La predicción de la vida útil restante (RUL) de equipos industriales es crítica para lograr operaciones seguras y optimizar el mantenimiento predictivo. Para abordar las limitaciones de la mala interpretabilidad, las predicciones inexactas y el alto costo computacional en el modelado de la degradación de sistemas complejos, este documento propone SiMBA-PINN, un nuevo marco de fusión que sinergiza la Red Neuronal Informada por la Física (PINN) con un modelo de espacio de estados mejorado (SiMBA). El marco logra una fusión dinámica de características impulsadas por datos y leyes físicas a través de un mecanismo sinérgico de dos ramas: la rama de modelado temporal combina el SiMBA de espacio de estados selectivo con la mezcla espectral basada en la Transformada Rápida de Fourier de Einstein (EinFFT) para capturar de manera eficiente las dependencias temporales entre sensores y las tendencias de degradación, mientras que la rama de restricción física incorpora residuos de ecuaciones diferenciales parciales automáticamente diferenciables derivados de mecanismos de degradación específicos del dominio, imponiendo consistencia física a través del modelado profundo de física oculta. Aquí, la mezcla espectral basada en EinFFT aprovecha las interacciones en el dominio de la frecuencia para mezclar de manera efectiva los componentes espectrales de datos de series temporales multivariantes, mejorando así el modelado de dependencias entre sensores. Mientras tanto, el modelado profundo de física oculta integra residuos de ecuaciones diferenciales parciales (PDE) informadas por la física a través de operadores diferenciables, alineando las representaciones aprendidas con dinámicas específicas del dominio mediante un diseño de pérdida impulsado por restricciones. Los resultados experimentales del conjunto de datos C-MAPSS confirman que el modelo propuesto supera significativamente a los modelos basados en PINN, Mamba y mecanismos de atención, logrando el mejor RMSE del estado del arte en el subconjunto FD004 más desafiante. Este marco consciente de la física logra una predicción de RUL desplegable e interpretable al equilibrar la precisión con una complejidad de tiempo lineal.