Los marcos de Logística Basada en el Rendimiento (PBL) priorizan la disponibilidad del sistema al optimizar las estrategias de mantenimiento, siendo la estimación de la tasa de reparación un papel crítico en la planificación del mantenimiento predictivo. Este estudio propone un enfoque basado en aprendizaje automático para la predicción de la tasa de reparación, aprovechando redes neuronales completamente conectadas (FCNN) y redes de Memoria a Largo y Corto Plazo (LSTM) entrenadas con muestras de tasa de reparación generadas a partir de un modelo estocástico. La FCNN estima las tasas de reparación máximas, mientras que la LSTM predice las tasas de reparación mínimas, capturando tanto las dependencias en estado estable como las secuenciales en las variaciones de la tasa de reparación. Al eliminar la necesidad de formulaciones matemáticas complejas, la metodología propuesta proporciona una alternativa escalable y computacionalmente eficiente a los modelos estocásticos tradicionales. Amplias evaluaciones de rendimiento demuestran que las redes neuronales logran una mayor precisión y menores costos computacionales en comparación con los enfoques estocásticos, lo que las hace adecuadas para aplicaciones de mantenimiento predictivo en tiempo real. Esta investigación mejora la toma de decisiones en la planificación del mantenimiento, optimiza la asignación de recursos y mejora la fiabilidad general del sistema dentro de los marcos PBL.