Los enfoques de monitoreo de condiciones y gestión de fallas pueden ayudar con la planificación de mantenimiento oportuna, asegurar una producción continua en toda la industria y mejorar tanto el rendimiento como la seguridad en operaciones industriales complejas. En este momento, los enfoques basados en datos para el monitoreo de condiciones y la detección de fallas son los más atractivos, siendo concebidos, desarrollados y aplicados con menos necesidad de experiencia sofisticada y conocimiento detallado de la planta abordada. Entre ellos, los métodos de modelo de mezcla gaussiana (GMM) pueden ofrecer algunas ventajas. Sin embargo, las soluciones GMM convencionales necesitan que el número de componentes gaussianos se defina de antemano y sufren de la incapacidad para detectar nuevos tipos de fallas e identificar nuevos modos de operación. Para abordar estos problemas, este documento presenta un nuevo método basado en datos, basado en GMM automatizado (AutoGMM) y árboles de decisión (DTree), para el monitoreo en línea de condiciones de cargas industriales eléctricas. Aprovechando los beneficios del AutoGMM y el DTree, después de la fase de entrenamiento, el enfoque propuesto permite la agrupación y asignación de tiempo de condiciones operativas nominales, la identificación de condiciones anómalas ya clasificadas y nuevas, y el reconocimiento de nuevos modos de operación del activo industrial monitoreado. El método propuesto, implementado en una plataforma comercial de computación en la nube, se valida en una planta industrial real con cargas eléctricas, caracterizada por un ciclo de trabajo periódico diario, utilizando datos de consumo de energía activa.