En la industria metalúrgica, los defectos que se producen durante la laminación en caliente tienen una notable relevancia ya que demasiadas veces no son detectables hasta etapas más avanzadas del proceso, con el consiguiente perjuicio. La solución más extendida en la industria es la utilización de Sistemas de Monitorización de Condiciones (SMC) que generan alarmas cuando una variable de proceso infringe los límites admisibles fijados en función del tipo de producto. En este trabajo, se propone una monitorización de estado de defecto basado en un modelo de aprendizaje automático como alternativa a los SMC. Este sistema proporcionaría un indicador de la propensión del sistema de fabricación a generar el defecto en los productos de acero. Además, serviría como una guía para conducir el sistema a un estado de menor riesgo gracias a un modelo explicativo y gráficas de dependencias parciales.