Este estudio presenta un enfoque novedoso para la inspección de calidad al final de la línea (EoL) de motores de corriente continua sin escobillas (BLDC) mediante la implementación de un modelo de aprendizaje profundo que combina diagramas MEL, redes neuronales convolucionales (CNN) y unidades recurrentes bidireccionales con compuertas (BiGRUs). El sistema sugerido utiliza señales de vibración y sonido en bruto, registradas durante el proceso de inspección de calidad EoL al final de una línea de fabricación industrial. Las señales registradas se transforman directamente en espectrogramas de frecuencia Mel (MFS) sin preprocesamiento. Para eliminar bandas de frecuencia no informativas y aumentar la relevancia de los datos, se implementó un procedimiento de reducción de datos en seis pasos. Además, para mejorar la caracterización de fallos, se generó un espectrograma de referencia a partir de motores saludables. La red neuronal se entrenó en un conjunto de datos altamente desbalanceado, utilizando sobremuestreo y optimización bayesiana de hiperparámetros. El algoritmo de clasificación final logró métricas de clasificación con alta precisión (99%). Los métodos tradicionales de inspección EoL a menudo se basan en criterios basados en umbrales y análisis de expertos, que pueden ser inconsistentes, consumir mucho tiempo y tener una escalabilidad deficiente. Estos métodos tienen dificultades para detectar patrones complejos o sutiles asociados con fallos en etapas tempranas. El enfoque propuesto aborda estos problemas al aprender patrones discriminativos directamente de los datos de sensores en bruto y automatizar el proceso de clasificación. Los resultados confirman que este enfoque puede reducir la necesidad de la participación de expertos humanos durante la puesta en marcha, eliminar pasos de inspección redundantes y mejorar la consistencia en la detección de fallos, ofreciendo importantes ganancias en eficiencia de producción.