Asegurar la fiabilidad de los motores de inducción es esencial para aplicaciones industriales, ya que las fallas en los motores pueden llevar a tiempos de inactividad no planificados y pérdidas financieras significativas. El análisis de la firma de corriente del motor (MCSA) ha surgido como una técnica efectiva y no intrusiva para diagnosticar la salud del motor, particularmente para monitorear las condiciones de los rodamientos, que representan un porcentaje significativo de las fallas del motor. Sin embargo, la técnica MCSA solo puede evaluar el estado de los rodamientos: si están sanos o no. Las actividades de mantenimiento regular son necesarias para evitar tiempos de inactividad no planificados debido a fallas en los rodamientos. Además, este análisis no puede ayudar a reemplazar proactivamente los rodamientos antes de que fallen. Por lo tanto, esta investigación desarrolla un marco de mantenimiento predictivo al integrar el análisis de la firma de corriente del motor con técnicas de aprendizaje automático para estimar la vida útil restante (RUL) de los rodamientos de motores de inducción. La metodología implica analizar datos históricos de corriente del motor utilizando análisis de trayectoria y transformada rápida de Fourier (FFT) para extraer indicadores de salud relevantes. El análisis identifica desviaciones en el comportamiento del motor, mientras que la FFT detecta armónicos que indican fallas potenciales. Se emplea un modelo de aprendizaje automático para clasificar el estado de salud de los rodamientos del motor y estimar su RUL basado en las características de la señal extraídas. Este enfoque diferencia efectivamente los rodamientos sanos de los defectuosos, permitiendo un mantenimiento proactivo para reducir fallas y aumentar la eficiencia.