1.一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，包括如下步骤：

S1：获取轴承运行时的原始振动信号，分析选择出一个最优的样本长度；

S2：生成样本，使用主成分分析法对所有的样本进行降维；

S3：标准化降维后的新样本，定义故障类型，根据新样本划分训练集和验证集；

S4：构建并调整双向长短时记忆网络模型，采用训练集对双向长短时记忆网络模型进行训练；

S5：利用训练好的双向长短时记忆网络模型，根据验证集进行轴承的故障预测。

2.根据权利要求1所述的一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，所述步骤S1中最优样本长度的分析选择方法为：A1：根据原始振动信号中一个周期信号的数据点数量NT和样本的个数NS，确定样本长度NSL范围，其中，采集的原始振动信号所有数据点的数量为N，NSL范围如下所示：A2：根据样本长度NSL的范围大小确定不同的搜索策略，即在样本长度的范围内获取一个样本长度的值NSV；

A3：重复步骤S2到步骤S4，通过评价准则，直到获取最优的样本长度NSV。

3.根据权利要求2所述的一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，所述步骤A3中的评价准则包括针对样本长度范围小和样本长度范围大的两种评价准则，分别如下：针对样本长度范围小的评价准则：Nsv＝argmax(A(n)，A(n‑1))其中，argmax(A(n)，A(n‑1))表示：在两次迭代完成后，保留模型中准确率高的网络，此时模型属于局部最优，保留此时的样本长度NSV；直到遍历结束后，得到全局最优的模型，并保留与之对用的样本长度NSV；

针对样本长度范围大的评价准则：使用随机搜索策略在样本长度范围内搜索，获得样本长度值，在样本长度值中遍历，如果满足停止条件，则停止搜索，获取模型，停止条件为：A(Nsv)>θ

其中，A(Nsv)表示：当原始信号自动分割成长度为NSV的样本时，将验证样本集放进模型验证得到的准确率；θ表示：验证准确率的阈值，即模型的验证准确率高于给定的阈值时停止，保留此时的样本长度NSV。

4.根据权利要求1所述的一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，所述步骤S2中对于所有的样本进行降维的具体过程为：k×n

B1：给定轴承振动信号T∈R ，其中，X为k行n列的样本矩阵，矩阵中k表示振动幅值的个数，n表示样本个数，即n＝NS，计算所有样本的均值：其中，i＝1,2,…,k；j＝1,2,…,n；

B2：计算样本的标准差：

其中，i＝1,2,3,…,k；j＝1,2,3,…,n；

B3：计算样本的标准化数据：B4：根据样本的标准化数据计算协方差矩阵：B5：根据协方差矩阵，利用奇异值分解计算出特征值和对应的特征向量：[U,S,V]＝SVD(ε)其中，λ1,λ2,λ3,…,λn是计算出的特征值；

(1) (2) (3) (n)U＝[u  u  u  … … u ](1) (2) (3) (n)其中，u ，u ，u ，…,u 是λ1,λ2,λ3,…,λn所对应的特征向量，且λ1>λ2>λ3>…>λn；

B6：计算贡献率：

即

(i) n×r (1)

如果α≥0.85，构造有对应特征向量u ，i＝1,..,n组成的矩阵E∈R ，即E＝(u ，u(2) (3) (r)

，u ，…,u )。

5.根据权利要求1所述的一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，所述步骤S4中双向长短时记忆网络模型的构建和调整方法具体包括如下步骤：

C1：确定双向长短时记忆网络中的隐藏层单元数量NH的范围：

0≤NH≤2Lmax

其中，Lmax为输入样本的序列最大长度；

C2：自动确定输出层神经元个数、全连接层的层数以及每层神经元的数量；

C3：获取到隐含层神经元数量的最大值2Lmax，将神经元进行编号H1’H2，…H2Lmax，形成序列形式；

C4：初始化双向长短时记忆网络的相关参数；

C5：利用过滤法过滤冗余的神经元，在隐藏层神经元数量的范围内，获取一个对应的隐藏层神经元数量，使得网络中冗余神经元得以去除，实现对双向长短时记忆网络结构的动态调整功能。

6.根据权利要求5所述的一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，所述步骤C5具体包括如下步骤：D1：计算各个神经元对于所有样本的激活概率，然后比较某个神经元的激活概率对于平均值的离散程度；

D2：利用过滤法中的方差选择法来筛除冗余的神经元，保留方差大于阈值的神经元，去除方差小于阈值的神经元。

7.根据权利要求6所述的一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，所述步骤D1中使用方差衡量某个神经元对于所有样本的离散程度，方差表达式如下：

其中，P(i,j)表示第j个神经元对第i个样本的激活概率，表示第j个神经元对所有样本的平均激活概率，NS代表样本的数量。

8.根据权利要求6所述的一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，所述步骤D2具体为：在一次迭代过程中，计算每一个神经元对于所有样本的方差，如果方差小于给定的阈值，则在形成的序列中删除这些方差对应的神经元，然后进入下一次迭代，重复以上操作，直到序列中每个神经元对所有样本的方差都低于阈值后时停止。

9.根据权利要求1所述的一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，所述步骤S5具体为：将降维后的验证集输入到训练过的双向长短时记忆网络模型中，通过双向长短时记忆网络提取测试样本的主要特征，然后将这些主要特征输入到全连接层中，再输入到最后一层输出层中，输出的值代表轴承故障类型，即预测出滚动轴承的故障类型。

10.根据权利要求1所述的一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，所述步骤S4中采用训练集对双向长短时记忆网络模型进行训练的过程为：将划分的训练集放进深度长短时记忆网络的输入端，利用双向长短时记忆网络对数据进行自适应的特征提取，在提取之后输入到全连接层，最终通过softmax函数从输出层输出预测的结果。