La construcción de características es crítica en la predicción de la vida útil restante (RUL) de sistemas de maquinaria impulsada por datos, y la mayoría de los estudios anteriores han intentado encontrar el mejor método de filtro único. Sin embargo, no existe un mejor filtro único que sea apropiado para todos los sistemas de maquinaria. En este trabajo, ideamos un enfoque sencillo pero eficiente para la predicción de RUL combinando múltiples filtros y luego reduciendo la dimensión a través del análisis de componentes principales. Aplicamos métodos de perceptrón multicapa y bosques aleatorios para aprender el modelo subyacente. Comparamos nuestro enfoque con enfoques tradicionales de filtrado único utilizando dos conjuntos de datos de referencia. El primer enfoque es significativamente mejor que el segundo en términos de una función de puntuación con una penalización por predicción tardía. En particular, notamos que seleccionar el mejor filtro único sobre el conjunto de entrenamiento no es eficiente debido al sobreajuste. En conjunto, validamos que nuestro enfoque basado en múltiples filtros puede ser una solución robusta para la predicción de RUL de varios sistemas de maquinaria.