La disponibilidad de máquinas rotativas complejas es vital para la prevención de fallos catastróficos en un número significativo de operaciones industriales. Las teorías de ingeniería de fiabilidad estipulan que optimizar el tiempo medio de reparación (MTTR) de las máquinas fallidas puede aumentar enormemente la disponibilidad. Sin embargo, en la práctica, se tarda una cantidad significativa de tiempo en detectar y clasificar con precisión las anomalías relacionadas con el rotor, lo que a menudo anula el impulso para lograr un sistema de toma de decisiones de mantenimiento verdaderamente robusto. Estudios anteriores han intentado abordar estas limitaciones clasificando las características de los espectros compuestos policoherentes (pCCS) generados a diferentes velocidades de la máquina utilizando análisis de componentes principales (PCA). Por valiosas que sean las observaciones obtenidas, las clasificaciones basadas en PCA son lineales, lo que puede limitar su aplicabilidad a algunos datos de vibración de máquinas en la vida real que a menudo están asociados con ciertos grados de no linealidades debido a fallos. Además, el enfoque de clasificación de fallos basado en PCA utilizado en estudios anteriores a veces carece de la capacidad de autoaprendizaje, lo que implica que las clasificaciones de salud de las máquinas se realizarían manualmente. Las partes iniciales del presente artículo se presentaron en forma de una búsqueda exhaustiva de la literatura relacionada con el concepto general de enfoques de fusión de datos en el monitoreo de condiciones (CM) de máquinas rotativas. Basado en el potencial de las características de pCCS, las partes posteriores del artículo se ocupan de la aplicación de las mismas características para la exploración de un enfoque de clasificación de red neuronal artificial (ANN) simplificado en dos etapas que podría allanar el camino para la clasificación automática de fallos en máquinas rotativas. Este examen preliminar de las precisiones de clasificación de las redes en ambas etapas del algoritmo ofreció resultados alentadores, así como indica un potencial prometedor para este enfoque mejorado durante el monitoreo de condiciones en campo de máquinas rotativas críticas.