Este estudio propone un marco híbrido para el diagnóstico de fallos en rodamientos de rodillos al integrar una Descomposición de Modo Variacional-Transformada Discreta de Ondas (VMD-DWT) con una CNN-BiLSTM Híbrida Basada en Atención y Separación Profunda (HADS-CNN-BiLSTM) para abordar la interferencia del ruido y la baja precisión diagnóstica en condiciones complejas. Las señales de vibración se reconstruyen primero utilizando un algoritmo genético (GA) optimizado VMD y una optimización por enjambre de partículas (PSO) optimizada DWT para la supresión de ruido. Posteriormente, las señales desruidas pasan por una fusión de características multimodal a través de convoluciones separables en profundidad, mecanismos de atención triple y modelado temporal BiLSTM. El modelo híbrido incorpora una programación dinámica de la tasa de aprendizaje y una estrategia de entrenamiento progresivo en dos etapas para acelerar la convergencia. Los resultados experimentales en el conjunto de datos de la Universidad Case Western Reserve (CWRU) demuestran una precisión del 99.58% en el diagnóstico de fallos en precisión, recuperación y la puntuación F1, mientras que se logra una precisión del 100% en el conjunto de datos de la Universidad Jiaotong de Xi"an (XJTU-SY), confirmando una superior generalización y robustez bajo diferentes relaciones señal-ruido. El marco proporciona una solución efectiva para mejorar las tecnologías de diagnóstico de fallos en rodamientos de rodillos.