La detección oportuna de fallos que ocurren en máquinas y componentes industriales puede evitar posibles fallos catastróficos de la máquina, prevenir grandes pérdidas financieras y garantizar la seguridad de los operadores de la máquina. Una solución para abordar el problema de la detección de fallos es comenzar modelando las señales de monitoreo de condiciones y luego examinar cualquier desviación de los datos monitoreados en tiempo real con respecto al modelo base. La red neuronal de memoria a largo y corto plazo (LSTM) profunda recién desarrollada tiene una alta flexibilidad no lineal y puede almacenar simultáneamente memorias a largo y corto plazo. Así, el LSTM profundo es una buena opción para representar los procesos subyacentes de generación de datos. Este artículo presenta un método de detección de fallos basado en LSTM profundo. Se utiliza de manera innovadora un criterio de bondad de ajuste para cuantificar la desviación entre el modelo base y las vibraciones recién monitoreadas, en lugar del valor cuadrático medio del residuo de LSTM utilizado en muchos trabajos reportados. Se estudia un caso de detección de fallos en la suspensión ferroviaria. Los estudios de referencia han demostrado que el método de detección de fallos basado en LSTM profundo tiene un mejor rendimiento que los métodos basados en LSTM simple y en modelos de autorregresión lineales. Utilizando el criterio de bondad de ajuste, se pueden detectar mejor los fallos en la suspensión ferroviaria que cuando se utiliza el valor cuadrático medio del residuo de LSTM.