with imbalanced fault classification problem much more effectively. This model could improve the accuracy of fault diagnosis and the generalization ability of the classifier in the case of small samples and display better fault diagnosis performance.

由于实际的工作条件，所收集的机械故障数据集实际上是有限的并且总是高度不平衡的，这限制了诊断的准确性和稳定性。为解决这些问题，我们提出了一种基于条件深卷积生成对抗网络（C-DCGAN）生成模型的不平衡故障诊断方法，并提供了详细的研究。基于传统的生成对抗网络（GAN）的深度卷积生成对抗网络（DCGAN）将卷积神经网络引入到无监督学习的训练中，以提高生成网络的效果。条件生成对抗网络（CGAN）是通过将条件扩展引入GAN而获得的条件模型。C-DCGAN是DCGAN和CGAN的组合。在C-DCGAN中，基于卷积网络的特征提取能力，通过结构优化，将条件辅助生成样本作为扩充数据，并应用于机器故障诊断。进行了两个数据集（轴承数据集和行星齿轮箱数据集）的验证。仿真实验表明，改进的性能主要是由于C-DCGAN生成的信号平衡了数据集。所提方法可以更有效地解决不平衡故障分类问题。该模型可以在小样本情况下提高故障诊断的准确性和分类器的泛化能力，并具有较好的故障诊断性能。有条件的辅助生成样本被用作扩充数据，并应用于机器故障诊断。进行了两个数据集（轴承数据集和行星齿轮箱数据集）的验证。仿真实验表明，改进的性能主要是由于C-DCGAN生成的信号平衡了数据集。所提方法可以更有效地解决不平衡故障分类问题。在小样本情况下，该模型可以提高故障诊断的准确性和分类器的泛化能力，并具有较好的故障诊断性能。有条件的辅助生成样本被用作扩充数据，并应用于机器故障诊断。进行了两个数据集（轴承数据集和行星齿轮箱数据集）的验证。仿真实验表明，改进的性能主要是由于C-DCGAN生成的信号平衡了数据集。所提方法可以更有效地解决不平衡故障分类问题。在小样本情况下，该模型可以提高故障诊断的准确性和分类器的泛化能力，并具有较好的故障诊断性能。仿真实验表明，改进的性能主要是由于C-DCGAN生成的信号平衡了数据集。所提方法可以更有效地解决不平衡故障分类问题。该模型可以在小样本情况下提高故障诊断的准确性和分类器的泛化能力，并具有较好的故障诊断性能。仿真实验表明，改进的性能主要是由于C-DCGAN生成的信号平衡了数据集。所提方法可以更有效地解决不平衡故障分类问题。在小样本情况下，该模型可以提高故障诊断的准确性和分类器的泛化能力，并具有较好的故障诊断性能。