1.一种智慧列车整车服役寿命非侵入预测方法，包括如下步骤：

S1.采用侵入式方式对列车的关键设备进行信号采集，得到各关键设备的采样数据和总测点的采样数据；

S2.对步骤S1获取的采样数据进行预处理，从而得到关键设备特征参数和总测点特征参数；

S3.构建总测点与各个关键设备之间的特征关系原始模型，并采用步骤S2得到的关键设备特征参数对特征关系原始模型进行训练，从而得到各个关键设备的非侵入负荷分解模型；

S4.对列车各个关键设备的历史服役寿命参数与步骤S2得到的关键设备特征参数再次进行处理；

S5.构建各个关键设备的服役寿命预测原始模型和各个关键设备的服役寿命集成预测原始模型，并采用步骤S4得到的数据对构建的两个模型进行训练，从而得到列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型；

S6.构建列车整车的服役寿命预测原始模型，采用步骤S5得到的列车各个关键设备的服役寿命预测模型的预测结果对服役寿命预测原始模型进行训练，从而得到列车整车的服役寿命预测模型；

S7.采用非侵入方式实时采集待预测的目标列车的实时信号，进行数据处理后，再通过步骤S5构建的列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型，以及步骤S7构建的列车整车的服役寿命预测模型，对待预测的目标列车的关键设备寿命和整车寿命进行预测。

2.根据权利要求1所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S1所述的采用侵入式方式对列车的关键设备进行信号采集，得到各关键设备的采样数据和总测点的采样数据，具体为采用如下步骤得到各关键设备的采样数据和总测点的采样数据：A.将列车分为机械部分和电气部分，并针对每个部分选定相应的关键设备；同时选定列车整体的总测点；

B.选取带有不同剩余服役寿命的列车；

C.针对步骤B选取的各个列车，获取步骤A中各个关键设备处的振动加速度信号和负荷有功功率信号，同时获取总测点处的振动加速度信号和负荷有功功率信号；

D.对步骤C得到的信号数据进行数据处理，从而得到最终的各关键设备的采样数据和总测点的采样数据。

3.根据权利要求2所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S2所述的对步骤S1获取的采样数据进行预处理，从而得到关键设备特征参数和总测点特征参数，具体为采用如下步骤得到关键设备特征参数：a.采用傅里叶变换，将步骤S1获取的所有的原始采样数据变换为高低频信号，并采用低通滤波器进行去噪，从而得到总测点有效特征参数和各个关键设备有效特征参数；

b.对步骤a得到的有效特征参数进行归一化处理，从而保证归一化处理后的数据符合标准正态分布；

c.采用滑动窗的方式将步骤b处理后的数据信息，以统一的格式进行存储，从而得到最终的关键设备特征参数p'＝[pe,pl,pt,p'(t)]和a'＝[ae,al,at,a'(t)]，以及总测点特征参数P'＝[Pl,Pt,P'(t)]和A'＝[Al,At,A'(t)]；其中p'(t)为处理后的电气设备的负荷有功功率信号值，a'(t)为处理后的机械设备的振动加速度信号的信号值，P'(t)为处理后的总测点处的负荷有功功率信号值，A'(t)为处理后的总测点处的振动加速度信号的信号值。

4.根据权利要求3所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S3所述的构建总测点与各个关键设备之间的特征关系原始模型，并采用步骤S2得到的关键设备特征参数对特征关系原始模型进行训练，从而得到各个关键设备的非侵入负荷分解模型，具体为采用如下步骤得到各个关键设备的非侵入负荷分解模型：(1)将卷积层内置到门控循环单元神经网络中，从而构建得到非侵入负荷分解模型；

(2)将步骤S2处理后的数据分为训练集和验证集，逐一训练各个关键设备的非侵入负荷分解初步模型；

(3)用验证集对步骤(2)得到的非侵入负荷分解初步模型进行验证，选取误差函数最优秀的模型，作为最终的各个关键设备的非侵入负荷分解模型。

5.根据权利要求4所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤(1)所述的将卷积层内置到门控循环单元神经网络中，从而构建得到非侵入负荷分解模型，具体为将卷积层内置到门控循环单元神经网络中，得到的神经网络包括输入层、一个卷积层、一个隐藏层和一个输出层；隐藏层包括一个门控循环单元和一个全连接层；采用ReLU函数和linear作为激活函数；采用交叉熵函数作为损失函数；采用NAG算法作为参数优化算法进行后续的模型训练，同时设定学习率η＝0.01，衰减率γ＝0.9。

6.根据权利要求5所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S4所述的对列车各个关键设备的历史服役寿命参数与步骤S2得到的关键设备特征参数再次进行处理，具体为采用如下步骤进行处理：

1)采用经验小波变换算法，将步骤S1得到的数据信息pl和al，以及步骤S2得到的数据信息p'(t)和a'(t)，分解为固定数量的高低频的子序列；

2)利用样本熵评估步骤1)得到的子序列的平稳性；

3)根据步骤2)得到的子序列的平稳性，采用ICEEMDAN算法对不平稳子序列进行进一步分解；

4)利用主成分分析法进行降维，从而得到最终的处理数据pl'＝[pl1',pl2',...,plc']、p”(t)＝[p1”(t),p2”(t),...pc”(t)]、al'＝[al1',al2',...,alc']和a”(t)＝[a1”(t),a2”(t),...,ac”(t)]。

7.根据权利要求6所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S5所述的构建各个关键设备的服役寿命预测原始模型和各个关键设备的服役寿命集成预测原始模型，并采用步骤S4得到的数据对构建的两个模型进行训练，从而得到列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型，具体为采用如下步骤得到列车各个关键设备的服役寿命预测模型：Ⅰ.以蜻蜓算法优化的回声状态网络模型作为原始模型，构建针对各个关键设备的服役寿命预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命预测原始模型进行训练，从而得到列车各个关键设备的服役寿命预测模型；

Ⅱ.以蜻蜓算法优化的回声状态网络模型作为原始模型，构建各个关键设备的服役寿命集成预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命集成预测原始模型进行训练，从而得到列车各个关键设备的服役寿命集成预测模型。

8.根据权利要求7所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤Ⅰ所述的以蜻蜓算法优化的回声状态网络模型作为原始模型，构建针对各个关键设备的服役寿命预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命预测原始模型进行训练，从而得到列车各个关键设备的服役寿命预测模型，具体为采用如下步骤得到列车各个关键设备的服役寿命预测模型：Ⅰ-1.当目标关键设备为电气设备时，以步骤S4得到的处理后的子序列p”(t)＝[p1”(t),p2”(t),...pc”(t)]作为模型输入，以各个对应关键设备的剩余服役寿命子序列pl'＝[pl1',pl2',...,plc']作为输出；当目标关键设备为机械设备时，以步骤S4得到的处理后的子序列a”(t)＝[a1”(t),a2”(t),...,ac”(t)]作为模型输入，以各个对应关键设备的剩余服役寿命子序列al'＝[al1',al2',...,alc']作为输出；

Ⅰ-2.初始化回声网络状态参数：随机生成储备池，使得谱半径小于R1，随机生成输入连接与输出反馈权重，并且训练过程中不再发生改变，采用tanh函数作为激活函数；

Ⅰ-3.生成初始化种群：设定蜻蜓种群数量的取值范围为[N1,N2]，最大迭代次数的取值范围为[N3,N4]；回声状态网络待优化的参数通过每个种群个体的位置表示；N1～N4均为自然数；

Ⅰ-4.确定优化目标函数：将用于训练回声状态网络模型的输入数据分成两部分，其中N5％作为训练集，N6％作为验证当前参数性能的验证集；选择均方误差作为优化目标函数；

N5和N6均为正实数，且N5+N6＝100；

Ⅰ-5.输出回声状态网络最优参数：利用确定的优化目标函数对回声状态网络的输出连接权重进行优化，在最大迭代次数内找到使得均方误差输出值最小的参数值，作为回声状态网络的最优参数，得到列车各个关键设备的服役寿命预测模型；

步骤Ⅱ所述的以蜻蜓算法优化的回声状态网络模型作为原始模型，构建各个关键设备的服役寿命集成预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命集成预测原始模型进行训练，从而得到列车各个关键设备的服役寿命集成预测模型，具体为采用如下步骤得到列车各个关键设备的服役寿命集成预测模型：Ⅱ-1.当目标关键设备为电气设备时，以步骤S4得到的处理后的子序列pl'＝[pl1',pl2',...,plc']作为模型输入，以原始数据库中z个列车的各个对应关键设备的剩余服役寿命序列pl＝[pl1,pl2,...,plz]作为输出；当目标关键设备为机械设备时，以步骤S4得到的处理后的子序列al'＝[al1',al2',...,alc']作为模型输入，以z个列车的各个对应关键设备的剩余服役寿命序列al＝[al1,al2,...,alz]作为输出；

Ⅱ-2.初始化回声网络状态参数：随机生成储备池，使得谱半径小于R2，随机生成输入连接与输出反馈权重，并且训练过程中不再发生改变，采用tanh函数作为激活函数；

Ⅱ-3.生成初始化种群：设定蜻蜓种群数量的取值范围为[N7,N8]，最大迭代次数的取值范围为[N9,N10]；回声状态网络待优化的参数通过每个种群个体的位置表示；N7～N10均为自然数；

Ⅱ-4.确定优化目标函数：将用于训练回声状态网络模型的输入数据分成两部分，其中N11％作为训练集，N12％作为验证当前参数性能的验证集；选择均方误差作为优化目标函数；N11和N12均为正实数，且N11+N12＝100；

Ⅱ-5.输出回声状态网络最优参数：利用确定的优化目标函数对回声状态网络的输出连接权重进行优化，在最大迭代次数内找到使得均方误差输出值最小的参数值，作为回声状态网络的最优参数，得到列车各个关键设备的服役寿命集成预测模型。

9.根据权利要求8所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S6所述的构建列车整车的服役寿命预测原始模型，采用步骤S5得到的列车各个关键设备的服役寿命预测模型的预测结果对服役寿命预测原始模型进行训练，从而得到列车整车的服役寿命预测模型，具体为采用如下步骤得到列车整车的服役寿命预测模型：ⅰ.以步骤S5得到的列车各个关键设备的服役寿命预测模型的预测结果作为模型输入，以列车整车服役寿命序列作为模型输出；

ⅱ.采用步骤ⅰ的数据，对多目标蚁群优化模型进行训练，从而得到最终的列车整车的服役寿命预测模型。

10.根据权利要求9所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤ⅱ所述的采用步骤ⅰ的数据，对多目标蚁群优化模型进行训练，从而得到最终的列车整车的服役寿命预测模型，具体为采用如下步骤得到最终的列车整车的服役寿命预测模型：ⅱ-1.参数初始化：采用多目标蚁群优化，初始化蚁群数量为M1，最大迭代次数为M2，随机初始化信息素相关参数；M1和M2均为正整数；

ⅱ-2.确定优化变量：设定列车电气设备与机械设备数目分别为m和n，f表示利用参数c1,c2,...,cm+n和各个设备剩余服役寿命拟合得到的列车整车服役寿命，优化变量为参数c1,c2,...,cm+n，pli＝[pli(1),pli(2),...,pli(m)]为步骤S5得到的第i个列车的m个关键电气设备的剩余服役寿命预测结果，ali＝[ali(1),ali(2),...,ali(n)]为步骤S5得到的第i个列车的n个关键机械设备的剩余服役寿命预测结果，且i＝1,2,...,z，则第i个列车的整车服役寿命拟合结果为fi＝c1pli(1)+c2pli(2)+...cmpli(m)+cm+1ali(1)+cm+2ali(2)+...+cm+nali(n)；

ⅱ-3.确定优化目标函数：

式中li为步骤S1获取的z个列车中第i个列车的整车服役寿命真实数据；fi为第i个列车的整车服役寿命拟合结果； 为z个列车整车服役寿命真实数据的平均值； 为z个列车整车服役寿命拟合结果的平均值；

ⅱ-4.执行多目标优化：让所有蚂蚁遍历所有路径，计算优化目标函数值并记录最优情况对应的非支配解；

ⅱ-5.不断更新搜索路径并记录最优路径，当达到最大迭代次数时停止搜索，输出非支配解集；

ⅱ-6.利用验证集评估非支配解集的性能，以模型输出值的平均绝对百分比误差作为评价指标，得到E值最小的非支配解作为最优参数输出，得到最终的列车整车的服役寿命预测模型。