Las nuevas tecnologías se desarrollan dentro de las empresas de hoy en día con el ascenso del paradigma de la Industria 4.0; la Inteligencia Artificial aplicada al Mantenimiento Predictivo es una de ellas, ayudando a las fábricas a automatizar sus sistemas en la detección de anomalías. La desviación de las características estadísticas de las condiciones operativas estándar calculadas en los datos recopilados es una técnica de investigación común que utilizan las empresas. La pérdida de información debido a la transformación de los datos en bruto a características extraídas es un problema de este enfoque. Además, un marco común de Mantenimiento Predictivo requiere datos históricos sobre fallos que a menudo no existen, ignorando la posibilidad de aplicarlo. Este artículo utiliza la Inteligencia Artificial como modelos de Aprendizaje Automático para reconocer cuándo algo cambia en el comportamiento de los datos recopilados hasta ese momento, ayudando también a las empresas a recopilar un conjunto de datos preliminar para la implementación futura del Mantenimiento Predictivo. El objetivo se refiere a un marco en el que se utilizan varios sensores para recopilar datos mediante la adopción de un enfoque de fusión de sensores. La arquitectura está compuesta por un sistema de software optimizado capaz de mejorar la escalabilidad de cálculo y el tiempo de respuesta en cuanto a la detección de novedades. Este artículo analiza la arquitectura propuesta, luego explica un desarrollo de prueba de concepto utilizando un modelo digital; finalmente, se estudian dos casos reales para mostrar cómo se comporta el marco en un entorno real. El análisis realizado en este artículo tiene un enfoque orientado a la aplicación; por lo tanto, una empresa puede utilizar directamente el marco en sus sistemas.