1.一种离心泵剩余寿命预测方法，其特征在于，包括如下步骤：步骤1：获取离心泵的振动传感器的监测数据，并对监测数据进行数据预处理，将预处理后的监测数据进行特征向量提取，并把特征向量划分为训练集、验证集和测试集；

步骤2：构造基于长短期记忆网络结构的离心泵剩余寿命的预测模型，通过训练集拟合预测模型，利用验证集调整所述预测模型的超参数和对所述预测模型的预测能力进行初步评估，通过测试集评估预测模型的泛化能力；

步骤3：将训练集作为长短期记忆网络的输入，并初始化预测模型的关键参数，利用均衡优化器算法优化离心泵剩余寿命的预测模型中的关键参数，根据优化得到的关键参数训练长短期记忆网络，得到优化后的长短期记忆网络；

步骤4：利用优化后的离心泵剩余寿命的预测模型来预测离心泵剩余寿命。

2.如权利要求1所述的离心泵剩余寿命预测方法，其特征在于，所述步骤1中将预处理后的监测数据进行特征向量提取的具体方法为：采用提升小波包分解各个终节点系数的能量、偏度系数、峭度系数作为特征向量。

3.如权利要求1所述的离心泵剩余寿命预测方法，其特征在于，所述步骤2中基于长短期记忆网络结构的离心泵剩余寿命的预测模型包括在前一层基础上依次添加的输入层、LSTM层、全连接层、Dropout层、全连接层、回归层和输出层。

4.如权利要求3所述的离心泵剩余寿命预测方法，其特征在于，所述步骤3中，利用均衡优化器算法优化离心泵剩余寿命的预测模型中的关键参数包括：LSTM网络隐含层的神经元节点数，全连接层的节点数，Dropout层的丢弃概率、最大训练次数、最小分块尺寸与初始学习率六个参数；具体步骤如下：

步骤31：将六个参数作为均衡优化器算法中粒子浓度的位置向量，初始化粒子浓度产生种群规模为N的种群，执行步骤2‑7的迭代过程；

步骤32：选择均方根误差作为适应度函数，计算种群中个体对应的适应度值；

步 骤 33 ：基 于 步 骤 3 2 中 获 取的 适 应 度值 ，建 立 5 个 最 优 候 选 解构成的均衡池；

步骤34：当迭代达到最大次数时，停止迭代，返回步骤3的均衡池中的最优个体；

步骤35：通过 和函数t更新种群中每个个体解向量的指数项其中，和 是[0,1]内的随机向量；

其中，a2是局部开发的权重常系数，Iter是当前迭代次数，Max_iter最大迭代次数；

步骤36：通过 和 更新种群中每个个体解向量的质量生成速率其中， 是生成速率控制参数， 是均衡池中随机选择的候选解；

步骤37：通过 和 更新种群中每个个体解向量

5.如权利要求4所述的离心泵剩余寿命预测方法，其特征在于，所述步骤31中初始化粒子浓度产生种群规模为N的种群的具体公式为：Ci＝Cmin+randi(Cmax‑Cmin)i＝1,2,...N其中，randi是[0,1]之间的随机数；Cmax、Cmin分别为优化变量的上界和下界。

6.如权利要求4所述的离心泵剩余寿命预测方法，其特征在于，所述步骤35中个体解向量的指数项 更新满足：

当 时，对个体解向量的指数项 赋值更新，其中， a1是全局搜索的权重常系数，和 是[0,1]内的随机向量，a2是局部开发的权重常系数，Iter是当前迭代次数，Max_iter最大迭代次数。

7.如权利要求4所述的离心泵剩余寿命预测方法，其特征在于，所述步骤36中个体解向量的质量生成速率 更新满足：

当 时，对个体解向量的质量生成速率 赋值更新；

其中，

是生成速率控制参数， 是均衡池中随机选择的候选解，r1和r2是[0,1]内的随机数，GP是生成概率，为常数。

8.如权利要求4所述的离心泵剩余寿命预测方法，其特征在于，所述步骤37中个体解向量 更新满足：

当 时，对个体解向量 赋值更新；

其中 是更新后个体解向量， 是当前个体解向量，V为控制体积，取常数

1。