El desarrollo de tecnología de monitoreo de salud para motores de cohetes líquidos (LREs) puede mejorar efectivamente la seguridad y la fiabilidad de los vehículos de lanzamiento, lo que tiene una importante significancia teórica y de ingeniería. Por lo tanto, proponemos un método de detección y diagnóstico de fallos (FDD) para un gran motor de cohete LOX/queroseno basado en memoria a largo y corto plazo (LSTM) y redes generativas adversariales (GANs). Específicamente, primero modelamos un gran motor de cohete LOX/queroseno utilizando MATLAB/Simulink y simulamos los estados de operación normal y de fallo del motor, involucrando varias etapas de arranque y estado estacionario utilizando inyección de fallos. En segundo lugar, creamos un modelo LSTM-GAN entrenado con datos de operación normal utilizando LSTM como generador y un perceptrón multicapa (MLP) como discriminador. En tercer lugar, los datos de prueba se introdujeron en el discriminador para obtener los resultados de discriminación y realizar la detección de fallos. Finalmente, los datos de prueba se introdujeron en el generador para obtener las muestras predichas y calcular el error absoluto entre el valor predicho y el valor real de cada parámetro. Luego se construyó el índice de diagnóstico de fallos, el error absoluto estandarizado (SAE). Se analizó el SAE para realizar el diagnóstico de fallos. Los resultados simulados destacan que el método propuesto detecta efectivamente fallos en los procesos de arranque y estado estacionario, y diagnostica los fallos en el proceso de estado estacionario sin perder una alarma ni verse afectado por falsas alarmas. En comparación con el sistema de corte de línea roja convencional (RCS), el algoritmo de umbral adaptativo (ATA) y la máquina de soporte vectorial (SVM), el proceso de detección de fallos de LSTM-GAN es más conciso y más oportuno.