El Mantenimiento Predictivo (PdM) es una estrategia prominente que comprende todas las técnicas y acciones operativas necesarias para garantizar la disponibilidad de las máquinas y prevenir fallos en su funcionamiento. Uno de los principales desafíos del PdM es diseñar y desarrollar un sistema inteligente embebido para monitorear y predecir el estado de salud de la máquina. En este trabajo, utilizamos un enfoque basado en datos y aprendizaje automático aplicado a máquinas industriales de trabajo en madera para una importante corporación italiana del sector. Las probabilidades de fallos predichas se calculan a través de modelos de clasificación basados en árboles (Gradient Boosting, Random Forest y Extreme Gradient Boosting) y se calculan como la evolución temporal de los datos de eventos. Esto se logra aplicando técnicas de ingeniería de características temporales y entrenando un conjunto de algoritmos de clasificación para predecir la Vida Útil Restante (RUL) de las máquinas de trabajo en madera. La efectividad del método propuesto se demuestra al probar una muestra independiente de máquinas adicionales de trabajo en madera sin presentar fallos. El modelo de Gradient Boosting logró una precisión, recuperación y exactitud del 98.9%, 99.6% y 99.1%. Nuestro enfoque de mantenimiento predictivo implementado en un marco de Big Data permite monitorear simultáneamente múltiples máquinas conectadas aprendiendo de terabytes de datos de registro. La predicción objetivo proporciona información relevante que puede ser adoptada dentro de la práctica de gestión del mantenimiento.