El monitoreo de condiciones es parte del enfoque de mantenimiento predictivo aplicado para detectar y prevenir fallas inesperadas en el equipo mediante el monitoreo de las condiciones de la máquina. La detección temprana de fallas en equipos en sistemas industriales puede reducir significativamente el desperdicio y las pérdidas financieras. Las tecnologías de adquisición de datos de sensores desarrolladas permiten generar y almacenar digitalmente muchos tipos de datos de sensores. Los modelos computacionales basados en datos permiten la extracción de información sobre el estado de la máquina a partir de los datos de sensores adquiridos. Las destacadas capacidades de generalización de los modelos de aprendizaje profundo les han permitido desempeñar un papel significativo como modelo computacional de fallas basado en datos en el monitoreo de condiciones del equipo. Un desafío de las aplicaciones de detección de fallas es que los datos de un solo sensor pueden ser insuficientes en rendimiento para detectar anomalías en el equipo. Además, los datos en diferentes dominios pueden revelar características más prominentes dependiendo del tipo de falla, pero puede que no siempre sean obvias. Para abordar este problema, este artículo propone un modelo de aprendizaje profundo basado en fusión de sensores multimodales para detectar fallas en el equipo al fusionar información no solo de diferentes sensores, sino también de diferentes dominios de señal. La efectividad de la capacidad de detección de fallas del modelo se demuestra utilizando los tipos de equipos más comúnmente encontrados en la industria, como motores eléctricos. Se utilizan datos en bruto del dominio del tiempo y del dominio de la frecuencia de dos tipos diferentes de sensores. Los datos en bruto de los sensores de vibración y corriente se transforman en imágenes tiempo-frecuencia utilizando la transformada de Fourier de corto tiempo (STFT). Luego, las imágenes tiempo-frecuencia y los datos de series temporales en bruto se suministran al modelo de aprendizaje profundo diseñado para detectar fallas. Los resultados mostraron que la fusión de datos de sensores multimodales utilizando el modelo propuesto puede ser ventajosa en la detección de fallas en el equipo.