Las turbinas de gas desempeñan un papel crucial en la generación de energía y la aviación, donde las estrategias de mantenimiento efectivas son esenciales para garantizar la fiabilidad. Los métodos tradicionales de monitoreo de condiciones a menudo dependen de inspecciones programadas, lo que puede llevar a tiempos de inactividad y costos de mantenimiento incrementados. Este estudio presenta un enfoque impulsado por IA para el monitoreo térmico de condiciones y el mantenimiento predictivo de turbinas de gas utilizando aprendizaje automático. Se desarrolló un modelo de clasificación basado en Extreme Gradient Boosting (XGBoost) para distinguir entre condiciones operativas saludables y defectuosas basándose en datos de carga térmica. El conjunto de datos, recopilado durante seis meses a partir de termopares colocados estratégicamente en la sección de gases de escape, fue procesado para extraer características estadísticas clave como la temperatura media, la desviación estándar y la asimetría. El modelo XGBoost propuesto logró una precisión de clasificación (CA) del 97.2%, con un F1-score del 96.8%, una precisión del 97.5% y un recall del 96.1%, demostrando su efectividad en la detección de anomalías. Los resultados indican que la integración del aprendizaje automático en el monitoreo de turbinas de gas mejora significativamente las capacidades de detección de fallas, permitiendo estrategias de mantenimiento proactivas y reduciendo el riesgo de fallas críticas. Este estudio proporciona valiosos conocimientos para estrategias de mantenimiento basadas en datos, optimizando la eficiencia operativa y extendiendo la vida útil de los componentes de las turbinas de gas. El trabajo futuro se centrará en el despliegue en tiempo real y una validación adicional con conjuntos de datos ampliados.