Con la adopción cada vez más profunda de paradigmas de gestión de todo el ciclo de vida en el equipo de aviación, la predicción precisa de la vida útil restante ha surgido como un habilitador técnico fundamental para garantizar la seguridad en vuelo y optimizar la asignación de recursos de mantenimiento. Este estudio aborda sistemáticamente las limitaciones de las metodologías existentes basadas en datos para la predicción de la vida útil restante a través de optimizaciones integrales que abarcan protocolos de preprocesamiento de datos y mejoras arquitectónicas del modelo. Para mitigar el atrapamiento en óptimos locales inherente a la optimización de hiperparámetros en el aprendizaje profundo, se propone un Optimizador de Lobo Gris mejorado que incorpora factores de perturbación dinámica. Este algoritmo se despliega posteriormente para optimizar los hiperparámetros dentro de la arquitectura predictiva rediseñada. Los análisis comparativos revelan que el marco propuesto logra una precisión de predicción superior en comparación con modelos impulsados por optimización convencionales y enfoques de vanguardia. Los resultados respaldan la capacidad de las estrategias de perturbación dinámica para mejorar tanto la calidad de la optimización de hiperparámetros como la estabilidad de la predicción, ofreciendo en última instancia una solución eficiente para la estimación de la vida útil restante de motores aéreos. Los experimentos en el Conjunto de Datos C-MAPSS verifican la efectividad de estas mejoras.