Fuzzy c-means (FCM), la variante difusa del popular k-means, se ha utilizado para la agrupación de datos cuando los límites de los grupos no están bien definidos. La elección de prototipos iniciales de grupos (o la inicialización de la membresía de los grupos), y el hecho de que el número de grupos necesita ser definido son dos factores principales que pueden afectar el rendimiento de FCM. En este artículo, revisamos los algoritmos y métodos utilizados para superar estos dos inconvenientes específicos. Proponemos un nuevo método de evolución diferencial de múltiples poblaciones cooperativas con elitismo para identificar prototipos iniciales de grupos cercanos al óptimo y también determinar el número más óptimo de grupos en los datos. Las poblaciones de evolución diferencial utilizan un subconjunto más pequeño del conjunto de datos, uno que captura la misma estructura del conjunto de datos. Comparamos la metodología propuesta con métodos más nuevos propuestos en la literatura, con simulaciones realizadas en datos de referencia estándar del repositorio de aprendizaje automático de UCI. Finalmente, presentamos un estudio de caso para la agrupación de patrones de series temporales de datos de sensores relacionados con el monitoreo de salud de máquinas en tiempo real utilizando el método propuesto. Los resultados de la simulación son prometedores y muestran que la metodología propuesta puede ser efectiva en la agrupación de una amplia gama de conjuntos de datos.