As abordagens de inteligência artificial (IA) na manutenção preditiva (PdM) estão mudando a forma como as indústrias gerenciam a manutenção dos equipamentos. Com técnicas de IA como machine learning (ML) e análise de dados em tempo real é possível identificar falhas nos equipamentos de forma precisa e eficiente. No entanto, apesar de um cenário favorável, a implementação da IA ao PdM é um desafio devido à ausência de dados históricos confiáveis dos equipamentos, o desbalanceamento de classe dos datasets e a falta de interpretabilidade das decisões dos modelos. Com isso, a presente pesquisa propõe desenvolver abordagens de IA para o PdM com a finalidade de tornar os dados históricos mais confiáveis, mitigar o desbalanceamento de classe e melhorar a interpretabilidade das decisões do modelo. Para contextualizar o problema, uma revisão de literatura foi desenvolvida e 33 artigos foram selecionados e analisados. Com a análise dos artigos foi verificado que as principais metodologias utilizam um dataset com informações do histórico de funcionamento dos equipamentos e, após o pré-processamento do dataset, algoritmos de IA são utilizados para verificar padrões nos dados. Após a revisão de literatura, para validar as abordagens de IA, um estudo de caso foi realizado utilizando um dataset com dados reais de uma bomba de água. O dataset continha as leituras de sensores e o histórico das condições operacionais da bomba de água. Após análise inicial por meio da Exploratory Data Analysis (EDA), os dados foram pré-processados adotando técnicas como forward fill propagation, normalizer, LabelEncoder, Principal Components Analysis (PCA) e matriz de correlação linear para tornar mais confiáveis. Na sequência, três algoritmos de ML - Random Forest (RF), Support Vector Machine (SVM) e k-Nearest Neighbors (k-NN) - foram adotados para o treinamento do modelo, sendo validado por k-fold Cross-Validation. Para mitigar o desbalanceamento de classe, cinco técnicas de datasampling - Random OverSampling, Borderline SMOTE, TomekLinks, NearMiss e Cluster Centroids - foram adotadas. Além do mais, ajustes de hiperparâmetros foram aplicados, por meio do Grid Search, para otimizar o processo de aprendizagem. Para tornar as decisões do modelo interpretáveis, foram adotados os SHAP values para identificar as principais features que influenciaram a probabilidade de prever as falhas. Assim, os resultados demonstraram que o modelo Random Forest com Cluster Centroids (RF_CC) apresentou melhores resultados de recall e AUC ROC. Além disso, as features que mais contribuíram para a tomada de decisão foram sensor_04, sensor_35 e sensor_33. Concluindo, a pesquisa desenvolveu e avaliou com sucesso abordagens de IA para PdM, demonstrando potencial para melhorar a confiabilidade dos equipamentos e otimizar estratégias de manutenção.