La investigación sobre la evaluación de la vida útil restante (RUL) ha atraído una atención significativa debido a su relevancia crítica en la prognóstica y gestión de la salud (PHM) en diversos sectores. Recientemente, las metodologías basadas en datos se han vuelto cada vez más importantes para la predicción de RUL. Sin embargo, estos métodos a menudo luchan por capturar dependencias a largo plazo y poseen un campo receptivo limitado, lo que restringe su efectividad en varios escenarios de predicción de RUL. Para abordar estas limitaciones, este estudio propone un enfoque novedoso llamado red basada en atención coordinada por alcance (SCAB) para la predicción de RUL. El diseño inicial presenta un bloque de integración de características multicanal novedoso, que tiene como objetivo capturar e integrar de manera efectiva información esencial de los datos de sensores en bruto. Además, está diseñado para expandir el campo receptivo al capturar características ricas y diversas para una mejor representación. Posteriormente, un bloque de atención dual refina la información y expande aún más el campo receptivo tanto en el dominio de canal como en el espacial. Además, se desarrolla un bloque de pirámide de características con autoatención adaptativa para capturar de manera efectiva dependencias a largo plazo, mejorando aún más el detalle y las características de la información mediante el mecanismo de fusión de características multiescala. La eficacia del modelo SCAB propuesto para la estimación de RUL fue validada utilizando el conjunto de datos público C-MAPSS. En experimentos comparativos, el modelo SCAB superó a otros métodos en el subconjunto FD002, mientras que demostró un excelente rendimiento en FD001, FD003 y FD004. Estos resultados confirman que el modelo SCAB exhibe un rendimiento robusto y superior en la predicción de RUL en diversos escenarios de motores aéreos.