El rendimiento óptimo de los motores de corriente continua (CC) está intrínsecamente vinculado a la precisión de sus modelos matemáticos y a la efectividad de sus controladores. Sin embargo, la limitada disponibilidad de información característica del motor plantea desafíos significativos para lograr una modelización precisa y un control robusto. Este estudio introduce un enfoque que emplea redes neuronales artificiales (ANNs) para estimar parámetros críticos de motores de CC definiendo restricciones prácticas que simplifican el proceso de estimación. Se introdujo un modelo matemático para la estimación óptima de parámetros, y se propusieron dos algoritmos de aprendizaje avanzados para entrenar eficientemente la ANN. El rendimiento de los algoritmos fue analizado exhaustivamente utilizando métricas como el error cuadrático medio, el recuento de épocas y el tiempo de ejecución para garantizar la fiabilidad de la arbitraje dinámico de prioridades y la integridad de datos. El arbitraje dinámico de prioridades implica asignar automáticamente tareas en tiempo real según su relevancia para operaciones fluidas, mientras que la integridad de datos asegura que la información permanezca precisa, consistente y confiable durante todo el proceso. El estimador basado en ANN predice con éxito características electromecánicas y eléctricas, como la contrafuerza electromotriz, el momento de inercia, el coeficiente de fricción viscosa, la inductancia del inducido y la resistencia del inducido. En comparación con los métodos convencionales, que a menudo son intensivos en recursos y consumen mucho tiempo, la solución propuesta ofrece una precisión superior, un tiempo de estimación significativamente reducido y costos computacionales más bajos. Los resultados de simulación validaron la efectividad de la ANN propuesta bajo diversas condiciones de operación del mundo real, convirtiéndola en una herramienta poderosa para mejorar el rendimiento del motor de CC con aplicaciones prácticas en la automatización industrial y sistemas de control.