La adquisición de señales de vibración del mundo real de máquinas automotrices a menudo resulta en conjuntos de muestras desequilibrados debido a condiciones de prueba restringidas, lo que afecta negativamente la precisión del diagnóstico de fallas. Para abordar este problema, proponemos la entropía de diversidad fraccional (FrDivEn) e la incorporamos en el modelo de difusión guiado por clasificador (CGDM) para sintetizar muestras de alta calidad. Además, presentamos un método de diagnóstico de fallas desequilibradas correspondiente. Este método primero convierte los datos de vibración en muestras de imagen de campo angular de Gramian (GAF) a través de la transformación GAF. Luego, FrDivEn se mapea a la escala de gradiente de CGDM para equilibrar la diversidad y fidelidad de las muestras sintéticas. Estas muestras sintéticas se mezclan con muestras reales para obtener un conjunto de muestras equilibrado, que se alimenta al ConvNeXt preentrenado y ajustado finamente para el diagnóstico de fallas. Varios sintetizadores de muestras y clasificadores de fallas se combinaron para llevar a cabo experimentos de diagnóstico de fallas desequilibradas en conjuntos de datos de cojinetes, cajas de engranajes y rotores. Los resultados indican que para los tres conjuntos de datos, las precisiónes diagnósticas del CGDM propuesto utilizando FrDivEn con una relación de desequilibrio de 40:1 son del 91,22%, 87,90% y 98,89%, respectivamente, lo que es un 7,32%, 11,59% y 3,48% más alto que el de la red adversaria generativa de Wasserstein (WGAN), respectivamente. Los resultados experimentales en los tres conjuntos de datos validaron la validez y generalizabilidad del método de diagnóstico propuesto.