La detección de anomalías juega un papel fundamental en el mantenimiento rutinario de equipos industriales. Los fallos o averías en los componentes de redacción de equipos de hilado pueden llevar a defectos en el hilo, comprometiendo así la calidad general de la línea de producción. El diagnóstico de fallos en equipos de hilado implica el examen de defectos de componentes a través del Análisis de Espectrograma de Wavelet (WSA). Las técnicas de detección convencionales dependen en gran medida de la experiencia manual y carecen de generalidad. Para abordar esta limitación, este estudio actual aprovecha la tecnología de aprendizaje automático para formular un enfoque de detección de anomalías semisupervisado utilizando un autoencoder convolucional. Este método entrena redes neuronales profundas con datos normales y emplea el modo de reconstrucción de un autoencoder convolucional junto con la Estimación de Densidad de Kernel (KDE) para determinar el umbral óptimo para la detección de anomalías. Esto facilita la diferenciación entre modos operativos normales y anormales sin la necesidad de una extensa cantidad de datos de fallos etiquetados. Los resultados experimentales de dos conjuntos de datos industriales validan la robustez de la metodología propuesta. En comparación con el Autoencoder convencional y las técnicas de aprendizaje automático prevalentes, el enfoque propuesto demuestra un rendimiento superior en métricas de evaluación como Precisión, Recall, Área Bajo la Curva (AUC) y F1-score, afirmando así la viabilidad del modelo sugerido.