Las máquinas rotativas operan predominantemente en condiciones saludables, lo que lleva a una disponibilidad limitada de datos de fallos y a un significativo desbalance de clases en los conjuntos de datos de diagnóstico. Estos desafíos obstaculizan el desarrollo y la implementación de métodos de diagnóstico de fallos basados en aprendizaje profundo en la práctica. Considerando estos problemas, se propone una nueva red adversarial jerárquica adaptativa guiada por wavelets con regularización informada por la física (HAWAN-PIR). Primero, se utiliza un puntaje de severidad de desbalance basado en wavelets jerárquicos para cuantificar el desbalance de datos dentro de los conjuntos de datos. En segundo lugar, HAWAN-PIR genera datos sintéticos de fallos en el dominio del tiempo a través de la descomposición wavelet multiescala y representa el primer intento de incorporar regularización informada por la física para integrar conocimientos relevantes sobre fallos. La calidad de los datos sintéticos de fallos se evalúa a través de un índice de calidad de síntesis multiescala integral. Además, se propone un algoritmo de mezcla dinámica consciente de la escala para integrar de manera óptima los datos sintéticos con los datos reales. Finalmente, se emplea una red neuronal convolucional unidimensional (1-D CNN) para extraer características y clasificar fallos. La efectividad del método propuesto se valida a través de dos estudios de caso: rodamientos de motor y cajas de engranajes planetarios. Los resultados muestran que HAWAN-PIR puede sintetizar datos falsos de alta calidad y mejorar la precisión del diagnóstico de la 1-D CNN en un 17% para el caso de los rodamientos y un 15% para el caso de la caja de engranajes.