摘要： 为解决实际生产中存在的往复压缩机故障信息样本缺失、样本不平衡等引起的长尾分布所造成故障诊断不准确的问题，提出一种基于经优化的对抗生成网络（Generative Adversarial Network，GAN）的方法，该方法在既保证样本质量又增强样本数量的情况下,应用改进的卷积神经网络（Convolutional Neural Networks，CNN）进行故障诊断分类。首先对往复压缩机一维故障数据进行整理并通过小波变换生成故障时频图；然后构建适应于样本的LS-SAGAN框架模型并利用原始故障时频图训练模型，生成满足实验数量的时频图；最后通过经天鹰算法优化CNN进行快速准确的故障诊断。将实验方法与其他方法进行效果对比验证，结果表明，所提方法在故障诊断中的平均准确率达到99.6 %，相较其他分类方法分类效果明显提高。

关键词: 故障诊断, 往复压缩机, LS-SAGAN, 卷积神经网络