A través de la innovación en el entorno de recopilación de datos, el diagnóstico de fallas basado en datos se ha vuelto cada vez más importante. Este estudio tiene como objetivo desarrollar un algoritmo para mejorar la precisión del diagnóstico de fallas basado en datos de sensores de Internet de las Cosas (IoT). En esta investigación, se utiliza datos actuales recopilados a través de sensores IoT, centrándose en diagnosticar cuatro estados: defectos en rodamientos, desalineación de ejes, desequilibrio del rotor y aflojamiento de la correa. Además, para mejorar la eficiencia del algoritmo de diagnóstico de fallas, introducimos una técnica de preprocesamiento que utiliza estadísticas descriptivas para reducir la dimensionalidad de los datos. Los experimentos se realizan en base a datos actuales y datos de vibración, asegurando la fiabilidad de ambos tipos de datos. Los resultados experimentales indican una mejora significativa en la precisión y el tiempo computacional del algoritmo de diagnóstico de fallas. Después de experimentar con varios algoritmos candidatos, la versión 1.7.6 de XGBoost mostró el mejor rendimiento de clasificación. Esta investigación contribuye a mejorar la seguridad y confiabilidad basada en sensores de IoT y sugiere aplicaciones potenciales en el campo del diagnóstico de fallas.