Para abordar el problema del desequilibrio de datos en el proceso de recopilación de datos de fallos en rodamientos en entornos industriales y para mejorar la robustez y la capacidad de generalización del diagnóstico de fallos, este artículo propone un método de diagnóstico de fallos en rodamientos basado en un Autoencoder Variacional Autoregresivo Bidireccional (BAVAE) y un Sistema Difuso de Tipo-2 Intervalo Profundo (DCIT2FS). Primero, el método extrae características del conjunto de datos desequilibrado utilizando la transformada de wavelet compleja de árbol dual (DTCWT), y luego alimenta el conjunto de datos de características al BAVAE propuesto para la augmentación de datos. El BAVAE mejora las capacidades de generación de datos al introducir distribuciones autoregresivas para aprender variables latentes, obteniendo iterativamente variables latentes complejas de alto orden y amplificando las diferencias entre clases a través de la introducción de la pérdida de discriminación de características durante el entrenamiento. Dado que depender únicamente de la augmentación de datos en condiciones de datos desequilibrados puede llevar a sobreajuste o subajuste, este artículo combina la capacidad de aproximación de generalización de los sistemas difusos de Tipo-2 Intervalo (IT2) con la capacidad de extracción de características de las redes neuronales convolucionales profundas, logrando un mejor equilibrio entre la complejidad del modelo y la transformación de características, mejorando así la estabilidad y precisión del diagnóstico final.