Todos los métodos actuales de predicción basados en aprendizaje profundo para la vida útil restante (RUL) asumen que los datos de entrenamiento y prueba tienen distribuciones similares, pero la existencia de diversas condiciones de operación, modos de falla y ruido llevan a datos insuficientes con distribuciones similares durante el proceso de entrenamiento, reduciendo así el rendimiento de la predicción de RUL. La adaptación de dominio puede resolver efectivamente este problema al aprender las características invariantes entre dominios del dominio fuente y del dominio objetivo para reducir la diferencia de distribución. Sin embargo, la mayoría de los métodos de adaptación de dominio extraen las características del dominio fuente y del dominio objetivo en un solo espacio para alineación de características, lo que puede dejar fuera información efectiva y afectar la precisión de la predicción. Para abordar este problema, proponemos un enfoque basado en datos llamado red neuronal de memoria a largo plazo y adaptación de dominio de múltiples representaciones (LSTM-MRAN). Estandarizamos y procesamos los datos del sensor degradados con una ventana de tiempo deslizante, utilizamos LSTM para extraer características de los datos degradados y extraemos la información de series temporales entre los datos. Luego, utilizamos múltiples subestructuras en la adaptación de dominio de múltiples representaciones para extraer características del dominio fuente y del dominio objetivo desde diferentes espacios y alinear características minimizando las funciones de pérdida de diferencia máxima media condicional (CMMD). La efectividad del método se verifica mediante el conjunto de datos CMAPSS. En comparación con los métodos sin adaptación de dominio y otros métodos de aprendizaje de transferencia, el método propuesto proporciona resultados de predicción de RUL más confiables en conjuntos de datos con diferentes condiciones de operación y modos de falla.