La predicción precisa del tiempo de vida útil restante (RUL) de los motores turbohélice beneficia las decisiones de mantenimiento. La cantidad y calidad de los datos de entrenamiento son cruciales para la modelización de predicciones efectivas y la mejora de la precisión. Sin embargo, el proceso de degradación del rendimiento del mismo tipo de motor turbohélice generalmente muestra trayectorias diferentes debido a las diferencias en los grados de degradación de los motores, las tasas de degradación y los estados de salud iniciales. Además, la parte inicial de la trayectoria es una etapa de salud estacionaria, que contiene muy poca información sobre la degradación y no es útil para la modelización. Considerando las características de degradación diferencial y la necesidad de modelar con precisión la predicción del mismo tipo de motores turbohélice con diferencias individuales, proponemos específicamente un marco de aprendizaje de transferencia personalizado para la predicción de RUL respondiendo tres preguntas clave: cuándo, qué y cómo transferir en la modelización de predicciones.