Los autoencoders se han utilizado ampliamente para diagnosticar dispositivos, por ejemplo, fallas en maquinaria rotativa. Sin embargo, los enfoques basados en autoencoders carecen de explicabilidad para sus resultados y pueden ser difíciles de ajustar. En este artículo, proponemos un método explicativo para aplicar autoencoders para diagnóstico, donde utilizamos una métrica que maximiza la precisión del diagnóstico. Dado que un autoencoder proyecta la entrada en un subespacio reducido (el código), definimos un enfoque teóricamente bien entendido, el ángulo principal del subespacio, para definir una métrica sobre las posibles etiquetas de falla. Mostramos cómo este enfoque puede ser utilizado tanto para diagnósticos de dispositivos individuales (por ejemplo, fallas en maquinaria rotativa) como para sistemas dinámicos complejos (multi-dispositivo). Validamos empíricamente las afirmaciones teóricas utilizando múltiples arquitecturas de autoencoder.