Predecir el tiempo de vida útil restante (RUL) es crucial para los sistemas de monitoreo de la condición de la herramienta (TCM). Predicciones inexactas pueden llevar a reemplazos prematuros de herramientas o uso excesivo, resultando en desperdicio de recursos y posibles fallas en el equipo. Este estudio introduce un método novedoso de predicción de RUL de herramientas que integra el algoritmo de optimización de gavilán de cola roja mejorado (MSANGO) con una red neuronal bidireccional de memoria a corto y largo plazo (BiLSTM). Inicialmente, se extraen características estadísticas clave de los datos de señal recopilados utilizando la descomposición modal variacional multivariada. Esto es seguido por una reducción efectiva de características, facilitada por el coeficiente de información uniforme y las pruebas de tendencia de Mann-Kendall. Las predicciones de RUL son posteriormente refinadas a través de una red BiLSTM, con el algoritmo MSANGO optimizando los parámetros de la red. Evaluaciones comparativas con modelos BiLSTM, BiGRU y NGO-BiLSTM, así como pruebas en conjuntos de datos del mundo real, demuestran la precisión superior y la generalización de este método en la predicción de RUL, mejorando la eficacia de los sistemas de gestión de herramientas.