La caja de cambios de cambio directo se utiliza ampliamente en muchas aplicaciones, como la automotriz y la aeroespacial, debido a su gran relación de transmisión y alta eficiencia de transmisión. Las condiciones de trabajo ásperas y de alta carga inducen diversas fallas, como rayones, grietas por fatiga, picaduras y dientes faltantes debido a roturas. Estos defectos pueden llevar a la falla de uno o más componentes conectados a un sistema de transmisión automática. Se ha desarrollado un esquema de identificación de fallas para la caja de cambios de cambio directo, utilizando descomposición de modo variacional (VMD) y red neuronal convolucional (CNN). La señal en bruto adquirida de la caja de cambios bajo diferentes condiciones de salud (saludable, picaduras y astillado) se descompone en diferentes modos utilizando VMD. El modo prominente se selecciona en función de la curtosis, que se utiliza para obtener escalogramas. Se forma una matriz de imagen utilizando escalogramas. Tales matrices de diferentes escalogramas se dividen en matrices de entrenamiento y prueba. Las matrices de entrenamiento entrenan el modelo de CNN, mientras que las matrices de prueba validan la eficacia del modelo de CNN construido. El esquema propuesto identifica fallas con un 100% de precisión. El esquema propuesto también se ha comparado con otras redes neuronales. Estos resultados sugieren que el esquema propuesto supera a otras redes.