摘要：針對實際運行中行星變速箱故障數據較少、各個狀態樣本不均衡的問題,提出了由Wasserstein生成式對抗網絡(WGAN)樣本生成模型和卷積神經網絡(CNN)分類模型組合的WGAN-CNN故障診斷分類模型。該模型對故障數據的頻譜信號進行過采樣,以擴展故障樣本數量,從而更好地對故障狀態進行分類。采用加州大學歐文分校人工數據集對WGAN生成模型以及經典過采樣方法進行對比,并在行星變速箱故障試驗臺上進行驗證。結果表明,樣本不均衡會嚴重影響分類結果,而WGAN-CNN模型可以很好地擴充故障樣本集,提高在故障樣本稀少情況下的診斷準確率。