Los sistemas de hoy en día deben adaptarse a entornos que cambian rápidamente y deben mostrar un comportamiento que evoluciona con el tiempo. Además, dichos sistemas son intensamente monitoreados por lo cual, en general, grandes cantidades de datos sobre su funcionamiento son recolectadas y están disponibles para un análisis posterior. Debido a este hecho, los sistemas de diagnóstico basados ​​en datos deben enfrentar nuevos desafíos, en particular, apoyarse en algoritmos de clasificación eficientes que adapten el modelo de seguimiento (o clasificador) a la evolución del sistema y ser capaz de escalar a grandes cantidades de datos. En este trabajo, una propuesta que acopla un método de clustering dinámico con un algoritmo de extracción de tendencias en línea y que procesa de forma incremental los datos de entrada es presentada. El método de clustering dinámico se basa en micro-grupos (micro-clusters) que pueden moverse, fusionarse o partirse, permitiendo así el seguimiento de la evolución del sistema. El método de extracción tendencias se aplica a cada señal de entrada de forma individual y genera una abstracción compacta en forma de lo que nosotros llamamos episodios. Los episodios de todas las señales se agrupan luego en vectores que serán los datos de entrada del algoritmo de clustering dinámico. Este enfoque permite reducción de datos lo que lo hace adecuado para el análisis de datos en línea y el diagnóstico en tiempo real sin necesitar grandes cantidades de memoria. El algoritmo propuesto se probó con éxito en el modelo del calentador de tanque continuamente agitado, induciendo fallas de diferentes magnitudes.