Los rodamientos de elementos rodantes (REB) son vitales en la maquinaria rotativa, lo que hace que la detección de fallos sea esencial para un rendimiento óptimo y la fiabilidad del sistema. Este estudio evalúa la efectividad de una red neuronal convolucional simple (SCNN) y una red neuronal convolucional basada en aprendizaje por transferencia (TL-CNN) para diagnosticar fallos en los REB utilizando señales en el dominio del tiempo, espectros en el dominio de la frecuencia y análisis del espectro de frecuencia de envolvente. El estudio utiliza conjuntos de datos diversos, incluidos datos de laboratorio e industriales bajo varias condiciones de operación, abarcando tipos de fallos como fallo en la pista interna (IRF), fallo en la pista externa (ORF), fallo en el elemento rodante (REF) y estados saludables (H). La principal innovación es la aplicación del Aprendizaje por Transferencia (TL) con ajuste fino para mejorar la precisión del modelo en la identificación de condiciones de los REB aprovechando las características aprendidas de conjuntos de datos diversos. También se introduce un algoritmo innovador para identificar regiones de resonancia para la selección óptima de filtros en el análisis de envolventes, mejorando la extracción de características relacionadas con fallos y reduciendo el ruido. Un paso de preprocesamiento que elimina variaciones relacionadas con la velocidad mejora aún más la precisión del modelo al aislar características de fallos y minimizar el impacto de la velocidad de rotación. Los resultados muestran que el aprendizaje por transferencia con ajuste fino, combinado con el algoritmo de identificación de regiones de resonancia, mejora significativamente la precisión de la detección de fallos. El modelo TL-CNN con entrada de señal de envolvente logra la mayor precisión en todos los escenarios, especialmente bajo condiciones de operación variables, y funciona de manera fiable con datos industriales.