El aprendizaje automático (ML) y la inteligencia artificial (IA) han surgido como las tecnologías más avanzadas hoy en día para resolver problemas, así como para evaluar y predecir sucesos. El uso de IA y ML en diversas organizaciones busca capitalizar los beneficios de grandes cantidades de datos basados en enfoques científicos, notablemente el aprendizaje automático, que puede identificar patrones de toma de decisiones y minimizar la necesidad de intervención humana. El propósito de este trabajo de investigación es desarrollar un modelo de red neuronal adecuado, que es un componente de IA y ML, para evaluar y predecir la propagación de grietas en un rodamiento con una grieta sembrada. El rodamiento se hizo funcionar continuamente durante muchas horas, y se recuperaron datos en intervalos de tiempo que podrían ser utilizados para predecir el crecimiento de la grieta. Se recopilaron las variables raíz cuadrada media (RMS), factor de cresta, relación señal-ruido (SNR), asimetría, curtosis y entropía de Shannon del rodamiento en funcionamiento continuo y se utilizaron como parámetros de entrada, considerando el área total de la grieta y el ancho de la grieta como parámetros de salida. Finalmente, utilizando varias metodologías de la herramienta de Red Neuronal en MATLAB, se entrenó un modelo de ANN realista para predecir el área de la grieta y el ancho de la grieta. Se observó que el modelo de ANN tuvo un rendimiento admirable al predecir datos con un mejor grado de precisión. A través del análisis, se observó que el SNR era el parámetro más relevante para anticipar datos en la propagación de grietas en rodamientos, con una tasa de precisión del 99.2% cuando se evaluó como un solo parámetro, mientras que en el análisis de múltiples parámetros, una combinación de curtosis y entropía de Shannon dio una tasa de precisión del 99.39%.