El rápido avance de las técnicas de aprendizaje automático ha desempeñado un papel significativo en la evolución de la tecnología de gestión de la salud de los motores. En la última década, los métodos de aprendizaje profundo han recibido mucha atención en muchos dominios de aplicación, incluyendo el reconocimiento de objetos y la visión por computadora. Recientemente, ha habido un aumento rápido en el uso de redes neuronales convolucionales para el diagnóstico de maquinaria rotativa, inspiradas en su poderosa capacidad de aprendizaje de características y clasificación. Sin embargo, la aplicación en el campo del diagnóstico de turbinas de gas sigue siendo limitada. Este artículo presenta un método de detección y aislamiento de fallas en turbinas de gas utilizando redes neuronales convolucionales modulares precedidas por un sistema de monitoreo de tendencias de rendimiento impulsado por la física. El sistema de monitoreo de tendencias se empleó para capturar cambios en el rendimiento debido a la degradación, establecer una nueva línea base cuando es necesario y generar firmas de fallas. El sistema de detección y aislamiento de fallas fue entrenado para detectar y clasificar paso a paso fallas en el camino de gas hasta el nivel de componente utilizando firmas de fallas obtenidas de la parte física. El rendimiento del método propuesto se evaluó en función de diferentes escenarios de fallas para un motor turbofan de tres ejes, bajo un ruido de medición significativo para garantizar la robustez del modelo. También se llevaron a cabo dos evaluaciones comparativas: con un método de clasificación de fallas basado en una única arquitectura de red neuronal convolucional y con un método de detección y aislamiento de fallas asistido por memoria a largo y corto plazo. Los resultados obtenidos revelaron el rendimiento del método propuesto para detectar y aislar múltiples fallas en el camino de gas con más del 96% de precisión. Además, compartir tareas de diagnóstico con arquitecturas modulares se considera relevante para mejorar significativamente la precisión del diagnóstico.