Las aplicaciones modernas de máquinas industriales a menudo contienen funciones de recopilación de datos a través de sistemas de automatización o sensores externos. Sin embargo, aunque los diferentes mecanismos de recopilación de datos pueden ser fáciles de construir, se recomienda tener en cuenta de manera equilibrada las posibles entradas de datos basadas en las características de la máquina, su uso y el entorno operativo. La consideración previa de los parámetros de datos recopilados reduce el riesgo de datos excesivos, pero sigue existiendo otro desafío: distinguir características significativas relevantes para el propósito. Esta investigación ilustra un enfoque de recopilación de datos y preprocesamiento de datos de una máquina de fresado periférico para diagnosticar parámetros significativos de la máquina relacionados con el desgaste de la herramienta de fresado. Las experiencias obtenidas de esta investigación fomentan la realización de una pre-categorización de datos significativos para el propósito, que incluyen datos de configuración manual, datos del sistema de automatización de control lógico programable (PLC), parámetros calculados y parámetros medidos en este estudio. Además, los resultados de la fase de preprocesamiento de datos en bruto, realizados con el Coeficiente de Correlación de Pearson y métodos de importancia de características por permutación, indican que la correlación más dominante con las características de desgaste reconocidas en el contexto de la máquina en cuestión se percibe con el monitoreo de la excitación por vibración. La señal de vibración de raíz cuadrada media (RMS) se predice además utilizando el algoritmo de regresión de vectores de soporte (SVR) para probar la idoneidad general del SVR para la aproximación del índice de salud del activo (HI). Se encontró que el algoritmo SVR tiene suficientes capacidades de pronóstico del comportamiento de los parámetros de datos para ser utilizado en el proceso de pronóstico de la máquina de fresado periférico y su desarrollo. El SVR con función de base radial (RBF) gaussiana recibe las métricas de puntuación más altas; por lo tanto, supera a los núcleos lineales y polinómicos comparados como parte del estudio.