Los valores de par de apriete considerados en el ensamblaje de subpartes de vehículos son de gran importancia en términos de seguridad de conexión. El valor de par a seleccionar es diferente para cada tipo de unión atornillada con respecto a las características mecánicas. Si bien el valor de par de apriete es un indicador importante, el valor de precarga del tornillo es siempre un parámetro más confiable en términos de si se puede lograr un apriete seguro o no. Por esta razón, cuando se desea crear uniones confiables, se debe calcular bien el valor de precarga que el par de apriete generará en el paquete de conexión. Este estudio presenta un enfoque integrado utilizando el método de Taguchi (TM) y redes neuronales (NN) para predecir el mecanismo de autoaflojamiento de uniones atornilladas en conexiones de suspensión de motor de chasis automotriz. La carga externa que actúa sobre las uniones de la suspensión del motor se recopiló de pruebas de banco. Se aplicó NN para establecer la relación entre los factores controlados y la tasa de aflojamiento. Los resultados mostraron que el enfoque propuesto puede utilizarse para predecir el mecanismo de autoaflojamiento y el comportamiento de las uniones atornilladas sin pruebas adicionales, y es posible hacer predicciones con tasas de error muy bajas utilizando técnicas de inteligencia artificial.