La cuarta revolución industrial (Industria 4.0) trajo cambios significativos en la fabricación, impulsados por tecnologías como la inteligencia artificial (IA), el Internet de las Cosas (IoT), 5G, la robótica y el análisis de grandes datos. Para que las industrias se mantengan competitivas, los objetivos principales deben ser la mejora de la eficiencia y la seguridad de la maquinaria, la reducción de los costos de producción y el aumento de la calidad del producto. El mantenimiento predictivo (PdM) utiliza datos históricos y modelos de IA para diagnosticar la salud del equipo y predecir la vida útil restante (RUL), proporcionando información crítica para la efectividad de la maquinaria y la fabricación de productos. Esta predicción es una estrategia crítica para maximizar la vida útil del equipo, especialmente en infraestructuras a gran escala e importantes. Este estudio se centra en desarrollar una solución de clasificación del estado de la máquina no supervisada utilizando mediciones industriales del mundo real recopiladas de una máquina de prensado neumática. Se probaron modelos de aprendizaje automático (ML) no supervisados para diagnosticar y determinar el estado de funcionamiento de la máquina de prensado en cada momento dado (fuera de línea, inactiva, prensando, defectuosa). Nuestra investigación contribuye a extraer información valiosa sobre entornos industriales del mundo real para el PdM y la eficiencia de producción utilizando ML no supervisado, promoviendo la seguridad operativa, la reducción de costos y el aumento de la productividad en las industrias modernas.