La industria de la aviación genera grandes cantidades de datos entre múltiples partes interesadas, pero los fallos y anomalías críticos ocurren raramente, creando conjuntos de datos inherentemente desbalanceados que complican las aplicaciones de aprendizaje automático. Los enfoques centralizados tradicionales están aún más limitados por preocupaciones de privacidad y requisitos regulatorios que restringen el intercambio de datos entre las partes interesadas. Este documento presenta un marco novedoso para abordar los desafíos de datos desbalanceados en la aviación a través del aprendizaje federado, centrándose en la detección de fallos, el mantenimiento predictivo y la gestión de la seguridad. El marco propuesto combina técnicas especializadas para manejar datos desbalanceados con aprendizaje federado que preserva la privacidad para permitir una colaboración efectiva mientras se mantiene la seguridad de los datos. El marco incorpora métodos de re-muestreo local, aprendizaje sensible al costo y mecanismos de agregación ponderada para mejorar el rendimiento en la detección de la clase minoritaria. El marco se valida a través de experimentos extensos que involucran a múltiples partes interesadas de la aviación, demostrando una mejora del 23% en la precisión de detección de fallos y una reducción del 17% en el error de predicción de la vida útil restante en comparación con modelos convencionales. Los resultados muestran la detección mejorada de fallos raros pero críticos, una mayor precisión en la programación del mantenimiento y una evaluación de riesgos efectiva en conjuntos de datos de aviación distribuidos. El marco propuesto proporciona una solución escalable y práctica para utilizar datos de aviación distribuidos mientras aborda tanto el desbalance de clases como las preocupaciones de privacidad, contribuyendo a mejorar la seguridad y la eficiencia operativa en la industria de la aviación.