Los problemas como la escasez de datos y el desequilibrio de datos han planteado durante mucho tiempo dificultades significativas en el campo del diagnóstico de fallas inteligente. Llevan a una precisión diagnóstica reducida y ponen en peligro la seguridad y la confiabilidad de los equipos industriales. Para abordar estos desafíos, este estudio presenta un novedoso modelo de difusión condicional basado en atención de canal (CAC-DM) que recalibra las características a través de un proceso de estrujar y excitar. Esta mejora potencia la capacidad del modelo para centrarse en características críticas mientras suprime información irrelevante, mejorando así la capacidad de discriminación de la red UNet en el manejo de fallas de muestra pequeña que son altamente similares en naturaleza. La validación experimental demuestra que CAC-DM se desempeña excepcionalmente bien en escenarios con alta similitud de clases, distinguiendo efectivamente entre categorías con distribuciones similares en datos limitados y generando muestras de alta calidad. En comparación con los métodos generativos existentes, CAC-DM exhibe ventajas significativas en la producción de muestras de falla distinguibles, especialmente en casos de desequilibrio de muestras. Este enfoque ofrece una nueva solución efectiva para el diagnóstico de fallas.