Comprender la vida útil restante (RUL) del equipo es crucial para un mantenimiento predictivo óptimo (PdM). Esto aborda los problemas de tiempo de inactividad del equipo y revisiones de mantenimiento innecesarias en el mantenimiento de ejecución hasta el fallo y el mantenimiento preventivo. Tanto la extracción de características como el algoritmo de predicción han desempeñado roles cruciales en el rendimiento de los modelos de predicción de RUL. Un conjunto de datos de referencia, llamado Conjunto de Datos de Simulación de Degradación del Motor Turbofán, fue seleccionado para el análisis y evaluación del rendimiento. La propuesta de la combinación de la descomposición en modo empírico de conjunto completo y la transformación de paquetes de ondas para la extracción de características podría reducir el error cuadrático medio raíz promedio (RMSE) en un 5.14-27.15% en comparación con seis enfoques. En cuanto al algoritmo de predicción, los resultados del modelo de predicción de RUL podrían indicar que el equipo necesita ser reparado o reemplazado en un período de tiempo más corto o más largo. La incorporación de esta característica podría mejorar el rendimiento del modelo de predicción de RUL. En este documento, hemos propuesto el algoritmo de predicción de RUL en combinación con la red neuronal recurrente (RNN) y la memoria a corto plazo (LSTM). El primero aprovecha las ventajas de la predicción a corto plazo, mientras que el último se desempeña mejor en la predicción a largo plazo. Los pesos para combinar RNN y LSTM fueron diseñados por el algoritmo genético de clasificación no dominado II (NSGA-II). Logró un RMSE promedio de 17.2. Mejoró el RMSE en un 6.07-14.72% en comparación con los modelos base, RNN independiente y LSTM independiente. En comparación con trabajos existentes, la mejora del RMSE por el trabajo propuesto es del 12.95-39.32%.