Siempre es un tema importante y desafiante lograr un diagnóstico de fallos efectivo en maquinaria rotativa en las industrias. En los últimos años, el aprendizaje profundo ha demostrado ser un método de alta precisión y confiable para la detección de fallos basada en datos. Sin embargo, el entrenamiento de algoritmos de aprendizaje profundo requiere una gran cantidad de datos reales, que generalmente son costosos y requieren mucho tiempo. Para hacer frente a esto, propusimos un clasificador Resnet con aumento de datos basado en modelos, que se aplica para la detección de fallos en rodamientos. Para ello, primero se estableció un modelo dinámico para describir el sistema de rodamientos ajustando parámetros del modelo, como velocidad, carga, tamaño del fallo y los diferentes tipos de fallos. Luego se pueden generar grandes cantidades de datos bajo diversas condiciones de operación. El conjunto de datos de entrenamiento se construyó a partir de los datos simulados, que luego se aplicaron para entrenar el clasificador Resnet. Además, para reducir la brecha entre los datos de simulación y los datos reales, se utilizaron las señales envolventes en lugar de las señales originales en el proceso de entrenamiento. Finalmente, la efectividad del método propuesto se demostró con los datos experimentales reales de rodamientos. Es notable que la aplicación del método propuesto puede extenderse aún más a otros sistemas mecatrónicos con un modelo dinámico determinista.