Los ruidos en el campo pueden afectar las características del sistema electromecánico en el proceso de diagnóstico de fallas en los rodamientos. Este documento presenta un modelo de diagnóstico de fallas basado en aprendizaje profundo DRSN-GCE (Red de Contracción Relativa Profunda con Convoluciones y Mejoras Controladas), que está diseñado para lidiar con el ruido y mejorar la resistencia al ruido. En el primer paso, los datos se preprocesan agregando diferentes ruidos con diferentes relaciones de señal a ruido y diferentes frecuencias a las señales de vibración. Esto simula los entornos de ruido en el campo. La transformación wavelet continua (CWT), que convierte la señal de series temporales de una dimensión a una imagen bidimensional tiempo-frecuencia, proporciona datos ricos de entrada para el modelo de aprendizaje profundo. En segundo lugar, se agrega una capa convolucional controlada a la red residual profunda (DRSN), que suprime la interferencia del ruido. La estructura de conexión residual también se ha mejorado para mejorar la transferencia de características. En señales complejas, se utiliza el Módulo de Contracción Convolucional Controlada para mejorar la extracción de características y suprimir el ruido. Los experimentos en el conjunto de datos de rodamientos de la Universidad Case Western Reserve muestran que el DRSN-GCE exhibe una alta precisión diagnóstica y una fuerte inmunidad al ruido en varios entornos de ruido como Gauss, Laplace, Sal y Pimienta y Poisson. DRSN-GCE es superior a otros modelos de aprendizaje profundo en términos de supresión de ruido, precisión en la detección de fallas y diagnósticos de fallas en rodamientos en entornos ruidosos.