Este trabajo presenta el desarrollo de un sistema de protección térmica adaptativa para máquinas síncronas (SM), teniendo en cuenta la temperatura de enfriamiento final y el punto de operación de la máquina. Este sistema tiene como objetivo mejorar las protecciones térmicas actuales, que consisten en umbrales de alarma y desconexión fijos, independientemente del punto de operación del generador o de la temperatura ambiente. Se ha empleado un enfoque basado en redes neuronales recurrentes (RNN) para predecir las temperaturas de las SM durante la operación. Se han realizado múltiples pruebas en un banco de pruebas diseñado especialmente. Dentro de los devanados y el núcleo de hierro del generador de 5.5 kVA, se han instalado múltiples sensores Pt100 para entrenar la red neuronal con valores de temperatura reales, lo que permite predicciones precisas. El modelo RNN seleccionado es Long Short-Term Memory (LSTM). Sus entradas incluyen variables eléctricas y las temperaturas del aire de entrada y salida del sistema de enfriamiento de la SM. Los resultados muestran que el modelo define con precisión los umbrales de advertencia y desconexión, mejorando significativamente la protección térmica, ya que estos umbrales ya no son valores fijos. Además, el estudio sugiere validar el modelo en caso de fallos del sistema de enfriamiento y explorar su aplicación en sistemas refrigerados por agua. Esta investigación está respaldada por una patente sobre diagnósticos térmicos en tiempo real para máquinas síncronas, destacando su potencial contribución al mantenimiento predictivo y al monitoreo de sistemas de generación de energía.