Este artículo avanza en la investigación sobre el monitoreo inteligente y control de motores de turbina de helicóptero en condiciones a bordo. El sistema de red neuronal propuesto para la predicción de anomalías funciona como un módulo dentro del sistema experto de monitoreo y control de motores de turbina de helicóptero. Se desarrolló un modelo de preprocesador basado en SARIMAX para determinar la autocorrelación y autocorrelación parcial en los datos de entrenamiento, teniendo en cuenta los cambios dinámicos y factores externos, logrando una precisión de predicción de hasta 97.9%. Un modelo predictor basado en LSTM modificado con capas de Dropout y Dense predijo datos de sensores, con un margen de error probado del 0.218% para predecir los valores de temperatura de gas del motor de la aeronave TV3-117 antes de la turbina del compresor durante un minuto de vuelo de helicóptero. Un modelo de reconstructor restauró los valores faltantes de series temporales y reemplazó los valores atípicos con valores sintéticos, logrando hasta un 98.73% de precisión. Un modelo de detector de anomalías utilizando el concepto de disonancia identificó con éxito dos anomalías: un mal funcionamiento del sensor y una brusca caída de temperatura dentro de dos minutos de actividad del sensor, con errores tipo I y II por debajo de 1.12 y 1.01% y un tiempo de detección inferior a 1.611 s. El valor de AUC-ROC del sistema de 0.818 confirma su fuerte capacidad para diferenciar entre datos normales y anómalos, asegurando una detección confiable y precisa de anomalías. Las limitaciones implican la dependencia de la calidad de los datos de los sensores a bordo, afectados por mal funcionamiento o ruido, con la precisión de la red LSTM (hasta un 97.9%) variando con las condiciones del helicóptero, y la alta demanda computacional del modelo que potencialmente limita su uso en tiempo real en entornos con recursos limitados.