Las fallas en los motores diésel son una razón para los retrasos y averías en la red ferroviaria del Reino Unido, lo que resulta en multas significativas y sanciones financieras relacionadas para una empresa operadora de trenes. Prevenir tales fallas es el objetivo final, pero prever o predecir fallas futuras antes de que ocurran sería muy deseable. En este estudio, tomamos datos de sensores de unidades múltiples diésel del mundo real, registrados en forma de datos de eventos, y los reutilizamos para el monitoreo remoto de las condiciones de las operaciones críticas del motor diésel. Se propone una metodología basada en la segmentación de datos que demuestra el procesamiento efectivo de datos de eventos para la modelización predictiva. Este estudio se centra específicamente en predecir fallas en los motores, y a través de esta metodología, los modelos entrenados con los datos procesados resultaron en precisiones del 88%. Luego se utilizan métodos de IA explicable para proporcionar explicaciones sobre la importancia de las características en el rendimiento del modelo. Esta información ayuda al usuario final a entender específicamente qué datos de sensores del conjunto de datos más grande son más relevantes para predecir fallas en los motores. El trabajo presentado es útil para la industria ferroviaria, pero más específicamente para las empresas operadoras de trenes que idealmente quieren prever fallas antes de que ocurran para evitar costos financieros significativos. La metodología propuesta es aplicable para el mantenimiento predictivo de muchos sistemas, no solo de motores diésel ferroviarios.