Predecir con precisión la vida útil restante (RUL) del motor turbofán es de gran importancia para mejorar la fiabilidad y seguridad del sistema del motor. Debido a la alta dimensión y características complejas de los datos de los sensores en la predicción de RUL, este documento propone cuatro modelos de pronóstico basados en datos y redes neuronales profundas (DNNs) con un mecanismo de atención. Para mejorar la extracción de características de DNN, los datos se preparan utilizando una técnica de ventana de tiempo deslizante. Los datos en bruto recopilados después de la normalización se alimentan simplemente en la red sugerida, no se requiere conocimiento previo de pronósticos o procesamiento de señales y se simplifica la aplicabilidad del método propuesto. Para verificar la capacidad de predicción de RUL de las técnicas de DNN propuestas, se validó el conjunto de datos de referencia C-MAPSS del sistema del motor turbofán. Los resultados experimentales mostraron que el modelo desarrollado de memoria a corto plazo (LSTM) con mecanismo de atención logró una predicción precisa de RUL en ambos escenarios con un alto grado de robustez y capacidad de generalización. Además, el rendimiento del modelo propuesto supera a varios métodos de pronóstico de vanguardia, donde el modelo basado en LSTM con mecanismo de atención logró un RMSE de 12.87 y 11.23 para los subconjuntos de datos FD002 y FD003, respectivamente.