Significativos en diversas aplicaciones industriales, las bombas centrífugas (CPs) juegan un papel importante en garantizar la eficiencia operativa, sin embargo, son susceptibles a fallos que pueden interrumpir la producción y aumentar los costos de mantenimiento. Este estudio propone un modelo híbrido robusto para la detección y clasificación precisa de fallos en CPs, integrando el Análisis de Coherencia de Wavelet (WCA) con arquitecturas de aprendizaje profundo VGG16 y ResNet50. El WCA se aplica inicialmente a las señales de vibración, creando representaciones tiempo-frecuencia que capturan tanto la información temporal como la de frecuencia, esencial para identificar características sutiles de los fallos. Estas señales mejoradas son procesadas por VGG16 y ResNet50, cada una contribuyendo con características únicas y complementarias que mejoran la representación de características. El enfoque híbrido fusiona las características extraídas, resultando en un conjunto de características más discriminativo que optimiza la separación de clases. El modelo propuesto logró una precisión de prueba del 96.39%, demostrando una superposición mínima de clases en los gráficos t-SNE y una matriz de confusión precisa. Cuando se compara con los modelos basados en ResNet50 y VGG16 de estudios anteriores, que alcanzaron una precisión del 91.57% y 92.77%, respectivamente, el modelo híbrido mostró un mejor rendimiento de clasificación, particularmente en la distinción de clases de fallos estrechamente relacionadas. Altas puntuaciones F1 en todas las categorías de fallos validan aún más su efectividad. Este trabajo subraya el valor de combinar múltiples arquitecturas de CNN con procesamiento de señales avanzado para un diagnóstico de fallos confiable, mejorando la precisión en aplicaciones reales de CP.