作为提升机的关键组件，主轴承在长时间高速重载服役过程中，其性能会发生退化并导致故障产生，故开展提升机主轴承故障诊断对保障矿井提升机安全高效运行具有重要意义。然而，矿井提升机运行状态监测的数据中正常服役与故障状态的比重严重失调，呈现出正常样本多、故障样本少、标签样本不足等特点，导致矿井提升机主轴承故障模型训练效果不理想、诊断准确度低。针对小样本下矿井提升机主轴承故障诊断准确率低的问题，本文通过融合变分自编码器和Wasserstein生成对抗网络，构建基于VAE-WGAN的矿井提升机主轴承样本增广模型，进而提出基于CBAM-MoblieNetV2的故障诊断方法，实现小样本数据下的矿井提升机主轴承故障诊断。在算法层面上，引入Wasserstein距离度量，解决生成对抗网络训练梯度消失问题。在数据层面上，使用凯斯西储大学数据集对VAE-WGAN进行测试，并通过量化指标评价VAE-WGAN生成能力的方式优选超参数，再用矿井提升机模拟实验台轴承数据集训练VAE-WGAN，实现小样本数据集增广扩容。为了提升故障诊断模型的特征提取能力和故障诊断准确率，在轻量化卷积神经网络MobileNetV2的基础上，将卷积块注意力机制CBAM融合到MobileNetV2深层特征映射，搭建注意力机制卷积分类网络CBAM-MobileNetV2，通过融合跨通道信息和空间信息实现更多地关注故障特征。最后通过与WGAN＿GP、DCGAN，VAE以及WGAN等传统生成模型进行了对比分析，VAE-WGAN+CBAM-MobileNetV2在四种小样本比例数据集上的准确率均高于其他四种方法，证明了本文所提样本增广和故障诊断方法在不同小样本比例故障数据集上的诊断准确率更高，能够满足小样本下的故障诊断要求。

1 理论基础
1.1 生成对抗网络VAE-WGAN
1.1.1 VAE优化目标
1.2 CBAM-MobileNetV2故障分类模型
1.2.1 轻量化卷积神经网络MobileNetV2
1.2.2 卷积块注意力机制CBAM
1.3 灰度图变换
2 基于VAE-WGAN的提升机主轴承小样本故障诊断
2.1 样本生成能力评价
2.2 分类网络构建
2.3 故障诊断流程
3 实验验证
3.1 实验台数据集描述
3.2 VAE-WGAN参数设置
3.2.1编码器参数设置
3.2.2生成器（解码器）参数设置
3.2.3判别器参数设置
3.3 CWRU轴承数据实验与分析
3.3.1迭代次数对模型生成能力的影响
3.3.2批处理大小对模型生成能力的影响
3.4矿井提升机故障模拟实验台轴承数据实验与分析
3.4.1提升机主轴承小样本模式故障诊断
3.4.2与其他方法对比分析
4 结论