Dado que las fallas en las máquinas rotativas pueden tener serias implicaciones, la detección y diagnóstico oportunos de fallas en estas máquinas es imperativo para su operación suave y segura. Aunque el aprendizaje profundo ofrece la ventaja de aprender autónomamente las características de falla de los datos, la escasez de datos de diferentes estados de salud a menudo limita su aplicabilidad a solo clasificación binaria (saludable o defectuoso). Este trabajo propone la ampliación de datos sintéticos a través de sensores virtuales para el diagnóstico de fallas basado en aprendizaje profundo de una máquina rotativa con 42 clases diferentes. Los datos originales y aumentados se procesaron en un marco de transferencia de aprendizaje y a través de un modelo de aprendizaje profundo desde cero. La visualización bidimensional del espacio de características de los datos originales y aumentados mostró que los grupos de datos de estos últimos son más distintos que los de los primeros. La ampliación de datos propuesta mostró una mejora del 6-15% en la precisión de entrenamiento, una mejora del 44-49% en la precisión de validación, una disminución del 86-98% en la pérdida de entrenamiento y una disminución del 91-98% en la pérdida de validación. La mejora en la generalización a través de la ampliación de datos fue verificada por una mejora del 39-58% en la precisión de prueba.