Este documento propone un método de detección de anomalías basado en aprendizaje profundo utilizando datos de vibración y corriente de series temporales, obtenidos de pruebas de resistencia en módulos de conducción aplicados en robots industriales y sistemas de máquinas. A diferencia de los modelos de clasificación tradicionales que dependen de datos de fallas etiquetados para la detección, adquirir suficientes datos de fallas en entornos industriales reales es altamente desafiante debido a diversas condiciones y limitaciones. Para abordar este problema, empleamos un enfoque de aprendizaje semisupervisado que se basa únicamente en datos normales para detectar de manera efectiva patrones anormales, superando las limitaciones de los métodos convencionales. El rendimiento de los modelos semisupervisados fue validado primero utilizando un enfoque de detección de anomalías basado en características estadísticas, a partir del cual se adoptó el modelo GCN-VAE. Al combinar la capacidad de extracción de características espaciales de las Redes de Convolución de Grafos (GCNs) con la modelización de características temporales latentes de los Autoencoders Variacionales (VAEs), nuestro método puede detectar de manera efectiva signos anormales en los datos, particularmente en la antesala de fallas del sistema. Los resultados experimentales confirmaron que el modelo propuesto GCN-VAE superó a los modelos híbridos de aprendizaje profundo existentes en términos de rendimiento de detección de anomalías en la sección previa a la falla.