El desarrollo de herramientas basadas en inteligencia artificial está teniendo un gran impacto en la industria. En este contexto, las operaciones de mantenimiento de activos importantes y recursos industriales están cambiando, tanto desde una perspectiva teórica como práctica. Específicamente, el mantenimiento convencional reacciona a fallas y averías a medida que ocurren o programa las inspecciones necesarias de sistemas y sus partes en momentos fijos utilizando estadísticas sobre fallas de componentes, pero esto puede mejorarse mediante un mantenimiento predictivo basado en el estado de salud real de los componentes, que es inspeccionado por sensores apropiados. De esta manera, se ahorran tiempo y costos de mantenimiento. Se pueden lograr mejoras incluso en la industria marítima, en la que se producen sistemas de propulsión de barcos complejos para operar en diferentes escenarios. En más detalle, los modelos basados en datos, a través de algoritmos de aprendizaje automático (ML), generan los valores esperados de variables monitoreadas para su comparación con mediciones reales en el activo, para un diagnóstico basado en la diferencia entre expectativas y observaciones. El primer paso hacia la realización del mantenimiento predictivo es la elección del algoritmo de ML. Esta selección no suele ser consecuencia de un análisis profundo de los diferentes algoritmos disponibles en la literatura. Por esa razón, aquí los autores proponen un marco de trabajo para apoyar una etapa de implementación inicial del mantenimiento predictivo basado en una evaluación comparativa de los algoritmos de ML más adecuados. La comparación se prueba para predecir fallas en el circuito de aceite en un motor diésel marino como estudio de caso. Los algoritmos se comparan considerando no solo el error cuadrático medio entre las predicciones del algoritmo y los datos, sino también el tiempo de respuesta, que es una variable crucial para el mantenimiento. Los resultados indican claramente que el marco de trabajo respalda bien el mantenimiento predictivo y que el error de predicción y el tiempo de ejecución son variables apropiadas para elegir el algoritmo de ML más adecuado para la predicción. Además, el marco propuesto se puede utilizar para probar diferentes algoritmos, en base a más índices de rendimiento, y aplicar el mantenimiento predictivo a otros componentes del motor.