Ａｂｓｔｒａｃｔ: Ａｉｍｉｎｇ ａｔ ｔｈｅ ｐｒｏｂｌｅｍ ｔｈａｔ ｉｔ ｉｓ ｄｉｆｆｉｃｕｌｔ ｆｏｒ ｍａｎｙ ａｌｇｏｒｉｔｈｍｓ ｔｏ ａｃｃｕｒａｔｅｌｙ ｉｄｅｎｔｉｆｙ ｄｉｆｆｅｒｅｎｔ ｆａｕｌｔｓ ｄｕｅ ｔｏ ｔｈｅ ｓｍａｌｌ ｓａｍｐｌｅ ｕｎｂａｌａｎｃｅｄ ｒｏｌｌｉｎｇ ｂｅａｒｉｎｇ ｄａｔａ ｃｏｌｌｅｃｔｅｄ ｉｎ ｔｈｅ ｉｎｄｕｓｔｒｉａｌ ｐｒｏｃｅｓｓ. ａ ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｃｏｎｄｉｔｉｏｎａｌ ｃｏｎｖｏｌｕｔｉｏｎ ｇｅｎｅｒａｔｅｓ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋｓ (ＣＣＧＡＮ) ａｎｄ ＲｅｓＮｅｔ３４ ｗａｓ ｐｒｏｐｏｓｅｄ. Ｆｉｒｓｔｌｙ. ｔｈｅ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌ ｄａｔａ ｏｆ ｔｈｅ ｒｏｌｌｉｎｇ ｂｅａｒｉｎｇ ｗｅｒｅ ｃｏｌｌｅｃｔｅｄ. ａｎｄ ｔｈｅ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌ ｗａｓ ｃｏｎｖｅｒｔｅｄ ｉｎｔｏ ｇｒａｙ ｉｍａｇｅ ａｎｄ ｔｈｅ ｄａｔａ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｗｅｒｅ ｅｎｈａｎｃｅｄ. Ｔｈｅｎ. ｔｈｅ ＣＣＧＡＮ ｎｅｔｗｏｒｋ ｗａｓ ｕｓｅｄ ｔｏ ｌｅａｒｎ ｔｈｅ ｆｅａｔｕｒｅｓ ｏｆ ｔｈｅ ｏｒｉｇｉｎａｌ ｓｍａｌｌ ｓａｍｐｌｅ ｄａｔａ ａｎｄ ｅｘｐａｎｄ ｔｈｅ ｓｍａｌｌ ｓａｍｐｌｅ ｕｎｂａｌａｎｃｅｄ ｄａｔａ ｓｅｔ. Ｆｉｎａｌｌｙ. ｏｎ ｔｈｅ 
ｂａｓｉｓ ｏｆ ｄａｔａ ｅｘｐａｎｓｉｏｎ ａｎｄ ｆｅａｔｕｒｅ ｅｎｈａｎｃｅｍｅｎｔ ｏｆ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌｓ ｏｆ ｒｏｌｌｉｎｇ ｂｅａｒｉｎｇｓ. ＲｅｓＮｅｔ３４ ｄｅｅｐ ｎｅｔｗｏｒｋ ｗａｓ ｕｓｅｄ ｔｏ ｄｉａｇｎｏｓｅ ａｎｄ ｃｌａｓｓｉｆｙ ｔｈｅ ｓｍａｌｌ ｓａｍｐｌｅ ｕｎｂａｌａｎｃｅ ｆａｕｌｔ ｏｆ ｏｎｅ￣ｄｉｍｅｎｓｉｏｎａｌ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌｓ. Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ａｓ ｔｈｅ ｓｍａｌｌ ｓａｍｐｌｅ ｕｎｂａｌａｎｃｅｄ ｄａｔａ ｓｅｔ ｇｒａｄｕａｌｌｙ ｅｘｐａｎｄｓ ｔｏ ｔｈｅ ｍｕｌｔｉ￣ｄｉｍｅｎｓｉｏｎａｌ ｂａｌａｎｃｅｄ ｄａｔａ ｓｅｔ. ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｉｎ ｄｉｆｆｅｒｅｎｔ ｄａｔａ ｓｅｔｓ ｉｓ ｅｆｆｅｃｔｉｖｅｌｙ ｉｍｐｒｏｖｅｄ. ａｎｄ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｒｅａｃｈｅｓ ９９. ５％. ｗｈｉｃｈ ｐｒｏｖｅｓ ｔｈａｔ ｔｈｅ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｃａｐａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ 
ｍｅｔｈｏｄ ｉｓ ｓｕｐｅｒｉｏｒ ｔｏ ｔｈｅ ｔｙｐｉｃａｌ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ａｎｄ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ. ｔｈｕｓ ｖｅｒｉｆｙｉｎｇ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆ ｔｈｅ ｍｅｔｈｏｄ ｉｎ ｔｈｅ ｓｍａｌｌ ｓａｍｐｌｅ ｕｎｂａｌａｎｃｅｄ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ. 
Ｋｅｙ ｗｏｒｄｓ: ｓｍａｌｌ ｓａｍｐｌｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ;ｄａｔａ ｅｘｐａｎｓｉｏｎ. ｄｅｅｐ ｌｅａｒｎｉｎｇ; ｇｅｎｅｒａｔｉｎｇ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋｓ(ＧＡＮ); ｒｅｓｉｄｕａｌ ｓｔｒｕｃｔｕｒｅ(ＲＳ);ｃｏｎｄｉｔｉｏｎａｌ ｃｏｎｖｏｌｕｔｉｏｎ ｇｅｎｅｒａｔｅｓ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋｓ (ＣＣＧＡＮ);ｉｍｐｒｏｖｅｄ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｅｎｈａｎｃｅｍｅｎｔｓ (ＩＦＥＥ) ｍｅｔｈｏｄ