Este trabajo presenta una metodología ligera y práctica para detectar fallas de cortocircuito entre espiras en motores de inducción de jaula de ardilla bajo diferentes condiciones de carga mecánica. El enfoque propuesto utiliza una red neuronal convolucional unidimensional (1D-CNN) mejorada con bloques residuales y entrenada en señales de corriente de estator diferenciadas obtenidas bajo diferentes condiciones de carga mecánica. Este paso de preprocesamiento mejora las características relacionadas con la falla, permitiendo un aprendizaje mejorado mientras se mantiene la simplicidad de una CNN ligera. El modelo logró precisión de clasificación por encima del 99.16% en todas las divisiones en validación cruzada de cinco pliegues y demostró la capacidad de detectar fallas que involucran tan solo tres espiras en cortocircuito. Experimentos comparativos con el Multi-Scale 1D-ResNet demuestran que el método propuesto logra un rendimiento similar o superior mientras reduce significativamente el tiempo de entrenamiento. Estos resultados resaltan la idoneidad del modelo para la detección de fallas en tiempo real en entornos industriales integrados y con recursos limitados.