Este estudio se basa en investigaciones previas que utilizaron un enfoque de aprendizaje automático basado en vibraciones (VML) para diagnosticar fallas relacionadas con el rotor en maquinaria rotativa. El método original utilizó redes neuronales artificiales (ANN) para clasificar fallas relacionadas con el rotor en función de parámetros de vibración optimizados de los dominios de tiempo y frecuencia. Este estudio amplía la aplicación de este enfoque de aprendizaje automático basado en vibraciones para incluir las fallas de rodamientos antifricción además de las fallas del rotor. Los parámetros de vibración sugeridos anteriormente, tanto en los dominios de tiempo como de frecuencia, se revisan aún más para acomodar defectos relacionados con los rodamientos. El estudio utiliza los datos de vibración medidos de un banco de pruebas rotativo a escala de laboratorio con diferentes fallas simuladas experimentalmente en el rotor y los rodamientos. El modelo VML propuesto se desarrolla para defectos tanto en el rotor como en los rodamientos a una velocidad del rotor que está por encima de la primera velocidad crítica. Para evaluar la robustez del modelo VML propuesto, se prueba además a dos velocidades rotativas diferentes, una por debajo de la primera velocidad crítica y la otra por encima de la segunda velocidad crítica. El documento presenta la metodología, el banco de pruebas y los datos de vibración medidos, los parámetros optimizados y los hallazgos.