La creciente complejidad del diseño de vehículos, el uso de nuevos tipos de motores y combustibles, y la creciente inteligencia de los automóviles están haciendo que sea cada vez más difícil garantizar un funcionamiento sin problemas. Encontrar piezas defectuosas de manera rápida y precisa se está volviendo cada vez más complicado, ya que el proceso de diagnóstico requiere analizar una gran cantidad de información. Por lo tanto, proponemos un enfoque basado en reglas de asociación, una técnica de aprendizaje automático, para simplificar el proceso de detección de defectos. Para facilitar su uso en un entorno real de empresa de reparación, hemos desarrollado un servicio web que permite a un reparador identificar simultáneamente nodos con alta probabilidad de fallo. Hemos descrito la estructura y los principios de funcionamiento del servicio web desarrollado, así como el procedimiento para su aplicación, que resultó en el descubrimiento de varias reglas útiles no triviales. Hemos presentado varias reglas resultantes del uso de esta herramienta interactiva, que permiten a los reparadores detectar posibles defectos en los componentes relevantes, durante el proceso de diagnóstico, de manera rápida y sencilla. Estas reglas también están bien fundamentadas y pueden ser utilizadas por los departamentos de adquisiciones para tomar decisiones tácticas al seleccionar a los proveedores y fabricantes más prometedores. La metodología desarrollada permite evaluar la efectividad de los cambios en el diseño y la tecnología para la fabricación y operación de componentes individuales de vehículos, analizando el cambio en la composición de las combinaciones de piezas a lo largo del tiempo.