El uso de algoritmos de aprendizaje automático para mejorar la productividad y calidad y maximizar la eficiencia en la industria del acero se ha convertido recientemente en una tendencia importante. En este documento, proponemos un algoritmo que automatiza la configuración en el proceso de laminado en frío y maximiza la productividad al predecir las fuerzas de laminado y las cargas del motor con redes de perceptrón multicapa, además de equilibrar las cargas del motor para aumentar la velocidad de producción. El método propuesto primero construye modelos de perceptrón multicapa con toda la información disponible de los componentes, el proceso de laminado en caliente y el proceso de laminado en frío. Luego, las variables de laminado en frío relacionadas con la configuración de la parte normal se ajustan para equilibrar las cargas del motor entre los soportes de laminado. Para validar el método propuesto, utilizamos un conjunto de datos con 70,533 instancias de 128 tipos de aceros con 78 variables, extraídas del proceso de fabricación real. Se encontró que el método propuesto es superior al modelo de predicción física actualmente utilizado para configuraciones en cuanto a precisión de predicción, equilibrio de carga del motor y velocidad de producción.