1.一种基于RE-CF-EKF算法的滚动轴承剩余寿命预测方法，其特征在于：步骤一：对获得的轴承振动数据集进行筛选，选择同一工况的多个轴承作为实验数据集，并将其进行训练集和测试集的分组；

步骤二：取原始信号的时域特征后，进行线性滤波，计算滤波后数据与滤波误差之间的相对误差值RE，基于RE曲线确定预测开始点TSP；

步骤三：对选取的时域特征，进行降噪处理，再由累积函数得到趋势更平滑的累积特征CF；

步骤四：结合步骤二、步骤三得到适合建模预测的特征曲线段，并建立状态空间模型，由训练集的特征曲线段得到模型初始参数，再结合EKF算法预测轴承剩余寿命。

2.如权利要求1所述的一种基于RE-CF-EKF算法的滚动轴承剩余寿命预测方法，其特征在于：在步骤二中选用能表征轴承整体寿命趋势的时域特征表征，对时域特征表征进行线性滤波，得到滤波后特征曲线与滤波误差曲线；

设定滑窗大小为m；

计算每个窗口内F(k)与E(k)的相对误差RE(k)，其具体表达式为：获得RE曲线，

在当前数据集所得RE曲线中选取阈值分界线；

依据阈值分界线，寻找退化开始点，并作为预测开始点TSP用于后续预测。

3.如权利要求2所述的一种基于RE-CF-EKF算法的滚动轴承剩余寿命预测方法，其特征在于：所述滑窗大小为已知数据长度T的X％；

所述阈值分界线为训练集相对误差的前A1％-A2％数据的均值；

其中，X为自然数；

A1、A2选自自然数，A1小于A2。

4.如权利要求1所述的一种基于RE-CF-EKF算法的滚动轴承剩余寿命预测方法，其特征在于：在步骤三中，使用经验模态分解的改进算法CEEMDAN对方差特征重构后进行降噪处理；

对降噪后的方差特征V，依据累积函数进行处理，得到累积特征CF；

其中，累积函数公式如下：

5.如权利要求1所述的一种基于RE-CF-EKF算法的滚动轴承剩余寿命预测方法，其特征在于：所述训练集为全寿命周期数据；

所述测试集取前一部分作为已知数据，剩余部分用于验证预测结果的优劣。

6.如权利要求5所述的一种基于RE-CF-EKF算法的滚动轴承剩余寿命预测方法，其特征在于：所述步骤四包括如下步骤：

所述EKF算法预测测试集已知数据最后时刻T之后的状态估计值 形成新的模型参数；

根据预测结果，得到对应T+i(i＝1，2，…，n)时刻的轴承特征数据；

当轴承振动数据的特征曲线到达定义阈值时，则剩余使用寿命RUL为T时刻到轴承失效阈值点之间的时间间隔。

7.如权利要求5所述的一种基于RE-CF-EKF算法的滚动轴承剩余寿命预测方法，其特征在于：在步骤四中，由步骤二所得预测开始点与步骤三所得累积特征，得到当前数据集更适合建模预测的特征曲线段CF′(k)，k＝TSP，…，T；

计算训练集每个特征曲线段最后一点的斜率thi，取均值作为测试集预测时的阈值：所建立的状态空间方程为：

其中，xk＝[ak，bk，ck，dk]；

k表示循环次数；

xk表示状态模型参数；

Yk表示累积特征曲线段的观测值；

wk表示状态噪声；

vk表示观测噪声；

根据训练集的特征曲线段拟合得到预测模型的初始参数；

将初始模型参数与测试集当前数据的特征曲线段输入到EFK算法中，预测得到T时刻的状态值X(T)。

8.如权利要求7所述的一种基于RE-CF-EKF算法的滚动轴承剩余寿命预测方法，其特征在于：所述EKF算法具体流程为：

S1.考虑如下状态空间方程：

Y(k)＝HX(k)+V(k)S2.预测部分：

S2-1.状态预测：

S2-2.观测预测：

Y(k|k-1)＝HX(k|k-1)S2-3.协方差预测：

S3.更新部分：

S3-1.计算kalman增益：T T -1

K(k)＝P(k|k-1)H[HP(k|k-1)H+R]S3-2.状态更新：

X(k)＝X(k|k-1)+K(k)[Y(k)-Y(k|k-1)]S3-3.协方差更新：

P(k)＝[In-K(k)H]P(k|k-1)。

9.如权利要求8所述的一种基于RE-CF-EKF算法的滚动轴承剩余寿命预测方法，其特征在于：测量估计值的计算方法如下：

其中，Y(k)表示输入的轴承累积特征曲线段CF′(k)，对应于状态空间方程中的Yk，通过EKF算法得到T时刻时的状态值Xk，根据预测模型计算得到T时刻之后的测量估计值当 达到阈值时，停止预测，并计算当前轴承预测的剩余寿命值：R＝k-T

其中，对于特征曲线段CF′(k)，k＝TSP，…，T，迭代地将TSP时刻到t，TSP＜t≤T，时刻的特征曲线段作为EKF的输入，并预测剩余寿命。