1.一种基于多层网格搜索的PCA‑LSTM轴承剩余寿命预测方法，其特征在于，包括以下步骤：(1)预先收集轴承从正常运行到故障损坏的完整寿命时序数据，并进行预处理，并将数据分为训练集和测试集；

(2)构建LSTM时序数据预测模型并对其进行训练：将步骤(1)获取的训练集进行Min‑Max归一化处理后作为设备退化程度值时序数据输入构建的LSTM时序数据预测模型，训练LSTM输出后序的退化程度值，使用多层网格搜索算法确定能使LSTM输出损失最小的LSTM最优模型参数，更新LSTM最优参数结构，获得最优的LSTM时序数据预测模型；

(3)基于步骤(2)获取的最优LSTM时序数据预测模型，使用多项式曲线拟合预测的后序设备退化程度值，根据退化程度曲线计算出设备剩余使用寿命；

所述步骤(1)的实现过程如下：

(11)提取监测数据的多种时频域特征指标包括均方根值、峰值、方差、均值频率；

(12)对时频域特征指标数据进行简单数据处理包括异常值处理和数据归一化处理；

(13)采用PCA主成分分析方法，融合特征指标，去除数据冗余，得出主成分数据，作为一组新的互不相关的综合指标数据代表以上所有指标数据，将得到综合指标数据分为训练集和测试集。

2.根据权利要求1所述的基于多层网格搜索的PCA‑LSTM轴承剩余寿命预测方法，其特征在于，步骤(2)所述的LSTM时序数据预测模型包括输入门、输出门、遗忘门和记忆单元；设输入的设备退化值时序为(x1,x2,…，xt)，隐藏层状态为(h1,h2,…,ht)，则在t时刻有：ft＝f(Whfht‑1+Wxfxt+bf)

it＝f(Whiht‑1+Wxixt+bi)

Ot＝f(Whoht‑1+Wxoxt+bo)

ht＝otΘtanh(ct)

ct＝ftΘct‑1+iΘf(Whcht‑1+Wxcxt+bc)其中，it、ft、ot分别代表input门、forget门和output门，Θ表示矩阵点乘，ct代表cell单元的状态，xt表示输入层的输入向量，b表示各层的偏差向量，W代表对应的连接权重，f(*)表示激活函数，有sigmoid和tanh两种激活函数；

t时刻input门、forget门、output门的输入向量以及输出向量：t t t

其中，l、φ、ω分别表示input门、forget门、output门，α 、β 、γ 分别为input门、forget门、output门的输出向量， 表示神经元c在t时刻状态的记忆，f(*)表示激活函数。

3.根据权利要求1所述的基于多层网格搜索的PCA‑LSTM轴承剩余寿命预测方法，其特征在于，步骤(2)所述的损失最小的LSTM最优模型参数包括timestep值L、正则化Dropout层的dropout参数值及神经元个数N；所述timestep值L为时序数据输入的时间步长值，由时序数据长度n确定，当时序退化程度值为(x1,x2,…，xn)时，LSTM模型输入为(x1,x2,…，xL)，(x2,x3,…，xL+1)，…，(xm‑L+1,xm‑L+2,…,xm)，其中m为划分训练集测试集的数据点。

4.根据权利要求1所述的基于多层网格搜索的PCA‑LSTM轴承剩余寿命预测方法，其特征在于，所述步骤(3)实现过程如下：使用多项式曲线拟合预测的后序设备退化程度值，根据退化程度曲线计算出设备剩余使用寿命，使用3次多项式曲线拟合预测后的退化程度值：

3 2

y＝at+bt+ct+d

其中，y为预测退化程度值，t为设备运行当前时刻，a、b、c、d为模型参数；计算t时刻的剩余使用寿命tr：tr＝t'‑t(t'>t)

其中，t'为退化程度值为预测退化程度值y＝1时的时刻。