Los fallos de arco en series de corriente continua (CC) representan una amenaza significativa para la fiabilidad de los sistemas de CC, particularmente en las unidades de generación de CC donde los componentes envejecidos y los altos niveles de voltaje contribuyen a su ocurrencia. Reconociendo la gravedad de este problema, este estudio tuvo como objetivo mejorar la detección de fallos de arco en CC proponiendo un procedimiento de reconocimiento avanzado. La metodología implica una combinación sofisticada de filtrado de corriente utilizando la Regla de Tres Sigma en el dominio del tiempo y la eliminación de ruido de conmutación en el dominio de la frecuencia. Para mejorar aún más las capacidades de diagnóstico, el método propuesto utiliza señales de tiempo y frecuencia generadas a partir de señales del lado de la fuente de alimentación como entrada de referencia. Las características de tiempo-frecuencia extraídas de las señales filtradas se combinan luego con modelos de aprendizaje artificial. Esta fusión de técnicas avanzadas de procesamiento de señales y aprendizaje automático tiene como objetivo aprovechar las fortalezas de ambos dominios, proporcionando un medio más completo y efectivo para detectar fallos de arco. Los resultados de este proceso de detección validan la efectividad y consistencia del esquema propuesto para la identificación de fallos de arco en CC. Esta investigación contribuye al avance de las metodologías de detección de fallos en sistemas de CC, abordando particularmente los desafíos asociados con la distinción de distorsiones relacionadas con arcos, mejorando en última instancia la seguridad y la fiabilidad de los sistemas eléctricos de CC.