La predicción del tiempo de vida útil restante (RUL) se aplica ampliamente en el mantenimiento y gestión de la salud (PHM) de motores turbofán. Aunque algunos de los modelos existentes basados en aprendizaje profundo para la predicción del RUL de motores turbofán han logrado resultados satisfactorios, todavía existen algunos desafíos. Por ejemplo, las características espaciales y las diferencias de importancia ocultas en los datos de monitoreo en bruto no se abordan o resaltan suficientemente. En este documento, se propone una nueva red completamente convolucional de autoatención multi-cabeza (MSA-FCN) para predecir el RUL de motores turbofán. MSA-FCN combina una red completamente convolucional y una estructura multi-cabeza, centrándose en la correlación de degradación entre varios componentes del motor y extrayendo representaciones de degradación características espacialmente. Además, al introducir módulos de autoatención multi-cabeza duales, MSA-FCN puede capturar las contribuciones diferenciales de los datos del sensor y las representaciones de degradación extraídas a la predicción del RUL, enfatizando los datos y representaciones clave. Los resultados experimentales en el conjunto de datos C-MAPSS demuestran que, bajo diversas condiciones de operación y modos de falla, MSA-FCN puede predecir efectivamente el RUL de motores turbofán. En comparación con 11 redes neuronales profundas principales, MSA-FCN logra ventajas competitivas en términos de precisión y puntualidad para la predicción del RUL, brindando pronósticos más precisos y confiables.