随着现代化速度的加快,以及计算机的飞速发展,现代工业正越来越自动化、复杂化和智能化,工业数据成为了现代工业信息化的核心。然而,用传统的方法处理现有工业大数据时有很大局限。近年来,深度学习发展势头迅猛,俨然成了大数据时代数据处理的最佳选择。深度学习由于具有深层的网络,更加容易挖掘现代多维工业数据中的特征关系。在图像领域,深度学习的发展已较为完善,而在工业时序数据的处理中,还需要更多的探索和研究。在现代工业中,由于大部分时间都是正常工况,故障工况出现较少,因此采集到的正常样本数要远大于故障样本数,所构成的数据集中数据的类别不平衡。在类别不平衡的工业数据集上,传统的故障诊断方法误分类率较高,诊断效果不佳。因此本文针对工业数据中类别不平衡的情况,提出了一种基于深度学习的生成对抗网络及卷积神经网络的过程监测数据生成和故障诊断研究框架。本文的主要工作与贡献主要有以下三点:首先,为了克服深度学习在对时序数据进行表示和建模时的困难,本文提出了一种基于矩阵构造的数据重建方法。这种方法将时序数据先构造为矩阵形式再转换为图片形式,所得到的图片形式的数据,最大程度保留了时序数据的时间相关特性。然后,针对类别不平衡的数据集,本文采用多种改进的生成对抗网络算法来解决故障样本生成的问题,新生成的故障样本与原始的故障样本特征和分布十分接近,几乎无法分辨,由此可见生成对抗网络具有强大的时序数据生成能力。最后,针对过程工业不平衡数据集的故障诊断难的问题,先将生成对抗网络生成的故障数据加入原始不平衡数据集中,增强为类别平衡的数据集,再采用卷积神经网络的方法对该平衡数据集进行故障诊断。将本文提出的数据生成和故障诊断的研究框架在实际聚乙烯气固流化床设备中进行验证,实验结果表明,使用生成对抗网络增强的数据集结合卷积神经网络的故障诊断方法可以极大提高故障分类的准确率。