Los procesos de mantenimiento son de gran importancia para las plantas industriales. Deben realizarse de forma regular e ininterrumpida. Para ayudar al personal de mantenimiento, los sensores industriales monitoreados por sistemas de control distribuido observan y recopilan varios parámetros de maquinaria en la nube. Luego, los algoritmos de aprendizaje automático intentan encontrar patrones y clasificar comportamientos anómalos. Este documento presenta un nuevo modelo de aprendizaje profundo llamado stranded-NN. Este modelo utiliza un conjunto de modelos de NN de profundidades de capa variables dependiendo de la entrada. De esta manera, el modelo propuesto puede clasificar diferentes tipos de emergencias que ocurren en diferentes intervalos de tiempo; en tiempo real, casi en tiempo real o periódicamente. El modelo stranded-NN propuesto ha sido comparado con MLPs de profundidad fija y redes LSTM utilizadas por la industria. La experimentación ha demostrado que el modelo stranded-NN puede superar a los MLPs de profundidad fija en un 15-21% más en términos de precisión para eventos en tiempo real y al menos un 10-14% más para eventos casi en tiempo real. En cuanto a las LSTMs con la misma profundidad de memoria que la entrada de strand de NN, el stranded-NN presenta resultados similares en términos de precisión para un número específico de strands. Sin embargo, la capacidad del modelo stranded-NN para mantener múltiples strands entrenados lo convierte en una solución de clasificación y predicción superior y más flexible que su contraparte LSTM, además de ser más rápido en entrenamiento y clasificación.