En los entornos de fabricación recientes, el uso de equipos digitalmente adaptados ha crecido sustancialmente, sin embargo, esta tendencia también amplifica el desafío de garantizar una operación estable a través de una detección de anomalías efectiva. Los sistemas adaptados enfrentan dos obstáculos críticos: una grave escasez de datos etiquetados y una variabilidad sustancial en los patrones operativos entre máquinas y productos. Para superar estos problemas, este estudio introduce un nuevo marco de detección de anomalías que integra el Aprendizaje Meta-Agnóstico (MAML) con un Autoencoder de Memoria a Largo y Corto Plazo (LSTM-Autoencoder) bajo una formulación de tarea basada en múltiples máquinas. Al construir meta-tareas a partir de conjuntos de datos de series temporales recopilados en múltiples máquinas de control numérico por computadora (CNC) de cinco ejes, nuestro método permite una rápida adaptación a máquinas y escenarios de producción no vistos con solo unos pocos ejemplos de entrenamiento. Los resultados experimentales demuestran que, incluso en condiciones de escasez de datos, el modelo propuesto logra una precisión del 98.02% y un puntaje F1 del 94.74%, lo que representa mejoras de 4.2 puntos porcentuales en precisión y 16.9 puntos porcentuales en el puntaje F1 en comparación con los enfoques convencionales de aprendizaje por transferencia. Además, en la validación cruzada con datos de máquinas completamente nuevas, nuestro marco supera a los modelos existentes en un 18.1% en precisión, evidenciando una capacidad de generalización superior. Estos hallazgos sugieren que el propuesto Autoencoder de Memoria a Largo y Corto Plazo basado en MAML (MAML LSTM-Autoencoder) puede mejorar significativamente la eficiencia operativa y reducir los costos de mantenimiento en equipos de fabricación adaptados, mejorando así la productividad general y allanando el camino para el despliegue industrial en tiempo real.