En este documento proponemos un enfoque novedoso de aprendizaje de reglas llamado Relaxed Separate-and-Conquer (RSC): una modificación de la metodología estándar Separate-and-Conquer (SeCo) que no requiere la eliminación de filas cubiertas. Este método puede considerarse como una generalización de los métodos de SeCo y de cobertura ponderada que no sufre de fragmentación. Presentamos una investigación empírica del enfoque RSC propuesto en el área de Mantenimiento Predictivo (PdM) de máquinas de fabricación complejas, para predecir futuras fallas de estas máquinas. En particular, utilizamos para experimentos un estudio de caso industrial real de una máquina que fabrica tapas de botellas de plástico. Comparamos el enfoque RSC con algoritmos basados en Árboles de Decisión (DT) y SeCo, y demostramos que RSC supera significativamente tanto a los aprendices de reglas basados en DT como a SeCo. Concluimos que el enfoque RSC propuesto es prometedor para el PdM guiado por el aprendizaje de reglas.