La modelización por deposición fundida (FDM), un método de fabricación aditiva (AM), comprende la extrusión de materiales a través de una boquilla y la posterior combinación de las capas para crear objetos impresos en 3D. FDM es un método ampliamente utilizado para la impresión en 3D ya que es asequible, efectivo y fácil de usar. Algunos defectos como relleno deficiente, pie de elefante, desplazamiento de capas y acabado superficial deficiente surgen en los componentes de FDM en la etapa de impresión debido a variaciones en los parámetros de impresión como la velocidad de impresión, cambio en la boquilla o temperatura de la cama. Se requiere una clasificación de fallas adecuada para identificar la causa de los productos defectuosos. En este trabajo, se recopilan datos multi-sensoriales utilizando diferentes sensores como vibración, corriente, temperatura y sensores de sonido. La adquisición de datos se realiza utilizando el Sistema de Adquisición de Datos (DAQ) de National Instrumentation (NI) que proporciona los datos multi-sensoriales sincrónicos para el entrenamiento del modelo. Para inducir las fallas, los datos se capturan bajo diferentes condiciones como variaciones en la velocidad de impresión, temperatura y sacudidas durante la impresión. Los datos recopilados se utilizan para entrenar los modelos de clasificación de aprendizaje automático (ML) y aprendizaje profundo (DL) para clasificar la variación en los parámetros de impresión. Los modelos de ML como vecino más cercano (KNN), árbol de decisión (DT), árboles adicionales (ET) y bosque aleatorio (RF) con red neuronal convolucional (CNN) como modelo de DL se utilizan para clasificar los parámetros de impresión de operación variable. De los modelos disponibles, en los modelos de ML, el clasificador RF muestra una precisión de clasificación de alrededor del 91%, mientras que en el modelo de DL, el modelo CNN muestra un buen rendimiento de clasificación con una precisión que varía del 92 al 94% bajo condiciones de operación variables.