Este artículo presenta una investigación experimental sobre la detección y clasificación de fallas en barras rotoras rotas (BRB) en un motor de inducción de jaula de ardilla de 1.1 kW en diversas condiciones de carga y severidades de falla: 1.5 BRBs, 2 BRBs, 2.5 BRBs y 3 BRBs. Se utilizaron el análisis de firma de corriente del motor (MCSA), la transformada rápida de Fourier (FFT) y el enfoque extendido del vector de Park (EPVA) para explorar los espectros de frecuencia e identificar las frecuencias de falla características (CFF) asociadas con las fallas de BRB. Tras esta exploración, se utilizó la corriente del vector de Park extendido (EPV) para calcular 15 características estadísticas en el dominio del tiempo, que fueron sometidas a un análisis exploratorio de datos utilizando análisis de componentes principales (PCA), análisis de componentes curvilíneos (CCA) y análisis de componentes independientes (ICA), deduciendo la dimensionalidad intrínseca a 3. Posteriormente, se llevó a cabo la clasificación utilizando enfoques tanto neuronales como no neuronales para evaluar la firma saludable así como las severidades de falla de BRB. El modelo PCA-SDNN logró la mayor precisión, demostrando su idoneidad para la detección precisa y en tiempo real de fallas en motores industriales de inducción. Este estudio demuestra la efectividad de integrar MCSA, EPVA, reducción de dimensionalidad y aprendizaje automático para un diagnóstico robusto de fallas en motores de inducción.