El funcionamiento fiable de las bombas centrífugas monobloque (MCP) es crucial en diversas aplicaciones industriales. Lograr un rendimiento óptimo y minimizar el costoso tiempo de inactividad requiere detectar y diagnosticar eficazmente fallos en componentes críticos de la bomba. Este estudio propone un enfoque innovador que aprovecha técnicas de aprendizaje profundo por transferencia. Se adoptó un acelerómetro para capturar señales de vibración emitidas por la bomba. Estas señales se convierten en imágenes de espectrograma que sirven como entrada para un sofisticado sistema de clasificación basado en aprendizaje profundo. Esto permite la identificación y diagnóstico precisos de fallos en la bomba. Para evaluar la efectividad de la metodología propuesta, se emplearon 15 redes preentrenadas, incluyendo ResNet-50, InceptionV3, GoogLeNet, DenseNet-201, ShuffleNet, VGG-19, MobileNet-v2, InceptionResNetV2, VGG-16, NasNetmobile, EfficientNetb0, AlexNet, ResNet-18, Xception, ResNet101 y ResNet-18. Los resultados experimentales demuestran la eficacia del enfoque propuesto, siendo AlexNet la que exhibe el mayor nivel de precisión entre las redes preentrenadas. Además, se realizó una evaluación meticulosa del tiempo de ejecución del proceso de clasificación. AlexNet logró una precisión del 100.00% con un impresionante tiempo de ejecución (entrenamiento) de 17 s. Esta investigación proporciona información invaluable sobre la aplicación del aprendizaje profundo por transferencia para la detección y diagnóstico de fallos en MCP. El uso de redes preentrenadas ofrece una solución eficiente y precisa para esta tarea. Los hallazgos de este estudio tienen el potencial de mejorar significativamente la fiabilidad y las prácticas de mantenimiento de las MCP en diversos entornos industriales.