对于机械系统的预测和健康管理，一项核心任务是预测机器的剩余使用寿命（RUL）。目前，具有自动特征学习的深度结构，如长短期记忆（LSTM），在RUL预测方面取得了很好的性能。然而，传统的LSTM网络只使用最后一个时间步的学习特征进行回归或分类，效率不高。此外，一些具有领域知识的手工制作的特征可能会为RUL的预测提供额外的信息。因此，将这些手工制作的特征和自动学习的特征集成到RUL预测中是非常有动力的。在这篇文章中，我们提出了一种基于注意力的深度学习框架，用于机器的RUL预测。LSTM网络用于从原始数据中学习序列特征。同时，所提出的注意力机制能够学习特征和时间步长的重要性，并为更重要的特征和时间步分配更大的权重。此外，开发了一个特征融合框架，将人工生成的特征与自动学习的特征相结合，以提高RUL预测的性能。对两个真实数据集进行了广泛的实验，实验结果表明，我们提出的方法优于现有技术。 关键词：注意力机制、特征融合手工特征、长短期记忆（LSTM）、机器剩余使用寿命（RUL）预测、预后和健康管理（PHM）。
