La predicción de fallos es una tarea vital para reducir los costos de mantenimiento y reparación de equipos, así como para mejorar el nivel de calidad de los productos y la eficiencia de la producción. La predicción de fallos en placas de acero es un problema significativo de la ciencia de materiales que contribuye a evitar el progreso de eventos anormales. El objetivo de este estudio es clasificar con precisión los defectos superficiales en placas de acero inoxidable durante la producción industrial. En este artículo, se propone un nuevo enfoque de aprendizaje automático, denominado bosque de árboles de modelo logístico (LMT), ya que el conjunto de clasificadores generalmente tiene un mejor rendimiento que un solo clasificador. El método propuesto utiliza la técnica de vecino más cercano editado (ENN) ya que la distribución de clases objetivo en los problemas de predicción de fallos revela un conjunto de datos desequilibrado y el conjunto de datos puede contener ruido. En el experimento realizado en un conjunto de datos del mundo real, el método LMT demostró su superioridad sobre el método de bosque aleatorio en términos de precisión. Además, el método presentado logró una mayor precisión (86.655%) que los métodos de última generación en el mismo conjunto de datos.