Los rodamientos son componentes críticos en sistemas mecánicos, y su proceso de degradación típicamente exhibe etapas distintas, lo que hace que la predicción de la vida útil restante (RUL) basada en etapas sea altamente valiosa. Este documento presenta un modelo que combina el análisis de correlación y la extracción de características con un enfoque basado en Redes Neuronales de Grafos (GNN) para la clasificación de etapas de degradación de rodamientos y la predicción de RUL, con el objetivo de lograr una predicción precisa de la vida útil de los rodamientos. Primero, se utiliza la métrica de correlación de Pearson-Spearman propuesta, junto con el Análisis de Componentes Principales por Núcleo (KPCA) y autoencoders, para agrupar y fusionar indicadores de salud (HIs), obteniendo así un indicador de salud (HI) que refleja efectivamente el proceso de degradación del rodamiento. Luego, se propone un modelo que combina Redes Neuronales Convolucionales de Grafos (GCN) y redes de Memoria a Largo y Corto Plazo (LSTM) para la clasificación de etapas de degradación de rodamientos. Basado en los resultados de clasificación, se emplea el modelo Adaptive Attention GraphSAGE-LSTM (AAGL), también introducido en este estudio, para predecir con precisión la vida útil restante del rodamiento.