El equipo de control a bordo del tren es un componente importante del Sistema de Control de Trenes (TCS) de los trenes ferroviarios. Para garantizar la operación segura y eficiente del sistema ferroviario, se requiere significativamente el Mantenimiento Predictivo (PdM). Los datos de operación del equipo a bordo nos permiten construir modelos de predicción de fallos utilizando un enfoque basado en datos. Sin embargo, el problema de las muestras de fallos desbalanceadas dificulta alcanzar el rendimiento de modelado esperado. En este documento, se adopta una Red Generativa Antagónica Condicional (CGAN) para resolver el problema del desbalanceo generando muestras sintéticas correspondientes a etiquetas de fallos específicos que pertenecen a las clases minoritarias. Con esta base, se presenta una solución mejorada de eXtreme Gradient Boosting (XGBoost) potenciada por CGAN para entrenar los modelos de predicción de fallos. Desde el preprocesamiento hasta los datos de campo, se generan muestras de fallos artificiales e integran en los conjuntos de muestras de entrenamiento, y los modelos de XGBoost pueden derivarse con múltiples árboles de decisión. Tanto la lista de secuencia de importancia de características como el gráfico de conocimiento se derivan para describir las características obtenidas por los modelos. Se utilizan conjuntos de datos de campo de la operación práctica para validar la solución propuesta. Al compararla con algoritmos de aprendizaje automático convencionales, se puede encontrar que se pueden lograr mayores precisiones, exactitudes, recuperaciones y puntuaciones F1, que alcanzan hasta el 99.76%, con la solución propuesta. Al involucrar la estrategia CGAN, la mejora máxima en la puntuación F1 con el enfoque XGBoost alcanza el 6.13%. Las ventajas de la solución propuesta muestran un gran potencial en la implementación de la gestión de la salud del equipo y el mantenimiento inteligente basado en condiciones.