Los sistemas de control industrial (ICS) desempeñan un papel crucial en la gestión y supervisión de procesos críticos en diversas industrias, como la manufactura, la energía y el tratamiento de agua. La conexión de equipos de varios fabricantes, los métodos de comunicación complejos y la necesidad de continuidad de operaciones en un entorno limitado dificultan la detección de anomalías en el sistema. Los enfoques tradicionales que dependen del aprendizaje automático supervisado requieren tiempo y experiencia debido a la necesidad de conjuntos de datos etiquetados. Este estudio sugiere un enfoque alternativo para identificar comportamientos anómalos dentro de los ICS mediante el uso de aprendizaje automático no supervisado.