1.一种基于多尺度注意力的航空发动机剩余寿命预测方法，其特征在于，该方法包括以下步骤：S1，对采集的航空发动机的原始数据进行处理，获取航空发动机运行过程的剩余使用寿命值；航空发动机通过多个传感器实时监测工况，采集的原始数据包括飞行高度、马赫数、油门杆角度以及多个包含有效退化信息的传感器信息；

S2，基于获取的航空发动机运行过程的剩余使用寿命值，依据航空发动机的工况特性，对多工况数据中的周期性和趋势性特征进行自适应提取，动态划分时间片段；结合传感器数据的特征权重，动态调整卷积核尺度，并构建多分辨率树形结构；

S3，基于构建的多分辨率树形结构，利用低复杂度的多尺度注意力机制，通过尺度间连通建立不同时间维度的相关性，通过细尺度和粗尺度节点之间的信息交换实现局部和全局信息的融合，通过尺度内连通在相同尺度内获得上下文的相关性，通过粗尺度之间内部连通获得远距离位置间的依赖关系；

S4，将获得的上下文的相关性、远距离位置间的依赖关系输入并行排列的传感器编码器与时间步编码器，分别从传感器维度和时间维度提取特征，完成对多工况数据中与航空发动机退化相关信息进行捕捉，获取航空发动机运行中剩余使用寿命值；

在步骤S2中，依据航空发动机的工况特性，对多工况数据中的周期性和趋势性特征进行自适应提取，动态划分时间片段，包括：利用离散傅里叶变换将输入数据从时域转换到频域，并选择幅值最大的K个频率分量，保持频域的稀疏性；通过逆傅里叶变换将选定的频率分量还原至时域，得到周期性分量，过程为：Xper＝IDFT({f1，...,fk}＝argTopK(A))，A＝DFT(X)式中，Xper为得到的周期性分量表示，IDFT()为离散傅里叶的逆变换过程，fk为第k个频率分量，TopK( )为选择K个振幅最大的频率分量方法，DFT()为离散傅里叶变换过程，X为输入数据，A为离散傅里叶变换后每个频率对应的振幅；

趋势分解部分使用不同的平均池化核进行移动平均，根据周期性分解后的剩余部分提取总体趋势量，将不同核得到的结果采用加权运算得到趋势分量的表示：Xrem＝X‑Xper

式中，Xtrend为得到的趋势性分量，Softmax()为激活函数，确保每个元素的值在0到1之间且总和为1， 为第i个内核的平均池化函数；Xrem为原始数据在经过周期性分解后的剩余数据；

N×d

将周期分量和趋势分量与原始输入X相加，进行沿时间维度转换合并得到Xtrans∈R ，d为选择的传感器维度，Xtrans为输入X与周期分量和趋势分量在时间维度求和结果，R为实数d×M集，N为时间序列长度；使用可学习的权重矩阵W1，W2∈R 接收来自传感器编码器层得到的核心机数据的注意力权重，得到每个划分出的片段大小 每个划分出的片段大小表示为：式中，Sigmoid( )为激活函数，将变量映射到(0,1)之间；ReLU()为激活函数，Xtrans为输入X与周期分量和趋势分量在时间维度求和结果，Xper为周期性分量，W1,W2均为权重矩阵，为划分出的片段大小。

2.根据权利要求1所述的基于多尺度注意力的航空发动机剩余寿命预测方法，其特征在于，在步骤S1中，对采集的航空发动机的原始数据进行处理，获取航空发动机运行过程的剩余使用寿命值，包括：对采集的航空发动机的原始数据进行处理包括工况聚类、归一化处理以及滑动时间窗口；

航空发动机运行前期的剩余使用寿命值表示为：

RULW＝Ttotal‑tw，tw＝1,2,3,...,Ttotal式中，RULw为航空发动机当前剩余使用寿命值，Ttotal为总序列长度，tw为航空发动机运行的序列长度。

3.根据权利要求1所述的基于多尺度注意力的航空发动机剩余寿命预测方法，其特征在于，在步骤S3中，利用低复杂度的多尺度注意力机制，包括：通过 表示在尺度s中第j个节点，其中，s＝1，…，S依次表示从底层到顶层的尺度；

每个节点只关注三个尺度的相邻节点集 同一尺度的相邻节点 C个子节点父节点其中，子节点 和父节点 的值均为固定值，集合 中的节点表示为：

式中， 为集合 中的第k个节点，k为节点在 中的相对位置，j为集合 的边界值，AS‑1为同一尺度的相邻节点数，设时间序列的长度L被C 整除，β为尺度S中的节点数量；

节点 处对应的注意力输出表示为：

式中，yij为第i个节点对第j个节点的注意力计算结果， 为每个节点所关注的节点集合，qi为第i个节点的查询矩阵， 为第j个节点的键矩阵，dK为kj的维度大小，vj为第j个节点的值矩阵；

x首先通过线性变换变成三个不同功能的矩阵，即查询矩阵Q＝WQx，键矩阵K＝WKx，值矩阵V＝WVx，其中，WQ，WK WQ为将输入x转化查询矩阵的线性矩阵，wK为将输入x转化为键矩阵的线性矩阵，WV为将输入x转化为值矩阵的线性矩阵，x为输入，L为时间序列长度，DK为模型的维度；

对于Q中的每个查询向量qi，与K中第j行的转置 计算点积，生成原始匹配分数矩阵；

在Transformer中，通过全注意力机制计算并存储L个节点的Q‑K对。

4.根据权利要求1所述的基于多尺度注意力的航空发动机剩余寿命预测方法，其特征在于，在步骤S4中，并行排列的传感器编码器与时间步编码器，分别从传感器维度和时间维度提取特征，包括：获得的上下文的相关性、远距离位置间的依赖关系输入表示为一个F×T的矩阵，表示来自F个传感器导入的T个时间步的序列；

在传感器编码器层中，不同传感器的输入序列表示为：

XF＝[S1,S2,…,ST]，

式中，XF为第F个传感器所有时间步信息，ST为在T时刻传感器的输入序列， 为在t时刻第j个传感器的数据，j＝1，2，...，F，F为传感器数量；

经过MSAM注意力加权后的结果表示为：

式中，Fs为在t时刻的各个传感器的注意力权重，作为时间片段划分的偏置项传入到W2中；MultiHeadMSAM( )为多头多尺度注意力机制方法， 为不同传感器的输入序列XF的查询矩阵， 为XF的键矩阵， 为XF的值矩阵；

时间步长编码器沿时间维度提取特征，每个传感器的T个时间步的数据是该传感器在T维的嵌入数据，表示为：XT＝[O1,O2,...,OF],

式中，XT为在T时刻F个传感器的输入序列，Oi为单个传感器的时间序列， 为第i个传感器在第l个时间步长的数据，l＝1，2，...，T；

经过MSAM注意力加权后的结果表示为：

式中，Ft为每一时间步的注意力权重。

5.根据权利要求4所述的基于多尺度注意力的航空发动机剩余寿命预测方法，其特征在于，在步骤S4中，完成对多工况数据中与航空发动机退化相关信息进行捕捉，获取航空发动机运行中剩余使用寿命值包括：在从传感器编码器层和时间步长编码器层提取数据维度和时间维度的加权特征后，特征融合层将这些特征结合起来，生成一个新的混合特征层，得到结合后的特征：Output＝WfConcat(Fs,Ft)

式中，Output为Fs和Ft两注意力权重值在时间维度上的拼接结果，Wf为可学习的参数，用于在时间维度学习Fs和Ft的特征， DK为模型的维度，R为实数集；

根据得到结合后的特征，获取航空发动机运行中剩余使用寿命值。

6.一种基于多尺度注意力的航空发动机剩余寿命预测系统，其特征在于，该系统实施权利要求1‑5任意一项所述基于多尺度注意力的航空发动机剩余寿命预测方法，包括：数据预处理模块(1)，用于对采集的航空发动机的原始数据进行处理，获取航空发动机运行前期的剩余使用寿命值；

多重动态卷积模块(2)，用于基于获取的航空发动机运行前期的剩余使用寿命值，依据航空发动机的工况特性，对多工况数据中的周期性和趋势性特征进行自适应提取，动态划分时间片段；结合传感器数据的特征权重，动态调整卷积核尺度，并构建多分辨率树形结构；

多尺度注意力模块(3)，用于基于构建的多分辨率树形结构，利用低复杂度的多尺度注意力机制，通过尺度间连通建立不同时间维度的相关性，通过细尺度和粗尺度节点之间的信息交换实现局部和全局信息的融合，通过尺度内连通在相同尺度内获得上下文的相关性，通过粗尺度之间内部连通获得远距离位置间的依赖关系；

双维度注意力融合模块(4)，用于将获得的上下文的相关性、远距离位置间的依赖关系输入并行排列的传感器编码器与时间步编码器，分别从传感器维度和时间维度提取特征，完成对多工况数据中与航空发动机退化相关信息进行捕捉，获取航空发动机运行中剩余使用寿命值。

7.根据权利要求6所述的基于多尺度注意力的航空发动机剩余寿命预测系统，其特征在于，所述的基于多尺度注意力的航空发动机剩余寿命预测系统搭载在计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述的基于多尺度注意力的航空发动机剩余寿命预测系统中的功能。

8.根据权利要求6所述的基于多尺度注意力的航空发动机剩余寿命预测系统，其特征在于，所述的基于多尺度注意力的航空发动机剩余寿命预测系统搭载在计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述所述的基于多尺度注意力的航空发动机剩余寿命预测系统中的功能。

9.根据权利要求6所述的基于多尺度注意力的航空发动机剩余寿命预测系统，其特征在于，所述的基于多尺度注意力的航空发动机剩余寿命预测系统在航空发动机起飞、巡航、降落不同飞行阶段航空发动机剩余寿命预测上的应用。