El diagnóstico de un rodamiento de rodillos para monitorear su estado es crítico en el mantenimiento de equipos industriales que utilizan rodamientos de rodillos. El método tradicional para diagnosticar fallas del rodamiento de rodillos tiene una baja precisión de identificación, lo que requiere extracción artificial de características para mejorar la precisión. El método de red neuronal convolucional unidimensional (1D-CNN) no solo puede diagnosticar fallas en los rodamientos con precisión, sino que también supera las deficiencias de los métodos tradicionales. A diferencia de los modelos de aprendizaje automático y otros modelos de aprendizaje profundo, el método 1D-CNN no necesita preprocesar los datos unidimensionales de vibración del rodamiento de rodillos. En este artículo, se propone la arquitectura de red 1D-CNN para mejorar efectivamente la precisión del diagnóstico del rodamiento de rodillos, y el número de núcleos de convolución disminuye con la reducción del tamaño del núcleo de convolución. El método obtiene alta precisión y mejora la capacidad de generalización al introducir la operación de abandono. Los resultados experimentales muestran un 99.2% de precisión promedio bajo una carga única y un 98.83% bajo cargas diferentes.