A pesar de la creciente digitalización de los sistemas de diagnóstico/monitoreo de condiciones de los equipos, sigue siendo un desafío aprovechar con precisión la información discriminante de múltiples sensores con comportamientos espectrales (y transitorios) únicos. Los sistemas de alta precisión, como el equipo de reafilado automático en línea, proporcionan un reafilado inteligente de microbrocas; sin embargo, se ha vuelto necesario monitorear inmediatamente el esmeril durante el proceso de rectificado, ya que ignorarlo afecta directamente la vida de la broca y la utilidad general del equipo. Las señales de vibración del marco y de las ruedas de rectificado de alta velocidad reflejan las diferentes etapas de salud de la rueda de rectificado y pueden ser explotadas para un monitoreo inteligente de condiciones. La técnica de aislamiento espectral como herramienta de preprocesamiento asegura que solo se conserven los segmentos espectrales críticos de las entradas para mejorar la precisión diagnóstica a costos computacionales reducidos. Este estudio explora modelos basados en inteligencia artificial para aprender la información espectral discriminante almacenada en las señales de vibración y considera las implicaciones de precisión y costos del aislamiento espectral de los segmentos espectrales críticos de las señales para un monitoreo preciso de equipos. Los resultados de las redes neuronales convolucionales unidimensionales (1D-CNN) y de las redes neuronales de perceptrón multicapa (MLP), respectivamente, revelan que el aislamiento espectral ofrece una mayor precisión en el monitoreo de condiciones a costos computacionales reducidos. Los resultados experimentales utilizando diferentes arquitecturas de 1D-CNN y MLP revelan una mejora del 4.6% y 7.5% en la precisión diagnóstica por parte de las 1D-CNN y MLP, respectivamente, con una reducción de costos computacionales del 1.3% y 5.71%, respectivamente.