En este estudio, se clasificaron anomalías en un sistema de ventilador utilizando un montaje de medición real para simular anomalías mecánicas como el desprendimiento de palas o la acumulación de escombros. Se recopilaron datos bajo condiciones de operación normales y con una masa de desbalanceo añadida. Además, se introdujeron anomalías en los sensores manipulando las lecturas del acelerómetro y examinando tres tipos: picos, atascos y caídas. Para clasificar las anomalías, se probaron cuatro modelos de redes neuronales: variaciones en Memoria a Largo y Corto Plazo (LSTM) y Redes Neuronales Convolucionales (CNN). Estos modelos incorporaron una capa de Transformada de Wavelet Continua (CWT). Se propuso un enfoque novedoso para implementar la capa CWT en arquitecturas LSTM y CNN, junto con una estructura de entrada de doble rama que presenta dos capas CWT utilizando diferentes wavelets madre. La configuración de doble rama con diferentes wavelets madre produjo una mejor precisión para la red LSTM más simple. Se realizaron comparaciones de precisión para los 10 modelos con mejor rendimiento basados en las predicciones del conjunto de validación, revelando un mejor rendimiento en la clasificación. El estudio concluyó con un resumen de la precisión de las predicciones tanto para los conjuntos de validación como de prueba, junto con el cálculo de la precisión promedio, demostrando la efectividad de la estructura de red neuronal de doble rama propuesta en la clasificación de anomalías en sistemas de ventiladores.