Este documento se centra en el problema de pronóstico en la fabricación de chips electrónicos para dispositivos. Los dispositivos electrónicos son de gran importancia en la actualidad, ya que se aplican ampliamente en la vida diaria. La base para soportar el dispositivo electrónico es el potente chip electrónico y su tecnología de fabricación. La fabricación de chips ha sido una de las tecnologías más importantes en los últimos años. La máquina de grabado es el equipo clave en el proceso de grabado de obleas en la fabricación de chips. Debido a la alta demanda de fabricación precisa, monitorear el estado de salud y predecir la vida útil restante (RUL) del sistema de grabado es bastante importante. Sin embargo, la tarea es muy difícil debido a la falta de conocimiento del inicio exacto de la falla o degradación y las múltiples condiciones de operación, etc. Este documento propone un nuevo método de predicción de RUL basado en aprendizaje profundo para el sistema de grabado. El módulo transformador y el bosque aleatorio se integran en la metodología para identificar el estado de salud de la máquina y predecir su RUL, mediante el entrenamiento con los datos complejos de los sensores de la máquina de grabado y explorando sus características subyacentes. Los experimentos se basan en el tema del Desafío de Datos PHM 2018, para estimar el tiempo hasta la falla o RUL de los Sistemas de Grabado por Ion Mill en línea utilizando datos de múltiples sensores. Los resultados indican que el método propuesto es prometedor para las aplicaciones reales del pronóstico del sistema de grabado para dispositivos electrónicos.