El monitoreo de la condición de los motores de aeronaves es una tecnología clave para aumentar la seguridad y reducir los gastos de mantenimiento. Los enfoques actuales de monitoreo de la condición del motor utilizan un mínimo de una instantánea en estado estable por vuelo. Si bien son apropiados para seguir la degradación gradual del motor, las instantáneas resultan en una latencia perjudicial en la detección de fallos. La mayor disponibilidad de hardware de adquisición de datos no obligatorios en aviones modernos proporciona lo que se llama datos de vuelo completo muestreados continuamente durante el vuelo. Estos conjuntos de datos permiten la detección de fallos en el motor dentro de un vuelo al derivar un conjunto estadísticamente relevante de puntos de datos en estado estable, lo que permite la aplicación de enfoques de aprendizaje automático. Se demuestra que el filtrado de paso bajo antes de la detección en estado estable aumenta significativamente la tasa de éxito en la detección de puntos de datos en estado estable. La aplicación del Análisis de Componentes Principales reduce a la mitad el número de dimensiones relevantes y proporciona un sistema de coordenadas de componentes principales que retiene la mayor parte de la varianza. En consecuencia, los clústeres de puntos de datos con y sin fallos en el motor pueden separarse visual y numéricamente utilizando una Máquina de Vectores de Soporte de Una Clase. Se demuestran altas tasas de detección para varios fallos de componentes e incluso para un conjunto mínimo de instrumentación utilizando conjuntos de datos sintetizados derivados de datos de vuelo completo de vuelos operados comercialmente. Además de las pruebas realizadas con datos sintetizados, el algoritmo se verifica en función de mediciones operativas en vuelo, proporcionando una prueba de concepto. En consecuencia, la disponibilidad de mediciones en vuelo muestreadas continuamente combinadas con métodos de aprendizaje automático permite la detección de fallos dentro de un solo vuelo.