电机作为生产生活设备主要的动力设备,电机运行状态是否健康对生产设备正常工作存在至关重要的影响。及时发现故障点、确定故障原因,保证电机的正常运转,能够减少电机损坏,降低企业的经济损失。因此,本文针对电机的故障诊断问题,展开了深入研究。针对永磁电机匝间短路数据少问题与生成式对抗神经网络训练不稳定,数据扩充效果较差等问题。提出了基于深度卷积生成式对抗神经网络数据扩充方法;针对单一特征量在大数据、多故障类型、多重故障或并发故障的电机故障诊断中存在时效性差,准确率低等问题以及深度神经网络训练困难、梯度消失或爆炸、错误率高等问题,本文提出了基于改机卷积神经网络的永磁电机故障诊断方法。针对永磁电机匝间短路数据少问题与生成式对抗神经网络训练不稳定,数据扩充效果较差等问题,文中选取振动信号与定子电流信号作为永磁电机故障诊断特征量。由于深度学习需要大量数据支撑,为弥补永磁电机匝间短路故障数据的不足,以及生成式对抗神经网络在样本扩充中存在网络稳定性差、“伪造的数据”质量较低等问题。本文基于深度卷积生成器神经网络样本数据扩充方法。该方法利用卷积层与反卷积层替换判别器与生成器的池化层,提高生成器“仿造数据”的学习效率。Python环境下Tensor Flow框架仿真表明:深度卷积神经网络生成式对抗神经网络与生成式对抗神经网络相比,本文方法具有较好的学习效率与更短的训练时间。针对浅层神经网络在训练大数据时,存在学习速率慢、过拟合等问题以及传统的深度神经网络在训练大数据时,存在梯度消失与爆炸、网络训练困难等问题。本文中引入了跨连模块,研究了每种跨连模块的原理。仿真验证结果表明,具有跨连模块的深度卷积神经网络具有较高的准确率。本文研究了不同初始函数、学习率、批大小对模型准确率的影响,确定了具有跨连模块的深度卷积神经网络的最优超参数。仿真表明:在同等条件下具有跨连模块的深度卷积神经网络的永磁电机故障诊断的准确率与诊断时间都优于堆叠降噪自编码网络、自适应概率神经网络、浅层卷积神经网络。