剩余使用寿命(原则)预测是保证机器的安全运行所必需的。深度学习架构中,卷积神经网络(CNN)显示成就荷重软化的预测,因为它代表学习能力强。提取的特征从不同的接受字段不同大小的卷积核可以为预后提供完整的信息。单一尺寸卷积内核在传统CNN是困难的学习综合信息从复杂的信号。此外,学习能力同步本地和全局特性仅限于传统的CNN。因此,多尺度卷积神经网络(MS-CNN)介绍了克服这些提到的问题。卷积过滤器具有不同膨胀率综合形成扩张卷积块,它可以接受不同领域的学习功能。然后,几堆集成扩张卷积模块在不同深度连接提取局部和全局特征。验证了该方法的有效性通过轴承数据集的准备PRONOSTIA平台。的结果提出MS-CNN具有更高的预测精度比其他许多深上优于荷重软化方法。