La eficiencia de producción se utiliza para determinar las mejores condiciones para fabricar bienes al costo unitario más bajo posible. Cuando se logra, la eficiencia de producción conduce a un aumento de los ingresos para el fabricante, una mayor seguridad para los empleados y una base de clientes satisfecha. La eficiencia de producción no solo mide la cantidad de recursos necesarios para la producción, sino que también considera los niveles de productividad y el estado de las líneas de producción. En este contexto, la detección de anomalías en línea (AD) es una herramienta importante para mantener la fiabilidad del ecosistema de producción. Con los avances en inteligencia artificial y la creciente importancia de identificar y mitigar anomalías en diferentes campos, los enfoques basados en redes neuronales artificiales facilitan el reconocimiento de tipos complejos de anomalías al tener en cuenta tanto atributos temporales como contextuales. En este artículo, se presenta un marco ligero basado en el modelo de Echo State Network (ESN) que se ejecuta en el borde para la detección de anomalías en línea. En comparación con otros métodos de AD, como la memoria a largo y corto plazo (LSTM), logra métricas de precisión, exactitud y recuperación superiores mientras reduce el tiempo de entrenamiento, las emisiones de CO y la necesidad de altos recursos computacionales. La evaluación preliminar de la solución propuesta se llevó a cabo utilizando un dispositivo de computación de bajo recurso en el borde de la máquina de producción real a través de un módulo de medidor inteligente del Internet Industrial de las Cosas (IIoT). La máquina utilizada para probar la solución propuesta fue proporcionada por la empresa italiana SIFIM Srl, que fabrica esteras filtrantes para cocinas industriales. Los resultados experimentales demuestran la viabilidad de desarrollar un método de AD que logre alta precisión, con el marco basado en ESN alcanzando en comparación con el modelo basado en LSTM. Además, este método requiere recursos de hardware mínimos, con un tiempo de entrenamiento de s en comparación con s para el otro modelo.