La energía hidroeléctrica es importante en el sistema de energía moderno debido a su capacidad para ajustar rápidamente la producción. Un uso más frecuente de esta capacidad puede llevar a un aumento en las necesidades de mantenimiento, lo que resalta la importancia de la investigación en el monitoreo de condiciones para la energía hidroeléctrica. Este estudio sugiere un enfoque de modelo para el monitoreo de fricción de los rodamientos dentro del cubo de la turbina Kaplan. El enfoque se desarrolla para cuando existen datos normales y anómalos. El estudio compara el aislamiento forestal (iForest), el factor de outlier local (LOF), la máquina de soporte vectorial de una clase (OC-SVM) y la distancia de Mahalanobis (MD) para la detección de anomalías, donde iForest y OC-SVM parecen ser buenas opciones debido a su rendimiento robusto. Un filtro de decisión en movimiento (MDF) se alimenta con la salida de los modelos de detección de anomalías para clasificar los datos como normales o anómalos. Los parámetros en el MDF se optimizan con optimización bayesiana para aumentar el rendimiento de los modelos. El enfoque se prueba utilizando datos de dos turbinas hidroeléctricas reales. El estudio muestra que el enfoque del modelo funciona para ambas turbinas. Sin embargo, la optimización de parámetros debe realizarse por separado para cada turbina.