La transmisión de la señal de vibración juega un papel fundamental en el pronóstico y gestión de la salud de los equipos. Sin embargo, el monitoreo de condiciones a largo plazo requiere compresión de señal antes de la transmisión debido a la alta frecuencia de muestreo. En este documento, se propone un eficiente algoritmo de compresión sensorial bayesiano. La contribución se descompone explícitamente en dos componentes: un escenario de múltiples tareas y un modelo jerárquico basado en prior Laplace. Esta combinación aprovecha al máximo la promoción dispersa bajo los priors Laplace y la correlación entre bloques dispersos para mejorar la eficiencia. Además, se utiliza un método de aprendizaje de diccionario de descomposición de valores singulares K (K-SVD) para encontrar la mejor representación dispersa de la señal. Los resultados de la simulación muestran que la reconstrucción basada en prior Laplace funciona mejor que los algoritmos típicos. La comparación entre un diccionario fijo y un diccionario de aprendizaje también ilustra la ventaja del método K-SVD. Finalmente, se analiza un caso de detección de fallas de una señal reconstruida. La efectividad del método propuesto se valida mediante pruebas de simulación y experimentales.