El Modelo de Riesgos Proporcionales (PHM) bajo una política de Mantenimiento Basado en Condiciones (CBM) es utilizado por industrias intensivas en activos para predecir la tasa de fallos, la función de fiabilidad y las decisiones de mantenimiento basadas en datos de covariables vitales. La optimización de la verosimilitud parcial de Cox es un método para evaluar el peso del tiempo y las condiciones en la tasa de riesgo; sin embargo, la estimación de parámetros con un problema de covariables diversas podría tener múltiples soluciones viables. Por lo tanto, la evaluación de límites y la estrategia de valor inicial son cuestiones críticas a considerar. Este artículo analiza enfoques innovadores no/semi-paramétricos para abordar este problema. Específicamente, incorporamos IPCRidge para definir límites y utilizamos Gradient Boosting y Random Forest para estimar valores semilla para el peso de las covariables. Cuando se aplica a un estudio de caso real, la integración de la escalación de datos agiliza el manejo de datos de condiciones con diversas órdenes de magnitud y unidades. Esta mejora simplifica el proceso de modelado y asegura un análisis de datos subyacente más completo y preciso. Finalmente, el método propuesto muestra un camino innovador para evaluar los pesos de las condiciones y los parámetros de Weibull con enfoques basados en datos y algoritmos avanzados, aumentando la robustez de la optimización de verosimilitud logarítmica no convexa y fortaleciendo el modelo PHM con múltiples covariables al facilitar su interpretación para fines de mantenimiento predictivo.