En la industria química, la operación estable del reactor es esencial para una producción consistente. Las fallas en los motores pueden interrumpir las operaciones, resultando en pérdidas económicas y riesgos de seguridad. Los métodos de monitoreo tradicionales, basados en la experiencia humana y en un monitoreo de corriente simple, a menudo necesitan ser más rápidos y precisos. El rápido desarrollo de la inteligencia artificial proporciona herramientas poderosas para la detección temprana de fallas y el mantenimiento. En este estudio, se utiliza el índice T de Hotelling para calcular los valores cuadráticos medios de las coordenadas x, y, y z del motor normal. Un modelo de memoria a corto y largo plazo (LSTM) crea un modelo de tendencia para el índice T de Hotelling, determinando un umbral de advertencia temprana. La detección de anomalías actual sigue el estándar ISO 10816-1, mientras que la predicción de anomalías futuras utiliza el modelo de tendencia T-LSTM. Validado en una planta química en el sur de Taiwán, el método muestra un 98% de acuerdo entre las anomalías predichas y reales durante tres meses, demostrando su efectividad. El modelo T-LSTM mejora significativamente la precisión en la detección de fallas en motores, lo que potencialmente reduce las pérdidas económicas y mejora la seguridad en la industria química. La investigación futura se centrará en reducir las falsas alarmas e integrar más datos de sensores.