摘要：針對實(shí)際運(yùn)行中行星變速箱故障數(shù)據(jù)較少、各個狀態(tài)樣本不均衡的問題,提出了由Wasserstein生成式對抗網(wǎng)絡(luò)(WGAN)樣本生成模型和卷積神經(jīng)網(wǎng)絡(luò)(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(shù)據(jù)的頻譜信號進(jìn)行過采樣,以擴(kuò)展故障樣本數(shù)量,從而更好地對故障狀態(tài)進(jìn)行分類。采用加州大學(xué)歐文分校人工數(shù)據(jù)集對WGAN生成模型以及經(jīng)典過采樣方法進(jìn)行對比,并在行星變速箱故障試驗(yàn)臺上進(jìn)行驗(yàn)證。結(jié)果表明,樣本不均衡會嚴(yán)重影響分類結(jié)果,而WGAN-CNN模型可以很好地擴(kuò)充故障樣本集,提高在故障樣本稀少情況下的診斷準(zhǔn)確率。