El aprendizaje automático (ML) tiene el potencial de tener un impacto significativo en la modelización, operación y control de aceleradores de partículas debido a su capacidad para modelar comportamientos no lineales, interpolar en superficies complicadas y adaptarse a los cambios del sistema a lo largo del tiempo. La detección de anomalías, en particular, se ha destacado como un área donde el ML puede impactar significativamente la operación de los aceleradores. Estos algoritmos funcionan identificando comportamientos sutiles de variables clave antes de eventos negativos. Los esfuerzos para aplicar ML a la detección de anomalías se han centrado en gran medida en subsistemas como cavidades de RF, imanes superconductores y pérdidas en anillos. Sin embargo, los esfuerzos dedicados a entender cómo aplicar ML para la detección de anomalías en aceleradores lineales han sido limitados. En este artículo se explora el uso de autoencoders para identificar comportamientos anómalos en datos medidos del acelerador lineal de baja energía de Fermilab.