En los últimos años, los esquemas de aprendizaje profundo se han utilizado de manera amplia y exitosa para diagnosticar fallas en rodamientos. Sin embargo, a medida que cambian las condiciones de operación, la distribución de nuevos datos puede diferir de la de los datos aprendidos previamente. Entrenar utilizando solo datos antiguos no puede garantizar un buen rendimiento al manejar nuevos datos, y viceversa. Aquí, presentamos un esquema de aprendizaje incremental basado en el método de Repetición Repetida utilizando Indexación de Memoria (R-REMIND) para el diagnóstico de fallas en rodamientos. R-REMIND puede aprender nueva información bajo diversas condiciones de trabajo mientras retiene información más antigua. Primero, utilizamos una red de extracción de características similar a la red neuronal Inception-v4 para recopilar datos de vibración de rodamientos. En segundo lugar, codificamos las características mediante cuantización de productos y almacenamos las características en índices. Finalmente, los parámetros de las redes de extracción de características y clasificación se actualizan utilizando características reales y reconstruidas, y el modelo no olvidó la información antigua. Los resultados del experimento muestran que el modelo R-REMIND exhibe una capacidad de aprendizaje continuo sin olvidar de manera catastrófica durante tareas secuenciales.