针对滚动轴承故障样本过少且故障类间样本不均衡所导致诊断效果不佳的问题，提出一种将深度卷积生成对抗网络（Deep Convolution Generative Adversarial Network，DCGAN）与以遗传算法（Genetic Algorithm，GA）优化卷积神经网络（Convolution Neural Network，CNN）相结合的智能诊断方法。首先，利用GA以最小信息熵作为目标函数解决变分模态分解（variational Mode Decomposition，VMD）中本征模态函数分解个数和二次惩罚因子难以确定的问题。再根据平均峭度指标对分解后的信号进行重构，并将其转换为二维时频信号。然后，将小批量时频信号样本作为训练集放入构建的DCGAN模型中，对抗生成辅助故障样本。其次，通过GA寻优CNN中学习率和批处理大小的最优组合，实现对CNN的优化（Convolution Neural Network Optimized by Genetic Algorithm，GA-CNN）。再将对抗后的样本放到优化后的GA-CNN模型中进行训练，构造出适应于小故障样本及故障类间样本不均衡条件下的机械故障智能诊断模型。最后，采用西储大学和XJTU-SY轴承振动数据对该诊断方法进行测试。测试结果表明，该方法的诊断正确率达到95.22 %，模型具有较好的泛化能力和鲁棒性。

针对一种额定角动量为68 Nms的飞轮，以飞轮轮缘响应相对于基础激励输入的加速度传递率为优化目标，以轮体转动惯量、几何尺寸、强度、刚度、质量等为约束条件，对截面形状为工字型的轮辐和轮缘几何尺寸参数的设计提出了优化方法。该优化方法基于有限元法建立飞轮轮体模型，同时利用多岛遗传算法对飞轮轮体进行了多学科设计优化研究。结果表明，在满足设计要求的前提下，轮缘加速度传递率得到明显降低。该方法对提高航天器飞轮轮体结构设计效率具有一定的现实意义。