Este documento presenta un enfoque para detectar y clasificar fallos en sistemas complejos con pequeñas cantidades de historial de datos disponibles. La metodología se basa en la fusión de modelos para la detección y clasificación de fallos. Además, la base de datos se enriquece con muestras adicionales si son clasificadas correctamente. Para la detección de fallos, se utilizaron y combinaron el análisis de componentes principales con núcleo (KPCA), el análisis de componentes independientes con núcleo (KICA) y la descripción del dominio de vectores de soporte (SVDD) con un operador de fusión. Para la clasificación, se utilizó una máquina de aprendizaje extremo (ELM) con diferentes funciones de activación combinadas con una función de fusión promedio. El rendimiento de la metodología se evaluó con un conjunto de datos experimentales de vibración recopilados de un banco de pruebas de rodamientos hasta el fallo. Los resultados muestran la efectividad del enfoque propuesto en comparación con métodos convencionales. La detección de fallos se logró con una tasa de falsas alarmas del 2.29% y una tasa de alarmas perdidas nula. Los datos también se clasificaron con éxito con una tasa del 99.17%.