Las tecnologías relacionadas con el aprendizaje profundo han logrado un éxito notable en el campo del diagnóstico inteligente de fallos. Sin embargo, los métodos tradicionales de diagnóstico inteligente a menudo se basan en la premisa de señales de anotación suficientes y una distribución equilibrada de clases, y la estructura del modelo es tan compleja que requiere enormes recursos computacionales. Con este fin, se establece un marco de diagnóstico ligero con desequilibrio de clases basado en una red de convolución de Laplace-oleta separable por profundidad con pérdida focal asimétrica variable (DSLWCN-VAFL). En primer lugar, se diseña una rama con pocos parámetros para la extracción de características en el dominio tiempo-frecuencia integrando la onda y la convolución separable por profundidad. Se combina con la rama de convolución regular que aprende completamente las características en el dominio del tiempo para capturar conjuntamente abundantes características discriminativas a partir de muestras limitadas. Posteriormente, se diseña una nueva pérdida de umbral suave asimétrica, VAFL, que reequilibra razonablemente las contribuciones de muestras distintas durante el entrenamiento del modelo. Finalmente, se realizan experimentos con los datos de rodamientos y cajas de engranajes, que demuestran la superioridad del algoritmo DSLWCN-VAFL y su marco de diagnóstico ligero en el manejo de datos con desequilibrio de clases.