机械设备作为现代工业重要基础设施,在工业生产中扮演着重要角色。随着服役时间推移,机械设备性能指标将逐步降低,并可能发生缺陷或损坏,甚至诱发安全事故,设备状态识别是保障其安全可靠运行的重要措施。随着机械设备日益呈现大型化、复杂化、智能化趋势,设备状态识别也逐渐步入“大数据、智能化”时代。近年来,深度学习智能识别技术被不断应用于机械设备状态识别任务,然而工程实际中的机械状态监测数据往往存在数据量少、类别不平衡问题,导致深度学习智能识别精度低。针对数据量少、类别不平衡下的机械设备状态识别开展研究,主要内容如下:1.分析总结智能化机械设备状态识别相关基础理论,包括深度学习概述、生成对抗网络基本原理与结构、卷积神经网络基本原理与结构、几种常用损失函数等。2.针对机械状态监测数据量少问题,提出一种基于生成对抗网络数据增强的机械设备状态识别方法。首先为每一类状态监测数据训练生成对抗网络,并扩增此类数据的样本量,然后利用扩增后的数据集训练卷积神经网络模型并用于状态识别。3.针对状态监测数据类别不平衡问题,提出一种基于深度网络动态加权损失的机械设备状态识别方法。首先采用基于生成对抗网络的数据增强方法为少数类产生生成样本,以样本扩增方式平衡各状态样本量,其次,为刻画各类别原始样本与生成样本对状态识别模型训练损失贡献的差异,定义一种基于交叉熵损失函数的动态加权损失,最后利用训练后的模型完成状态识别。利用台架实验数据和多类工程实测数据对所提方法进行了验证,测试分析结果表明,基于生成对抗网络数据增强的样本扩增有助于提升深度学习模型识别精度,同时联合所提基于交叉熵损失函数的动态加权损失,能够有效克服机械设备状态识别中的类别不平衡问题。