Un robot es esencial en muchas instalaciones industriales y de fabricación debido a su eficiencia, precisión y durabilidad. Sin embargo, el uso continuo del sistema robótico puede provocar fallas en varios componentes. El motor servo es uno de los componentes críticos, y su rodamiento es una de las partes vulnerables, por lo tanto, se requiere un análisis de fallas. Algunos métodos previos de pronóstico y gestión de la salud (PHM) son muy limitados al considerar las condiciones de operación realistas de los robots industriales basados en diversas velocidades de operación, condiciones de carga y movimientos, ya que consideran datos de velocidad constante con condiciones de descarga. Este documento implementa un PHM para el motor servo de un brazo robótico basado en condiciones de operación variables. Se comparan la reducción de dimensionalidad basada en análisis de componentes principales y la selección de características basada en análisis de correlación. Se han utilizado dos algoritmos de aprendizaje automático para detectar características de falla bajo diversas condiciones de operación. Este método se propone como un modelo robusto de detección de fallas para robots industriales bajo diversas condiciones de operación. Las características de diferentes dominios no solo mejoraron la generalización del rendimiento del modelo, sino que también mejoraron la eficiencia computacional de datos masivos al reducir el número total de características. Los resultados mostraron más del 90% de precisión bajo diversas condiciones de operación. Como resultado, el método propuesto muestra la posibilidad de un diagnóstico de fallas robusto bajo diversas condiciones de operación similares al entorno industrial real.