Este estudio presenta un método eficiente de detección de fallos basado en vibraciones para máquinas rotativas, utilizando el espectro compuesto coherente y técnicas de aprendizaje automático. Combina mediciones de vibración de múltiples ubicaciones de rodamientos en un solo espectro, manteniendo la información de amplitud y fase mientras reduce el ruido de fondo. El uso de este método reduce significativamente el número de parámetros extraídos en el dominio de la frecuencia en comparación con el uso de espectros individuales en cada ubicación de medición. Esta reducción en los parámetros es crucial, especialmente para grandes máquinas rotativas industriales, ya que procesar y analizar conjuntos de datos extensos requiere recursos computacionales significativos, aumentando el tiempo y el costo de la detección de fallos. Luego, se emplea un modelo de aprendizaje automático basado en una red neuronal artificial (ANN) para la detección de fallos utilizando estos parámetros extraídos reducidos. La metodología se desarrolla y valida en una máquina rotativa experimental a tres velocidades diferentes: por debajo de la primera velocidad crítica, entre la primera y la segunda velocidad crítica, y por encima de la segunda velocidad crítica. Este rango de velocidades representa las diversas condiciones dinámicas comúnmente encontradas en entornos industriales. Este estudio examina tanto las condiciones de máquinas saludables como varias condiciones de fallos simulados, incluyendo desalineación, roce entre rotor y estator, grietas en el eje y fallos en los rodamientos. Al combinar la técnica con el aprendizaje automático, este estudio mejora la fiabilidad, eficiencia y aplicabilidad práctica de la detección de fallos en máquinas rotativas bajo diversas condiciones dinámicas y diferentes condiciones de la máquina.