La predicción del tiempo de vida útil restante (RUL) es un facilitador clave para el mantenimiento predictivo. De hecho, la posibilidad de predecir con precisión y fiabilidad el RUL de un sistema, basándose en un registro de sus datos de monitoreo, puede permitir a los usuarios programar intervenciones de mantenimiento antes de que ocurran fallas. En la literatura reciente, se han propuesto varios métodos basados en datos para la predicción de RUL. Sin embargo, la mayoría de ellos se basan en redes neuronales tradicionales (conectivistas), como las redes neuronales convolucionales, y apenas se han explorado mecanismos alternativos. Aquí, abordamos por primera vez el problema de predicción de RUL utilizando un paradigma de computación de membrana, específicamente el de los sistemas neuronales de espiking (SN P). Primero, mostramos cómo los sistemas SN P pueden adaptarse para manejar el problema de predicción de RUL. Luego, proponemos el uso de un algoritmo neuro-evolutivo para optimizar la estructura y parámetros de los sistemas SN P. Nuestros resultados en dos conjuntos de datos, concretamente los benchmarks CMAPSS y nuevos benchmarks CMAPSS de la NASA, son bastante comparables con los obtenidos por redes profundas mucho más complejas, mostrando un compromiso razonable entre rendimiento y número de parámetros entrenables, lo que a su vez se correlaciona con el consumo de memoria y el tiempo de computación.