El diagnóstico de maquinaria en el ámbito industrial ha asumido un papel fundamental tanto por razones técnicas, económicas como de seguridad. El uso de sensores, la recopilación y el análisis de datos han avanzado cada vez más para investigar la salud de la maquinaria, predecir la presencia de fallos y reconocer su naturaleza. La cantidad de datos necesaria para este propósito significa que a menudo es necesario implementar métodos de reducción de dimensiones para preprocesar las características útiles para la clasificación. Además, el uso de un conjunto de datos multiclasificado podría implicar la agrupación de datos en su espacio multidimensional. Este estudio propone un nuevo método de reducción de dimensionalidad, que consiste en la combinación de dos técnicas diferentes. Su objetivo es mejorar la calidad de las características y, en consecuencia, el rendimiento de la clasificación con conjuntos de datos agrupados de alta dimensión. Además, se analiza un estudio de caso gracias a los datos publicados por la sociedad Prognostics and Health Management Europe (PHME) en el Data Challenge 2021. Los resultados muestran un excelente reconocimiento del estado de salud de la máquina tanto en términos de detección como de identificación de daños. Los índices de rendimiento también muestran una mejora en la clasificación en comparación con otros métodos de reducción de dimensiones.