La monitorización de las condiciones y subensambles antes de la integración final es esencial para reducir fallos en el procesamiento y mejorar la calidad de producción en configuraciones de fabricación. Este estudio de investigación propone un marco basado en aprendizaje profundo en tiempo real para identificar componentes defectuosos debido a fallos en diferentes etapas de fabricación en la industria aeroespacial. Utiliza una red neuronal convolucional (CNN) para reconocer y clasificar estados anormales intermedios en un único proceso de fabricación. El proceso de fabricación de productos de fábricas de aeronaves comprende diferentes fases; analizar los componentes después de la integración es laborioso y consume mucho tiempo, lo que a menudo pone en alto riesgo los intereses de la empresa. Para superar estos desafíos, el sistema basado en IA propuesto puede realizar inspecciones y detección de defectos y aliviar la probabilidad de que los componentes necesiten ser reprocesados después de ser ensamblados. Además, analiza el valor de impacto, es decir, los retrasos y costos de retrabajo, de los procesos de fabricación utilizando una herramienta de control estadístico de procesos sobre datos en tiempo real para varios componentes fabricados. Los defectos se detectan y clasifican utilizando la CNN y una máquina enseñable en el único proceso de fabricación durante la etapa inicial antes de ensamblar los componentes. Los resultados muestran la importancia del enfoque propuesto en la mejora de la gestión de costos operativos y la reducción de retrasos inducidos por retrabajo. Se realizan pruebas en tierra para calcular el valor de impacto, seguidas de pruebas en aire del avión ensamblado final. Los resultados estadísticos indican una reducción del 52.88% y del 34.32% en retrasos de tiempo y costo total, respectivamente.