Este documento propone un modelo avanzado de red neuronal convolucional profunda para la detección de fallos en rodamientos de motores, diseñado para superar las limitaciones de los modelos tradicionales en la extracción de características, precisión y generalización bajo condiciones de operación complejas. El modelo combina residuos multiescala, mecanismos de atención híbridos y agrupamiento global dual para mejorar el rendimiento. Las capas convolucionales extraen características de manera eficiente, mientras que los mecanismos de atención híbridos refuerzan la representación de características. La estructura de red de residuos multiescala captura características en varias escalas, y la clasificación de fallos se realiza utilizando agrupamiento promedio y máximo global. El modelo fue entrenado con el optimizador Adam y una pérdida de entropía cruzada categórica escasa, incorporando un mecanismo de decaimiento de la tasa de aprendizaje para refinar el proceso de entrenamiento. Los experimentos en el conjunto de datos de rodamientos de la Universidad de Paderborn en cuatro condiciones mostraron que el modelo tenía un rendimiento superior, logrando una precisión diagnóstica del 99.7%, que superó a los modelos tradicionales, como AMCNN, LeNet5 y AlexNet. Experimentos comparativos en conjuntos de datos de vibración de rodamientos y corriente de motores en cuatro condiciones de rodamientos destacaron la efectividad del modelo y su amplia aplicabilidad en la detección de fallos en motores. Sus robustas capacidades de extracción y clasificación de características lo convierten en una solución confiable para el diagnóstico de fallos en rodamientos de motores, con un potencial significativo para aplicaciones en el mundo real. Esto lo convierte en una solución confiable para el diagnóstico de fallos en rodamientos de motores con un potencial significativo para aplicaciones prácticas.