Las evaluaciones de salud de los sensores son de gran importancia para comprender con precisión la salud de un motor a reacción, apoyar las decisiones de mantenimiento y garantizar la seguridad en vuelo. Este estudio propone un marco inteligente basado en una red neuronal guiada físicamente (PGNN) y una red neuronal convolucional (CNN) para diagnosticar fallos en los sensores bajo condiciones dinámicas. La fortaleza del enfoque radica en que integra información de modelos de rendimiento basados en la física y modelos de aprendizaje profundo. Además, tiene la estructura de generación de residuos de predicción-clasificación de fallos que desacopla de manera efectiva la interacción entre los fallos de los sensores y los cambios en el estado del sistema. Primero, una PGNN genera la salida de predicción dinámica no lineal del motor porque la PGNN tiene la ventaja de poder manejar información temporal de la red de memoria a corto y largo plazo (LSTM). Utilizamos un esquema de fusión de datos de física cruzada como estrategia de predicción para explorar la información oculta de la salida del modelo físico y los datos de medición del sensor. También se propone una nueva función de pérdida que considera la disciplina física para superar las limitaciones de rendimiento de los modelos tradicionales impulsados por datos debido a sus representaciones físicamente inconsistentes. Luego, los valores predichos de la PGNN se comparan con las mediciones del sensor para obtener una señal residual. Finalmente, se utiliza una red neuronal convolucional (CNN) para clasificar fallos en las señales residuales y entregar resultados de diagnóstico. Además, se demuestra la viabilidad del marco propuesto en un conjunto de datos de fallos de sensores de motor. Los resultados experimentales muestran que el método propuesto supera el enfoque puramente basado en datos, con la RMSE predicha reducida de 1.6731 a 0.9897 y la precisión diagnóstica alcanzando el 95.9048%, confirmando así su rendimiento superior.