Para mejorar los esfuerzos de mantenimiento, es imperativo obtener una comprensión profunda de la degradación del sistema. En sistemas con control consciente de la degradación, observar la degradación se vuelve particularmente desafiante. Incluso con sensores, dichos controladores mitigan continuamente las desviaciones para garantizar que el sistema opere dentro de límites óptimos. Aquí, proponemos un marco explícitamente diseñado para sistemas de control conscientes de la degradación, construido sobre dos componentes principales: (1) modelado de degradación para estimar y rastrear la degradación oculta a lo largo del tiempo y (2) un Detector de Etapa de Degradación de Autoencoder de Memoria a Largo y Corto Plazo (A-LSTMA-DSD) para definir umbrales de alarma y falla que permitan el mantenimiento basado en condiciones. En el modelado de degradación, el marco utiliza mediciones de actuadores para modelar la degradación oculta. A continuación, se desarrolla un modelo A-LSTMA-DSD para señalar anomalías, sobre la base de las cuales se asignan umbrales de alarma y falla. Estos umbrales dinámicos se definen para garantizar tiempo suficiente para abordar los requisitos de mantenimiento. Trabajando con datos reales de una unidad de caldera en una refinería de petróleo y enfocándose en fugas de vapor, nuestro marco propuesto identificó con éxito todas las fallas y, en promedio, activó los umbrales de alarma y falla 15 y 8 días antes de las fallas, respectivamente. Además de activar estos umbrales, nuestro sistema supera a los modelos de referencia, como CNN, LSTM, ANN, ARIMA y Facebook Profit, en la identificación de fallas en un 60% y 95%, respectivamente.