Los costos de mantenimiento de productos a lo largo de la vida útil del producto pueden representar entre el 30 y el 60% de los costos operativos totales, lo que hace necesario implementar estrategias de mantenimiento. Este problema no solo afecta a la economía, sino que también está relacionado con el impacto en el medio ambiente, ya que las averías son responsables de la emisión de gases de efecto invernadero. El mantenimiento industrial es un conjunto de medidas de carácter técnico-organizativo cuyo propósito es sostener la funcionalidad del equipo y garantizar un estado óptimo de las máquinas a lo largo del tiempo, con el objetivo de ahorrar costos, extender la vida útil de las máquinas, ahorrar energía, maximizar la producción y disponibilidad, asegurar la calidad del producto obtenido, proporcionar seguridad laboral a los técnicos, preservar el medio ambiente y reducir las emisiones tanto como sea posible. Las técnicas de aprendizaje automático pueden utilizarse para detectar o predecir fallos en turbinas eólicas. Sin embargo, los datos etiquetados sufren de muchos problemas en esta aplicación porque las alarmas generalmente no están claramente asociadas con un fallo específico, algunas etiquetas están mal asociadas con un problema y el desequilibrio entre etiquetas es evidente. Para evitar el uso de datos etiquetados, aquí investigamos el uso de la técnica de agrupamiento, más específicamente K-means, y representaciones de boxplot de las variables para un conjunto de seis pruebas diferentes. Los resultados experimentales muestran que en algunos casos, las técnicas de agrupamiento y boxplot nos permiten determinar valores atípicos o identificar comportamientos erróneos de las turbinas eólicas. Estos casos pueden ser investigados en detalle por un especialista para que se pueda llevar a cabo un mantenimiento predictivo más eficiente.