Crear algoritmos y sistemas que puedan procesar y almacenar grandes cantidades de datos representa un gran desafío científico, económico y práctico. La aplicación del aprendizaje automático (ML) a estos problemas no es baladí, y menos aún si es necesario distribuir el procesamiento de estos algoritmos para manejar la gran carga computacional del análisis de datos y la toma de decisiones. Este artículo presenta una arquitectura distribuida y robusta para entrenar, implementar y ejecutar canales de algoritmos distribuidos de detección de fallas mejorando su robustez y precisión. La solución se basa en Smart Operational Realtime Bigdata Analytics (SORBA), una arquitectura distribuida patentada. La arquitectura combina las métricas de robustez y precisión para optimizar automáticamente la selección de canales de algoritmos de aprendizaje automático de detección de fallas industriales y sus hiperparámetros. Se desarrolla un sistema de módulos para la adquisición, normalización, acondicionamiento de datos, capacitación, implementación y ejecución en línea de canales de algoritmos de aprendizaje automático. La solución se validó comparando los resultados del aprendizaje automático (ML) de tres casos de uso: un motor industrial, un soplador de aguas residuales y una batería de locomotora, con los logrados con Spark. Los experimentos mostraron una mejora promedio en la puntuación de precisión del 28,76 % y el índice de robustez del 10,9 %. La solución agiliza la implementación de aplicaciones exitosas y mejora el rendimiento de estos indicadores con respecto a las soluciones actualmente disponibles en Spark MLlib.