Debido a su simplicidad, precisión y adaptabilidad, el Monitoreo de Fuerza de Engarce (CFM, por sus siglas en inglés) ha sido durante mucho tiempo el estándar para la detección de fallas en la fabricación de arneses de cables. Sin embargo, requiere reconfiguraciones frecuentes basadas en la variabilidad de los materiales, la dependencia de la habilidad del operador y los altos costos de implementación, por lo que la reconfiguración presenta desafíos significativos. Para resolver estos problemas, este documento presenta un sistema de detección de fallas que emplea un modelo de clasificación de Inteligencia Artificial (IA) para mejorar el rendimiento y la eficiencia de costos del proceso de control de calidad de la fabricación de arneses de cables. Dado que no hay datos etiquetados para entrenar el modelo de clasificación al inicio de la fabricación, se extrae manualmente un pequeño número de datos normales de cada ejecución de producción para entrenar el modelo. Para abordar la limitación de los datos disponibles, el sistema genera datos sintéticos a partir de datos normales, simulando posibles defectos mediante el uso de Escalado de Datos Selectivo Regional (RSDS, por sus siglas en inglés). Este método innovador realiza un aumento o disminución de escala en regiones específicas de los datos originales para producir datos anormales sintéticos, lo que permite al sistema de detección de fallas entrenar eficientemente su modelo de clasificación con un conjunto de datos que consiste únicamente en datos de operación normales.