La clave para garantizar el funcionamiento seguro y fiable de la maquinaria rotativa es un diagnóstico de fallos eficiente y preciso. La tecnología de diagnóstico de fallos inteligente basada en el aprendizaje profundo (DL) ha ganado una atención creciente. Un desafío crítico es cómo incorporar las características de las series temporales en el DL para obtener características estables que se correlacionen con las condiciones del equipo. Este estudio propone un método ligero de diagnóstico de fallos en rodamientos basado en el campo angular de Gramian (GAF) y la atención coordinada (CA) para mejorar el rendimiento de reconocimiento y la eficiencia del diagnóstico de rodamientos. En primer lugar, la señal en el dominio del tiempo se codifica en imágenes GAF después de la reducción de muestreo y segmentación. Este método retiene la relación temporal de las series temporales y proporciona características valiosas para el DL. En segundo lugar, se construye un modelo ligero de red neuronal convolucional (CNN) a través de convolución separable por profundidad, bloque residual inverso y capa de cuello de botella lineal para aprender características avanzadas. Después de eso, se emplea CA para capturar las dependencias a largo alcance e identificar la información de posición precisa de las imágenes GAF con casi ningún costo computacional adicional. El método propuesto se prueba y evalúa mediante el conjunto de datos de rodamientos de CWRU y un conjunto de datos experimental. Los resultados demuestran que el modelo CNN basado en GAF y CA (GAF-CA-CNN) puede reducir efectivamente la sobrecarga de cálculo del modelo y lograr una alta precisión diagnóstica.