La protección de infraestructuras críticas como los sistemas de tratamiento de agua y distribución de agua es crucial para una economía funcionando. El uso de sistemas ciberfísicos en estos sistemas presenta numerosas vulnerabilidades a los atacantes. Para mejorar la seguridad, los sistemas de detección de intrusiones juegan un papel crucial en limitar el daño de los ataques exitosos. El aprendizaje automático puede mejorar la seguridad al analizar patrones de datos, pero varios atributos de los datos pueden impactar negativamente en el rendimiento del modelo de aprendizaje automático. Los datos en la infraestructura crítica del sistema de agua pueden ser difíciles de trabajar debido a su complejidad, variabilidad, irregularidades y sensibilidad. Los datos implican diversas mediciones y pueden variar con el tiempo debido a cambios en las condiciones ambientales y cambios operativos. Patrones irregulares y pequeños cambios pueden tener impactos significativos en el análisis y la toma de decisiones, lo que requiere técnicas efectivas de preprocesamiento de datos para manejar las complejidades y garantizar un análisis preciso. Este documento explora técnicas de preprocesamiento de datos utilizando un conjunto de datos del sistema de tratamiento de agua como estudio de caso y proporciona técnicas de preprocesamiento específicas para procesar datos en control industrial para obtener un conjunto de datos más informativo. Los resultados mostraron una mejora significativa en la precisión, puntaje F1 y tiempo de detección al usar el conjunto de datos preprocesado.