Los engranajes cónicos helicoidales son conocidos por su funcionamiento suave y su alta capacidad de carga; por lo tanto, son una parte importante de muchos sistemas de transmisión diseñados para aplicaciones de alta velocidad y alta carga. Debido a la alta relación de contacto y la compleja señal de vibración, la detección de fallas es realmente un desafío incluso en el caso de defectos graves. Por lo tanto, los engranajes cónicos helicoidales rara vez se han utilizado como referencia para el diagnóstico de fallas en engranajes. En este estudio de investigación, se han utilizado técnicas de Inteligencia Artificial (IA) para la detección de fallas y la identificación del nivel de gravedad de las fallas de los engranajes cónicos helicoidales bajo diferentes condiciones de operación. Aunque las técnicas de IA han tenido mucho éxito en este campo, se asume principalmente que las condiciones de operación bajo las cuales se despliega el modelo de IA entrenado para el diagnóstico de fallas son las mismas que aquellas bajo las cuales se entrenó el modelo de IA. Si difieren, el rendimiento del modelo de IA puede degradarse significativamente. Para superar esta limitación, en este estudio de investigación, se ha hecho un esfuerzo por encontrar algunas características robustas que muestren un cambio mínimo debido a las condiciones de operación cambiantes; sin embargo, son discriminantes de fallas. Se utilizan redes neuronales artificiales (ANN) y vecinos más cercanos (KNN) como clasificadores y ambos modelos se entrenan y prueban utilizando las características robustas seleccionadas para la detección de fallas y la evaluación de la gravedad de los engranajes cónicos helicoidales bajo diferentes condiciones de operación. También se lleva a cabo una comparación de rendimiento entre ambos clasificadores.