Los motores síncronos de imán permanente (PMSMs) se utilizan ampliamente en aplicaciones industriales debido a su alta eficiencia y fiabilidad. Sin embargo, las fallas en los rodamientos siguen siendo un problema crítico, lo que requiere estrategias robustas de detección de fallas. Este artículo propone una arquitectura de borde-niebla-nube para la detección de fallas en rodamientos con un enfoque específico en la implementación de una solución eficiente y no intrusiva basada en el borde. La metodología implica el preprocesamiento de las señales de corriente del motor a través de la transformada rápida de Fourier (FFT) y el análisis de envolvente basado en la transformada de Hilbert para extraer armónicos sin ser enmascarados por la frecuencia fundamental de suministro. Estas características se utilizan para entrenar modelos de aprendizaje automático, considerando variaciones tanto en la velocidad como en la carga. La validación experimental se lleva a cabo utilizando el Conjunto de Datos de Rodamientos de la Universidad de Paderborn, demostrando que el enfoque propuesto logra una precisión, exactitud, recuperación y puntuación F1 excepcionales, superando 0.98 con modelos como XGBoost, LightGBM y CatBoost. Si bien CatBoost exhibe el mejor rendimiento, se selecciona LightGBM como el modelo óptimo debido a su tiempo de entrenamiento significativamente reducido, lo que lo hace muy adecuado para aplicaciones de computación en el borde. Una comparación con estudios anteriores confirma que el método propuesto ofrece un rendimiento competitivo mientras utiliza menos sensores, reduciendo la complejidad del hardware. Esta investigación sienta las bases para futuras estrategias de mantenimiento predictivo que aseguran diagnósticos en tiempo real y un despliegue industrial optimizado.