Al combinar el Mantenimiento Basado en Condiciones (CBM) con el Modelo de Riesgos Proporcionales (PHM), las industrias intensivas en activos a menudo monitorean covariables vitales para predecir la tasa de fallos, la función de fiabilidad y las decisiones de mantenimiento. Este análisis requiere definir las probabilidades de transición de las condiciones de los activos que evolucionan entre estados a lo largo del tiempo. Cuando solo se evalúa una covariable, los parámetros del modelo se obtienen comúnmente de opiniones de expertos para proporcionar bandas de estado directamente. Sin embargo, el desafío radica en los problemas de múltiples covariables, donde el juicio arbitrario puede ser difícil y debatible, ya que la medición compuesta no representa ninguna magnitud física. Además, la selección de covariables carece de procedimientos para priorizar las más relevantes. Por lo tanto, el presente trabajo tuvo como objetivo determinar bandas de múltiples covariables para la matriz de probabilidad de transición a través de clasificación supervisada y agrupamiento no supervisado. Utilizamos Aprendizaje Automático (ML) para fortalecer el modelo PHM y complementar el conocimiento experto. Este documento permite obtener el número de bandas de covariables y los límites óptimos de cada una al tratar con decisiones de mantenimiento predictivo. Esta novedosa propuesta de evaluación de condiciones mediante ML es una alternativa robusta al criterio experto para proporcionar resultados precisos, aumentando la expectativa de la vida útil restante de activos críticos. Finalmente, esta investigación ha construido un puente enriquecido entre las áreas de decisión del mantenimiento predictivo y la Ciencia de Datos.