El diagnóstico preciso de fallas en circuitos analógicos enfrenta desafíos significativos debido a la complejidad inherente de los patrones de datos de falla y a las limitadas capacidades de representación de características de las metodologías convencionales. Abordando las limitaciones de las redes neuronales convolucionales (CNN) actuales en el manejo de características de falla heterogéneas, este estudio presenta un marco de trabajo de CNN de múltiples entradas mejorado con atención de canal eficiente (ECA-MI-CNN) con fusión de características de dominio dual, demostrando tres innovaciones clave. Primero, el marco propuesto aborda la extracción de características de múltiples dominios a través de ramas de CNN paralelas diseñadas específicamente para procesar características de dominio temporal y de dominio de frecuencia, preservando efectivamente su información característica distintiva. Segundo, la incorporación de un módulo de atención de canal eficiente (ECA) entre capas convolucionales permite la recalibración adaptativa de la respuesta de características, mejorando significativamente el aprendizaje de características discriminativas mientras se mantiene la eficiencia computacional. Tercero, una estrategia de fusión jerárquica integra sistemáticamente características de dominio tiempo-frecuencia a través de concatenación y transformaciones de capas completamente conectadas antes de la clasificación. Experimentos de simulación exhaustivos realizados en filtros paso bajo Butterworth y filtros paso bajo de segundo orden de doble etapa con amplificador operacional cuádruple demuestran las capacidades de diagnóstico superiores del marco. La validación del mundo real en filtros paso bajo Butterworth también revela ventajas de rendimiento sustanciales sobre los métodos existentes, estableciendo una solución efectiva para el reconocimiento de patrones de falla complejos en sistemas electrónicos.