Este trabalho analisa a aplicação de aprendizado de máquina semi-supervisionado na detecção do amaciamento de compressores herméticos alternativos para refrigeração. Para a realização do estudo, foram utilizados dados adquiridos em uma bancada automática de ensaios capaz de medir de forma não destrutiva grandezas associadas à operação do compressor e, possivelmente, relacionadas ao amaciamento. As séries temporais obtidas foram tratadas e formatadas por meio de algoritmos de médias móveis e janela deslizante. Os dados rotulados foram passados por dois métodos supervisionados, conhecidos como K-Nearest Neighbors e Support Vector Machine, e seus respectivos módulos gerados foram aplicados ao método semi-supervisionado, conhecido como \textit{self-training}. Por fim, seus resultados foram comparados com outros trabalhos que se utilizaram dos mesmos dados, gerados da mesma bancada de ensaios, com o objetivo de avaliar a qualidade do método. Os resultados mais próximos ao trabalho comparado foram com o modelo de K-Nearest Neighbors, porém com algum ruido na resposta.