La creciente capacidad para recopilar datos nos brinda la posibilidad de recolectar una gran cantidad de datos heterogéneos. Entre los datos heterogéneos disponibles, las series temporales representan una veta de información aún por explorar completamente. Las técnicas actuales de minería de datos tienen varias deficiencias al analizar series temporales, especialmente cuando se deben analizar juntas más de una serie temporal, es decir, series temporales multidimensionales, para extraer conocimiento de los datos. En este contexto, presentamos (K-Multi-Dimensional Time-Series Clustering), un algoritmo de agrupamiento novedoso diseñado específicamente para tratar con series temporales multidimensionales. En primer lugar, demostramos la capacidad para agrupar series temporales multidimensionales utilizando conjuntos de datos sintéticos. Comparamos los resultados con , un algoritmo de agrupamiento de series temporales de última generación basado en K-means. Nuestros resultados muestran que ambos y crean buenos resultados de agrupamiento. Sin embargo, supera cuando se complica el conjunto de datos sintéticos. En segundo lugar, lo aplicamos en un escenario de caso real donde se nos pide reemplazar un mantenimiento programado con un enfoque predictivo. Con este fin, creamos un pipeline generalizado para procesar datos de un proceso de soldadura de una planta industrial real. Aplicamos para crear grupos de soldaduras basados en su forma de soldadura. Nuestros resultados muestran que identifica diferentes perfiles de soldadura, pero que el envejecimiento del electrodo no afecta negativamente el proceso de soldadura.