El monitoreo de la condición de los rodamientos es una tarea crucial en muchas industrias. Un herramienta eficiente para diagnosticar defectos en rodamientos es necesaria ya que pueden llevar a una falla completa de la máquina y a pérdidas económicas significativas. Las soluciones de diagnóstico tradicionales a menudo se basan en un proceso complejo de extracción de características artificiales que es lento, costoso computacionalmente y demasiado complejo para implementar en la práctica. Sin embargo, en condiciones de trabajo reales, la cantidad de datos de falla etiquetados disponibles es relativamente pequeña, por lo que es difícil entrenar un modelo de aprendizaje profundo con buena generalización y alta precisión. Este artículo propone una solución que utiliza una red neuronal artificial (NN) feedforward simple para clasificación y adopta el algoritmo de codificación predictiva lineal (LPC) para la extracción de características. El algoritmo LPC encuentra varios coeficientes para un segmento de señal dado que contiene información sobre el espectro de la señal, lo cual es suficiente para una clasificación adicional. La solución LPC-NN fue probada en los conjuntos de datos de la Case Western Reserve University (CWRU) y la South Ural State University (SUSU). Los resultados demostraron que, en la mayoría de los casos, LPC-NN produjo una precisión del 100%. El método propuesto logra una mayor precisión diagnóstica y estabilidad ante cambios de carga que otras técnicas avanzadas, tiene un rendimiento temporal significativamente mejorado y es propicio para el diagnóstico de fallas industriales en tiempo real.