El mantenimiento predictivo (PdM) es el más adecuado para la eficiencia de producción y la reducción de costos, con el objetivo de realizar acciones de mantenimiento cuando sea necesario, evitando fallos no deseados y acciones preventivas innecesarias. El uso creciente de tecnologías 4.0 en las industrias ha permitido la adopción de avances recientes en el aprendizaje automático (ML) para desarrollar una estrategia de PdM efectiva. Sin embargo, la eficiencia de producción no solo considera los volúmenes de producción en términos de piezas o horas de trabajo, sino también la calidad del producto (PQ), que es un parámetro importante para detectar posibles defectos en las máquinas. De hecho, PQ puede ser utilizado como un parámetro para predecir posibles fallos y afecta profundamente los costos de fabricación y la fiabilidad. En este contexto, este estudio tiene como objetivo crear un marco de mantenimiento basado en el rendimiento del producto a través de ML para determinar la estrategia óptima de PdM basada en el nivel deseado de calidad del producto y rendimiento de producción. El marco se divide en tres partes, comenzando desde la recolección de datos, pasando por la elección del algoritmo de ML y la construcción del modelo, y finalmente, el análisis de resultados de la aplicación a un proceso de fabricación real. El modelo ha sido probado dentro de la línea de producción de componentes electromecánicos. Los resultados muestran que la relación entre las variables que representan el estado de la máquina y los parámetros cualitativos del proceso de producción nos permite controlar las acciones de mantenimiento basadas en la optimización de desperdicios, logrando una mejora en la fiabilidad de la máquina. Además, la aplicación en el proceso de fabricación nos permite ahorrar alrededor del 50% de los costos por tiempo de inactividad de la máquina y el 64% de los costos por desperdicios.