La detección de anomalías es una característica importante en los sistemas modernos de fabricación aditiva (AM) para garantizar la calidad de los componentes producidos. Aunque este tema se discute ampliamente en la literatura, los métodos actuales se basan en enfoques de caja negra, lo que limita nuestra comprensión de por qué ocurren las anomalías, dificultando la identificación de la causa raíz y el consecuente apoyo a la decisión sobre la acción a tomar para mitigarlas. Este trabajo aborda estas limitaciones proponiendo un flujo de trabajo estructurado diseñado para mejorar la explicabilidad de los modelos de detección de anomalías. Usando el proceso de fabricación aditiva por arco de alambre (WAAM) como estudio de caso, examinamos 14 estructuras de pared impresas con aleación INVAR36 bajo diferentes parámetros de proceso, produciendo tanto piezas sin defectos como defectuosas. Estas piezas se clasificaron según la apariencia de la superficie y las imágenes de la cámara de soldadura. Recopilamos datos de corriente y voltaje de soldadura a una tasa de muestreo de 5 kHz y extraímos características de los dominios de tiempo y frecuencia utilizando un enfoque basado en el conocimiento. Los modelos Isolation Forest, k-Nearest Neighbor, Red Neuronal Artificial, XGBoost y LGBM se entrenaron en estas características, y los resultados mostraron el mejor rendimiento de los modelos de refuerzo, logrando puntuaciones F1 de 0.927 y 0.945, respectivamente. Estos modelos presentaron un rendimiento superior en comparación con otros modelos como k-Nearest Neighbor, mientras que Isolation Forest y Red Neuronal Artificial presentan un rendimiento inferior debido al sobreajuste, con una puntuación F1 de 0.507 y 0.56, respectivamente. Luego, aprovechando las capacidades de importancia de características de estos modelos, identificamos características clave de la señal que distinguen entre comportamiento normal y anómalo, mejorando la explicabilidad del proceso de detección y en general sobre la física del proceso.