El diagnóstico de fallos es esencial para garantizar la seguridad y la fiabilidad de los sistemas de maquinaria rotativa. Se utilizan varias técnicas emergentes, especialmente tecnologías basadas en inteligencia artificial, para superar las dificultades en este campo. En la mayoría de los escenarios de ingeniería, las máquinas funcionan en condiciones normales, lo que implica que los datos de fallos pueden ser difíciles de adquirir y limitados. Por lo tanto, el desequilibrio de datos y la falta de etiquetas son desafíos prácticos en el diagnóstico de fallos de los rodamientos de maquinaria. Entre los métodos más utilizados, el diagnóstico de fallos basado en aprendizaje por transferencia es altamente efectivo, ya que transfiere los resultados de estudios anteriores e integra recursos existentes. El conocimiento del dominio fuente se transfiere a través del Entrenamiento Adversarial de Redes Neuronales (DANN) mientras que el conjunto de datos del dominio objetivo está parcialmente etiquetado. Se adopta un marco semi-supervisado basado en la selección de pseudoetiquetas consciente de la incertidumbre (UPS) en paralelo para mejorar el rendimiento del modelo al utilizar abundantes datos no etiquetados. A través de experimentos en dos conjuntos de datos de rodamientos, la precisión de la clasificación de fallos de rodamientos superó a los enfoques independientes.