A pesar del reciente aumento en las prácticas de agricultura inteligente, la incertidumbre del sistema y las dificultades asociadas con el mantenimiento de los sitios de cultivo obstaculizan su adopción generalizada. Los sistemas de producción agrícola son extremadamente sensibles a los tiempos de inactividad operativa causados por fallas, ya que pueden dañar los cultivos. Para resolver este problema, los tipos de datos anormales, las técnicas actuales de determinación de errores para cada tipo de datos y la precisión de la determinación de datos anómalos basada en la comprensión espacial de los valores detectados se clasifican en este documento. Diseñamos e implementamos un sistema para detectar y predecir datos anormales utilizando un algoritmo de red neuronal recurrente y diagnosticar fallas utilizando una técnica ontológica. El sistema propuesto comprende la nube a cargo del equipo de IoT instalado en el banco de pruebas agrícola, comunicación y control, gestión del sistema y un marco común basado en aprendizaje automático y aprendizaje profundo para el diagnóstico de fallas. Exhibe un excelente rendimiento de predicción, con un error cuadrático medio de 0.073 para el modelo de memoria a corto y largo plazo. Teniendo en cuenta el creciente número de instalaciones de producción agrícola en los últimos años, se espera que los resultados de este estudio prevengan daños en las granjas debido a tiempos de inactividad causados por errores, fallas y envejecimiento.