La predicción de la vida útil restante puede evaluar el tiempo hasta la falla de sistemas de degradación. Actualmente, se han propuesto numerosos métodos de predicción basados en redes neuronales por investigadores. Sin embargo, la mayor parte del trabajo contiene un prerrequisito implícito: los datos de entrenamiento y prueba de la red tienen las mismas condiciones de operación. Para resolver este problema, se propone un método de predicción de adaptación de dominio discriminativa adversarial basado en entrenamiento adversarial para mejorar la precisión de la predicción entre dominios bajo diferentes condiciones de trabajo. Primero, se construye una red de extracción de características LSTM para extraer datos del dominio fuente y del dominio objetivo para una representación profunda de características. Posteriormente, se ajustan los parámetros de la red de extracción de características del dominio objetivo basándose en la idea del entrenamiento adversarial para lograr una extracción de características invariante al dominio. El esquema propuesto se experimenta en un conjunto de datos disponible públicamente y logra un rendimiento de predicción de vanguardia en comparación con los métodos recientes de predicción de adaptación de dominio no supervisados.