En este estudio, se propone un marco de pronósticos y gestión de la salud (PHM) para motores aéreos, que combina un modelo de probabilidad dinámica (DP) y una red neuronal de memoria a largo y corto plazo (LSTM). Se emplea un modelo DP basado en un algoritmo de agrupamiento de picos de densidad adaptativa de mezcla gaussiana, que tiene las ventajas de un tiempo de entrenamiento extremadamente corto y una precisión suficientemente alta, para modelar el desarrollo de fallos en el motor desde el inicio del servicio del motor, y se introduce el análisis de componentes principales para convertir datos crudos complejos y de alta dimensión en datos de baja dimensión. El modelo puede actualizarse de vez en cuando según la acumulación de datos del motor para capturar la ocurrencia y el proceso de evolución de los fallos del motor. Con el fin de abordar los problemas con los métodos impulsados por datos comúnmente utilizados, se emplea el modelo DP + LSTM para estimar la vida útil restante (RUL) del motor. Finalmente, el marco PHM propuesto se valida experimentalmente utilizando el conjunto de datos de simulación del sistema de propulsión modular comercial de la NASA, y los resultados indican que el modelo DP tiene una mayor estabilidad que el método clásico de red neuronal artificial en el diagnóstico de fallos, mientras que el modelo DP + LSTM tiene una mayor precisión en la estimación de RUL que otros métodos clásicos de aprendizaje profundo.