En el ámbito de la industria automatizada y la producción inteligente, la implementación de sistemas de advertencia de fallas es crucial para garantizar la confiabilidad del equipo y mejorar la eficiencia operativa. Aunque existen una multitud de metodologías existentes para la advertencia de fallas, la eficacia de estos sistemas en el procesamiento y análisis de datos está siendo desafiada cada vez más por el avance de los aparatos industriales y la creciente magnitud e intrincación de los datos involucrados. Para abordar estos desafíos, esta investigación describe una metodología innovadora de advertencia de fallas que combina una red neuronal de memoria a corto y largo plazo bidireccional (Bi-LSTM) con un algoritmo de optimización mejorado de cazador-presa (EHPO). La red Bi-LSTM se utiliza estratégicamente para delinear patrones temporales complejos en los datos operativos de maquinaria, mientras que el algoritmo EHPO se emplea para ajustar meticulosamente los hiperparámetros de la Bi-LSTM, con el objetivo de mejorar la precisión y generalizabilidad de la advertencia de fallas. El algoritmo EHPO, basado en el marco de optimización de cazador-presa (HPO), introduce un proceso avanzado de inicialización de población, integra una variedad de metodologías de exploración estratégica y fortalece sus paradigmas de búsqueda mediante la incorporación del algoritmo de evolución diferencial (DE). Esta mejora integral tiene como objetivo potenciar la eficiencia de búsqueda global y acelerar la velocidad de convergencia del algoritmo. Análisis empíricos, realizados con conjuntos de datos de escenarios industriales del mundo real, han validado el mejor rendimiento de advertencia de esta metodología propuesta frente a algunas técnicas de referencia, como lo demuestran métricas superiores como el error cuadrático medio (RMSE) y el error absoluto medio (MAE), aunque con un ligero aumento en los requisitos de recursos computacionales. Este estudio no solo propone un nuevo paradigma para la advertencia de fallas dentro de marcos industriales complejos, sino que también contribuye al discurso sobre la optimización de hiperparámetros dentro del campo de los algoritmos de aprendizaje automático.