El diagnóstico de fallos en rodamientos inteligente es un enfoque necesario para garantizar el funcionamiento estable de la maquinaria rotativa. Sin embargo, suele ser difícil recopilar datos de fallos en condiciones de trabajo reales, lo que lleva a un grave desequilibrio en los conjuntos de datos de entrenamiento, reduciendo así la efectividad de los métodos de diagnóstico basados en datos. Durante la etapa de aumento de datos, se utiliza una red generativa adversarial progresiva de múltiples escalas (MS-PGAN) para aprender la relación de mapeo de distribución de muestras normales a muestras de fallos mediante aprendizaje por transferencia, que genera de manera estable muestras de fallos a diferentes escalas para el aumento del conjunto de datos a través de un entrenamiento adversarial progresivo. Durante la etapa de diagnóstico de fallos, se propone el método MACNN-BiLSTM, basado en un mecanismo de fusión de atención de múltiples escalas que puede fusionar de manera adaptativa las características de frecuencia local y las características de tiempo global extraídas de las señales de entrada de múltiples escalas para lograr el diagnóstico de fallos. Utilizando los conjuntos de datos UConn y CWRU, el método propuesto logra una mayor precisión en el diagnóstico de fallos que la alcanzada por varios métodos comparativos en aumento de datos y diagnóstico de fallos. Los resultados experimentales demuestran que el método propuesto puede generar de manera estable señales espectrales de alta calidad y extraer características de múltiples escalas, con mejor precisión de clasificación, robustez y generalización.