A manutenção e gestão de ativos na indústria cimenteira apresentam desafios complexos devido ao desgaste intensivo de equipamentos como o moinho vertical de rolos, essencial na produção de cimento. Este trabalho aborda a aplicação de técnicas de Machine Learning para prever o desgaste e monitorar falhas no moinho, a fim de aumentar a disponibilidade e eficiência dos ativos. Foram desenvolvidos dois programas: um para análise de conformidade e falhas, e outro para controle do desgaste, utilizando Redes Neurais Artificiais (ANN) e redes Long Short-Term Memory (LSTM). As variáveis de entrada dos modelos foram obtidas a partir de manuais e planos de manutenção do equipamento, e os dados foram tratados e modelados em Python com o uso de bibliotecas específicas. Os resultados mostraram que o modelo LSTM apresentou melhor desempenho preditivo em várias posições dos rolos, com coeficientes de determinação (𝑅2) superiores e menor erro quadrático médio (MSE) em comparação ao modelo ANN. Esse sistema permite um monitoramento preditivo, que se alinha aos conceitos de Manutenção Preditiva e contribui para a redução de paradas não programadas. Foi possível concluir que as técnicas de aprendizado de máquina apresentam um potencial significativo para otimizar a manutenção na indústria cimenteira, especialmente no monitoramento de desgaste e falhas, conforme indicado pelos resultados obtidos nas simulações realizadas.