La unidad de manejo de aire (AHU) es un componente esencial de los sistemas de calefacción, ventilación y aire acondicionado (HVAC). Por lo tanto, detectar fallos en las AHUs es fundamental para mantener la operación continua del HVAC y prevenir fallos en el sistema. La llegada de la inteligencia artificial ha transformado las técnicas de diagnóstico de fallos en las AHUs. Específicamente, el aprendizaje profundo ha eliminado la necesidad de extracción y selección manual de características, simplificando así el proceso de diagnóstico de fallos. Si bien las redes neuronales convolucionales (CNN) convencionales detectan eficazmente defectos, incorporar más variables espaciales podría mejorar aún más su rendimiento. Este documento presenta una arquitectura híbrida que combina un modelo de CNN con un modelo de memoria a corto y largo plazo (LSTM) para diagnosticar los fallos en las AHUs. Las ventajas del modelo LSTM y las capas convolucionales se combinan para identificar patrones significativos en los datos de entrada, lo que facilita considerablemente la detección de defectos en las AHUs. El diseño híbrido mejora la capacidad de la red para capturar tanto características locales como globales, mejorando así su capacidad para diferenciar entre circunstancias normales y anormales. El enfoque propuesto logra una fuerte precisión diagnóstica, exhibiendo alta sensibilidad a patrones de fallos sutiles. Además, su eficacia se corrobora a través de comparaciones con técnicas de identificación de fallos en AHUs de última generación.