El funcionamiento saludable de los motores de aeronaves es crucial para la seguridad del vuelo, y la predicción precisa de la Vida Útil Restante es una de las tecnologías clave involucradas en el pronóstico y la gestión de la salud de los motores de aeronaves. En los últimos años, los métodos predictivos basados en aprendizaje profundo dentro de enfoques impulsados por datos han mostrado un rendimiento prometedor. Sin embargo, para los motores que experimentan una única falla, como una falla en el Compresor de Alta Presión, los métodos predictivos existentes basados en aprendizaje profundo a menudo enfrentan desafíos de precisión debido a la relación de acoplamiento entre diferentes modos de falla en el conjunto de datos de entrenamiento que incluye una mezcla de múltiples modos de falla. En este artículo, proponemos el método FC-AMSLSTM, un enfoque novedoso para la predicción de la Vida Útil Restante que se dirige específicamente a las fallas de degradación del Compresor de Alta Presión. El método propuesto aborda eficazmente las limitaciones de enfoques anteriores mediante la clasificación de fallas y el desacoplamiento de modos de falla de múltiples condiciones de operación utilizando un índice de declive. Luego, se emplean mecanismos de atención y redes neuronales convolucionales multiescala para extraer características espaciotemporales. La red de memoria a largo y corto plazo se utiliza para modelar la estimación de RUL. Los experimentos se llevan a cabo utilizando el conjunto de datos de simulación del Sistema Aero-Propulsión Modular Comercial proporcionado por la NASA. Los resultados demuestran que, en comparación con otros modelos de predicción, el método FC-AMSLSTM reduce eficazmente el error de predicción de RUL para fallas de degradación de HPC bajo múltiples condiciones de operación.