El monitoreo de condiciones (CM) es esencial para mantener la fiabilidad operativa y la seguridad en maquinaria compleja, particularmente en sistemas robóticos. A pesar del potencial del aprendizaje profundo (DL) en CM, su naturaleza de "caja negra" restringe su adopción más amplia, especialmente en aplicaciones críticas para la misión. Abordando este desafío, nuestra investigación introduce un marco robusto de cuatro fases diseñado explícitamente para CM basado en DL en sistemas robóticos. (1) La extracción de características utiliza transformaciones avanzadas de Fourier y wavelet para mejorar tanto la precisión como la explicabilidad del modelo. (2) El diagnóstico de fallos emplea un modelo especializado de Memoria a Largo y Corto Plazo Convolucional (CLSTM), entrenado en las características para clasificar señales de manera efectiva. (3) La refinación del modelo utiliza valores SHAP (SHapley Additive exPlanation) para podar características no esenciales, simplificando así el modelo y reduciendo la dimensionalidad de los datos. (4) La interpretación de CM desarrolla un sistema que ofrece explicaciones perspicaces del proceso de toma de decisiones del modelo para los operadores. Este marco se evalúa rigurosamente en comparación con cinco arquitecturas de diagnóstico de fallos existentes, utilizando dos conjuntos de datos distintos: uno que involucra mediciones de torque de un brazo robótico para la evaluación de seguridad y otro que captura señales de vibración de un motor eléctrico con múltiples tipos de fallos. Los resultados afirman la superior optimización de nuestro marco, la reducción de los tiempos de entrenamiento e inferencia, y su efectividad en la visualización transparente de patrones de fallos.