El modelo de riesgos proporcionales (PHM) es un procedimiento estadístico vital para el mantenimiento basado en condiciones que integra el monitoreo de la edad y covariables para estimar la salud de los activos y predecir riesgos de falla. Sin embargo, al tratar con escenarios de múltiples covariables, el PHM enfrenta desafíos de interpretabilidad cuando carece de criterios coherentes para definir el grado de influencia de cada covariable en la tasa de riesgo. Por lo tanto, proponemos una formulación integral de aprendizaje automático (ML) con un optimizador de punto interior y un aumento de gradiente para maximizar y converger la verosimilitud logarítmica para estimar los pesos de las covariables, y un modelo de K-means y mezcla gaussiana (GMM) para bandas de estado de condición. Utilizando datos industriales reales, este documento evalúa ambas técnicas de agrupamiento para determinar su idoneidad en relación con la confiabilidad, la vida útil restante y las reglas de decisión de intervención de activos. Al desarrollar modelos que difieren en las covariables seleccionadas, los resultados muestran que, aunque K-means y GMM producen políticas comparables, GMM se destaca por su robustez en la definición de clústeres y su interpretación intuitiva en la generación de las bandas de estado. En última instancia, dado que los modelos evaluados sugieren políticas similares, el novedoso PHM-ML demuestra la robustez de su proceso de estimación de pesos de covariables, fortaleciendo así la orientación para las decisiones de mantenimiento predictivo.