El mantenimiento predictivo (PdM) es una de las técnicas de mantenimiento más poderosas basadas en la estimación de la vida útil restante (RUL) de las máquinas. La estimación precisa de la RUL es crucial para garantizar la efectividad del PdM. Sin embargo, los métodos actuales tienen limitaciones en la exploración completa de los datos de monitoreo de condiciones, particularmente las señales de vibración, para la estimación de la RUL. Para abordar estos desafíos, esta investigación presenta un modelo novedoso de Aprendizaje Profundo Multi-Rama Robusto (Robust-MBDL). Robust-MBDL se destaca al aprovechar diversas fuentes de datos, incluidas las señales de vibración crudas, representaciones tiempo-frecuencia y múltiples dominios de características. Para lograr esto, adopta una arquitectura especializada de tres ramas inspirada en diseños eficientes de redes. El modelo integra sin problemas la información de estas ramas utilizando una red Bi-LSTM basada en atención avanzada. Además, reconociendo la importancia de la calidad de los datos, Robust-MBDL incorpora un LSTM-Autoencoder no supervisado para la reducción de ruido en los datos de vibración crudos. Este enfoque integral no solo supera las limitaciones de los métodos existentes, sino que también conduce a un rendimiento superior. Las evaluaciones experimentales en conjuntos de datos de referencia como XJTU-SY y PRONOSTIA muestran la eficacia de Robust-MBDL, especialmente en la prognóstico de la salud de máquinas rotativas. Estos resultados subrayan su potencial para aplicaciones del mundo real, anunciando una nueva era en las prácticas de mantenimiento predictivo.