完整数据和代码由知乎学术咨询获取：

https://www.zhihu.com/consult/people/792359672131756032?isMe=1

代码实现了一个先进的航空发动机剩余使用寿命预测方法，基于多尺度时空注意力机制和层次化Transformer架构。

首先从NASA CMAPSS数据集中加载航空发动机的运行数据，包括14个关键传感器读数和工作条件参数，通过滑动窗口技术将连续的时间序列数据转换为固定长度的训练样本，并对数据进行标准化处理以消除不同传感器量纲的影响。

然后构建维度级补丁嵌入层，将传感器时间序列分割为固定长度的补丁并通过线性变换映射到高维特征空间，保留时间和传感器维度的结构信息。编码器部分采用多尺度层次化设计，通过时空注意力块分别捕捉时间维度和传感器维度上的复杂依赖关系，使用补丁合并操作逐步降低时间分辨率同时扩大感受野，形成金字塔式的多尺度特征表示。

解码器部分采用两阶段掩码注意力机制，在自注意力阶段使用时序因果掩码确保预测的因果性防止未来信息泄露，在交叉注意力阶段融合编码器提供的多尺度特征信息，通过特征上采样操作将低分辨率特征与高分辨率特征对齐实现从粗到细的预测过程。预测头部分对解码器输出的不同尺度特征分别进行处理和融合，通过多层感知机生成最终的剩余使用寿命预测值。

系统采用自动混合精度训练技术加速训练过程并减少显存占用，使用梯度裁剪防止梯度爆炸问题，实现早停机制避免模型过拟合，针对不同的FD数据集自动调整超参数配置，使用RMSE和NASA评分函数全面评估模型性能，最终构建了一个高精度、高可靠性的航空发动机健康状态监控和剩余使用寿命预测系统。

详细算法步骤

第一步：数据采集与预处理

从NASA CMAPSS公开数据集中获取航空发动机的运行数据，包括多个传感器读数和工作条件参数，筛选出对剩余使用寿命预测最相关的14个关键传感器特征，基于滑动窗口方法将连续的时间序列数据转换为固定长度的训练样本，每个样本包含连续的传感器读数和对应的剩余使用寿命标签，对传感器数据进行最小-最大标准化处理，消除不同传感器量纲差异，确保模型训练的稳定性和收敛性。

第二步：特征嵌入与表示学习

通过维度级补丁嵌入层将原始传感器时间序列转换为适合深度学习模型处理的高维特征表示，将每个传感器通道的时间序列分割为固定长度的补丁片段，通过线性变换将每个补丁映射到模型的特征维度，添加可学习的位置编码来保留序列中的时序信息，形成包含丰富时空特征的嵌入表示。

第三步：多尺度时空特征提取

构建层次化多尺度编码器，通过多个时空注意力块分别处理时间和传感器维度上的复杂依赖关系，在每个尺度层级使用补丁合并操作降低时间分辨率同时增加特征感受野，形成从细粒度到粗粒度的多尺度特征金字塔，每个尺度都包含完整的时空注意力机制和前馈神经网络。

第四步：层次化预测解码

设计两阶段掩码解码器架构，在自注意力阶段使用时序因果掩码确保预测的严格因果性，防止未来信息泄露到当前预测中，在交叉注意力阶段融合编码器提供的多尺度特征信息，通过特征上采样操作将低分辨率特征与高分辨率特征对齐，实现从全局特征到局部细节的渐进式预测。

第五步：多尺度预测融合

构建多尺度预测头网络，对解码器输出的不同尺度特征分别进行全局平均池化处理，使用独立的MLP网络处理每个尺度的代表性特征，将所有尺度的处理后的特征拼接融合，通过最终的多层感知机生成准确的剩余使用寿命预测值。

第六步：模型训练与优化

采用自动混合精度训练技术，在保持模型精度的同时显著加速训练过程并减少显存占用，实施梯度裁剪策略防止训练过程中的梯度爆炸问题，实现早停机制根据验证集性能自动停止训练避免模型过拟合，针对不同的故障类型数据集自动调整超参数配置。

第七步：性能评估与系统集成

使用均方根误差和NASA特有的评分函数全面评估模型预测性能，实现模型加载和在线推理功能，构建完整的航空发动机健康状态监控系统，为实际的预防性维护和故障预警决策提供科学可靠的技术支持，形成从数据采集到决策输出的完整解决方案。