El aprendizaje automático y la inteligencia artificial han transformado la detección de fallos y las estrategias de mantenimiento para maquinaria industrial. Este estudio aplica técnicas basadas en datos bien establecidas a una aplicación industrial raramente explorada: el monitoreo de condiciones de máquinas cortadoras de papel de alta precisión, mejorando el mantenimiento basado en condiciones para mejorar la eficiencia operativa, la seguridad y la rentabilidad. Un elemento clave del enfoque propuesto es la integración de un pirómetro infrarrojo en el monitoreo de vibraciones, utilizando datos de acelerómetros para evaluar el estado de salud de la maquinaria. A diferencia de los estudios tradicionales de detección de fallos que se centran en estados de degradación extrema, este trabajo identifica con éxito desviaciones sutiles de lo óptimo, que incluso los técnicos expertos tienen dificultades para detectar. Basándose en un estudio de viabilidad realizado con Tecnau SRL, se desarrolla un sistema de diagnóstico integral adecuado para su implementación industrial. Las pruebas de resistencia allanan el camino para el monitoreo continuo bajo diversas condiciones de operación, permitiendo aplicaciones de diagnóstico industrial en tiempo real. El análisis de señales a múltiples escalas destaca la importancia de la detección de fases transitorias y en estado estacionario, mejorando la efectividad de las estrategias de monitoreo en tiempo real. A pesar de la similitud física de los estados clasificados, estadísticas simples de series temporales combinadas con algoritmos de aprendizaje automático demuestran una alta sensibilidad a las desviaciones en etapas tempranas, confirmando la fiabilidad del enfoque. Además, un análisis sistemático para degradar las especificaciones del sistema de adquisición identifica configuraciones de sensores rentables, asegurando la viabilidad de la implementación industrial.