能源不仅是一个国家的国民经济支撑，更是一个民族发展壮大的重要依柱。为了缓解能源短缺问题，近几年，我国风力发电产业发展迅猛，发电容量大幅增加。风机的齿轮箱是风电机组的主要构成部分，其工作条件十分复杂，极容易出现事故，确保其高效、稳定的运转是风电机组的技术难点。因此，在风力发电机的变速箱中进行故障检测是非常有意义的，本文针对风电机组齿轮箱在故障数据稀少的情况下完成故障诊断问题展开了研究。 本文首先对生成对抗网和卷积神经网络算法模型的理论基础进行分析概括，并引出了自己所建立的算法模型。通过对相关算法模型进行理论概述，并对其所衍生的算法模型进行分析引出本文自己所要使用的算法模型对于数据的生成使用深度卷积生成对抗网络算法，再通过构建多通道加权卷积神经网络算法进行故障诊断。 然后利用改进的深度卷积生成对抗网络模型对风机齿轮箱故障数据进行数据的生成研究。在所构建的模型中判别器网络层采用卷积神经网络的形式，生成器的网络层将上采样层和卷积层结合代替了转置卷积的操作，生成器的输入除了随机采样的噪声另外增加了真实数据的输入作为附加条件进行数据的生成研究。在所构建的模型中，网络层主要采用卷积神经网络的形式，利用卷积神经网络对于图像特征强大的提取能力特点将对一维振动数据的生成研究转换成对图像数据的生成研究，达到了扩充数据集的目的。 最后通过所构建的多通道加权卷积神经网络模型实现对风机齿轮箱故障诊断的研究。使用EMD的方法对数据进行分解然后筛选出峭度值最大的前三个作为多通道的输入。通过构建多通道加权卷积神经网络层对各个通道的输入图像进行动态特征的提取进然后加权融合这样能够全面的提取故障特征增加识别的准确率，并与SVM、BPN、DBN和SDAE等深度学习算法在故障诊断准确率方面进行对比分析，验证了本文所使用方法的有效性，提高了故障诊断的准确率。
NETL
