En el ámbito de los procesos de fabricación, las fallas en los equipos pueden resultar en pérdidas financieras sustanciales y representar riesgos significativos para la seguridad. En consecuencia, la investigación previa se ha centrado principalmente en detectar de manera preventiva las anomalías antes de que se manifiesten. Sin embargo, en contextos industriales, la interpretación precisa de los resultados predictivos tiene una importancia primordial. Esto ha impulsado el desarrollo de la investigación en Inteligencia Artificial Explicable (XAI) para elucidar el funcionamiento interno de los modelos predictivos. Estudios anteriores se han esforzado por proporcionar explicaciones para la detección de anomalías dentro de estos modelos. No obstante, corregir estas anomalías generalmente requiere la experiencia de profesionales experimentados. Por lo tanto, nuestro estudio va más allá de la mera identificación de las causas de las anomalías; también determinamos los ajustes específicos necesarios para normalizar estas desviaciones. En este documento, presentamos nuevas vías de investigación e introducimos tres métodos para abordar este desafío. Cada método ha demostrado una tasa de éxito notable en la normalización de errores detectados, con puntuaciones del 97.30%, 97.30% y 100.0%, respectivamente. Esta investigación no solo contribuye al campo de la detección de anomalías, sino que también amplifica la aplicabilidad práctica de estos modelos en entornos industriales. Proporciona ideas accionables para la corrección de errores, mejorando así su utilidad y eficacia en escenarios del mundo real.