En la era del Internet de las Cosas (IoT), la predicción de la vida útil restante (RUL) de los motores turbofán es crucial. Diversas técnicas de aprendizaje profundo (DL) propuestas recientemente para predecir RUL para tales sistemas han permanecido en silencio sobre el efecto de los cambios ambientales en la fiabilidad de la máquina. Este artículo tiene como objetivo (i) identificar el punto de cambio en las tendencias y patrones de RUL, (ii) seleccionar las características más relevantes y (iii) predecir RUL con las características seleccionadas y los puntos de cambio identificados. Se desarrolló un algoritmo de selección de características de dos etapas, seguido de un mecanismo de identificación de puntos de cambio, y finalmente, se diseñó un modelo de Memoria a Corto y Largo Plazo Bidireccional (BiLSTM) para predecir RUL. El estudio utiliza el conjunto de datos C-MAPSS de la NASA para verificar el rendimiento de la metodología propuesta. Los hallazgos confirman que el método propuesto mejora la estabilidad de los modelos de DL, lo que resulta en una mejora del 27,8% en la predicción de RUL en comparación con los modelos de DL populares y de vanguardia.