La inteligencia artificial ha tenido éxito en muchas áreas diferentes en los últimos años. Especialmente el uso de algoritmos de aprendizaje automático ha sido muy popular en todas las áreas, incluida la detección de fallas. Este documento explora un estudio de caso de la aplicación de técnicas de aprendizaje automático y redes neuronales para detectar diez condiciones de falla diferentes en maquinaria utilizando conjuntos de datos públicos recopilados de un tacómetro, dos acelerómetros y un micrófono. Diez condiciones diferentes fueron clasificadas utilizando algoritmos de aprendizaje automático. Cincuenta y ocho características diferentes fueron extraídas del tiempo y la frecuencia aplicando la Transformada de Fourier de Tiempo Corto a los datos con un tamaño de ventana de 1000 muestras con un solapamiento del 50%. Los modelos de Máquinas de Vectores de Soporte proporcionaron una clasificación de fallas con una precisión del 99.8% utilizando las cincuenta y ocho características. El estudio propuesto explora la reducción de dimensionalidad de las características extraídas. Cincuenta y ocho características fueron clasificadas utilizando el modelo de Árbol de Decisión para identificar las características esenciales como predictores del clasificador. Basado en la extracción y clasificación de características, se extrajeron once predictores que llevaron a una reducción de la complejidad del entrenamiento, logrando una alta precisión de clasificación del 99.7% en menos de la mitad del tiempo de entrenamiento.