Debido a su precisión, tamaño compacto y alta transferencia de par, los reductores de vector de rotación (RV) están ganando popularidad en los robots industriales. Sin embargo, las operaciones repetitivas y las condiciones de velocidad variables significan que estos componentes son propensos a fallos mecánicos. Por lo tanto, es importante desarrollar estrategias efectivas de monitoreo de salud (HM). Los enfoques tradicionales para el HM, incluidos aquellos que utilizan sensores de vibración y emisión acústica, enfrentan desafíos como la interferencia de ruido, la inconsistencia de datos y los altos costos computacionales. Las técnicas basadas en aprendizaje profundo, que utilizan datos eléctricos actuales incrustados en los robots industriales, abordan estos problemas, ofreciendo una solución más eficiente. Esta investigación proporciona modelos de transferencia de aprendizaje (TL) para el HM de reductores RV, que eliminan la necesidad de entrenar modelos desde cero. El ajuste fino de arquitecturas preentrenadas en datos operativos para las tres condiciones de salud diferentes de los reductores, que son saludables, defectuosos y defectuosos envejecidos, mejora la clasificación de fallos a través de diferentes perfiles de movimiento y condiciones de velocidad variable. Se consideran cuatro modelos de TL: EfficientNet, MobileNet, GoogleNet y ResNET50v2. La precisión de clasificación y las capacidades de generalización de los modelos sugeridos se evaluaron en diversas circunstancias, incluidas baja velocidad, alta velocidad y fluctuaciones de velocidad. En comparación con los otros modelos, el modelo EfficientNet propuesto mostró los resultados más prometedores, logrando una precisión de prueba y un F1-score del 98.33% cada uno, lo que lo hace el más adecuado para el HM de reductores robóticos.