En la gestión de la salud de sistemas industriales, los pronósticos juegan un papel crucial en la garantía de la seguridad y en la mejora de la disponibilidad del sistema. Si bien el enfoque basado en datos es el más común para este propósito, a menudo enfrenta desafíos debido a la insuficiencia de datos de entrenamiento. Este estudio profundiza en las capacidades de pronóstico de cuatro métodos bajo condiciones de conjuntos de datos de entrenamiento limitados. Los métodos evaluados incluyen dos enfoques basados en redes neuronales, la Red Neuronal Convolucional (CNN) y las redes de Memoria a Largo y Corto Plazo (LSTM), y dos métodos basados en similitud, la Predicción Basada en Similitud de Trayectorias (TSBP) y los Pronósticos de Aumento de Datos (DAPROG), siendo este último una contribución novedosa de los autores. El rendimiento de estos algoritmos se compara utilizando los conjuntos de datos de la Simulación del Sistema Aero-Propulsor Modular Comercial (CMAPSS), que se generan mediante la simulación de la degradación del rendimiento de motores turbofan. Para simular escenarios del mundo real de deficiencia de datos, se elige al azar una pequeña fracción de los conjuntos de datos de entrenamiento del conjunto de datos original para el entrenamiento, y se realiza una evaluación exhaustiva de cada método en términos de predicción de la vida útil restante. Los resultados de nuestro estudio indican que, si bien el modelo de Red Neuronal Convolucional (CNN) generalmente supera a los demás en términos de precisión general, los Pronósticos de Aumento de Datos (DAPROG) muestran un rendimiento comparable en el pequeño conjunto de datos de entrenamiento, siendo particularmente efectivos en el rango del 10% al 30%. Los Pronósticos de Aumento de Datos (DAPROG) también exhiben una menor varianza en sus predicciones, lo que sugiere un rendimiento más consistente. Esto es digno de destacar, dado los desafíos típicos asociados con los métodos de redes neuronales artificiales, como la aleatoriedad inherente, los procesos de toma de decisiones no intuitivos y las complejidades involucradas en el desarrollo de modelos óptimos.