Un servomotor ajustado hidráulicamente de alta presión es un sistema integrado electromecánico-hidráulico centrado en una válvula servo que desempeña un papel crucial en garantizar el funcionamiento seguro y estable de las turbinas de vapor. Para abordar los problemas de diagnósticos de fallas difíciles y la baja eficiencia de mantenimiento de los servomotores hidráulicamente ajustados, este estudio propone un modelo para detectar anomalías en los servomotores ajustados hidráulicamente. Este modelo utiliza una red neuronal residual unidimensional de múltiples escalas (M1D_ResNet) para la extracción de características y una descripción de datos de soporte vectorial optimizada por un algoritmo genético (GA). En primer lugar, se extrajeron y fusionaron las características multiescala de las señales de vibración del servomotor ajustado hidráulicamente utilizando bloques de convolución unidimensional con tres escalas diferentes para construir un modelo de clasificación binaria de red neuronal residual unidimensional multiescala capaz de reconocer estados normales y anormales. Luego, este modelo se utilizó como extractor de características para crear un conjunto de características de datos normales. Finalmente, se construyó un modelo de detección de anomalías para el servomotor ajustado hidráulicamente optimizando el dominio de datos de soporte vectorial basado en este conjunto de características utilizando un algoritmo genético. El método propuesto fue validado experimentalmente en un conjunto de datos de servomotores ajustados hidráulicamente. Los resultados mostraron que, en comparación con la red neuronal residual unidimensional de escala única tradicional, los vectores de características multiescala fusionados por la red neuronal convolucional unidimensional multiescala contenían información sensible al estado más rica, mejorando efectivamente el rendimiento de la detección de anomalías en el servomotor ajustado hidráulicamente.