La detección de fallos en los sistemas de lubricación de motores diésel marinos es crucial para garantizar el funcionamiento estable a largo plazo de los motores diésel y la seguridad de la navegación marítima. Los métodos tradicionales de umbral de alarma con parámetros fijos carecen de flexibilidad y son propensos a pasar por alto fallos. Los enfoques basados en datos, como el aprendizaje automático, requieren datos de alta calidad para las muestras de fallos. Este estudio aprovecha las ventajas relativas de los métodos de minería de datos y las técnicas de umbral, proponiendo un método de construcción de umbrales adaptativos basado en la inferencia de relaciones de parámetros dinámicos. Emplear un algoritmo para inferir relaciones dinámicas entre múltiples parámetros del sistema de lubricación construye un modelo de detección de umbrales adaptativos. Amplias pruebas de motores diésel y datos de fallos reales demuestran que el método propuesto puede abordar los problemas de fallos pasados por alto que enfrentan los métodos de umbral estático y la baja precisión de detección de los enfoques de aprendizaje automático sin necesidad de muestras de fallos. Esto mejora significativamente la precisión de detección de fallos en los sistemas de lubricación de motores diésel marinos, ofreciendo un considerable valor práctico industrial.