La predicción a largo plazo de la degradación de los parámetros clave de la computadora mejora el rendimiento del mantenimiento. Los métodos de predicción tradicionales pueden sufrir de errores acumulativos en la predicción iterativa, lo que afecta la precisión de la predicción a largo plazo del modelo. Nuestra red adopta métodos de aprendizaje de currículo y aprendizaje por transferencia, los cuales pueden resolver efectivamente este problema. La red de entrenamiento utiliza una red Siamesa de doble rama. Una rama entremezcla los datos predichos y anotados como entrada y utiliza el aprendizaje de currículo para el entrenamiento. La otra rama utiliza los datos anotados originales para el entrenamiento. Para alinear aún más las distribuciones ocultas de las dos ramas, el método de aprendizaje por transferencia calcula las matrices de covarianza de las series temporales de las dos ramas mediante pérdida de alineación de correlación. Se utiliza una sola rama en la prueba para la predicción sin aumentar el cálculo de inferencia. En comparación con las redes principales actuales, nuestro método puede mejorar efectivamente la precisión de la predicción a largo plazo con las mejoras mencionadas anteriormente.