Este documento aborda el problema crítico de la detección y predicción de fallos en maquinaria de motores eléctricos, un desafío prevalente en aplicaciones industriales. Los fallos en estas máquinas, que provienen de problemas mecánicos o eléctricos, a menudo conducen a una degradación del rendimiento o malfuncionamientos, manifestándose como señales anormales en vibraciones o corrientes. Nuestra investigación se centra en mejorar la precisión de la clasificación de fallos en instalaciones de motores eléctricos, empleando métodos innovadores de transformación de imágenes: gráficos de recurrencia (RPs), el campo de suma angular gramiana (GASF) y el campo de diferencia angular gramiana (GADF), en conjunto con un modelo de red neuronal convolucional (CNN) de múltiples entradas. Realizamos experimentos exhaustivos utilizando conjuntos de datos que abarcan cuatro tipos de componentes de maquinaria: rodamientos, correas, ejes y rotores. Los resultados revelan que nuestro modelo CNN de múltiples entradas exhibe un rendimiento excepcional en la clasificación de fallos en todos los tipos de maquinaria, superando significativamente a los modelos tradicionales de entrada única. Este estudio no solo demuestra la eficacia de las técnicas avanzadas de transformación de imágenes en la detección de fallos, sino que también subraya el potencial de los modelos CNN de múltiples entradas en el diagnóstico de fallos industriales, allanando el camino para un monitoreo más confiable y eficiente de la maquinaria de motores eléctricos.