Die Prozessindustrie umfasst hochautomatisierte Branchen wie die chemische und pharmazeutische Industrie, die hohe Anforderungen an Prozesssicherheit und Produktqualität stellen. Predictive Maintenance (PdM) bietet ein vielversprechendes Konzept, um Anlagenverfügbarkeit und Effizienz durch datengetriebene Prognosen zu optimieren. Die vorliegende Studie demonstriert den Einsatz maschinellen Lernens zur Vorhersage der verbleibenden Lebensdauer von Elektromotoren basierend auf dem AI4I 2020 Predictive Maintenance Dataset. Durch Datenaufbereitung, Klassenbalance mittels SMOTE und die Anwendung eines Random-Forest-Modells mit 150 Entscheidungsbäumen wurde eine Genauigkeit von 94,33 % erreicht. Die Ergebnisse zeigen eine robuste Gesamtleistung, insbesondere für häufige Klassen wie „No Failure“. Schwächen wurden jedoch bei der Identifikation seltener Fehlerklassen festgestellt, was auf Potenzial für Verbesserungen in Feature Engineering und Modellauswahl hinweist. Insgesamt unterstreicht die Studie das Potenzial von PdM, fordert jedoch weitere Forschung zur Optimierung der Vorhersagequalität seltener Ereignisse.