Este documento tiene como objetivo abordar los desafíos de las diferencias significativas en la distribución de datos y los desequilibrios extremos de datos en el modelado de predicción de la vida útil restante de los componentes rotativos de equipos inteligentes complejos bajo diversas condiciones de trabajo. Basado en el modelado de aprendizaje profundo, considera el método de extracción multidimensional para las características de datos degradados en la etapa de extracción de características de datos, propone una estructura de red con múltiples canales de extracción de datos de atención y explora el método de extracción para segmentos de datos valiosos en las dimensiones de canal y series temporales. Este documento también propone una red de fusión de características de dominio basada en la migración de características y examina métodos que aprovechan datos etiquetados abundantes del dominio fuente para ayudar en el aprendizaje del dominio objetivo. Finalmente, en combinación con una red neuronal de memoria a corto y largo plazo (LSTM), este documento construye un modelo inteligente para estimar la vida útil restante de los componentes rotativos. Los experimentos demuestran que, al integrar la red de convolución profunda fundacional con la red de fusión de características de dominio, el error de pérdida integral para la predicción de vida en el conjunto de pruebas del dominio objetivo puede reducirse hasta un 6.63%. Además, al agregar la red de extracción de características de doble atención, la reducción máxima en el error de pérdida integral es del 3.22%. Este modelo puede mejorar efectivamente la precisión de la predicción de vida en diversas condiciones de operación; por lo tanto, proporciona una base teórica y soporte técnico para la gestión de operación y mantenimiento de equipos inteligentes complejos. Tiene cierto valor práctico y perspectivas de aplicación en la predicción de vida restante de componentes rotativos bajo múltiples condiciones de trabajo.