FTT-GRU：用于剩余可用寿命预测的混合快速时序Transformer与GRU

对工业机械剩余可用寿命（RUL）的精准预测对于减少停机时间和优化维护计划至关重要。现有方法，如长短期记忆网络（LSTM）和卷积神经网络（CNN），常常难以建模多变量传感器数据中的全局时序依赖性和细粒度退化趋势。我们提出一种混合模型FTT-GRU，将轻量化Transformer变体——采用快速傅里叶变换（FFT）实现线性化注意力的快速时序Transformer（Fast Temporal Transformer, FTT）——与门控循环单元（GRU）层结合用于时序建模。据我们所知，这是首次将FTT与GRU用于NASA CMAPSS上的RUL预测，使其能够在紧凑架构中同时捕获全局和局部退化模式。在CMAPSS FD001上，FTT-GRU达到RMSE 30.76、MAE 18.97和 $R^2=0.45$，batch=1时CPU延迟为1.12 ms。相对于最佳已发布深度基线（TCN--Attention），其RMSE改进1.16%，MAE改进4.00%。在 $k=3$ 次运行的平均训练曲线显示收敛平滑，置信区间窄，消融实验（GRU-only、FTT-only）支持两个组件的贡献。这些结果表明，紧凑型Transformer-RNN混合模型在CMAPSS上实现精准且高效的RUL预测，适用于实际工业预测维护。