Los avances recientes en el diagnóstico inteligente se basan en gran medida en métodos impulsados por datos. Sin embargo, estos métodos a menudo enfrentan desafíos para abordar adecuadamente los desequilibrios de clase en el contexto del diagnóstico de fallas de sistemas mecánicos. Este documento propone la red neuronal gráfica MeanRadius-SMOTE (MRS-GNN), un marco novedoso diseñado para sintetizar representaciones de nodos en GNNs para mitigar efectivamente este problema. A través de la integración de la técnica de sobremuestreo MeanRadius-SMOTE en la arquitectura GNN, el MRS-GNN demuestra una capacidad mejorada para aprender de clases subrepresentadas mientras preserva los patrones de conectividad intrínsecos de los datos del grafo. Las pruebas exhaustivas en varios conjuntos de datos demuestran la superioridad del MRS-GNN sobre los métodos tradicionales en términos de precisión de clasificación y manejo de desequilibrios de clase. Los resultados experimentales en tres conjuntos de datos de diagnóstico de fallas disponibles públicamente muestran que el MRS-GNN mejora la precisión de clasificación en 18 puntos porcentuales en comparación con algunos métodos populares. Además, el MRS-GNN muestra una mayor robustez en escenarios de desequilibrio extremo, logrando un valor de AUC-ROC de 0.904 cuando la tasa de desequilibrio es 0.4. Este marco no solo mejora la precisión del diagnóstico de fallas, sino que también ofrece una solución escalable aplicable a diversos sistemas mecánicos y complejos, demostrando su utilidad y adaptabilidad en diversos entornos operativos y condiciones de falla.