Los rotorcrafts experimentan vibraciones severas durante su operación. Para garantizar la seguridad de los rotorcrafts, es necesario realizar detección de anomalías para detectar fallas estructurales a pequeña escala en los componentes principales. Para detectar con precisión fallas a pequeña escala antes de que crezcan a un tamaño fatal, se requieren datos de vibración de HR (alta tasa de muestreo). Sin embargo, para aumentar la eficiencia de los medios de almacenamiento de datos, generalmente solo se recopilan datos de vibración de LR (baja tasa de muestreo) durante la operación de vuelo real. La detección de anomalías utilizando solo datos de LR puede detectar fallas por encima de un cierto tamaño, pero puede no detectar fallas a pequeña escala. Para abordar este problema, proponemos una técnica de detección de anomalías utilizando el algoritmo SR3 (Super-Resolución a través de Refinamiento Repetido) para aumentar los datos de LR a datos de HR, y luego aplicar el modelo LSTM-AE. Esta técnica se valida para dos conjuntos de datos (datos del brazo de dron, datos de rodamientos de CWRU). Primero, se ilustra la necesidad de datos de HR mostrando que la detección de anomalías utilizando datos de LR falla, y se valida el rendimiento de aumento del algoritmo SR3 en el dominio de frecuencia y tiempo. Finalmente, se realiza la detección de anomalías para un diagnóstico de fallas estructurales para los datos aumentados y los datos de HR utilizando el modelo LSTM-AE. La evaluación cuantitativa de la distribución del error de reconstrucción normalizado por Min-Max se realiza a través del valor de MSE (Error Cuadrático Medio) de los resultados de detección de anomalías. Como resultado, se confirma que la detección de anomalías utilizando datos de prueba aumentados se puede realizar con el mismo éxito que la detección de anomalías utilizando datos de prueba de HR para ambos conjuntos de datos mediante la técnica propuesta.