La revolución industrial 4.0 y los avances tecnológicos predominantes han hecho que las unidades industriales sean más complejas. Estas complejas unidades electromecánicas ahora buscan mejorar la eficiencia y aumentar la fiabilidad. El tiempo de inactividad de tales unidades esenciales en la actual era competitiva es inaceptable. El paradigma del diagnóstico de fallas se está trasladando de enfoques convencionales a enfoques predictivos proactivos. Como resultado, el Monitoreo Basado en Condiciones y la prognóstica son ahora componentes esenciales de los sistemas industriales complejos. Esta investigación se centra en desarrollar un sistema de prognóstico de fallas utilizando Memoria a Largo y Corto Plazo para rodamientos de elementos rodantes, ya que son un componente crítico de los sistemas industriales y tienen una de las frecuencias de falla más altas. En comparación con otras investigaciones, la ingeniería de características se minimiza utilizando datos de sensores de series temporales en bruto como entrada para el modelo. Nuestro modelo logró el error cuadrático medio más bajo y superó a modelos de investigación similares donde se utilizaron características del dominio del tiempo, del dominio de la frecuencia o del dominio tiempo-frecuencia como entrada para el modelo. Además, el uso de datos de vibración en bruto también permitió una mejor generalización del modelo. Esto ha sido confirmado al evaluar el rendimiento del modelo desarrollado contra datos de vibración generados por distintas fuentes, incluyendo turbinas hidroeléctricas y eólicas.