Detectar fallos activos es importante para el Internet Industrial de las Cosas (IIoT). El IIoT tiene como objetivo conectar dispositivos y maquinaria en diversas industrias. Los dispositivos se conectan a través de Internet y proporcionan grandes cantidades de datos que, al ser procesados, pueden generar información e incluso tomar decisiones automatizadas sobre la administración de las industrias. Sin embargo, las técnicas tradicionales de gestión de fallos activos enfrentan desafíos significativos, incluidos conjuntos de datos altamente desbalanceados, una disponibilidad limitada de datos de fallos y una mala generalización a condiciones del mundo real. Estos problemas obstaculizan la efectividad de la detección rápida y precisa de fallos en entornos reales de IIoT. Para superar estos desafíos, este trabajo propone un mecanismo de aumento de datos que integra redes generativas adversariales (GAN) y la técnica de sobremuestreo de minorías sintéticas (SMOTE). El método integrado GAN-SMOTE aumenta los datos de la clase minoritaria generando patrones de fallos que se asemejan estrechamente a las condiciones industriales, aumentando la robustez del modelo y mitigando los desequilibrios de datos. En consecuencia, el conjunto de datos está bien equilibrado y es adecuado para el entrenamiento y validación robustos de modelos de aprendizaje. Luego, los datos se utilizan para entrenar y evaluar una variedad de modelos, incluidas arquitecturas de aprendizaje profundo, como redes neuronales convolucionales (CNN) y redes de memoria a corto y largo plazo (LSTM), así como modelos de aprendizaje automático convencionales, como máquinas de soporte vectorial (SVM), vecinos más cercanos (KNN) y árboles de decisión. El mecanismo propuesto proporciona un marco de trabajo de extremo a extremo que se valida tanto en conjuntos de datos industriales generados como en el mundo real. En particular, la evaluación se realiza utilizando los conjuntos de datos AI4I, Secom y APS, que permiten pruebas exhaustivas en diferentes escenarios de fallos. El esquema propuesto mejora la usabilidad del modelo y apoya su implementación en un entorno real de IIoT. El rendimiento mejorado en la detección del marco integrado GAN-SMOTE aborda efectivamente los desafíos de clasificación de fallos. Este nuevo mecanismo propuesto mejora la precisión de clasificación hasta 0.99. El marco GAN-SMOTE propuesto supera efectivamente las principales limitaciones de los enfoques tradicionales de detección de fallos y propone una solución robusta, escalable y práctica para sistemas de mantenimiento inteligente en el entorno IIoT.