El mantenimiento predictivo se ha empleado para reducir los costos de mantenimiento y las pérdidas de producción, así como para prevenir cualquier falla antes de que ocurra. El marco propuesto en este trabajo realiza un pronóstico del motor diésel al evaluar el valor absoluto de la gravedad de la falla utilizando bosques aleatorios (RF) y redes neuronales de perceptrón multicapa (MLP). Se implementó una base de datos con 3500 escenarios de fallas para superar el problema de inducir fallas destructivas en motores diésel. Se desarrollaron señales de falla del motor diésel con el modelo termodinámico cero-dimensional dentro de un cilindro acoplado con el modelo de vibración torsional del cigüeñal. Se emplearon redes neuronales artificiales y modelos de regresión de bosques aleatorios para clasificar y cuantificar fallas. La metodología se aplicó junto con un simulador de motor para evaluar la efectividad y precisión. El rendimiento mejor ajustado se obtuvo con el regresor de bosque aleatorio con un valor de RMSE de 0.10 +/- 0.03%.