La concepción moderna de la producción industrial reconoce el papel cada vez más crucial del mantenimiento. Actualmente, el mantenimiento se considera un servicio que tiene como objetivo mantener la eficiencia de los equipos y sistemas, al tiempo que se tienen en cuenta los requisitos de calidad, eficiencia energética y seguridad. En este estudio, se desarrolló una nueva metodología para automatizar los procedimientos de mantenimiento de ventiladores. Se evaluó un enfoque basado en el registro de la emisión acústica y el diagnóstico de fallos utilizando aprendizaje profundo para la detección de depósitos de polvo en las aspas de un ventilador axial. Se han previsto dos condiciones de operación: Sin Falla y Con Falla. En la condición Sin Falla, las aspas del ventilador están perfectamente limpias, mientras que en la condición Con Falla, se han creado artificialmente depósitos de material. Utilizando una red preentrenada (SqueezeNet) construida sobre el conjunto de datos ImageNet, los datos adquiridos se utilizaron para construir un algoritmo basado en redes neuronales convolucionales (CNN). El aprendizaje por transferencia aplicado a las imágenes de los espectrogramas extraídos de las grabaciones de la emisión acústica del ventilador, en las dos condiciones de operación, devolvió excelentes resultados (precisión = 0.95), confirmando el excelente rendimiento de la metodología.