Los rodamientos son indispensables pero también los componentes más propensos a fallos de las máquinas rotativas, utilizados típicamente en campos como la aviación industrial, talleres de producción y manufactura. Encuentran diversas tensiones mecánicas, como vibraciones y fricción durante la operación, lo que puede llevar al desgaste y a grietas por fatiga. Desde este punto de vista, el presente estudio combinó una red neuronal convolucional 1-D (CNN 1-D) con un algoritmo de memoria a largo y corto plazo (LSTM) para clasificar diferentes condiciones de salud de los rodamientos de bolas. Se utilizó un método guiado por la física que adopta frecuencias de características de fallos para calcular un tamaño de entrada óptimo (longitud de muestra). Además, se utilizó búsqueda en cuadrícula para optimizar (1) el número de épocas, (2) el tamaño del lote y (3) la tasa de abandono y mejorar aún más la eficacia de la red propuesta CNN-LSTM 1-D. Por lo tanto, se hizo un intento de reducir la incertidumbre epistémica que surge debido a no conocer la mejor configuración posible de hiperparámetros. En última instancia, se probó la efectividad de la CNN-LSTM 1-D optimizada guiada por la física comparando su rendimiento con otros modelos de vanguardia. Los hallazgos revelaron que las precisiones promedio podrían mejorarse hasta en un 20.717% con la ayuda del enfoque propuesto después de probarlo en dos conjuntos de datos de referencia.