La predicción de la vida útil restante (RUL) es recientemente un tema candente en la investigación de análisis de grandes datos industriales. Su objetivo es obtener el estado de salud del equipo por adelantado y tomar decisiones de mantenimiento inteligentes. Sin embargo, la falta de valores es un problema común en aplicaciones industriales reales que restringe severamente el rendimiento y el alcance de la aplicación de la predicción de RUL. Para abordar este problema, se propone un nuevo modelo de predicción llamado red de múltiples tareas basada en autoatención (SMTN). El módulo de fusión de características espaciotemporales utiliza el mecanismo de autoatención y memoria a corto y largo plazo para aprovechar completamente la información en las dimensiones de espacio y tiempo, el módulo de aprendizaje de múltiples tareas intenta aprender una representación completa a partir de datos incompletos al realizar la tarea de imputación de valores faltantes, y la representación se utiliza simultáneamente para la predicción de RUL. Los experimentos de comparación realizados en el conjunto de datos C-MAPSS verificaron la efectividad de la SMTN propuesta.