Entender la criticidad de los componentes en la degradación del rendimiento de la maquinaria es importante para garantizar la fiabilidad y disponibilidad de los sistemas de los barcos, especialmente considerando la naturaleza de las operaciones navales que requieren períodos de viaje prolongados, generalmente atravesando regiones con múltiples condiciones climáticas y ambientales. Exponer el sistema de maquinaria a diferentes grados de carga y condiciones operativas podría llevar a una rápida degradación y a una reducción de la fiabilidad. Esta investigación propone una solución a medida al identificar componentes críticos, las causas raíz de los retrasos en el mantenimiento, comprender los factores que influyen en la fiabilidad del sistema y reconocer los componentes propensos a fallos. Este documento propone un enfoque híbrido utilizando herramientas de análisis de fiabilidad y aprendizaje automático. Utiliza el análisis dinámico de árboles de fallos (DFTA) para determinar cuán fiable e importante es un sistema, así como el análisis de disponibilidad de redes bayesianas (BBN) para ayudar con las decisiones de mantenimiento. Además, desarrollamos un modelo de detección de fallos basado en redes neuronales artificiales (ANN) para identificar los fallos responsables de la falta de fiabilidad del sistema. Realizamos un estudio de caso sobre un sistema de generación de energía de un barco, identificando los componentes críticos para el mantenimiento y los defectos que contribuyen a tales fallos. Utilizando medidas de importancia de fiabilidad y conjuntos de corte mínimos, aislamos todos los fallos que contribuyen con más del 40% de los fallos de subsistemas y eventos relacionados. Entre los 4 MDGs, el sistema de lubricación tuvo la mayor disponibilidad promedio del 67%, mientras que el sistema de refrigeración tuvo la más baja con un 38% utilizando el resultado de disponibilidad de BBN. Por lo tanto, el DSS de BBN recomendó acciones correctivas y ConMon como estrategias de mantenimiento debido a los frecuentes fallos de ciertas partes críticas. ANN encontró sobrecalentamiento cuando la salida de MDG estaba por encima de 180 kVA, vinculando la falla del componente con el rendimiento del generador. Los hallazgos mejoran la fiabilidad y disponibilidad del sistema del barco al reducir fallos y mejorar las estrategias de mantenimiento.