Desarrollar nuevas características para la caracterización de series temporales es un desafío actual en ciencia de datos y aprendizaje automático. En este artículo, proponemos una nueva métrica basada en un algoritmo simple y eficiente, a saber, el mapa de retorno. El análisis del mapa de retorno está bien establecido en el campo de la dinámica no lineal, en particular, para ajustar los parámetros de un sistema caótico a partir de una forma de onda, o para atacar un canal de comunicación caótico. Mostramos que nuestras métricas funcionan bien tanto para la dinámica no lineal como para problemas de extracción de características de series temporales en el campo del aprendizaje automático. En un experimento con el objetivo de clasificar señales de vibración de rodamientos normales y dañados, comparamos nuestro método con otros dos métodos que informaron tener una excelente precisión, basados en la entropía y la distribución de características estadísticas, respectivamente. Mostramos que nuestro método logra una precisión más alta con casi los costos de tiempo más bajos, lo cual fue confirmado en experimentos con dos conjuntos de datos diferentes que contienen tres clases principales de rodamientos: normales, con fallas en la pista interna y con fallas en la pista externa, con diferentes orígenes de daño y registrados en diversas condiciones. En particular, para el conjunto de datos proporcionado por la Universidad Case Western Reserve, nuestro método alcanzó una precisión del 100% en señales de longitud de 5000 puntos de muestra, con un tiempo total de 0.4 s requerido para la estimación de características, mientras que el método basado en entropía alcanzó una precisión del 95% con un tiempo de 100 s, y un método de distribución de características estadísticas alcanzó una precisión del 93% con un tiempo total de 1.9 s. Los resultados muestran que el método desarrollado es más adecuado para aplicaciones de monitoreo del estado de los rodamientos en tiempo real que la mayoría de los métodos informados hasta la fecha.