Las aplicaciones de pronóstico y gestión de la salud (PHM) pueden prevenir motores de posibles accidentes graves al predecir la vida útil restante (RUL). Últimamente, los métodos basados en datos han sido ampliamente utilizados para resolver problemas de RUL. La arquitectura de red tiene un impacto crucial en el rendimiento experimental. Sin embargo, la mayoría de las arquitecturas de red están diseñadas manualmente basadas en la experiencia humana con un gran costo de tiempo. Para abordar estos desafíos, proponemos un método de búsqueda de arquitectura neuronal (NAS) basado en el descenso de gradiente. En este estudio, construimos el espacio de búsqueda con un grafo acíclico dirigido (DAG), donde un subgrafo representa una arquitectura de red. Al utilizar la relajación softmax, el espacio de búsqueda se vuelve continuo y diferenciable, luego el descenso de gradiente se puede utilizar para la optimización. Además, se introduce un método de conexión parcial de canal para acelerar la eficiencia de búsqueda. El experimento se lleva a cabo en el conjunto de datos C-MAPSS. En el paso de procesamiento de datos, se propone un método de detección de fallas basado en el algoritmo k-means, que elimina datos de gran valor inútil y promueve el rendimiento de estimación. El resultado experimental muestra que nuestro método logra un rendimiento superior con la mayor precisión de estimación en comparación con otros estudios populares.