Las estrategias de Mantenimiento Predictivo (PM) han ganado interés en la industria de la aviación para reducir los costos de mantenimiento y el tiempo de Aeronave en Tierra (AOG). Aprovechando los datos de monitoreo de condiciones de los sistemas de aeronaves, los profesionales de Prognósticos y Mantenimiento de Salud (PHM) han estado prediciendo la vida útil de los componentes de aeronaves aplicando conceptos de Vida Útil Restante (RUL). Además, en los pronósticos, la construcción de Indicadores de Salud (HIs) juega un papel significativo cuando los patrones de aparición de fallas son difíciles de descubrir directamente a partir de los datos. Los HIs suelen estar respaldados por modelos basados en datos que manejan señales no estacionarias, por ejemplo, series temporales de sensores de aeronaves, en las que se requieren transformaciones de datos de los dominios de tiempo y frecuencia. En este artículo, construimos HIs en el dominio tiempo-frecuencia basados en la construcción del espectro de Hilbert y proponemos la integración de un modelo basado en la física con un modelo basado en datos para predecir la RUL de las unidades de refrigeración de aeronaves. Utilizando datos de una aerolínea importante y considerando dos etapas de degradación de salud, se puede estimar la aparición de fallas en los sistemas de aeronaves con modelos de Aprendizaje Automático (ML) basados en datos. Específicamente, nuestros resultados revelan que las unidades de refrigeración analizadas experimentan una etapa de degradación normal antes de una degradación anormal que surge dentro de las últimas horas de vuelo de vida útil.