Con el desarrollo de aviones de próxima generación, la complejidad del equipo ha aumentado rápidamente, y las soluciones de mantenimiento tradicionales se han vuelto costosas y que consumen mucho tiempo. Por lo tanto, el objetivo principal de este estudio es adoptar técnicas de mantenimiento predictivo en el mantenimiento diario para reducir la mano de obra, el tiempo y el costo del mantenimiento, así como aumentar la disponibilidad de las aeronaves. El sistema de tren de aterrizaje es un componente importante de una aeronave. El desgaste de las partes del tren de aterrizaje puede resultar en oscilaciones durante el despegue y el aterrizaje, e incluso afectar la seguridad del fuselaje en casos severos. Este estudio adquiere señales de vibración del registrador de datos de vuelo y utiliza tecnología de gestión de pronósticos y salud para evaluar los indicadores de salud (IH) del tren de aterrizaje. El IH se utiliza para monitorear el estado de salud y predecir la vida útil restante (VUR). El modelo de predicción de VUR se optimiza a través de la optimización de hiperparámetros y utilizando el algoritmo de búsqueda aleatoria. Usando el modelo de predicción de VUR, se puede monitorear el estado de salud del tren de aterrizaje y llevar a cabo un mantenimiento adaptativo. Después de la optimización del modelo de predicción de VUR, los errores cuadráticos medios de los tres modelos de predicción de VUR, es decir, el modelo autorregresivo, la regresión de procesos gaussianos y el promedio móvil integrado autorregresivo, disminuyeron en un 45.69%, 55.18% y 1.34%, respectivamente. Además, se aplica el algoritmo XGBoost para generar simultáneamente múltiples tipos de fallas. Este modelo proporciona una representación más realista de las condiciones reales bajo las cuales una aeronave podría presentar múltiples fallas. Con un modelo de diagnóstico de fallas óptimo, cuando se detecta una anomalía en el tren de aterrizaje, se puede diagnosticar rápidamente la parte defectuosa, lo que permite un mantenimiento más rápido y adaptativo. El modelo de diagnóstico de múltiples fallas optimizado propuesto en este estudio logra una precisión promedio, una tasa de precisión, una tasa de recuperación y una puntuación F1 de más del 96.8% para veinte tipos de fallas.