El diagnóstico de desalineación juega un papel crucial en el área de mantenimiento y reparación, ya que la desalineación puede llevar a costosos tiempos de inactividad. Para abordar este problema, se han desarrollado varias soluciones, y están disponibles enfoques tanto offline como online. Sin embargo, las estrategias online que utilizan un pequeño número de sensores muestran una tasa de falsos positivos más alta que otros enfoques. El problema es la falta de conocimiento sobre las interrelaciones de una falla, las perturbaciones durante el proceso de diagnóstico y las características y vectores de características capaces. El descubrimiento de conocimiento en bases de datos es un marco que permite extraer el conocimiento faltante. Para sistemas técnicos, se lograron resultados óptimos al alinear experimentos (parcialmente) automatizados con una estrategia de minería de datos, en este caso, clasificación. Los resultados proporcionan una mayor comprensión de las interrelaciones respecto a la desalineación paralela, es decir, vectores de características que muestran buenos resultados también con cargas variables y niveles de falla realistas. Además, los datos de prueba confirman una especificidad (rango de 0 a 1) para la clasificación entre 0.87 y 1 con los vectores de características encontrados. Para la desalineación angular, se identificaron vectores potenciales, pero estos necesitan una validación adicional con un experimento modificado en trabajos futuros. Para el estudio, se consideraron dos motores de inducción de 1.1 kW y 7.5 kW. Además, los hallazgos se compararon con motores adicionales de la misma potencia nominal. Los hallazgos de este trabajo pueden ayudar a mejorar la implementación de diagnósticos sin sensores en máquinas y avanzar en la investigación en este campo.