La predicción de la vida útil restante (RUL) basada en datos juega un papel vital en las industrias modernas. Sin embargo, puede ocurrir corrupción impredecible en los datos de los sensores recopilados debido a diversas perturbaciones en las condiciones industriales reales. Para lograr un mejor rendimiento en la predicción de RUL en esta situación, proponemos un nuevo método de múltiples tareas para la predicción de RUL, que se denomina memoria a largo y corto plazo profunda de múltiples tareas (MTD-LSTM). En MTD-LSTM, se emplean primero redes neuronales convolucionales (CNN) y memoria a largo y corto plazo (LSTM) para la extracción y fusión de características. Luego, las características extraídas se alimentan al módulo de aprendizaje de múltiples tareas, que contiene la imputación de valores faltantes y el módulo de predicción de RUL. La tarea de imputación de valores faltantes y la tarea de predicción de RUL se realizan simultáneamente. El propósito de la imputación de valores faltantes es obtener información integral de degradación al recuperar los datos completos; así, la tarea de predicción de RUL funciona mejor bajo datos de sensores corruptos. Además, se propone un nuevo término de pérdida para suavizar los resultados de la predicción de RUL sin ningún procesamiento manual posterior. La efectividad del método propuesto se verifica en el conjunto de datos simulado basado en el conjunto de datos C-MAPSS.