涡扇发动机作为航空航天领域的核心设备之一，其健康状况决定了航空器能否稳定可靠地运行。而对涡扇发动机的剩余寿命（RUL）进行判断，是设备监测与维护的重要一环。针对涡扇发动机监测过程中存在的工况复杂、监测数据多样、时间跨度长等特点，提出了一种遗传算法优选时序卷积网络（TCN）基模型的集成方法（GASEN-TCN）的涡扇发动机剩余寿命预测模型。首先，利用TCN捕获长跨度下的数据内在关系，从而对RUL作出预测；然后，应用GASEN集成多个独立的TCN，以增强模型的泛化性能；最后，在通用的商用模块化航空推进系统模拟模型（C-MAPSS）数据集上，对所提模型与当下流行的机器学习方法和其他的深度神经网络进行了比较。实验结果表明，在多种不同的运行模式和故障条件下，与流行的双向长短期记忆（Bi-LSTM）网络相比，所提模型都有着更高的预测准确率与更低的预测误差。以FD001数据集为例，在该数据集上所提模型的均方根误差（RMSE）相较Bi-LSTM低17.08%，相对准确率（Accuracy）相较Bi-LSTM高12.16%。所提模型在设备的智能检修与维护方面有着较好的应用前景。