Los robots de limpieza móviles autónomos son ubicuos hoy en día y tienen una gran necesidad en el mercado. Los estudios actuales se centran principalmente en el rendimiento de limpieza autónoma, y existe una brecha de investigación en la monitorización de la salud y seguridad del robot. La vibración es un indicador clave de deterioro del sistema o factores externos que causan degradación acelerada o amenazas. Por lo tanto, este trabajo propone un marco de monitorización de condiciones automatizado habilitado por inteligencia artificial (IA) utilizando dos conjuntos de datos de sensores heterogéneos para predecir las fuentes de vibración anómala en robots móviles con alta precisión. Esto permite activar el mantenimiento adecuado o acciones correctivas basadas en la condición de la salud del robot o del espacio de trabajo, facilitando el mantenimiento basado en la condición (CbM). Las fuentes de vibración anómalas se clasifican como inducidas por Terreno desigual, Colisión con obstáculos, Ensamblaje suelto y Estructura desequilibrada, lo que causa un deterioro acelerado del sistema o peligros potenciales. Aquí se propone un conjunto de datos de sensores heterogéneos no explorado que utiliza la unidad de medida inercial (IMU) y sensores de corriente para un reconocimiento efectivo entre diferentes clases de vibración, lo que resulta en una predicción de mayor precisión. Se desarrolla una red neuronal convolucional 1D de estructura simple (1D CNN) para el entrenamiento y predicción en tiempo real. Se genera un mapa de CbM en 2D fusionando las clases predichas en tiempo real en un mapa de cuadrícula de ocupación del espacio de trabajo para monitorear las condiciones del robot y del espacio de trabajo de forma remota. Los resultados de la prueba de evaluación del método propuesto muestran que el uso de sensores heterogéneos tiene un rendimiento significativamente más preciso (98.4%) que estudios anteriores, que utilizaron sensores IMU (92.2%) y de cámara (93.8%) individualmente. Además, este modelo es comparativamente rápido, adecuado para el entorno e ideal para aplicaciones en tiempo real en robots móviles basadas en validaciones de pruebas de campo, mejorando la productividad y la seguridad operativa de los robots móviles.