Las industrias están adoptando cada vez más sistemas digitales para mejorar el control y la accesibilidad al proporcionar monitoreo en tiempo real y alertas tempranas sobre posibles problemas. Mientras la transformación digital impulsa un crecimiento exponencial, expone a estas industrias a ciberataques. Para sectores críticos como las plantas nucleares, un ciberataque no solo pone en riesgo dañar la instalación, sino que también pone en peligro vidas humanas. En el mundo digital actual, se generan enormes cantidades de datos, y el análisis de estos datos puede ayudar a garantizar la efectividad, incluida la seguridad. En este estudio, analizamos los datos utilizando un modelo de aprendizaje profundo para la detección temprana de comportamientos anómalos. Primero examinamos el simulador de la Central Nuclear Asherah iniciando tres ciberataques diferentes, cada uno dirigido a un sistema diferente, recopilando y analizando datos del simulador. En segundo lugar, se utilizó un modelo Bi-LSTM para detectar anomalías en el simulador, lo que lo detectó antes de que el sistema de protección de la planta se activara en respuesta a una amenaza. Finalmente, aplicamos inteligencia artificial explicativa (XAI) para adquirir información sobre cómo las características distintivas contribuyen a la detección de anomalías. XAI proporciona explicaciones valiosas sobre el comportamiento del modelo al revelar cómo características específicas influyen en la detección de anomalías durante los ataques. Esta investigación propone una técnica efectiva de detección de anomalías e interpretabilidad para comprender mejor las amenazas cibernéticas en industrias críticas, como las plantas nucleares.