El diagnóstico preciso de fallos en sistemas de transmisión aeroespacial es esencial para garantizar la fiabilidad del equipo y la seguridad operativa, especialmente para los rodamientos de motores aéreos. Sin embargo, los enfoques actuales que dependen de Redes Neuronales Convolucionales (CNN) para datos euclidianos y Redes Neuronales Convolucionales de Grafos (GCN) para estructuras no euclidianas tienen dificultades para capturar simultáneamente las propiedades de datos heterogéneos y las complejas dependencias espacio-temporales. Para abordar estas limitaciones, proponemos un nuevo marco de Diagnóstico de Fallos Espacio-Temporal en Hipergráficos (STHFD). A diferencia de los grafos convencionales que modelan relaciones por pares, STHFD emplea hipergráficos para representar de manera más efectiva las correlaciones espacio-temporales de alto orden. Específicamente, construye hiperbordes espaciales y temporales distintos para capturar relaciones multiescala entre señales de fallo. Luego, se aplica una estrategia de aprendizaje de hipergráficos consciente del tipo para codificar estas correlaciones en incrustaciones discriminativas. Experimentos extensivos en conjuntos de datos de fallos aeroespaciales demuestran que STHFD logra un rendimiento de clasificación superior en comparación con los modelos de diagnóstico de última generación, destacando su potencial para mejorar la detección inteligente de fallos en sistemas aeroespaciales complejos.