En la presente tesis se diseña un sistema predictivo para anticipar las fallas en una grúa STS en el Terminal Portuario de Guayaquil, a través del análisis vibratorio de motores eléctricos incorporados en la grúa usando un modelo de Inteligencia Artificial, y mostrar los resultados de ese modelo en un sistema SCADA. En los aspectos considerados para la determinación de falla de motores, está la revisión de la magnitud de frecuencias según las normas ISO y los armónicos en el espectro de frecuencia para diagnosticar fallo mecánico de los elementos móviles del sistema y estructura mecánica que soporta al mismo. Esto con el fin de que el área de mantenimiento este mejor preparada para preservar la integridad de la grúa y no tenga que detener sus operaciones por un tiempo prolongado, a causa de un desperfecto o avería critica fuera del plan de mantenimiento actual. Además de generar un registro más eficiente de datos históricos para el seguimiento y pronóstico de fallos de grúas del terminal portuario. Para el diseño se montó una red con equipos Siemens como PLC, variador de frecuencia, módulos punto a punto y motores de inducción, el cual se conectó a un servidor que crea una instancia en Node RED para distribuir los datos de vibración, voltaje, corriente, peso y posición a una red neuronal de regresión para así llegar a la determinación de la probabilidad de una tendencia de falla. De los resultados obtenidos se tuvo que la red reconoce el surgimiento temprano de fallos estructurales e internos de los elementos rodantes progresivamente hasta antes del punto donde generan danos graves en los equipos, notificando la necesidad de mantenimiento preventivo con mayor eficiencia. Con el proyecto se consigue integrar a la grúa a la Industria 4.0, a monitorear continuamente su estado y a proporcionar información útil para preservar la integridad de los equipos esenciales para las tareas diarias. Palabras Clave: redes neuronales, mantenimiento predictivo, histórico de datos, análisis vibratorio