Ante el problema del rendimiento insuficiente de los modelos de aprendizaje profundo en la predicción de series temporales y la mala extracción de características espacio-temporales, este documento propone un método de diagnóstico (CNN-LSTM-GRU) que integra redes neuronales convolucionales (CNN), redes de memoria a largo y corto plazo (LSTM) y modelos de unidades recurrentes con compuertas (GRU). En este estudio, se utiliza un modelo de red neuronal convolucional (CNN) para procesar datos de imagen bidimensional en los dominios de tiempo y frecuencia, y se introduce un mecanismo de atención de núcleo convolucional para extraer características espaciales, como picos, acantilados y formas de onda, de las muestras. Se incorpora una red de memoria a largo y corto plazo (LSTM) en el procesamiento de salida de la red neuronal convolucional (CNN) para analizar las características de variación de larga secuencia de las señales de vibración de rodamientos y permitir la predicción de series temporales a largo plazo al capturar dependencias a largo plazo en la secuencia. Además, se utiliza una unidad recurrente con compuertas (GRU) para refinar las predicciones de series temporales a largo plazo, proporcionando un ajuste fino local y mejorando la precisión del diagnóstico de fallos. Utilizando un conjunto de datos obtenido de la Universidad Case Western Reserve (CWRU), la precisión promedio de la vibración de fallos CNN-LSTM-GRU es superior al 99%, y se demuestra su rendimiento superior en un entorno ruidoso.