为了整合机械的完整退化信息，基于深度学习的预测方法通常使用不同传感器获取的监控数据作为网络的输入。然而，这些方法缺乏明确的学习机制来有效识别不同传感器数据的区别并突出重要的退化信息，从而影响深度预测网络的准确性并限制其泛化。为了克服上述弱点，本文提出了一种新的深度预测框架，称为多尺度卷积注意网络（MSCAN），用于预测机器的剩余使用寿命（RUL）。在提出的 MSCAN 中，首先构建自注意力模块以有效融合输入多传感器数据。然后，开发了一种多尺度学习策略来自动学习来自不同时间尺度的表示。最后，将学习到的高级表示送入动态密集层以执行回归分析和 RUL 估计。建议的 MSCAN 使用来自铣刀寿命测试的多传感器监测数据进行评估，并与一些最先进的预测方法进行比较。实验结果证明了所提出的 MSCAN 在融合多传感器信息和提高 RUL 预测精度方面的有效性和优越性。