Este estudio desarrolla un modelo basado en un Autoencoder Convolucional (CAE) y una red neuronal profunda (DNN) optimizado para el procesamiento de señales en tiempo real y alta precisión en el diagnóstico de fallas en motores. Este modelo aprende patrones complejos a partir de datos de voltaje y corriente y los analiza con precisión en combinación con DNN a través de una representación en un espacio latente. Los métodos de diagnóstico tradicionales se basaban en sensores de vibración y corriente, conocimiento empírico o monitoreo basado en armónicos y umbrales, pero tenían limitaciones en el reconocimiento de patrones complejos y en proporcionar diagnósticos precisos. Nuestro modelo mejora significativamente la precisión del análisis de datos de potencia y el diagnóstico de fallas al mapear cada fase (R, S y T) del sistema eléctrico a los canales rojo, verde y azul (RGB) del procesamiento de imágenes y aplicar diversas técnicas de procesamiento de señales. Optimizado para la transmisión de datos en tiempo real, este modelo demostró una alta practicidad y efectividad en un entorno industrial real, logrando un 99.9% de precisión, 99.8% de recall y 99.9% de precisión. Específicamente, pudo diagnosticar de manera más precisa la eficiencia del motor y los riesgos de falla utilizando indicadores de análisis del sistema de potencia como el voltaje de fase, la distorsión armónica total (THD) y el desequilibrio de voltaje. Este enfoque integrado mejora significativamente la aplicabilidad en tiempo real del diagnóstico de fallas en motores eléctricos y se espera que siente las bases para diversas aplicaciones industriales en el futuro.