El análisis de señales de vibración es considerado un enfoque fundamental en el diagnóstico de fallas en rodamientos de rodillos, y avances recientes han mostrado un notable progreso en este dominio. Sin embargo, la presencia de un ruido de fondo sustancial a menudo resulta en el enmascaramiento de estas señales de falla, planteando un desafío significativo para los investigadores. En respuesta, se propone en este documento un enfoque de autoencoder de desruido adaptativo (ADAE). Las representaciones de datos son aprendidas por el codificador a través de capas convolucionales, mientras que la reconstrucción de datos es realizada por el decodificador utilizando capas de deconvolución. Tanto el codificador como el decodificador incorporan unidades de contracción adaptativa para simular funciones de desruido, eliminando efectivamente información interferente mientras se preservan características sensibles de falla. Además, se aplica regularización de abandono para volver más dispersa la red y prevenir el sobreajuste, mejorando así la potencia expresiva general del modelo. Para mejorar aún más la resistencia al ruido de ADAE, se añaden conexiones de atajo. La evaluación utilizando conjuntos de datos disponibles públicamente bajo escenarios con ruido conocido y desconocido demuestra que ADAE mejora efectivamente la relación señal-ruido en fondos fuertemente ruidosos, facilitando el diagnóstico preciso de fallas en rodamientos de rodillos.