La gestión de pronósticos y salud (PHM) es un marco para identificar daños antes de que ocurran, lo que conduce a la reducción de los costos de mantenimiento y de los riesgos de seguridad. Basándose en los datos recopilados en el monitoreo de condiciones, se predice la degradación de la pieza. Los estudios muestran que la mayoría de las fallas son causadas por fallos en los rodamientos de elementos rodantes, lo que destaca que un rodamiento es uno de los componentes mecánicos más importantes de cualquier máquina. Por lo tanto, se vuelve importante monitorear la degradación del rodamiento para asegurarse de que se utilice correctamente. Generalmente, se utilizan técnicas de aprendizaje automático (ML) o aprendizaje profundo (DL) para predecir la degradación del rodamiento utilizando un enfoque basado en datos, donde se capturan señales de la máquina. Debe haber una gran cantidad de datos para aplicar técnicas de ML o DL, pero es difícil recopilar esa cantidad de datos directamente de cualquier máquina. En este estudio, se lleva a cabo una evaluación de salud utilizando el coeficiente de correlación para dividir la vida del rodamiento en dos etapas de degradación. La señal cruda se procesa utilizando la transformada discreta de wavelet (DWT), donde se utiliza la información mutua para clasificar y seleccionar la wavelet base, después de lo cual se utilizan redes generativas adversariales tabulares (TGAN) para generar los coeficientes artificiales. Se calculan características estadísticas a partir de los datos reales (coeficientes DWT) y los datos artificiales (generados a partir de TGAN). El vector de características construido se utiliza como entrada para entrenar modelos de aprendizaje automático, a saber, árbol de bolsa de conjunto (EBT) y regresión de proceso gaussiano con la función de kernel exponencial cuadrada (SEGPR), para estimar las condiciones de degradación del rodamiento. Ambos modelos de aprendizaje automático fueron validados con los datos experimentales disponibles públicamente del rodamiento FEMTO. Los resultados obtenidos mostraron que los modelos EBT y SEGPR desarrollados predijeron con precisión las condiciones de degradación del rodamiento con un valor promedio más bajo de 0.0045 y un valor de 0.0037.