En este estudio, presentamos una forma general de sistemas no lineales de dos escalas temporales, donde se utiliza un análisis de perturbación singular para separar la dinámica de los subsistemas lento y rápido. Se utilizan técnicas de aprendizaje automático para aproximar la dinámica de ambos subsistemas. Específicamente, se utilizan una red neuronal recurrente (RNN) y una red neuronal feedforward (FNN) para predecir los vectores de estado lento y rápido, respectivamente. Además, investigamos los límites de error de generalización para estos modelos de aprendizaje automático que aproximan la dinámica de sistemas de dos escalas temporales. A continuación, bajo la suposición de que los estados rápidos son asintóticamente estables, nuestro enfoque se centra en diseñar un esquema de control predictivo basado en Lyapunov (LMPC) que emplea exclusivamente la RNN para predecir la dinámica de los estados lentos. Además, derivamos condiciones suficientes para garantizar la estabilidad en lazo cerrado del sistema bajo la implementación de muestreo y retención del controlador. Se utiliza un ejemplo de proceso químico no lineal para demostrar la teoría. En particular, se construyen dos modelos de RNN: uno para modelar el sistema completo de dos escalas temporales y otro para predecir únicamente el vector de estado lento. Ambos modelos se integran en el esquema LMPC, y comparamos su rendimiento en lazo cerrado mientras evaluamos el tiempo computacional necesario para ejecutar el problema de optimización de LMPC.