对工业装备进行实时智能故障诊断和预测,在故障初期及时发现故障并采取措施,是保障工业系统的安全性和可靠性的重要途径。在故障诊断领域,数据不均衡是目前面临的难点问题,使用生成模型GAN进行数据增强是解决这一问题的主要方法。但GAN在训练过程中存在不稳定现象,容易出现梯度消失/爆炸或模型崩塌等。针对上述问题,本文以滚动轴承为例,从以下两个方面进行实验研究:（1）为了提高生成数据的质量,本文提出一种基于组合生成对抗网络（CWGAN-GP）的诊断方法。首先,根据条件生成对抗网络（CGAN）对WGAN-GP模型进行优化,使用类别标签指导数据生成过程,CWGAN-GP对带标签的故障样本进行对应生成,同时,标签可以约束生成模型的训练过程,提高生成数据的质量。其次,根据振动信号的特点,使用一维卷积神经网络（1DCNN）构建分类器进行分类预测。实验证明CWGAN-GP模型具有较好的鲁棒性。（2）针对故障数据不均衡、GAN模型训练不稳定问题,提出一种基于改进生成对抗网络（Mssa GAN）模型进行故障数据生成。首先根据DCGAN原理,使用一维卷积构建生成器和鉴别器来处理振动信号。其次,在生成器和鉴别器中分别使用一维卷积构建的自注意机制,学习故障的深度特征。再次,在生成器和鉴别器中添加谱归一化模块,谱归一化和梯度惩罚策略共同作用稳定GAN的训练。最后,使用一维宽核卷积神经网络（1DWKCNN）进行故障诊断与预测,在两个数据集上对Mssa GAN进行检验。实验证明Mssa GAN可以成为解决数据不均衡问题的可行方案。