Este documento presenta el variational autoencoder de subespacio funcional, una técnica que aborda los desafíos en el análisis de datos de sensores en sistemas de transporte, especialmente la falta de alineación de datos de series temporales y la falta de datos etiquetados. Nuestra técnica convierte datos vectoriales en datos funcionales, que capturan dinámicas temporales continuas en lugar de datos discretos que consisten en observaciones separadas. Esta conversión reduce las dimensiones de los datos para tareas de aprendizaje automático en el diagnóstico de fallas y facilita la eliminación eficiente de la falta de alineación. El variational autoencoder identifica tendencias y anomalías en los datos y emplea un método de adaptación de dominio para asociar representaciones aprendidas entre conjuntos de datos etiquetados y no etiquetados. Validamos la efectividad de la técnica utilizando datos de transporte sintéticos y del mundo real, proporcionando información valiosa para la monitorización de la fiabilidad de la infraestructura de transporte.