La predicción oportuna de fallos en rodamientos es esencial para minimizar el tiempo de inactividad inesperado de las máquinas y mejorar la fiabilidad operativa del equipo industrial. Se utilizó la transformación Q para el preprocesamiento de las sesenta y cuatro señales de vibración que corresponden a las cuatro condiciones de los rodamientos. Además, se extrajeron características estadísticas, también conocidas como atributos, del Histograma de Gradientes Orientados (HOG). Para evaluar estas características, la técnica de IA Explicable (XAI) empleó el método SHAP (Explicaciones Aditivas Shapley). La efectividad de los modelos GRU, LSTM y SVM en la primera etapa se evaluó utilizando entrenamiento y validación cruzada de diez pliegues. El algoritmo de optimización SSA (Algoritmo de Optimización de Enjambre de Partículas) se empleó en una fase posterior para optimizar los hiperparámetros de los algoritmos. Los hallazgos de la investigación se analizan y evalúan rigurosamente en cuatro áreas específicas: la configuración predeterminada del modelo, la inclusión de características seleccionadas utilizando XAI, la optimización de hiperparámetros y una técnica híbrida que combina la selección de características basada en SSA y XAI. El modelo GRU tiene un rendimiento superior en comparación con los otros modelos, logrando una impresionante precisión del 98.2%. Esto es particularmente evidente al utilizar características informadas por SSA y XAI. El siguiente modelo es el LSTM, que tiene una tasa de precisión impresionante del 96.4%. Durante la validación cruzada de diez pliegues, la Máquina de Vectores de Soporte (SVM) alcanza una precisión máxima notablemente reducida del 84.82%, aunque la técnica de optimización híbrida muestra mejoras. Los resultados de este estudio generalmente muestran que el modelo más efectivo para la predicción de fallos es el modelo GRU, configurado con los atributos elegidos por XAI, seguido por LSTM y SVM.