最近，基于深度学习的模型，如transformer，由于其强大的表示能力，在工业剩余使用寿命（RUL）预测方面取得了显著的性能。在许多工业实践中，RUL预测算法被部署在边缘设备上进行实时响应。然而，深度学习模型的高计算成本使其难以满足边缘智能的要求。本文提出了一种具有多层次时间序列缩减的轻量级组Transformer（GTMRNet）来缓解这个问题。与计算所有时间序列的大多数现有RUL方法不同，GT MRNet可以自适应地选择必要的时间步长来计算RUL。首先，构建了一个轻量级的组Transformer，通过使用具有显著小波参数的组线性变换来提取特征。然后，提出了一种时间序列缩减策略，以自适应地过滤掉每一层不重要的时间步长。最后，开发了一种多层次学习机制，以进一步稳定时间序列缩减的性能。在真实世界条件数据集上的广泛实验结果表明，所提出的方法可以在不牺牲精度的情况下显著减少高达74.7%的参数和91.8%的计算成本
