La predicción precisa de la vida útil restante (RUL) juega un papel significativo en garantizar el vuelo seguro de las aeronaves. Con el reciente desarrollo rápido del aprendizaje profundo, ha habido una tendencia creciente hacia una predicción de RUL más precisa. Sin embargo, aunque muchos de los métodos actuales de aprendizaje profundo son capaces de extraer características espaciales, aquellas a lo largo de la dimensión del sensor, a través de núcleos convolucionales o capas completamente conectadas, su capacidad de extracción a menudo está limitada debido a la pequeña escala de los núcleos y la alta incertidumbre asociada con los pesos lineales. Las redes neuronales gráficas (GNN), que emergen como enfoques efectivos para procesar datos estructurados en grafos, consideran explícitamente las relaciones entre los sensores. Esto es similar a imponer una restricción en el proceso de entrenamiento, lo que permite que los resultados aprendidos se aproximen mejor a las situaciones del mundo real. Para abordar el desafío de las GNN en la extracción de características temporales, aumentamos nuestro marco propuesto para la predicción de RUL con un codificador Transformer, resultando en el codificador transformador de convolución gráfica adaptativa (AGCTE). Se lleva a cabo un estudio de caso utilizando el conjunto de datos C-MAPSS para validar la efectividad de nuestro modelo propuesto.