La noción de mantenimiento predictivo se percibe como un avance en los sectores manufacturero y otros sectores industriales. Los recientes avances en este campo pueden atribuirse a la amalgama de soluciones basadas en Inteligencia Artificial y Aprendizaje Automático (ML) en la predicción del estado de salud de las máquinas. La mayoría de los modelos de aprendizaje automático existentes son una hibridación de algoritmos de ML comunes que requieren una extensa ingeniería de características. Sin embargo, la implementación en tiempo real de estos modelos exige un menor esfuerzo computacional con una mayor precisión. El marco de clasificación analítica predictiva Multi-etiquetado Contextual Multicapa Bayesiano Inferencial (M-CMBI) propuesto es un enfoque novedoso que utiliza un enfoque cognitivo al imitar la actividad del cerebro, denominada Negatividad por Desajuste (MMN), para clasificar las fallas. Este modelo adaptativo tiene como objetivo clasificar las fallas en múltiples clases basadas en la magnitud estimada de la falla. Este modelo se prueba en eficacia en el conjunto de datos de la bomba que contiene 52 elementos de datos de sensores crudos para predecir la clase en normal, roto y recuperándose. No todos los datos de sensores contribuirán a la calidad de la predicción. Por lo tanto, la naturaleza de los datos de los sensores se analiza utilizando Análisis Exploratorio de Datos (EDA) para priorizar la importancia de los sensores y clasificar las fallas según su magnitud. Los resultados de la clasificación se validan en métricas como precisión, F1-Score, Precisión y Recall frente a técnicas de vanguardia. Por lo tanto, el modelo propuesto puede ofrecer resultados prometedores sin la necesidad de una ingeniería de características que consuma tiempo y tareas de procesamiento de señales complejas, lo que lo hace altamente favorable para ser implementado en aplicaciones en tiempo real.