Hoy en día, el tema de los diagnósticos de máquinas está generando un creciente interés en el campo de la investigación, ya que el cambio de un régimen de mantenimiento programado a uno preventivo basado en las condiciones reales de salud (es decir, mantenimiento basado en condiciones) puede llevar a grandes ventajas tanto en términos de seguridad como de costos. Las pruebas no destructivas que monitorean el estado de salud son fundamentales para este propósito. Una forma efectiva de monitoreo de condiciones es aquella basada en vibraciones (monitoreo de vibraciones), que utiliza acelerómetros económicos para realizar diagnósticos de máquinas. En este trabajo, se utilizarán estadísticas y pruebas de hipótesis para construir una base sólida para la detección de daños mediante el reconocimiento de patrones en un conjunto de datos multivariado que recopila características temporales simples extraídas de mediciones acelerométricas. En este sentido, se analizaron datos de rodamientos aeronáuticos de alta velocidad. Estos fueron adquiridos en un banco de pruebas construido por el Grupo de Investigación en Dinámica e Identificación (DIRG) del Departamento de Ingeniería Mecánica y Aeroespacial del Politécnico de Turín. La estrategia propuesta fue reducir el conjunto de datos multivariado a un único índice a partir del cual se pueden determinar las condiciones de salud. Esta reducción de dimensionalidad se realizó inicialmente utilizando Análisis de Componentes Principales, que demostró ser una compresión con pérdida. Se obtuvo una mejora a través del Análisis Discriminante Lineal de Fisher, que encuentra la dirección con la máxima distancia entre los índices dañados y sanos. Este método sigue siendo ineficaz para resaltar fenómenos que se desarrollan en direcciones ortogonales al discriminante. Finalmente, se logró una compresión sin pérdida utilizando los Índices de Novedad basados en la distancia de Mahalanobis, que también pudo compensar posibles factores de confusión latentes. Además, se abordaron consideraciones sobre la confianza, la sensibilidad, la maldición de la dimensionalidad y el número mínimo de muestras para garantizar la significancia estadística. Los resultados obtenidos aquí fueron muy buenos no solo en términos de la reducción de alarmas perdidas y falsas, sino también considerando la velocidad de los algoritmos, su simplicidad y la total independencia de la interacción humana, lo que los hace adecuados para la implementación en tiempo real e integración en regímenes de mantenimiento basado en condiciones (CBM).