La operación segura de los motores aéreos es crucial para garantizar la seguridad en vuelo, y los métodos efectivos de detección de fallos son fundamentales para lograr este objetivo. En este artículo, proponemos un enfoque novedoso que integra un auto-codificador con redes de memoria a largo y corto plazo (LSTM) y un mecanismo de auto-atención para la detección de anomalías en datos de series temporales de motores aéreos. El conjunto de datos utilizado en este estudio fue simulado a partir de datos reales e inyectado con información de fallos. Se desarrolla un modelo de detección de fallos utilizando muestras de datos normales para el entrenamiento y muestras de datos defectuosos para la prueba. El auto-codificador LSTM procesa los datos de series temporales a través de una arquitectura de codificador-decodificador, extrayendo representaciones latentes y reconstruyendo las entradas originales. Además, el mecanismo de auto-atención captura dependencias a largo plazo y características significativas dentro de las secuencias, mejorando así la precisión de detección del modelo. Análisis comparativos con el auto-codificador LSTM tradicional, así como máquinas de soporte vectorial de una clase (OC-SVM) y bosques de aislamiento (IF), revelan que los resultados experimentales sustentan la viabilidad y efectividad del método propuesto, destacando su valor potencial en aplicaciones de ingeniería.