잔여 유효 수명(Remaining Useful Life, RUL) 예측은 산업용 예지 보전(predictive maintenance)에 필수적이지만, 많은 학습 기반 접근 방식들은 작업별 시퀀스 모델을 훈련하기 위해 광범위한 피처 엔지니어링이나 대규모 레이블 데이터셋에 의존합니다. 본 연구에서는 경량화된 학습 접근 방식을 소개하며, 동결된 사전 학습 시계열 파운데이션 모델(Time-Series Foundation Model, TSFM)을 활용하고 이를 다변수 센서 스트림으로부터 RUL 추정을 위한 작은 회귀 헤드와 결합합니다. 더 구체적으로, 우리는 Chronos-2를 동결된 백본으로 사용하여 컨텍스트 윈도우 피처를 추출하고, RUL 예측을 위해 경량 회귀 신경망을 훈련합니다. 두 가지 장치 유형의 실제 산업 센서 데이터에 대한 실험 결과, Chronos-2 피처가 동일한 전처리 및 평가 프로토콜 하에서 순환(recurrent), 컨볼루션(convolutional), 트랜스포머 기반(Transformer-based), 그리고 그래디언트 부스팅(gradient-boosting) 기준선보다 일관되게 성능이 향상됨을 보여줍니다. 또한, 우리는 컨텍스트 길이의 영향을 분석했으며, 더 긴 이력(history)에 따라 성능이 크게 개선된다는 것을 발견했습니다. 이는 TSFM 표현이 산업 환경에서의 RUL 추정을 위한 실용적이고 데이터 효율적인 대안을 제공함을 시사합니다.