Un modelo de simulación puede proporcionar información sobre los comportamientos característicos de diferentes estados de salud de un sistema real; sin embargo, dicha simulación no puede tener en cuenta todas las complejidades del sistema. Este trabajo propone una estrategia de aprendizaje por transferencia que emplea simulaciones informáticas simples para el diagnóstico de fallas en un sistema real. Se utilizó un sistema de eje-disco simple para generar un conjunto sustancial de datos fuente para tres estados de salud de un sistema de rotor, y esos datos se utilizaron para entrenar, validar y probar una red neuronal profunda personalizada. El modelo de aprendizaje profundo, preentrenado en datos de simulación, se utilizó como un extractor de características generalizado invariante de dominio y clase, y las características extraídas se procesaron con algoritmos de aprendizaje automático tradicionales. Los conjuntos de datos experimentales de un kit de rotor RK4 y un simulador de fallas de maquinaria (MFS) se emplearon para evaluar la efectividad del enfoque propuesto. El método propuesto también se validó comparando su rendimiento con los modelos de aprendizaje profundo preexistentes de GoogleNet, VGG16, ResNet18, AlexNet y SqueezeNet en términos de extracción de características, generalizabilidad, costo computacional y tamaño y parámetros de las redes.