En la industria, la predicción de pronósticos y la gestión de la salud (PHM) se utilizan para mejorar la fiabilidad y eficiencia del sistema. En PHM, la predicción de la vida útil restante (RUL) juega un papel clave en la prevención de fallos en las máquinas y en la reducción de costos operativos, especialmente para requisitos de fiabilidad como componentes críticos en la aviación, así como para equipos costosos. Con el desarrollo de técnicas de aprendizaje profundo, muchos métodos de predicción de RUL emplean redes neuronales convolucionales (CNN) y redes de memoria a corto y largo plazo (LSTM) y demuestran un rendimiento superior. En este artículo, se propone una nueva red de dos flujos basada en una red neuronal de memoria a corto y largo plazo bidireccional (BiLSTM) para establecer un modelo de predicción de vida residual en dos etapas para dispositivos mecánicos utilizando CNN como extractor de características y BiLSTM como procesador de tiempo, y finalmente, se utiliza un algoritmo de optimización por enjambre de partículas (PSO) para ajustar y optimizar los parámetros estructurales de la red para los datos iniciales. En condiciones de falta de conocimiento profesional, se logra la extracción adaptativa de las características de los datos acumulados por la empresa y el procesamiento efectivo de una gran cantidad de datos temporales. Al comparar los resultados de la predicción con otros modelos a través de ejemplos, se muestra que el modelo establecido en este artículo mejora significativamente la precisión y eficiencia de la predicción de la vida restante del equipo.