Los nuevos desarrollos tecnológicos han permitido la evolución del proceso industrial hacia este nuevo concepto llamado Industria 4.0, que integra máquinas de potencia, robótica, sensores inteligentes, sistemas de comunicación y el Internet de las Cosas para tener sistemas de automatización más fiables. Sin embargo, las máquinas eléctricas rotativas como el Motor de Inducción (IM) siguen siendo ampliamente utilizadas en varias aplicaciones industriales debido a sus elementos robustos, alta eficiencia y versatilidad en aplicaciones industriales. No obstante, la ocurrencia de fallas en los IM es inherente a sus condiciones de operación; por lo tanto, el cortocircuito entre devanados (ITSC) es una de las fallas más comunes que afectan a los IM, y su aparición se debe a tensiones eléctricas que conducen a la degradación del aislamiento del devanado del estator. En este sentido, este trabajo propone una metodología de diagnóstico capaz de realizar la evaluación y detección automática de fallas eléctricas incipientes como el ITSC en los IM; el método propuesto se apoya en el procesamiento de diferentes magnitudes físicas como vibración, corrientes del estator y flujo magnético parásito y su fusión de información. Ciertamente, la novedad y contribución incluyen la caracterización de diferentes magnitudes físicas mediante la estimación de un conjunto de características estadísticas en el dominio del tiempo, así como su fusión siguiendo un enfoque de fusión a nivel de características y su reducción a través de la técnica de Análisis Discriminante Lineal. Además, la fusión y reducción de información de diferentes magnitudes físicas conducen a realizar la detección e identificación automática de fallas mediante una simple estructura de Red Neuronal (NN), ya que todas las condiciones consideradas pueden ser representadas en un plano 2D. El método propuesto se evalúa bajo un conjunto completo de datos experimentales, y los resultados obtenidos demuestran que la fusión de información de diferentes fuentes (magnitudes físicas) puede llevar a alcanzar una tasa de clasificación global de hasta el 99.4% durante la detección de ITSC en IM y una mejora superior al 30% en comparación con enfoques clásicos que consideran el análisis de una única magnitud física. Además, los resultados hacen que esta propuesta sea factible para ser incorporada como parte de programas de mantenimiento basado en condiciones en la industria.