本发明公开了一种基于VAE‑GAN（Variational Autoencoder‑Generative Adversarial Network）网络的断路器轴承故障数据的增强方法。所述方法包括如下步骤：首先对采集到的振动信号进行小波变换，将一维振动信号转换为承载了更多信息的二维时频图；然后构建结合VAE和GAN的本方法模型，并把真实的故障样本输入到模型进行训练，生成相应的假样本；最后，采用Wasserstein距离替代KL散度和JS散度，并通过梯度惩罚来约束判别器，避免梯度消失问题。经实验验证，该方法简明有效，可以有效解决数据不平衡问题。结果表明，本发明所提出的方法模型相较于VAE和GAN模型FID得分最低，表明该模型生成样本多样性最好，包含最丰富的故障信息，能够生成与真实数据极为相似的样本。