Los pasos principales involucrados en un esquema de control tolerante a fallos (FTC) son la detección de fallos, la aislamiento y la reconfiguración del control. La detección y aislamiento de fallos (FDI) es un tema de interés debido a su importancia para el controlador, ya que proporciona la información necesaria para ajustar y mitigar los efectos del fallo. Generalmente, los fallos más comunes ocurren en el actuador o en los sensores, por lo que este artículo propone un nuevo esquema libre de modelos para la detección y aislamiento de fallos de sensores y actuadores de motores de inducción (IM). La metodología propuesta realiza la tarea de detectar y aislar fallos sobre flujos de datos justo después de la ocurrencia del fallo de un motor de inducción (IM), ya sea por desconexión, degradación, fallo o daño en la conexión. Nuestro enfoque propone redes neuronales profundas que no necesitan un modelo nominal ni generan residuos para la detección de fallos, lo que la convierte en una herramienta útil. Además, el enfoque de aislamiento de fallos se lleva a cabo mediante clasificadores que diferencian características independientemente de los otros clasificadores. Se utilizan redes neuronales de memoria a largo y corto plazo (LSTM), LSTM bidireccional, perceptrón multicapa y red neuronal convolucional para esta tarea. El esquema propuesto de detección y aislamiento de fallos de sensores y actuadores es simple. Puede aplicarse a varios problemas que involucran esquemas de detección y aislamiento de fallos. Los resultados muestran que las redes neuronales profundas son una herramienta poderosa y versátil para la detección y aislamiento de fallos sobre flujos de datos.