En escenarios industriales complejos, los datos de fallos de maquinaria rotativa de alta calidad son escasos y costosos de recopilar. Por lo tanto, el diagnóstico de fallos con muestras pequeñas necesita más investigación. Para resolver este problema, en este trabajo se propone una red generativa adversarial de generación de clasificadores auxiliares de mínima varianza basada en un mecanismo de atención de bloque convolucional multiescala. En primer lugar, se diseña el mecanismo de atención de bloque convolucional multiescala para extraer información multiescala y realizar una fusión ponderada para mejorar la capacidad del modelo para capturar características efectivas. En segundo lugar, se diseña el término de mínima varianza para minimizar la varianza de la distribución de muestras, de modo que las muestras generadas se distribuyan de manera más uniforme en el espacio de características, evitando el problema del colapso de patrones. Finalmente, la función objetivo se reconstruye mediante una pérdida de clasificación independiente para mejorar la capacidad de generación de datos del modelo. Los resultados experimentales en los conjuntos de datos de CWRU y de cajas de engranajes validan la efectividad y fiabilidad del método propuesto.