La detección de fallos fiable en los sistemas de control de actitud de satélites es un aspecto crítico para garantizar la seguridad y el éxito de las misiones espaciales. En el centro de estos sistemas, las ruedas de reacción (RWs), a pesar de ser los actuadores más utilizados, presentan una vulnerabilidad dada su susceptibilidad a fallos, un factor que puede precipitar fallos catastróficos como la pérdida total del satélite. A la luz de esto, introducimos una metodología de detección de fallos basada en técnicas de aprendizaje profundo específicamente diseñadas para sistemas de control de actitud de satélites. Nuestro método propuesto utiliza un modelo de Memoria a Largo y Corto Plazo (LSTM) capaz de aprender patrones temporales inherentes tanto a comportamientos de sistemas sanos como defectuosos. Incorporado en nuestro modelo hay un algoritmo de asignación de torque diseñado para eludir velocidades específicas conocidas por inducir perturbaciones de torque, un factor que se sabe que influye negativamente en el rendimiento del LSTM. Para fortalecer la robustez de nuestra técnica de detección de fallos, también incorporamos autoencoders de eliminación de ruido dentro del marco LSTM, lo que permite al modelo identificar patrones temporales en el comportamiento de sistemas sanos y defectuosos, incluso en medio del ruido. El método fue evaluado utilizando validación cruzada en datos simulados de satélites que comprenden 1000 muestras de series temporales y en diferentes escenarios de fallos, como la adherencia y la resonancia a diversas intensidades (90%, 50% y 30%). Los resultados confirman el logro de métricas de rendimiento como el Error Cuadrático Medio para una identificación precisa de fallos. Esta investigación subraya un avance en la evolución de las estrategias de detección y control de fallos para sistemas de control de actitud de satélites, prometiendo aumentar la fiabilidad y eficiencia de futuras misiones espaciales.