Esta investigación presenta un novedoso Marco Adaptativo de Carga Personalizado (CLAF) para la clasificación de fallos en Motores de Inducción (IMs), utilizando el conjunto de datos de rodamientos de la Tecnología de Prevención de Fallos en Maquinaria (MFPT). CLAF representa un enfoque pionero que amplía las metodologías tradicionales de clasificación de fallos al tener en cuenta las variaciones de carga y la personalización del conjunto de datos. A través de un meticuloso proceso en dos fases, revela subclases de fallos dependientes de la carga que no han sido identificadas fácilmente en enfoques tradicionales. Además, se crean nuevas clases para acomodar las características únicas del conjunto de datos. La Fase 1 implica explorar patrones dependientes de la carga en características del dominio del tiempo y la frecuencia utilizando el análisis de varianza unidireccional (ANOVA) y validación a través de clasificadores de árboles agrupados. En la Fase 2, se aplica CLAF para identificar subclases de fallos dependientes de la carga leves, moderadas y severas a través de la selección óptima de la Transformada Continua de Wavelet (CWT) mediante la Entropía Singular de Wavelet (WSE) y el análisis de energía de CWT. Los resultados son contundentes, con una precisión de clasificación del 96.3% lograda al emplear una Red Neuronal Ancha para clasificar las subclases de fallos dependientes de la carga propuestas. Esto subraya el valor práctico de CLAF en la mejora del diagnóstico de fallos en IMs y su potencial futuro en el avance del monitoreo de condiciones de IM.