El mantenimiento predictivo ha recibido una atención considerable en la industria de la aviación, donde los costos, la disponibilidad del sistema y la fiabilidad son preocupaciones importantes. A pesar de los avances recientes, el monitoreo efectivo de la salud y los pronósticos para la programación de operaciones de mantenimiento basadas en condiciones sigue siendo un gran desafío. La creciente disponibilidad de datos de mantenimiento y operativos, junto con los recientes avances en el aprendizaje automático, ha impulsado el desarrollo de modelos de pronósticos y gestión de la salud (PHM) basados en datos. En este documento, describimos el flujo de datos en una aerolínea para el mantenimiento de un sistema de aeronave y destacamos las dificultades relacionadas con una correcta etiquetado del estado de salud de dichos sistemas, lo que resulta en una mala idoneidad de las técnicas de aprendizaje supervisado. Nos enfocamos en investigar la viabilidad y el potencial de los métodos de detección de anomalías semi-supervisados para el monitoreo de la salud de un sistema de aeronave real. Los métodos propuestos se evalúan en grandes volúmenes de datos de sensores reales de un sistema de enfriamiento en un moderno avión de fuselaje ancho de una importante aerolínea europea. Por razones de confidencialidad, los datos han sido anonimizados y solo se han hecho disponibles algunos detalles técnicos y operativos sobre el sistema. Entrenamos varias arquitecturas de autoencoders de redes neuronales profundas en datos nominales y utilizamos las puntuaciones de anomalía para calcular un indicador de salud. Los resultados sugieren que las altas puntuaciones de anomalía están correlacionadas con fallos identificados en los registros de mantenimiento. Además, en algunas situaciones se observa un aumento en la puntuación de anomalía para varios vuelos antes de la falla del sistema, lo que allana el camino natural para la identificación temprana de fallos.