Las máquinas herramienta se utilizan en una amplia gama de aplicaciones y pueden fabricar piezas de trabajo de manera flexible. Además, requieren mantenimiento; los costos generales incluyen los costos de mantenimiento, que constituyen una parte significativa, y los costos involucrados en garantizar la calidad del producto. Por lo tanto, se requiere la detección de anomalías en las condiciones de las herramientas, ya que estas herramientas son elementos industriales esenciales. Sin embargo, los datos relacionados con las condiciones de las herramientas presentan algunos desafíos: desequilibrios y deficiencias en los datos. Los desequilibrios y deficiencias en los datos pueden afectar el rendimiento de los modelos de detección de anomalías. Un modelo entrenado con datos con desequilibrios y deficiencias puede calcular erróneamente que los datos anormales son datos normales, lo que lleva a errores. Para superar estos problemas, el método propuesto ha sido diseñado utilizando la transformada wavelet, conversión de espacio de color, extracción de color, aumento de datos basado en rompecabezas y aprendizaje por transferencia doble. El método propuesto generó datos de imagen a partir de datos de series temporales, extrajo características de manera efectiva y generó nuevos datos de imagen utilizando el aumento de datos basado en rompecabezas. La información de color se procesó para resaltar características, y el aumento de datos basado en rompecabezas propuesto se aplicó durante el procesamiento para aumentar la cantidad de datos y mejorar el rendimiento del modelo de detección de anomalías. Los resultados experimentales mostraron que el método propuesto puede clasificar datos normales y anormales con mayor precisión. En particular, la precisión de la clasificación de datos anormales aumentó del 25.00% al 91.67%. Esto demuestra que el método propuesto es efectivo y puede superar los desequilibrios y deficiencias en los datos.