Los medios para determinar con precisión el estado de desgaste de las herramientas ha sido importante para los fabricantes. La clasificación del estado de desgaste de las herramientas permite a las fábricas evitar los costos innecesarios incurridos al reemplazar las herramientas demasiado pronto y prevenir el daño al producto causado por herramientas demasiado desgastadas. Aunque los investigadores han examinado este tema durante más de una década, la mayoría de los estudios existentes se han centrado en el desarrollo de modelos pero han descuidado dos problemas fundamentales en el aprendizaje automático: el desequilibrio de datos y la extracción de características. En vista de esto, proponemos dos mejoras: (1) utilizar una red generativa adversarial para generar datos de vibración de máquinas de control numérico por computadora realistas para superar el desequilibrio de datos y (2) extraer características en el dominio del tiempo, el dominio de la frecuencia y el dominio tiempo-frecuencia simultáneamente para modelar e integrarlos en un modelo de conjunto. Los resultados del experimento demuestran que ambas modificaciones propuestas son razonables y válidas.