Predecir la Vida Útil Restante (RUL) de los sistemas ha desempeñado un papel importante en varios campos del análisis de ingeniería de fiabilidad, incluidos los motores de aeronaves. La predicción de RUL es una parte críticamente importante de la Prognóstica y Gestión de la Salud (PHM), que es la ciencia de la fiabilidad destinada a aumentar la fiabilidad del sistema y, a su vez, reducir el costo de mantenimiento. La mayoría de los modelos de PHM propuestos en los últimos años han mostrado un aumento significativo en la cantidad de implementaciones basadas en datos. Si bien los modelos basados en datos más complejos a menudo se asocian con una mayor precisión, existe una necesidad correspondiente de reducir la complejidad del modelo. Una forma posible de reducir la complejidad del modelo es utilizar métodos de selección de características (atributos o variables) y reducción de dimensionalidad antes del proceso de entrenamiento del modelo. En este trabajo, se investigó la efectividad de múltiples métodos de selección de características de filtro y envoltura (análisis de correlación, selección hacia adelante/atrás de relief y otros), junto con el Análisis de Componentes Principales (PCA) como método de reducción de dimensionalidad. Se utilizó un algoritmo básico de aprendizaje profundo, la Red Neuronal Artificial Feedforward (FFNN), como un algoritmo de modelado de referencia. Todos esos enfoques también se pueden aplicar a la prognóstica de los motores de turbina de gas de aeronaves. En este artículo, se utilizaron los datos de motores de turbina de gas de aeronaves del repositorio de datos de prognóstica de NASA Ames para probar la efectividad de los métodos de selección de características de filtro y envoltura no solo para el modelo FFNN básico, sino también para el modelo de Red Neuronal Profunda (DNN). Los hallazgos muestran que aplicar métodos de selección de características ayuda a mejorar la precisión general del modelo y reduce significativamente la complejidad de los modelos.