El diagnóstico preciso de fallas sigue siendo un problema crítico pero no resuelto en el mantenimiento predictivo, ya que los entornos industriales suelen involucrar grandes cantidades de interferencia electromagnética y ruido mecánico que pueden degradar severamente la calidad de la señal. En este estudio, proponemos un marco de diagnóstico innovador para abordar el desafiante problema del diagnóstico de fallas en rodamientos en señales de vibración bajo condiciones de ruido complejas. Desarrollamos el modelo VMD-CNN-BiLSTM-CBAM integrando sistemáticamente la descomposición de modo variacional (VMD), la red neuronal convolucional (CNN), la red de memoria a corto y largo plazo bidireccional (BiLSTM) y el módulo de atención de bloque convolucional (CBAM). El marco comienza con la descomposición de señales basada en VMD, que separa efectivamente el componente de ruido de las características de vibración del rodamiento. Basado en esta eliminación de ruido, se emplea una arquitectura CNN para extraer características espaciotemporales multiescala a través de su mecanismo de aprendizaje jerárquico. La capa BiLSTM subsiguiente captura dependencias temporales bidireccionales para modelar patrones de evolución de fallas, mientras que el módulo CBAM resalta estratégicamente características diagnósticas clave a través de atención espacial adaptativa de canal. La validación experimental utilizando los conjuntos de datos de rodamientos de la Universidad Case Western Reserve y la Universidad Jiangnan demuestra el excelente rendimiento del modelo, con precisiones promedio del 99.76% y 99.40%, respectivamente. Finalmente, una validación adicional a través de nuestro banco de pruebas personalizado confirma la utilidad del modelo con una precisión promedio del 99.70%. Estos resultados demuestran que el enfoque propuesto mejora enormemente el diagnóstico de fallas en entornos industriales ruidosos a través de su diseño arquitectónico sinérgico y una mayor inmunidad al ruido.