Los compresores son un componente esencial de los motores de aeronaves. Su diseño y operación deben ser extremadamente fiables, ya que la seguridad y el rendimiento del motor dependen en gran medida de estos elementos. Los compresores axiales exhiben inestabilidades, como el golpe de aire o el estancamiento rotativo, en una región cercana al pico de sus curvas de rendimiento. Estas inestabilidades fluidodinámicas pueden causar caídas en la eficiencia, estrés en las palas, fatiga e incluso fallos. Por lo tanto, los compresores se manejan operando con un margen de seguridad alejado de la línea de golpe de aire. Además, los modelos capaces de predecir la aparición de inestabilidades y reproducirlas son de gran interés. Un sistema dinámico capaz de describir con éxito tanto el golpe de aire como el estancamiento rotativo es el modelo presentado por Moore y Greitzer. Ese modelo también se ha utilizado para desarrollar leyes de control de la dinámica del compresor. El presente trabajo tiene como objetivo desarrollar un enfoque de red neuronal artificial (ANN) capaz de predecir tanto la permanencia del sistema en condiciones de trabajo estables como la aparición de inestabilidades a partir de una secuencia temporal de la dinámica del compresor. Se probaron diferentes soluciones para encontrar el modelo más adecuado para identificar el sistema, así como los efectos de la duración de la secuencia temporal en la precisión de las condiciones de trabajo del compresor predichas. La red también se probó con secuencias con diferentes valores iniciales para realizar un análisis del sistema que incluyera múltiples variaciones de la base de datos inicial. Los resultados muestran cómo es posible identificar con alta precisión tanto el estancamiento rotativo como el golpe de aire con el enfoque de ANN. Además, la presencia de un modelo fluidodinámico subyacente comparte algunas similitudes con los procedimientos de IA informados físicamente.