El aprendizaje automático no neuronal (ML) y el aprendizaje profundo (DL) se utilizan para predecir fallos en sistemas de mantenimiento industrial. Sin embargo, solo unos pocos estudios han evaluado el efecto de variar la cantidad de datos pasados utilizados para hacer una predicción y la extensión en el futuro de la previsión. Este estudio evalúa el impacto del tamaño de la ventana de lectura y de la ventana de predicción en el rendimiento de los modelos entrenados para prever fallos en tres conjuntos de datos: (1) una máquina industrial de envoltura que trabaja en sesiones discretas, (2) un refrigerador industrial de sangre que trabaja de manera continua y (3) un generador de nitrógeno que trabaja de manera continua. Una tarea de clasificación binaria asigna la etiqueta positiva a la ventana de predicción basada en la probabilidad de que ocurra un fallo en dicho intervalo. Se comparan seis algoritmos (regresión logística, bosque aleatorio, máquina de soporte vectorial, LSTM, ConvLSTM y Transformers) en series temporales multivariadas. La dimensión de las ventanas de predicción juega un papel crucial y los resultados destacan la efectividad de los enfoques de DL en la clasificación de datos con diversos patrones dependientes del tiempo que preceden a un fallo y la efectividad de los enfoques de ML en la clasificación de patrones similares y repetitivos que preceden a un fallo.