La detección y diagnóstico de fallos en equipos basados en datos es un área de investigación importante en la era de la fábrica inteligente, que comenzó con la Cuarta Revolución Industrial. La fabricación de acero es una industria de procesamiento típica, y un funcionamiento eficiente del equipo puede mejorar la calidad del producto y reducir costos. Los sistemas de producción de acero requieren un control preciso del equipo, lo cual es un proceso complejo. Una caja de cambios transmite potencia entre ejes y es una pieza esencial de equipo mecánico. Un mal funcionamiento de la caja de cambios puede causar problemas graves no solo en la producción, calidad y entrega, sino también en la seguridad. Muchos investigadores están desarrollando métodos para monitorear el estado de la caja de cambios y diagnosticar fallos con el fin de resolver problemas. En la mayoría de los métodos basados en datos, el conjunto de datos de análisis se deriva de una distribución de datos idénticos con etiquetas de modo de fallo. Sin embargo, los sitios industriales a menudo recopilan datos sin información sobre el tipo de fallo o el estado de fallo debido a las condiciones operativas variables y reparaciones periódicas. Por lo tanto, los conjuntos de datos no solo incluyen falsas alarmas frecuentes, sino que no pueden explicar las causas de las alarmas. En este artículo, se presenta un marco llamado Método de Lagrange Reducido (R-LM) que asigna periódicamente pseudolabels a señales de vibración recopiladas sin etiquetas y crea un conjunto de datos de entrada. Para monitorear el estado del equipo y diagnosticar fallos, el conjunto de datos de entrada se alimenta a un clasificador de aprendizaje supervisado. Para verificar el método propuesto, construimos un banco de pruebas utilizando motores y cajas de cambios que se utilizan en sitios de producción para simular artificialmente defectos en los engranajes y operarlos para recopilar datos de vibración. Se extraen características de los datos del dominio de frecuencia y del dominio del tiempo, y se aplica el pseudolabeling. Hubo menos falsas alarmas al aplicar R-LM, y fue posible explicar qué características eran responsables de los cambios en el estado del equipo, lo que mejoró la aplicabilidad en el campo. Fue posible detectar cambios en las condiciones del equipo antes de un fallo catastrófico, proporcionando así información de alarma y advertencia significativa, así como temas de investigación prometedores adicionales.