En el contexto de la Industria 4.0 las empresas se enfrentan al desafío de aprovechar la tecnología para optimizar sus procesos y aumentar su rentabilidad sin perder competitividad. El mantenimiento predictivo que utiliza la tecnología de la Industria 4.0 brinda información relevante sobre las máquinas en el futuro. Las herramientas de inteligencia artificial exploradas permiten desarrollar estrategias de mantenimiento predictivo basadas en el monitoreo continuo de las máquinas, lo que permite realizar el mantenimiento cuando es necesario. En este trabajo final se aborda el problema común del desequilibrio de datos en el análisis de fallas, utilizando estrategias como la creación de una función de costos, la variación de un umbral de probabilidad y técnicas de desequilibrio. Se desarrollan modelos de aprendizaje automático con diversos resultados. El mejor modelo logra predecir con precisión casi la totalidad y otros un tanto menos dentro de la métrica recall, en cuanto a si una máquina fallará o no en función de sus condiciones operativas. Se aborda el tema de la “explicabilidad” tanto de la inteligencia artificial (XAI) para datos tabulares, así como también se aborda la “explicabilidad” de modelos en formato de series temporales. Los modelos se generan a partir de un estudio previo que resuelve un problema de cálculo de la vida útil restante (RUL) utilizando una red neuronal recurrente, en particular LSTM. Ambos modelos de explicabilidad se basan en los Shapley Values, un enfoque que permite comprender las variables más influyentes en las predicciones mediante la teoría de juegos de coalición.