Asegurar la seguridad operativa y la fiabilidad de los sistemas de maquinaria rotativa, especialmente en plantas de petróleo, se ha convertido en un punto focal tanto en el ámbito académico como en la industria. Específicamente, en términos de componentes clave de maquinaria rotativa como los ejes, el diagnóstico de estos sistemas es fundamental para lograr capacidades de generalización mejoradas en el diagnóstico de fallos, abarcando múltiples variables derivadas de sensores con sus respectivos patrones de fallo. Este estudio introduce un enfoque de múltiples etapas para generalizar capacidades para el diagnóstico de fallos que considera múltiples variables derivadas de sensores y sus patrones de fallo. Este método combina la Red Tripleta Convolucional para la extracción de características con un modelo de conjunto para la clasificación de fallos. Inicialmente, se procesan las señales de vibración para obtener las características temporales y espaciales más representativas. Luego, se utiliza un enfoque de conjunto para maximizar tanto la diversidad como la precisión al equilibrar las contribuciones de los clasificadores individuales. El enfoque puede detectar tres tipos representativos de fallos en ejes con mayor precisión que los modelos de aprendizaje automático de etapa única tradicionales. Experimentos exhaustivos, detallados en el documento, muestran la eficacia del método en el diagnóstico de fallos en máquinas rotativas en diversos escenarios operativos.