Dự đoán thời gian sử dụng hữu ích còn lại (RUL) của thiết bị giữ một vai trò quan trọng trong việc phát triển các phương pháp bảo trì dựa trên tình trạng thiết bị, giảm thời gian dừng hệ thống, nâng cao độ tin cậy và an toàn. Nghiên cứu này đề xuất một mô hình dự đoán thời gian sử dụng còn lại của máy điện quay theo tiếp cận học sâu. Đầu tiên, dữ liệu chuỗi thời gian được lấy từ cảm biến gắn vào máy điện đo các biến đổi rung động. Bộ dữ liệu này được sử dụng để huấn luyện mạng nơron tích chập lai với kiến trúc bộ nhớ ngắn - dài hạn (CNN-LSTM). Việc áp dụng mô hình dựa trên sự lai ghép giữa CNN và LSTM đã mang lại kết quả vượt trội so với các mô hình truyền thống. Những kết quả này có thể mang lại lợi ích để tối ưu hóa lịch trình bảo trì và cải thiện hiệu quả tổng thể của các hệ thống gồm nhiều máy điện quay.Predicting the remaining useful life (RUL) of equipment plays an important role in developing maintenance methods based on equipment condition, reducing system downtime, improving reliability and safety. This study proposes a model to predict the remaining lifetime of rotating electrical machines using a deep learning approach. First, time series data are obtained from sensors attached to the electrical machine that measure variation of the vibration. This dataset is used to train a convolutional neural network hybridized with long short-term memory (CNN-LSTM) architecture. Applying a model based on a hybrid of CNN and LSTM has yielded superior results compared to traditional models. These results can be beneöcial for optimizing maintenance schedules and improving the overall efficiency of systems consisting of multiple rotating electrical machines.