Los sensores industriales han surgido actualmente como un dispositivo muy importante para monitorear las condiciones ambientales en el sistema de fabricación. Sin embargo, el comportamiento anormal de estos sensores inteligentes puede causar alguna falla o riesgo potencial durante la operación del sistema, aumentando así la alta disponibilidad de todo el proceso de fabricación. Una herramienta de detección de anomalías en el sistema de monitoreo industrial debe detectar cualquier comportamiento anormal con anticipación. Recientemente, el aprendizaje auto-supervisado demostró un rendimiento comparable con otros métodos al eliminar los procesos etiquetados manualmente en el entrenamiento. Además, esta técnica disminuye la complejidad del modelo de entrenamiento en dispositivos ligeros para aumentar el tiempo de procesamiento y detectar con precisión la salud de los activos del equipo. Por lo tanto, este documento propone un método de detección de anomalías utilizando un marco de aprendizaje auto-supervisado en un conjunto de datos de series temporales para mejorar el rendimiento del modelo en términos de alta precisión y método ligero. Con la consideración de la ampliación de datos de series temporales para generar pseudoetiquetas, se aplica un clasificador utilizando una red neuronal convolucional de una dimensión (1DCNN) para aprender las características de los datos normales. La salida de este modelo de clasificación medirá efectivamente el grado de anormalidad. Los resultados experimentales indican que nuestro método propuesto supera a los métodos clásicos de detección de anomalías. Además, se realiza la implementación del modelo en un entorno de prueba real para ilustrar la eficiencia del método de aprendizaje auto-supervisado para la detección de anomalías en series temporales.