Este estudio presenta un enfoque novedoso para la clasificación de fallos en componentes de rodamientos utilizando datos de acelerómetros en bruto. Al emplear varios modelos de redes neuronales, incluidas arquitecturas de aprendizaje profundo, evitamos las etapas tradicionales de preprocesamiento y extracción de características, agilizando el proceso de clasificación. Utilizando el conjunto de datos de rodamientos de la Universidad Case Western Reserve (CWRU), nuestra metodología demuestra una precisión notable, particularmente en redes de aprendizaje profundo como las tres variantes de redes neuronales convolucionales (CNN), logrando más del 98% de precisión en varios niveles de carga, estableciendo un nuevo estándar en la eficiencia de detección de fallos. Notablemente, la exploración de datos a través del análisis de componentes principales (PCA) y la incrustación de vecinos estocásticos distribuidos en t (t-SNE) proporcionó valiosos conocimientos sobre las relaciones y patrones de características, ayudando en la detección efectiva de fallos. Esta investigación no solo prueba la eficacia de los clasificadores de redes neuronales en el manejo de datos en bruto, sino que también abre caminos para métodos de diagnóstico más sencillos pero efectivos en el monitoreo de la salud de la maquinaria. Estos hallazgos sugieren un potencial significativo para aplicaciones en el mundo real, ofreciendo una alternativa más rápida pero confiable a las técnicas convencionales de clasificación de fallos.