La predicción de la Vida Útil Restante (RUL) es significativa para indicar el estado de salud del equipo sofisticado, y requiere datos históricos debido a su complejidad. El número y la complejidad de parámetros ambientales como la vibración y la temperatura pueden causar estados no lineales de datos, lo que hace que la predicción sea tremendamente difícil. Los modelos convencionales de aprendizaje automático como la máquina de vectores de soporte (SVM), el bosque aleatorio y la red neuronal de retropropagación (BPNN), sin embargo, tienen una capacidad limitada para predecir con precisión. En este documento, se propone un modelo de red recurrente de puerta de olvido convolucional de atención de dos fases (AM-ConvFGRNET) para la predicción de RUL. La primera fase, red recurrente convolucional de puerta de olvido (ConvFGRNET), se propone basada en una memoria a corto y largo plazo análoga unidimensional (LSTM), que elimina todas las puertas excepto la de olvido y utiliza sesgos cronoinicializados. La segunda fase es el mecanismo de atención, que asegura que el modelo extraiga características más específicas para generar una salida, compensando las desventajas del FGRNET de que es un modelo de caja negra y mejorando la interpretabilidad. El rendimiento y la efectividad de AM-ConvFGRNET para la predicción de RUL se validan comparándolo con otros métodos de aprendizaje automático y métodos de aprendizaje profundo en el conjunto de datos de Simulación del Sistema de Propulsión Aérea Modular Comercial (C-MAPSS) y un conjunto de datos de experimento de tornillo de bolas.