Este estudio propone un algoritmo de detección de fallas que utiliza análisis de frecuencia e inteligencia artificial para determinar si un rotor utilizado en un entorno industrial ha fallado. Un rotor es un componente estándar ampliamente utilizado en sitios industriales, y la fricción continua y la corrosión a menudo resultan en fallas del motor y del rodamiento. Dado que los trabajadores que inspeccionan fallas directamente corren el riesgo de sufrir accidentes graves, se requiere un entorno automatizado que pueda operar sin supervisión y un sistema para determinar fallas con precisión. Este estudio propone un algoritmo para detectar fallas introduciendo redes neuronales convolucionales (CNN) después de convertir el sonido de falla del rotor en un espectrograma a través del análisis STFT y procesándolo visualmente. Se añadió un clasificador binario para distinguir entre estados normales y de falla en la parte de salida de la estructura de red neuronal utilizada, la cual se basó en la metodología de aprendizaje por transferencia. Montamos la estructura propuesta en un sistema embebido diseñado para llevar a cabo experimentos de discriminación de rendimiento y analizar varios indicadores de resultados utilizando datos de falla del mundo real de diversas situaciones. El análisis reveló que las fallas podrían ser detectadas en respuesta a varios sonidos normales y de falla del sistema de campo y que tanto la precisión de entrenamiento como la de validación fueron superiores al 99%. Además, pretendemos investigar algoritmos de inteligencia artificial que se entrenen y aprendan clasificando los tipos de fallas en etapas tempranas, medias y tardías para identificar fallas más específicas.