Los compresores rotativos son fundamentales en varios procesos industriales, particularmente en el sector del petróleo y gas, donde la detección de fallos confiable es crucial para mantener la continuidad operativa. Si bien los marcos de Graph Attention Network (GAT) están ampliamente disponibles, este estudio avanza el estado del arte al introducir un método GAT bayesiano específicamente diseñado para el diagnóstico de fallos en compresores basado en vibraciones. El enfoque integra simulaciones de gemelos digitales específicas del dominio construidas con software de Rotodinámica (1.3.0) y construye matrices de adyacencia duales para codificar tanto relaciones de sensores informadas físicamente como impulsadas por datos. Además, un objetivo híbrido de pronóstico y reconstrucción permite al modelo capturar desviaciones a corto plazo así como la fidelidad de la forma de onda a largo plazo. El abandono de Monte Carlo descompone aún más la incertidumbre de la predicción en componentes aleatorios y epistémicos, proporcionando un modelo más robusto e interpretable. Las evaluaciones comparativas contra métodos convencionales de autoencoder y pronóstico basados en Long Short-Term Memory (LSTM) demuestran que el marco propuesto logra un rendimiento superior en la detección de fallos en múltiples tipos de fallos, incluyendo desalineación, fallo de rodamientos y desbalance. Además, los análisis de incertidumbre confirman que la gravedad del fallo se correlaciona con niveles crecientes de incertidumbre tanto aleatoria como epistémica, reflejando un aumento del ruido y una reducción de la confianza del modelo en condiciones más severas. Al mejorar los fundamentos de GAT con una estrategia de gráfico dual adaptada al dominio, inferencia bayesiana especializada y generación de datos de gemelos digitales, esta investigación ofrece una solución integral e interpretable para el diagnóstico de fallos en compresores, allanando el camino para un mantenimiento predictivo más confiable y consciente del riesgo en maquinaria rotativa compleja.