El monitoreo en tiempo real de la condición de maquinaria está siendo adoptado cada vez más para minimizar costos y mejorar la eficiencia operativa. Al aprovechar la adquisición de datos a gran escala y algoritmos inteligentes, se pueden detectar y predecir fallas, reduciendo así el tiempo de inactividad de las máquinas. En este documento, presentamos un sistema híbrido novedoso de borde-nube para detectar fallas en rodamientos rotativos utilizando datos de acelerómetros. Evaluamos enfoques de redes neuronales supervisadas y no supervisadas, destacando sus respectivas fortalezas y limitaciones. Los modelos supervisados muestran una alta precisión pero requieren conjuntos de datos etiquetados representativos de las fallas de datos interesantes que son difíciles de adquirir debido a la rareza de las anomalías. Por otro lado, los modelos no supervisados se basan en datos de condiciones operativas normales, que están más fácilmente disponibles. Sin embargo, estos modelos clasifican todas las desviaciones de la normalidad como anomalías, incluidas aquellas no relacionadas con fallas, lo que lleva a costosos falsos positivos. Para abordar estos desafíos, proponemos un sistema distribuido que integra el aprendizaje supervisado y no supervisado. Se implementa un modelo no supervisado compacto en dispositivos de borde cerca de las máquinas para comprimir datos del sensor, que luego se transmiten a un sistema centralizado basado en la nube. Con el tiempo, estos datos se etiquetan automáticamente y se utilizan para entrenar un modelo supervisado, mejorando la precisión de las predicciones de fallas. Nuestro enfoque permite una detección eficiente y escalable de fallas en una flota de máquinas al equilibrar los compromisos entre el aprendizaje supervisado y no supervisado.