Los sensores de vibración piezoeléctricos (PVSs) son ampliamente utilizados en entornos de alta temperatura, como mediciones de vibración en motores aeroespaciales, debido a su alta precisión, tamaño pequeño y resistencia a altas temperaturas. La predicción precisa de su RUL (Vida Útil Restante) es esencial para la aplicación y mantenimiento de los PVSs. Basado en las características de los PVSs y sus principales modos de falla, este trabajo combina la red Digital-Twin (DT) y las redes Long Short-Term Memory (LSTM) para predecir el RUL de los PVSs. En este marco, DT puede proporcionar una recolección de datos, análisis y capacidades de simulación ricas, que tienen ventajas en la predicción de RUL, y la red LSTM tiene buenos resultados en la predicción de datos de secuencia de tiempo. El método propuesto explota las ventajas de esas técnicas en la recolección de datos de características, optimización de muestras y multiclase de RUL. Para verificar la predicción de este método, se establece una plataforma DT para realizar pruebas de degradación de PVS, que genera conjuntos de datos de muestra, luego la red LSTM se entrena y valida. Se ha demostrado que la precisión de la predicción es superior al 99.7%, y el tiempo de entrenamiento está dentro de los 94 s. Basado en esta red, se predice el RUL de los PVSs utilizando diferentes muestras de prueba. Los resultados muestran que el método se desempeñó bien en precisión de predicción, utilización de datos de muestra y compatibilidad.