Se presenta un método ligero de diagnóstico de fallos en redes neuronales basado en la construcción de mapas de características del campo angular de Gram (GAF) y la optimización de atención de canal eficiente (ECA) para abordar el problema de la estructura compleja de las redes neuronales tradicionales en el diagnóstico de fallos de rodamientos. En primer lugar, se utiliza un GAF para codificar señales de vibración en una imagen temporal. En segundo lugar, se utiliza la red neuronal convolucional de separación residual de doble capa (DRCNN) para aprender características avanzadas de la muestra. La estructura de múltiples ramas se utiliza como el dominio receptor. ECA aprende la correlación entre los canales de características. Los canales de características extraídos se ponderan de manera adaptativa añadiendo un pequeño costo computacional adicional. Finalmente, el método se prueba y evalúa utilizando datos de rodamientos de turbinas eólicas. Los resultados experimentales muestran que, en comparación con la red neuronal tradicional, el modelo DRCNN basado en GAF logra una mayor precisión de diagnóstico con menos cálculo de parámetros.