Detectar anomalías en los datos de motores y maquinaria durante las operaciones de un barco es crucial para mantener la seguridad y eficiencia de la embarcación. Realizamos experimentos utilizando datos de dispositivos de la industria marítima, que consisten en registros de series temporales de conjuntos de datos de IoT (Internet de las cosas) como temperaturas de cilindros y gases de escape, temperaturas del refrigerante y presiones de cilindros recopilados de varios sensores en el equipo del barco. Proponemos técnicas de enriquecimiento y validación de datos mediante la generación de valores atípicos sintéticos a través de la degradación de datos y la ampliación de datos con una estructura de Transformer, utilizando los datos operativos marítimos. Extraemos una parte de los datos de entrada y la reemplazamos con valores atípicos sintéticos. Los datos de anomalías creados se utilizan luego para entrenar el modelo a través de un enfoque de aprendizaje auto supervisado. Los valores atípicos sintéticos se generan utilizando métodos como la media aritmética, la media geométrica, la mediana, la escala local, la escala global y la deformación de magnitud. Con nuestra metodología, logramos una mejora del 17.23% en el rendimiento F1 en comparación con los métodos de vanguardia existentes en cinco conjuntos de datos públicos y datos operativos marítimos reales recopilados de la industria.