Los dispositivos electromecánicos tienden a desgastarse con el uso; la detección temprana de fallas es una herramienta importante para reducir los costos operativos y mejorar la vida útil de un dispositivo industrial. Este trabajo trata sobre la detección de fallas de motores de corriente continua sin escobillas utilizando el procesamiento de señales de audio y la extracción de características estadísticas y espectrales para entrenar modelos clásicos de aprendizaje automático como: k-vecinos más cercanos, árboles de decisión y máquinas de soporte vectorial. Luego, los modelos entrenados se implementan en una aplicación de internet de las cosas creada con Django. La metodología implementada muestra un porcentaje de acierto de hasta un 92% de precisión para la detección de fallas en motores brushless usando procesamiento de audio y aprendizaje automático.