Investigadores de todo el mundo se han centrado en predecir con precisión la vida útil restante de dispositivos electrónicos para garantizar la fiabilidad en diversas industrias. Esto ha sido posible gracias a los avances en inteligencia artificial (IA), aprendizaje automático y tecnologías de Internet de las cosas (IoT). Sin embargo, predecir con precisión la vida útil de los dispositivos con conjuntos de datos mínimos, especialmente en aplicaciones industriales, sigue siendo un desafío. Este artículo tiene como objetivo abordar este desafío utilizando algoritmos de aprendizaje automático, específicamente BP, XGBOOST y KNN, para predecir la fiabilidad del dispositivo con datos limitados. El conjunto de datos restante de la vida de los componentes electrónicos se obtiene a través de simulaciones para entrenar y probar los algoritmos, y los resultados experimentales muestran que los algoritmos logran un cierto nivel de precisión, con tasas de error de la siguiente manera: algoritmo BP, 0.01-0.02%; algoritmo XGBOOST, 0.01-0.02%; y algoritmo KNN, 0-0.07%. Al comparar estos algoritmos, el estudio demuestra la viabilidad de implementar modelos de aprendizaje automático para la predicción de la vida útil del dispositivo con una pérdida de precisión aceptable, y destaca el potencial de los algoritmos de IA en la predicción de la fiabilidad de los dispositivos electrónicos.