Los métodos de diagnóstico de fallos inteligentes han reemplazado el análisis humano, que consume mucho tiempo y es poco fiable, aumentando la eficiencia en la detección de anomalías. Los modelos de aprendizaje profundo son técnicas claras para este propósito. El objetivo fundamental de este artículo es detectar automáticamente fugas en tanques durante la producción con más fiabilidad que una inspección manual, una práctica común en las industrias. Esta investigación propone un sistema de inspección para predecir fugas en tanques utilizando datos de sensores hidrofónicos y algoritmos de aprendizaje profundo después de la producción. En este artículo, se investigó la detección de fugas utilizando un montaje experimental que consiste en un tanque de plástico sumergido bajo el agua. Se implementaron y compararon entre sí tres técnicas diferentes para este propósito, incluyendo la transformada rápida de Fourier (FFT), las transformadas wavelet y las características en el dominio del tiempo, todas las cuales se siguen con una red neuronal convolucional 1D (1D-CNN). Aplicar FFT y convertir la señal en una imagen 1D seguida de 1D-CNN mostró mejores resultados que otros métodos. Los resultados experimentales demuestran la efectividad y la superioridad de la metodología propuesta para detectar inexactitudes en fugas en tiempo real.