Les méthodes intelligentes de diagnostic de défauts fondées sur l’analyse de signaux sont largement utilisées pour le diagnostic des roulements. Ces méthodes reposent sur une transformation prédéfinie (telle que la décomposition en modes empiriques, la transformation de Fourier rapide ou la transformation en ondelettes discrète) afin de convertir les signaux temporels en signaux dans le domaine fréquentiel ; la performance du système de diagnostic dépend fortement des caractéristiques extraites. Toutefois, l’extraction de ces caractéristiques est particulièrement coûteuse en temps et nécessite des connaissances spécialisées en traitement des signaux. Bien que certaines études aient développé des algorithmes hautement précis, les résultats de diagnostic restent fortement dépendants de grands ensembles de données et d’une analyse humaine parfois peu fiable. Cette étude propose un réseau neuronal d’apprentissage automatique des caractéristiques, qui utilise directement les signaux bruts de vibration comme entrée et exploite deux réseaux de neurones convolutifs à tailles de noyau différentes pour extraire automatiquement diverses caractéristiques fréquentielles à partir des données brutes. Ensuite, un réseau à mémoire à long court terme (LSTM) est utilisé pour identifier le type de défaut en fonction des caractéristiques apprises. Les données sont préalablement sous-échantillonnées avant d’être introduites dans le réseau, ce qui réduit considérablement le nombre de paramètres. Les résultats expérimentaux montrent que la méthode proposée parvient non seulement à atteindre une précision moyenne de 98,46 %, dépassant certaines méthodes intelligentes de pointe basées sur des connaissances a priori, mais aussi à offrir une meilleure robustesse dans des environnements bruités.