En el contexto de abordar el desafío planteado por muestras de fallas limitadas en rodamientos rodantes de maquinaria agrícola, especialmente cuando las características de falla temprana son sutiles, este estudio introduce un enfoque novedoso. El método propuesto de diagnóstico de fallas multidominio, basado en la ampliación de datos, tiene como objetivo discernir fallas tempranas en rodamientos rodantes de maquinaria agrícola, particularmente dentro de un marco de muestra desequilibrado. La metodología implica determinar señales de falla temprana a lo largo del ciclo de vida, construir conjuntos de datos de fallas tempranas con diferentes tasas de desequilibrio para diferentes tipos de fallas, y posteriormente emplear la Técnica de Sobremuestreo de la Minoría Sintética (SMOTE) para equilibrar los datos de falla. El estudio luego extrae energía relativa de paquetes de ondas y características sensibles en el dominio del tiempo (varianza, pico a pico) de los datos de falla originales y generados para formar un vector de características de falla multidominio. Este vector se utiliza para el reconocimiento del estado de falla utilizando una Máquina de Vectores de Soporte (SVM). Métricas de evaluación como precisión, recall y valores F1 evalúan la efectividad del reconocimiento para cada estado de rodamiento rodante, con la evaluación general del modelo basada en la precisión. El método propuesto es analizado y validado rigurosamente utilizando el conjunto de datos de prueba de vida acelerada de rodamientos rodantes XJTU-SY. Se realiza un análisis comparativo con vectores de características de falla no mejorados con datos, específicamente la energía relativa del paquete de ondas, tanto con como sin características en el dominio del tiempo. Los resultados experimentales subrayan el rendimiento superior de las características de falla multidominio al proporcionar una descripción integral de la información de la señal, lo que lleva a un rendimiento de clasificación mejorado. Además, el estudio demuestra una precisión de clasificación mejorada y tasas de recall para el conjunto de datos equilibrado en comparación con el conjunto de datos desequilibrado. Esta investigación contribuye significativamente a un método de identificación efectivo para el diagnóstico temprano de fallas en rodamientos rodantes de muestra pequeña en maquinaria agrícola.