Debido a la escasez de muestras etiquetadas, la aplicación práctica de métodos de diagnóstico de fallos en bombas hidráulicas basados en aprendizaje profundo es extremadamente desafiante. Este estudio propone un método de aprendizaje semi-supervisado basado en la regularización de consistencia con datos aumentados (DACR) para abordar el problema de la falta de datos etiquetados en los modelos de diagnóstico. Utiliza datos aumentados obtenidos del método mejorado de descomposición modal de geometría simpléctica como perturbaciones adicionales, expandiendo el espacio de características de muestras etiquetadas limitadas bajo diferentes condiciones de operación de la bomba. Se formula un proceso de predicción de etiquetas de alta confianza a través de una estrategia de determinación de umbral para estimar la distribución de etiquetas potencial de muestras no etiquetadas. Se introduce una pérdida de regularización consistente en datos etiquetados y no etiquetados, respectivamente, para regularizar el entrenamiento del modelo, reduciendo la sensibilidad del clasificador a perturbaciones adicionales. El término de pérdida supervisada asegura que las predicciones de las muestras etiquetadas aumentadas sean consistentes con las etiquetas verdaderas. Mientras tanto, el término de pérdida no supervisada se puede utilizar para minimizar la diferencia entre las distribuciones de muestras no etiquetadas para diferentes versiones aumentadas. Finalmente, el método propuesto se combina con la Red de Kolmogorov-Arnold (KAN). Experimentos comparativos basados en datos de dos modelos de bombas hidráulicas verifican el rendimiento superior de reconocimiento de este método bajo una baja tasa de etiquetado.