Los motores turbofan son conocidos como el corazón de la aeronave. El estado de salud del turbofan determina el estado operativo de la aeronave. Por lo tanto, el monitoreo del equipo y el mantenimiento del motor son una parte importante para garantizar el funcionamiento saludable y estable de la aeronave, y es vital monitorear la vida útil restante (RUL) del motor. Los datos monitoreados de los motores turbofan tienen altas dimensiones y un largo período de tiempo, lo que causa dificultades en la predicción de la vida útil restante del motor. Este artículo propone un modelo de predicción de vida residual basado en Autoencoder y una Red Convolucional Temporal (TCN). Entre ellos, el Autoencoder se utiliza para reducir la dimensión de los datos y extraer características de los datos de monitoreo del motor. La red TCN se entrena con los datos de baja dimensión obtenidos para predecir la vida útil restante. El modelo mencionado en este artículo se verifica en el conjunto de datos público de la NASA (C-MAPSS) y se compara con métodos comunes de aprendizaje automático y otras redes neuronales profundas. El modelo SAE-TCN logró mejores puntuaciones en el conjunto de datos de prueba independiente FD001 con un RMSE de 18.01 y una puntuación de 161. El error relativo promedio del modelo en comparación con otros modelos de aprendizaje comunes es de 0.9499 en RMSE y 0.2656 en la Función de Puntuación. Los resultados experimentales muestran que el modelo propuesto en este artículo tiene el mejor desempeño en la evaluación, y esta conclusión tiene importantes implicaciones para la salud del motor.