El monitoreo preciso de los rodamientos es crucial para la detección oportuna de problemas en sistemas mecánicos rotativos. Sin embargo, la alta complejidad de las estructuras hace que los caminos de transmisión de señales de vibración sean extremadamente intrincados, lo que plantea desafíos significativos en el diagnóstico de fallos en los rodamientos de motores aéreos. Por lo tanto, se propone en este estudio una red neuronal de Robustez Consciente de Escala Informada por Espectro Rotacional (RSSR) para abordar características de fallos complejas y una interferencia de ruido significativa. El algoritmo RSSR amalgama un bloque de extracción de características consciente de la escala, una red convolucional sin activación y un innovador bloque de atención de canal, logrando un equilibrio entre simplicidad y eficacia. Proporcionamos un análisis exhaustivo comparando CNNs tradicionales, transformadores y sus respectivas variantes. Nuestra estrategia no solo eleva la precisión diagnóstica, sino que también modera juiciosamente el número de parámetros de la red y la intensidad computacional, mitigando la propensión al sobreajuste. Para evaluar la eficacia de nuestra red propuesta, realizamos pruebas rigurosas utilizando dos conjuntos de datos complejos y de acceso público, con introducciones adicionales de ruido artificial para simular entornos operativos desafiantes. En el conjunto de datos sin ruido, nuestra técnica aumentó la precisión en un 5.11% en el conjunto de datos de motores aéreos en comparación con los métodos actuales más utilizados. Incluso bajo condiciones de ruido máximo, mejora la precisión promedio en un 4.49% en comparación con otros enfoques contemporáneos. Los resultados demuestran que nuestro enfoque supera a otras técnicas en términos de rendimiento diagnóstico y capacidad de generalización.