El diagnóstico de fallos inteligente proporciona información oportuna sobre el estado de los componentes mecánicos. Dado que los rodamientos de elementos rodantes se utilizan a menudo como partes de equipos rotativos, es crucial identificar y detectar fallos en los rodamientos. Cuando hay varios defectos en componentes o máquinas, la detección temprana de fallos se vuelve necesaria para evitar fallos catastróficos. Este trabajo sugiere un enfoque novedoso para identificar de manera confiable fallos compuestos en rodamientos cuando la disponibilidad de datos experimentales es limitada. Se registran señales de vibración de rodamientos de bolas individuales que consisten en fallos compuestos, es decir, fallos en la pista interna, la pista externa y los elementos rodantes con una variación en la velocidad de rotación. Las señales de vibración medidas se preprocesan utilizando la transformada de Hilbert-Huang y, posteriormente, se genera un Kurtograma. El modelo multiescala-SinGAN se adapta para generar imágenes adicionales de Kurtograma para entrenar de manera efectiva modelos de aprendizaje automático. Para identificar las características relevantes, se aplican algoritmos de optimización metaheurística como la optimización basada en la enseñanza-aprendizaje y la búsqueda de transferencia de calor a los vectores de características. Finalmente, las características seleccionadas se introducen en tres modelos de aprendizaje automático para la identificación de fallos compuestos. Los resultados demuestran que las máquinas de aprendizaje extremo pueden detectar fallos compuestos con una precisión de validación cruzada de diez pliegues del 100%. En contraste, se observa una precisión mínima de validación cruzada de diez pliegues del 98.96% con máquinas de soporte vectorial.