Los rodamientos deslizantes son componentes vitales en la industria moderna, ejerciendo una influencia crucial en el rendimiento del equipo, siendo el desgaste uno de sus principales modos de fallo. Al abordar el problema del diagnóstico del desgaste en los rodamientos deslizantes, este artículo propone un método de diagnóstico inteligente basado en una red neuronal convolucional de compuerta multiescala (MGCNN). El método propuesto permite la inferencia cuantitativa de la profundidad máxima de desgaste (MWD) de los rodamientos deslizantes en función de las señales de vibración en línea. El modelo construido adopta una estructura paralela de doble vía tanto en los dominios del tiempo como de la frecuencia para procesar las señales de vibración de los rodamientos, asegurando la integridad de la transmisión de información a través de conexiones de red residual. En particular, se construye un módulo de convolución de compuerta multiescala (MGC), que utiliza capas de red convolucional para extraer características de las secuencias de muestras. Este módulo incorpora múltiples canales de escala, incluyendo ciclos a largo, medio y corto plazo, para extraer completamente la información de las señales de vibración. Además, se emplean unidades de compuerta para asignar pesos de manera adaptativa a los vectores de características, lo que permite controlar la dirección del flujo de información. Los resultados experimentales demuestran que el método propuesto supera al modelo CNN tradicional y al modelo de aprendizaje automático superficial, ofreciendo un apoyo prometedor para el monitoreo de la condición del equipo y el mantenimiento predictivo.