El manejo de fallas en una red celular en funcionamiento puede afectar el rendimiento y descontentar a los usuarios finales. Es importante diseñar un procedimiento automático de auto recuperación para no solo detectar las fallas activas, sino también diagnosticarlas automáticamente. Aunque la detección de fallas ha sido ampliamente estudiada en la literatura, menos estudios se han centrado en la tarea más complicada de diagnosticar. Nuestro método presentado tiene como objetivo abordar la detección y diagnóstico de fallas utilizando dos conjuntos de datos recopilados por la red: datos del sistema de soporte de rendimiento y datos de pruebas de manejo. Aunque los datos del sistema de soporte de rendimiento se recopilan automáticamente por la red, los datos de pruebas de manejo se recopilan manualmente en tres escenarios de llamadas: corta, larga e inactiva. La llamada corta puede identificar fallas en la configuración de la llamada, la llamada larga está diseñada para identificar fallas en la transferencia y la interrupción de la llamada, y, finalmente, el modo inactivo está diseñado para comprender las características de la señal estándar en la red. Hemos aplicado aprendizaje no supervisado, junto con varios algoritmos clasificados, en datos del sistema de soporte de rendimiento. La congestión y las fallas en las asignaciones TCH son algunos ejemplos de las fallas detectadas y diagnosticadas con nuestro método. Además, presentamos un marco para identificar la necesidad de transferencias. El coeficiente de Silueta se utiliza para evaluar la calidad del enfoque de aprendizaje no supervisado. Logramos una precisión del 96.86% con el método de red neuronal dinámica.