En vista de la Industria 4.0, la generación y análisis de datos son desafíos. Por ejemplo, el monitoreo de la salud de las máquinas y la predicción de la vida útil restante utilizan señales de sensores, que son difíciles de analizar utilizando métodos tradicionales y técnicas matemáticas. Los algoritmos de aprendizaje de máquinas y profundos se han utilizado ampliamente en la Industria 4.0 para procesar señales de sensores y mejorar la precisión de las predicciones. Por lo tanto, este artículo propone y valida el modelo de predicción basado en datos para analizar datos de sensores, incluida la fase de transformación de datos Análisis de Componentes Principales probado por Transformación de Fourier y Transformación de Onda, y la fase de modelado basada en algoritmos de aprendizaje de máquinas y profundos. Los algoritmos de aprendizaje de máquinas utilizados para las pruebas en esta investigación son Regresión de Bosques Aleatorios (RFR), Regresión Lineal Múltiple (MLR) y Regresión de Árbol de Decisión (DTR). Para la comparación de aprendizaje profundo, los algoritmos son Regresión de Aprendizaje Profundo y red convolucional con Arquitectura LeNet-5. Los resultados experimentales indican que los modelos muestran resultados prometedores en la predicción de valores de desgaste y abren el problema a investigaciones adicionales, alcanzando valores máximos de precisión del 92.3% para el primer conjunto de datos y del 62.4% para el segundo conjunto de datos.