El monitoreo de condiciones y el diagnóstico de fallas son temas de creciente interés para mejorar la fiabilidad de los sistemas industriales modernos. Como componentes estructurales críticos, los rodamientos antifricción a menudo operan en condiciones adversas y son factores contribuyentes a las fallas del sistema. Se han realizado esfuerzos en el diagnóstico de rodamientos bajo el marco de fusión de sensores y aprendizaje automático, mientras que permanecen abiertos desafíos en la identificación de fallas incipientes. En este artículo, aprovechando representaciones y descomposiciones multi-vía de los datos de vibración medidos, se propone un nuevo método de separación de bandas basado en la factorización de tensores de espectrograma utilizando la descomposición Tucker no negativa de rango bajo aproximada (LRANTD) y se aplica para identificar firmas de fallas detalladas desde las dimensiones espectrales, temporales y espaciales, flexible para extraer características de múltiples sensores y correlaciones multidimensionales. Con el método propuesto, se pueden extraer automáticamente bandas de frecuencia informativas de los componentes vibracionales latentes, de acuerdo con los patrones temporales inherentes que pueden ser convenientemente alimentados para análisis espectral y discriminación de fallas. Además, se puede calcular un espectro cruzado mejorado a partir de vibraciones de múltiples canales a través de LRANTD con características de fallas mejoradas. Basado en los datos de vibración del mundo real de las pruebas de vida acelerada de rodamientos, estudios experimentales detallados y comparaciones exhaustivas con los puntos de referencia convencionales han verificado la efectividad de la metodología de diagnóstico reportada. El método propuesto mejora significativamente la presencia de los picos de frecuencia del rodamiento de manera distintiva sobre el ruido de fondo en el espectro y, por lo tanto, mejora el proceso de detección de defectos en los rodamientos.