En los últimos años, las últimas técnicas de modelado de mantenimiento que adoptan el método basado en datos, como el aprendizaje automático (ML), han traído consigo una amplia gama de aplicaciones útiles. Uno de los principales desafíos en la industria automotriz es la detección temprana de fallas en los componentes para una respuesta rápida, una acción adecuada y la minimización de los costos de mantenimiento. Un componente vital de un sistema automotriz es un sistema de presión de aire (APS). La falla del APS sin respuestas adecuadas y rápidas puede llevar a altos costos de mantenimiento, pérdida de vidas y daños en los componentes. Este documento aborda un problema de clasificación en el que detectamos si una falla pertenece o no al APS. Si ocurre una falla en el APS, se clasifica como clase positiva; de lo contrario, se clasifica como clase negativa. Por lo tanto, en este documento, proponemos la regresión logística embebida amplia (BELR). La BELR propuesta se aplica para predecir la falla del APS. Combina un sistema de aprendizaje amplio (BLS) y un clasificador de regresión logística (LogR) como un modelo de fusión. El enfoque propuesto capitaliza la fortaleza de BLS y LogR para una mejor predicción de fallas del APS. Además, empleamos los nodos de mapeo de características de BLS para extraer características de los datos de entrada. Además, utilizamos los nodos de mejora de BLS para mejorar las características de los nodos de mapeo de características. Por lo tanto, tenemos características que pueden ayudar a LogR para un mejor rendimiento de clasificación, incluso cuando los datos están sesgados hacia la clase positiva o negativa. Además, para prevenir la maldición de la dimensionalidad, un problema común con conjuntos de datos de alta dimensionalidad, utilizamos el análisis de componentes principales (PCA) para reducir la dimensión de los datos. Validamos la BELR propuesta utilizando el conjunto de datos del APS y comparamos los resultados con otros clasificadores robustos de aprendizaje automático. Los métricos de evaluación comúnmente utilizados, es decir, Recall, Precision y F1-score, se utilizan para evaluar el rendimiento del modelo. A partir de los resultados, validamos el rendimiento de la BELR propuesta.