El sistema de propulsión por chorro de agua de los barcos es una unidad de potencia crucial para embarcaciones de alto rendimiento, y el estado operativo de su componente principal, la bomba de chorro de agua, está directamente relacionado con la seguridad de la navegación y la fiabilidad de la misión. Para mejorar la inteligencia y precisión del diagnóstico de fallos de la bomba, este documento propone un nuevo marco de diagnóstico que integra un autoencoder supervisado (SAE) con un modelo de lenguaje grande (LLM). Este marco primero emplea un SAE para realizar un aprendizaje de características orientado a tareas sobre señales de vibración en bruto recogidas del casing de la aleta guía de la bomba. Al optimizar conjuntamente las pérdidas de reconstrucción y clasificación, el SAE extrae características profundas que representan tanto la información de la señal original como que exhiben alta discriminabilidad para diferentes clases de fallos. Posteriormente, los vectores de características extraídos se convierten en secuencias de texto y se alimentan a un LLM. Aprovechando las potentes capacidades de procesamiento de información secuencial y generalización del LLM, se logra una clasificación de fallos de extremo a extremo a través de un ajuste fino eficiente en parámetros. Este enfoque tiene como objetivo evitar la dependencia tradicional de características extraídas manualmente en el dominio del tiempo y en el dominio de la frecuencia, guiando en su lugar el proceso de extracción de características a través del aprendizaje supervisado para hacerlo más específico a la tarea. Para validar la efectividad del método propuesto, lo comparamos con un enfoque de referencia que utiliza características extraídas manualmente. En dos escenarios experimentales, diagnóstico directo con datos completos y diagnóstico de transferencia bajo condiciones limitadas de datos y cruzadas, el método propuesto supera significativamente al enfoque de referencia en precisión diagnóstica. Demuestra un excelente rendimiento en la extracción automatizada de características, precisión diagnóstica y adaptabilidad a datos de pequeñas muestras, ofreciendo nuevas perspectivas para la aplicación de técnicas de modelos grandes en la gestión de la salud de equipos críticos.