El dominio de la detección de fallas ha experimentado un crecimiento tremendo en los últimos años. Debido a la creciente demanda de operaciones ininterrumpidas en diferentes sectores, la prognóstica y el manejo de la salud (PHM) es una tecnología clave que permite alcanzar este objetivo. Los rodamientos son un componente esencial de un motor. La PHM de los rodamientos es crucial para una operación ininterrumpida. Las técnicas convencionales de inteligencia artificial requieren extracción y selección de características para la detección de fallas. Este proceso a menudo limita el rendimiento de tales enfoques. El aprendizaje profundo permite la extracción y selección autónoma de características. Dadas las ventajas del aprendizaje profundo, este artículo presenta un método basado en transferencia de aprendizaje para la detección de fallas en rodamientos. El modelo preentrenado ResNetV2 se utiliza como modelo base para desarrollar una estrategia efectiva de detección de fallas en rodamientos. Se incluyen diferentes fallas en rodamientos, como la falla en la pista exterior, la falla en la pista interior y el defecto en la bola, para desarrollar un modelo efectivo de detección de fallas. La necesidad de extracción y selección manual de características se ha reducido mediante el método propuesto. Además, se ha sugerido una conversión de datos de 1D a 2D sencilla, eliminando por completo la necesidad de extracción y selección manual de características. Se estiman diferentes métricas de rendimiento para confirmar la eficacia de la estrategia propuesta, y los resultados muestran que la técnica propuesta detectó efectivamente fallas en rodamientos.