Los sensores blandos basados en modelos de regresión de aprendizaje profundo son enfoques prometedores para predecir mediciones de calidad del proceso de fermentación en tiempo real. Sin embargo, los conjuntos de datos experimentales suelen ser escasos y pueden contener valores atípicos o datos corruptos. Esto conduce a un rendimiento de predicción del modelo insuficiente. Por lo tanto, se requieren conjuntos de datos con un espacio de solución completamente distribuido que permita una exploración efectiva durante el entrenamiento del modelo. En este estudio, la robustez y la capacidad predictiva del modelo subyacente de un sensor suave se mejoraron mediante la generación de conjuntos de datos sintéticos para el entrenamiento. El monitoreo de la fermentación de etanol intensificada se utilizó como caso de estudio. Se emplearon autoencoders variacionales para crear conjuntos de datos sintéticos, que luego se combinaron con conjuntos de datos originales (experimentales) para entrenar modelos de regresión de redes neuronales. Estos modelos se probaron en conjuntos de datos originales versus aumentados para evaluar mejoras en la predicción. Utilizando los conjuntos de datos aumentados, la capacidad predictiva del sensor suave mejoró en un 34%, y la variabilidad se redujo en un 82%, basado en los puntajes R. El método propuesto ofrece ahorros significativos de tiempo y costos para la generación de conjuntos de datos para el modelado de aprendizaje profundo de la fermentación de etanol y puede adaptarse fácilmente a otros procesos de fermentación. Este trabajo contribuye al avance de la tecnología de sensores blandos, proporcionando soluciones prácticas para mejorar la confiabilidad y robustez en la producción a gran escala.