1.一种水泵剩余使用寿命预测方法，其特征在于，包括：每隔预设的时间间隔，采集所述水泵的振动信息、压力值信息以及水泵流量值信息；

对所述振动信息进行时频域信息提取，确定多个所述时频域信息；

基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集；

采用预设的分析方法对所述特征集进行数据降维，得到降维后的特征集；

对所述降维后的特征集以滑动窗口构建输入样本，并采用预训练好的预测模型对所述输入样本进行预测，确定所述水泵的剩余使用寿命；

所述每隔预设的时间间隔，采集所述水泵的振动信息、压力值信息以及水泵流量值信息，包括：每隔时间间隔T，采集所述水泵泵体、基座以及驱动端的振动信息xk(n)，采集所述水泵进出口压力值mj，采集所述水泵流量大小q，其中，k∈{1,2,3}，x1(n)、x2(n)、x3(n)分别表示所述水泵泵体的振动信息、所述基座的振动信息以及所述驱动端的振动信息，n表示采样点数；j∈{1,2}，m1、m2分别表示进口压力和出口压力；

所述对所述振动信息进行时域信息提取，确定多个所述时域信息，包括：对所述xk(n)提取如下时域信息：

均值 记为zk1；

方差 记为zk2；

均方根值 记为zk3；

峰‑峰值Peakk＝max(xk(i))‑min(xk(i)),记为zk4；

峰态系数 记为zk5；

峰值因子 记为zk6；

波形因子 记为zk7；

脉冲因子 记为zk8；

偏度系数 记为zk9；

裕度系数 记为zk10；

峭度系数 记为zk11；

对所述xk(n)提取频域域信息，并求取所述振动信息的自相关函数，对所述自相关函数进行快速傅立叶变换，得到频率f和功率谱值S(f)，其中，均方频率 记为zk12；重心频率 记为zk13；频率方差 记为zk14；

所述基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集包括：将针对采样t时刻采集的振动信息提取的时频域信息记为表示第p个时频域信息；

将所述压力值记为

t t

将所述水泵流量值信息记为L＝{q}；

构建特征 并将多条所述特征X构建为特征集Dinput；

所述采用预设的分析方法对所述特征集进行数据降维，得到降维后的特征集，包括：对所述特征集Dinput的每个数据dij标准化，其中，dij代表特征集Dinput中第i行第j列的数据，标准化公式为：其中， 是第j个特征的均值，计算公式为： sj是第j个特征的标准差，计算公式为： 标准化后的特征集Dinput记为Ainput；

计算Ainput的相关系数矩阵R，计算公式为：采用预设的迭代方法计算所述相关系数矩阵R的特征值λ1，…，λn，和对应的特征向量v1，…，vn；

将所述特征值按降序排列得λ’1>…λ’n，并分别将各所述特征值对应的特征向量进行对应得v’1，…，v’n；

通过施密特正交化方法单位正交化调整后的特征向量，得到α1，…，αn；

计算第l个特征值的贡献率，计算公式为：

计算l个特征值的累积贡献率，计算公式为：根据预设的提取效率tp，当BSl>tp，提取前l个特征向量α1，…，αl作为主成分；

计算已标准化的特征集Ainput在提取出的所述主成分上的投影A’input＝Ainput·α，α＝(α1，…，αl)，A’input是降维后的特征集；所述对所述降维后的特征集以滑动窗口构建输入样本，并采用预训练好的预测模型对所述输入样本进行预测，确定所述水泵的剩余使用寿命，包括：对所述降维后的特征集以滑动窗口构建输入样本，其中，所述，滑动窗口宽为特征集维度Dim＝l，长为Lwin；

采用所述预测模型的第一层对所述输入样本进行局部特征提取，得到局部特征，其中，所述第一层为一维卷积神经网络层，卷积核宽为特征维度Dim，卷积核大小记为Lcon，卷积核数量记为Ncon，所述局部特征为Lwin×Ncon的数据矩阵；

采用所述预测模型的第二层对所述局部特征进行时序特征提取，得到第二特征，其中，所述第二层包括两层LSTM层，所述两层LSTM分别设置有激活函数、神经元个数、以及Dropout；

采用所述预测模型的第三层对所述第二特征进行预测，得到所述水泵的剩余使用寿命，其中，所述第三层为三个全连接层。

2.一种水泵剩余使用寿命预测装置，其特征在于，包括：信息获取模块，用于每隔预设的时间间隔，采集所述水泵的振动信息、压力值信息以及水泵流量值信息；

信息提取模块，用于对所述振动信息进行时频域信息提取，确定多个所述时频域信息；

特征提取模块，用于基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集；

特征降维模块，用于采用预设的分析方法对所述特征集进行数据降维，得到降维后的特征集；

预测模块，用于对所述降维后的特征集以滑动窗口构建输入样本，并采用预训练好的预测模型对所述输入样本进行预测，确定所述水泵的剩余使用寿命；

所述每隔预设的时间间隔，采集所述水泵的振动信息、压力值信息以及水泵流量值信息，包括：每隔时间间隔T，采集所述水泵泵体、基座以及驱动端的振动信息xk(n)，采集所述水泵进出口压力值mj，采集所述水泵流量大小q，其中，k∈{1,2,3}，x1(n)、x2(n)、x3(n)分别表示所述水泵泵体的振动信息、所述基座的振动信息以及所述驱动端的振动信息，n表示采样点数；j∈{1,2}，m1、m2分别表示进口压力和出口压力；

所述对所述振动信息进行时域信息提取，确定多个所述时域信息，包括：对所述xk(n)提取如下时域信息：

均值 记为zk1；

方差 记为zk2；

均方根值 记为zk3；

峰‑峰值Peakk＝max(xk(i))‑min(xk(i)),记为zk4；

峰态系数 记为zk5；

峰值因子 记为zk6；

波形因子 记为zk7；

脉冲因子 记为zk8；

偏度系数 记为zk9；

裕度系数 记为zk10；

峭度系数 记为zk11；

对所述xk(n)提取频域域信息，并求取所述振动信息的自相关函数，对所述自相关函数进行快速傅立叶变换，得到频率f和功率谱值S(f)，其中，均方频率 记为zk12；重心频率 记为zk13；频率方差 记为zk14；

所述基于所述多个时频域信息、所述压力值信息以及所述水泵流量信息构建所述水泵的特征集包括：将针对采样t时刻采集的振动信息提取的时频域信息记为表示第p个时频域信息；

将所述压力值记为

t t

将所述水泵流量值信息记为L＝{q}；

构建特征 并将多条所述特征X构建为特征集Dinput；

所述采用预设的分析方法对所述特征集进行数据降维，得到降维后的特征集，包括：对所述特征集Dinput的每个数据dij标准化，其中，dij代表特征集Dinput中第i行第j列的数据，标准化公式为：其中， 是第j个特征的均值，计算公式为： sj是第j个特征的标准差，计算公式为： 标准化后的特征集Dinput记为Ainput；

计算Ainput的相关系数矩阵R，计算公式为：采用预设的迭代方法计算所述相关系数矩阵R的特征值λ1，…，λn，和对应的特征向量v1，…，vn；

将所述特征值按降序排列得λ’1>…λ’n，并分别将各所述特征值对应的特征向量进行对应得v’1，…，v’n；

通过施密特正交化方法单位正交化调整后的特征向量，得到α1，…，αn；

计算第l个特征值的贡献率，计算公式为：

计算l个特征值的累积贡献率，计算公式为：根据预设的提取效率tp，当BSl>tp，提取前l个特征向量α1，…，αl作为主成分；

计算已标准化的特征集Ainput在提取出的所述主成分上的投影A’input＝Ainput·α，α＝(α1，…，αl)，A’input是降维后的特征集；所述对所述降维后的特征集以滑动窗口构建输入样本，并采用预训练好的预测模型对所述输入样本进行预测，确定所述水泵的剩余使用寿命，包括：对所述降维后的特征集以滑动窗口构建输入样本，其中，所述，滑动窗口宽为特征集维度Dim＝l，长为Lwin；

采用所述预测模型的第一层对所述输入样本进行局部特征提取，得到局部特征，其中，所述第一层为一维卷积神经网络层，卷积核宽为特征维度Dim，卷积核大小记为Lcon，卷积核数量记为Ncon，所述局部特征为Lwin×Ncon的数据矩阵；

采用所述预测模型的第二层对所述局部特征进行时序特征提取，得到第二特征，其中，所述第二层包括两层LSTM层，所述两层LSTM分别设置有激活函数、神经元个数、以及Dropout；

采用所述预测模型的第三层对所述第二特征进行预测，得到所述水泵的剩余使用寿命，其中，所述第三层为三个全连接层。

3.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1所述的水泵剩余使用寿命预测方法。

4.一种计算机可读存储介质，其特征在于，所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1所述的水泵剩余使用寿命预测方法。