En la era de la Industria 4.0, la idea de productos impresos en 3D ha ganado impulso y también está demostrando ser beneficiosa en términos de esfuerzos financieros y temporales. Estos productos se construyen físicamente capa por capa basándose en los datos digitales del Diseño Asistido por Computadora (CAD). No obstante, los productos impresos en 3D siguen estando sujetos a defectos debido a variaciones en propiedades y estructura, lo que conduce a la deterioración en la calidad de los productos impresos. La detección de estos errores en cada nivel de capa del producto es de suma importancia. Este documento proporciona la metodología para la detección de anomalías por capa utilizando un conjunto de algoritmos de aprendizaje automático y modelos pre-entrenados. La combinación propuesta se entrena fuera de línea e implementa en línea para la detección de fallas. El trabajo actual proporciona un estudio comparativo experimental de diferentes modelos pre-entrenados con algoritmos de aprendizaje automático para monitoreo y detección de fallas en la Modelado por Deposición Fundida (FDM). Los resultados mostraron que la combinación del modelo Alexnet y el algoritmo SVM ha dado la máxima precisión. El enfoque propuesto de detección de fallas tiene bajos costos experimentales y computacionales, lo que puede implementarse fácilmente para la detección de fallas en tiempo real.