Las técnicas de pronóstico intentan predecir la Vida Útil Restante (RUL) de un subsistema o un componente. Tales técnicas a menudo utilizan datos de sensores que se miden y registran periódicamente en un conjunto de datos de series temporales. Estos conjuntos de datos multivariables forman interdependencias complejas y no lineales a través de pasos de tiempo registrados y entre sensores. Muchos algoritmos existentes actuales para fines de pronóstico comienzan a explorar la Red Neuronal Profunda (DNN) y su efectividad en el campo. Aunque las técnicas de Aprendizaje Profundo (DL) superan a los algoritmos de pronóstico tradicionales, las redes suelen ser complejas de implementar o entrenar. Este artículo propone un enfoque centrado en Series Temporales Multivariables (MTS) para pronósticos que implementa una Red Neuronal Convolucional (CNN) liviana con mecanismo de atención. Los filtros de convolución trabajan para extraer los patrones temporales abstractos de las múltiples series temporales, mientras que los mecanismos de atención revisan la información a lo largo del eje temporal y seleccionan la información relevante. Los resultados sugieren que el método propuesto no solo produce una precisión superior en la estimación de RUL, sino que también entrena muchas veces más rápido que los trabajos reportados. La superioridad de implementar la red también se demuestra en una plataforma de hardware liviano al ser mucho más compacta y eficiente para entornos con recursos restringidos.