Las cajas de cambios son dispositivos autónomos esenciales para la transmisión de potencia en varios sistemas mecánicos. Cuando ocurre una falla, puede llevar a una incapacidad para realizar las funciones requeridas, lo que podría resultar en un apagado completo del mecanismo y causar interrupciones operativas significativas. En consecuencia, es crucial implementar métodos expertos para la detección y diagnóstico de fallas para garantizar la fiabilidad y eficiencia de estos sistemas. Las técnicas de inteligencia artificial (IA) muestran promesas para el diagnóstico de fallas, pero su precisión puede verse obstaculizada por el ruido y las imperfecciones de fabricación que distorsionan las firmas mecánicas. Un análisis de datos exhaustivo y un preprocesamiento son vitales para preservar estas características críticas. Validar enfoques a través de simulaciones numéricas antes de la experimentación es esencial para identificar limitaciones del modelo y minimizar riesgos. Un enfoque híbrido, que combine IA y modelos basados en física, podría proporcionar una solución robusta al aprovechar las fortalezas de ambos dominios: IA por su capacidad para procesar grandes volúmenes de datos y modelos basados en física por su fiabilidad en la modelización de comportamientos mecánicos complejos. Este artículo propone una metodología de diagnóstico integral. Comienza con la extracción de características a partir del análisis en el dominio del tiempo, lo que ayuda a identificar indicadores críticos del rendimiento de la caja de cambios. A continuación, se aplica un proceso de selección de características utilizando el criterio de Fisher, que asegura que solo se retengan las características más relevantes para un análisis posterior. Estas características seleccionadas se utilizan para entrenar un Sistema de Inferencia Neuro-Fuzzy Adaptativo (ANFIS), un enfoque sofisticado que combina las capacidades de aprendizaje de las redes neuronales con las habilidades de razonamiento de la lógica difusa. La metodología propuesta se evalúa utilizando un conjunto de datos de fallas en engranajes generados a través de simulaciones de energía basadas en un modelo de seis grados de libertad (6-DOF), seguido de una validación secundaria en un conjunto de datos experimental.