Para abordar el desafío del diagnóstico de fallos acoplados entre sensores de temperatura y equipos en sistemas de refrigeración de convertidores de tracción, este documento propone una arquitectura de diagnóstico inteligente de dos niveles. Este método logra la aislamiento de fallos de sensores en línea y una advertencia temprana de anomalías en el equipo aprovechando el modelado de correlación espaciotemporal de datos de sensores multimodales y la predicción basada en aprendizaje por conjuntos. En el primer nivel, integra parámetros de múltiples fuentes como la temperatura de salida y la presión para establecer modelos de predicción dinámica, que se combinan con mecanismos de umbral adaptativos para detectar varios fallos de sensores, incluyendo desplazamiento, circuito abierto e interferencia de ruido. En el segundo nivel, monitorea el estado de los sensores de temperatura a través del análisis de series temporales de datos de temperatura de entrada. Verificado en una plataforma de computación en el borde, el método propuesto resuelve eficazmente el diagnóstico erróneo de acoplamiento entre la distorsión del sensor y los fallos del equipo, manteniendo la interpretabilidad física, lo que mejora significativamente la robustez del diagnóstico en condiciones de operación complejas.