Para la identificación de anomalías en datos predichos en el monitoreo de condiciones de maquinaria, los métodos tradicionales de umbral tienen problemas durante las pruebas residuales. Es difícil tomar decisiones cuando los residuos están cerca del umbral y fluctúan. Este documento propone un método de umbral dinámico de Bayes que combina la inferencia bayesiana con la predicción de señales de redes neuronales. El método aprovecha al máximo los datos históricos previos para construir un modelo de identificación de anomalías y advertencia aplicable bajo variables unidimensionales o multidimensionales. Se establece un modelo de predicción de señales de memoria a corto y largo plazo, y luego se presenta una estrategia de identificación de anomalías basada en pruebas de hipótesis de Bayes para cuantificar la probabilidad de ocurrencia de anomalías y emitir advertencias tempranas para anomalías más allá de cierta probabilidad. El modelo se aplicó a conjuntos de datos abiertos de una estación de bombeo y datos operativos reales de una turbina de energía nuclear. Los resultados indican que el modelo predice con éxito la probabilidad de falla y el tiempo de falla. La efectividad del método propuesto queda verificada.