งานวิจัยนี้นำเสนอวิธีการพยากรณ์ความเสียหายของสเต็ปเปอร์มอเตอร์ในระบบอัตโนมัติสมัยใหม่ โดยเก็บข้อมูลจากเซนเซอร์ 5 ประเภท ได้แก่ กระแสไฟฟ้า แรงดันไฟฟ้า แรงบิด อุณหภูมิ และการสั่นสะเทือน พร้อมบันทึกข้อมูลวันที่ เวลา และค่าความผิดพลาดในการเคลื่อนที่ เป็นระยะเวลา 3 เดือน การวิจัยนี้เปรียบเทียบประสิทธิภาพของอัลกอริทึมการเรียนรู้ของเครื่อง 3 แบบ ได้แก่ เกรเดียนท์บูสต์ทรี (Gradient Boosted Trees) ดีปเลิร์นนิง (Deep Learning) และเอ็กซ์ตรีมเกรเดียนท์บู๊สติ้ง (Extreme Gradient Boosting) ผลการวิจัยพบว่า เกรเดียนท์บูสต์ทรีมีประสิทธิภาพสูงสุด ด้วยความแม่นยำร้อยละ 91.17 และสามารถพยากรณ์โอกาสเกิดความเสียหายร้อยละ 90 ภายในระยะเวลา 5-6 เดือน การวิเคราะห์ความสำคัญของตัวแปรพบว่า ปัจจัยด้านเวลาและการสั่นสะเทือนมีผลต่อการเสื่อมสภาพของมอเตอร์มากที่สุด คิดเป็นร้อยละ 55.32 และ 28.35 ตามลำดับ ผลการวิจัยนี้สามารถนำไปประยุกต์ใช้ในการวางแผนบำรุงรักษาเชิงคาดการณ์ เพื่อลดการหยุดชะงักของสายการผลิตและเพิ่มประสิทธิภาพการผลิตโดยรวม