En el sector industrial, la identificación precisa de fallos es fundamental para garantizar tanto la seguridad como la eficiencia económica a lo largo del proceso de producción. Sin embargo, debido a las limitaciones impuestas por las condiciones de trabajo reales, las características del estado del motor recopiladas a menudo son limitadas en número y singulares en naturaleza. En consecuencia, extender y extraer estas características plantea desafíos significativos en el diagnóstico de fallos. Para abordar este problema y encontrar un equilibrio entre la complejidad del modelo y la precisión diagnóstica, este documento presenta un nuevo modelo de diagnóstico de fallos de motor denominado FSCL (Descomposición en Valores Singulares de Fourier combinada con redes de Memoria a Largo y Corto Plazo). El modelo FSCL integra algoritmos tradicionales de análisis de señales con técnicas de aprendizaje profundo para automatizar la extracción de características. Este enfoque híbrido mejora de manera innovadora la detección de fallos al describir, extraer, codificar y mapear características durante el entrenamiento fuera de línea. Evaluaciones empíricas frente a varias técnicas de vanguardia, como la Optimización Bayesiana y el Árbol de Aumento de Gradiente Extremo (BOA-XGBoost), el Algoritmo de Optimización de Ballenas y la Máquina de Soporte Vectorial (WOA-SVM), la Transformada de Fourier de Tiempo Corto y las Redes Neuronales Convolucionales (STFT-CNNs), y la Descomposición Modal Variacional-Entropía Difusa Multiescala-Rede Neuronal Probabilística (VMD-MFE-PNN) demuestran el rendimiento superior del modelo FSCL. La validación utilizando el conjunto de datos de la Universidad Case Western Reserve (CWRU) confirma la eficacia de la técnica propuesta, logrando una impresionante precisión del 99.32%. Además, el modelo exhibe robustez contra el ruido, manteniendo una precisión promedio del 98.88% y demostrando puntuaciones de recuperación y F1 que oscilan entre el 99.00% y el 99.89%. Incluso en condiciones de interferencia de ruido severo, el modelo FSCL logra consistentemente una alta precisión en el reconocimiento del estado operativo del motor. Este estudio subraya el modelo FSCL como un enfoque prometedor para mejorar el diagnóstico de fallos de motores en entornos industriales, aprovechando los beneficios sinérgicos del análisis de señales tradicional y las metodologías de aprendizaje profundo.