En este artículo, se propone un enfoque avanzado de diagnóstico de fallas en rodamientos basado en una red generativa adversarial de Wasserstein (WGAN) para mejorar la eficacia diagnóstica de los WGAN convencionales y abordar el desafío de seleccionar hiperparámetros óptimos mientras se reduce la dependencia del etiquetado de muestras. Las señales de vibración en bruto se someten a un procesamiento de transformada continua de wavelet (CWT) para generar imágenes tiempo-frecuencia que se alinean con las dimensiones de entrada del modelo. Posteriormente, estas imágenes se incorporan a una red completamente convolucional basada en regiones (R-FCN), sustituyendo al discriminador tradicional para la captura de características. El modelo WGAN se refina mediante la utilización del algoritmo de optimización bayesiana (BOA) para optimizar la función de pérdida de aprendizaje semi-supervisado del generador y el discriminador. Este enfoque se verifica utilizando el conjunto de datos de la Universidad Case Western Reserve (CWRU) y un conjunto de datos experimental de fallas en bombas centrífugas. Los resultados mostraron mejoras en la generalización de la entrada de datos y en las capacidades de extracción de características de fallas. Al evitar la necesidad de etiquetar grandes cantidades de datos de muestra, la precisión diagnóstica se mejoró al 98.9% y 97.4%.