Este estudio presenta un sistema de mantenimiento predictivo diseñado para entornos industriales de Internet de las Cosas (IoT), centrándose en la eficiencia de recursos y la adaptabilidad. El sistema utiliza sensores Nicla Sense ME, un concentrador basado en Raspberry Pi para monitoreo en tiempo real, y un modelo de aprendizaje automático de Memoria a Corto y Largo Plazo (LSTM) para análisis predictivo. Es notable que el algoritmo LSTM es un ejemplo de cómo se puede utilizar el entorno de pruebas del sistema, permitiendo a los usuarios externos integrar fácilmente modelos personalizados sin alterar la plataforma central. En el laboratorio, el sistema logró un Error Cuadrático Medio de la Raíz (RMSE) de 0.0156, con alta precisión en todos los sensores, detectando anomalías intencionales con una tasa de precisión del 99.81%. En la fase del mundo real, el sistema mantuvo un rendimiento sólido, con sensores registrando un Error Absoluto Medio (MAE) máximo de 0.1821, un valor de R-cuadrado de 0.8898 y un Error Porcentual Absoluto Medio (MAPE) de 0.72%, demostrando precisión incluso en presencia de interferencias ambientales. Además, la arquitectura admite escalabilidad, pudiendo alojar hasta 64 nodos de sensores sin comprometer el rendimiento. El entorno de pruebas mejora la versatilidad de la plataforma, permitiendo la personalización para diversas aplicaciones industriales. Los resultados resaltan los beneficios significativos del mantenimiento predictivo en contextos industriales, incluyendo una reducción del tiempo de inactividad, uso optimizado de recursos y mejor eficiencia operativa. Estos hallazgos subrayan el potencial de integrar el mantenimiento predictivo impulsado por Inteligencia Artificial (IA) en entornos limitados, ofreciendo una solución confiable para operaciones industriales dinámicas y en tiempo real.