En el diagnóstico de fallas, los sistemas de aprendizaje amplio (BLS) se han aplicado en los últimos años. Sin embargo, la mejor diagnóstico de fallas no puede garantizarse solo con la extensión de nodos de ancho, por lo que se propuso un sistema de aprendizaje amplio apilado (stacked BLS). La mayoría de los métodos para elegir el número de capas de profundidad utilizaban algoritmos de optimización que tienden a aumentar el tiempo de cálculo. Además, los datos bajo selección de características únicas no son lo suficientemente representativos y las características efectivas se pierden fácilmente. Para resolver estos problemas, este artículo propone un modelo de diagnóstico de fallas infrarrojas para rodamientos basado en la integración de análisis de componentes principales y descomposición de valores singulares (IPS) y el modelo SSDStacked-BLS con profundidad auto-seleccionada (SSDStacked-BLS).