En este artículo se presenta una novedosa metodología para la construcción de modelos borrosos lingüísticamente interpretables, a partir de datos de entrada y salida, de procesos dinámicos. Se describe una sencilla técnica de agrupamiento para construcción de las reglas borrosas, así como el empleo de mínimos cuadrados para ajuste de consecuentes. Para garantizar la interpretabilidad del modelo borroso la partición de los antecedentes emplea conjuntos triangulares con interpolación de 0.5. El aspecto más promisorio en nuestra propuesta consiste en alcanzar una buena precisión sin sacrificar la interpretabilidad del sistema borroso ni recurrir a otras técnicas de inteligencia artificial. Se presentan aplicaciones a problemas o conjuntos de datos ampliamente conocidos (benchmark classic) como la cámara de gas de Box-Jenkins, la serie caótica de Mackey Glass y la dinámica de cabeceo de un helicóptero a escala, y se comparan los resultados con aquellos obtenidos por otros autores que emplean técnicas diferentes.