یکی از جنبه های مهم نگهداری و تعمیرات مبتنی بر شرایط (CBM) پیش بینی عمر مفید باقی مانده (RUL) بر اساس سوابق گذشته و وضعیت کنونی دستگاه است و تحلیل روغن روانکار یکی از روش های CBM است که به علت تماس مستقیم با دستگاه شرایطش بیانگر وضعیت سلامتی دستگاه است. در فرآیند CBM داده های زیادی تولید و انباشته می شود اما دانش موجود در این داده ها به طور کامل قابل درک نیست و باعث ضایع شدن منابعی گران بها می شود. برای استخراج اطلاعات و دانش از این داده ها به استفاده از روش هایی مانند داده کاوی نیاز است. در این پژوهش بر اساس تعریف RUL بهترین مدل پیش بینی زمان کارکرد باقی مانده تا وضعیت بحرانی برای یک مدل بلدوزر بر اساس سوابق تحلیل روغن موتور (مجموعه داده ای با 2700 رکورد و 129 ویژگی) با راهکار داده کاوی ساخته شده است. برای ساخت بهترین مدل، بعد از آماده سازی مجموعه داده مناسب با 49 رکورد و چهار ویژگی مدل هایی با روش های رگرسیون و شبکه عصبی ساخته شده است. به علت امکان انجام شدن فعالیت تعویض روغن در فواصل نمونه گیری ها، مدل ها با دو روش اعمال مقادیر ویژگی های مستقل ساخته شده اند. بر اساس ارزیابی عملکرد مدل ها بهترین مدل با شبکه عصبی و روش دوم اعمال مقادیر ویژگی های مستقل که استفاده از مقادیر جدید (تجمعی) دو ویژگی مستقل (Fe, Cu) و مقدار واقعی (غیر تجمعی) یک ویژگی مستقل (Vis40) بوده با خطای پیش بینی 23526. 662-/+ 958559. 033 ساخته شده است.