1.一种基于小波包分解和1D‑CNN的继电器寿命预测方法，其特征在于：所述电磁继电器寿命预测方法包括如下步骤：

步骤1：利用触点材料电性能模拟实验系统对电磁继电器触头进行熔焊实验，监测并存储电磁继电器的敏感参数；

步骤2：利用小波包分解对继电器敏感参数进行分解和重构，提取数据中的时频特征，达到降噪的目的；

步骤3：对经过步骤2处理过的数据添加剩余寿命标签，划分训练集、验证集和测试集，并打乱数据的排列方式，提高模型的准确度；

步骤4：建立以一维卷积神经网络为基础的深度学习寿命预测模型，确定学习率、激活函数、损失函数和模型结构，建立多个平行对照组，选取最优模型；

步骤5：利用训练集对步骤4中的深度学习寿命预测模型进行训练，利用验证集对步骤4中的深度学习寿命预测模型进行评估，保存最优的模型与超参；

步骤6：利用深度学习寿命预测模型对测试集进行寿命预测，将预测寿命与继电器的实际寿命进行对比，确定模型的准确度与损失。

2.根据权利要求1所述基于小波包分解和1D‑CNN的继电器寿命预测方法，其特征在于：所述步骤4具体包括如下步骤：

步骤4‑1：定义基础层，作为后续结构的基础；

步骤4‑2：以placeholder定义模型的输入；

步骤4‑3：定义第一层卷积层的卷积核filter的尺寸为8*1、4*1和2*1，偏置bias为0；

步骤4‑4：定义第一层最大池化层，选取在卷积核尺寸范围内的最大值作为池化结果向后输入；

步骤4‑5：判断是否需要继续定义卷积层，是则返回步骤4‑3，不需继续定义卷积层则继续进行；

步骤4‑6：定义全连接层，全连接层的参数取电磁继电器的实际寿命次数43560，通过全连接层，将经过上述卷积和池化操作的数据进行展开，展开为特征向量；

步骤4‑7：判断是否继续添加全连接层，是则返回步骤4‑6，不需继续添加全连接层则继续进行；

步骤4‑8：设置模型的损失函数为均方误差、均方根误差、平均绝对误差，并设置优化算法，通过adam优化器，进行参数的计算，其中adam优化器的学习率为0.001；

步骤4‑9：将数据输入到定义好的模型中，通过模型的计算，输出电磁继电器的剩余寿命。

3.根据权利要求2所述基于小波包分解和1D‑CNN的继电器寿命预测方法，其特征在于：所述步骤4‑8使用均方误差、均方根误差和平均绝对误差为损失函数，综合评价模型的预测性能，具体为：

均方误差(MSE)：指预测数据和原始数据对应点误差的平方和的均值均方根误差(RMSE)：为MSE的平方根平均绝对误差(MAE)：指预测数据和原始数据对应点的误差绝对值的均值其中，n表示所预测继电器剩余寿命数据的个数； 为t时刻的预测结果；yt为t时刻继电器的真实寿命。

4.根据权利要求1所述基于小波包分解和1D‑CNN的继电器寿命预测方法，其特征在于：所述步骤2中用小波包分解对继电器敏感参数进行分解和重构的流程为：式中j为尺度系数；n为频率；h、g分别为小波分析共轭滤波器系数，其中h为低通滤波器系数，g为高通滤波器系数；l为位置系数，选用wname小波对继电器敏感参数z(t)进行3层小波包分析。

5.根据权利要求1所述基于小波包分解和1D‑CNN的继电器寿命预测方法，其特征在于：所述步骤3具体过程包括如下步骤：步骤3‑1：对所有降噪处理的数据添加剩余寿命标签、打乱；

步骤3‑2：取百分之七十的数据为训练集，百分之二十验证集，百分之十测试集；

步骤3‑3：将测试集的寿命标签另存到继电器实际寿命文件中。

6.根据权利要求1所述基于小波包分解和1D‑CNN的继电器寿命预测方法，其特征在于：所述步骤5具体包括如下步骤：

步骤5‑1：利用步骤4搭建的深度学习寿命预测模型提取训练集数据的特征信息，首先经小卷积核卷积层后通过激活函数relu变为一组特征图，送往最大池化层进行降采样；再通过大卷积核卷积，旨在使上一层输入特征图自动学习数据的局部特征；将最后一个池化层的输出经全连接层展平输出，经过dropout过拟合处理，传递到最后的输出层。

步骤5‑2：为了防止过拟合，以均方误差为损失函数，设置一定的迭代次数，利用验证集不断对训练集训练的模型进行评估，最后保存最优模型的超参。

7.根据权利要求1所述基于小波包分解和1D‑CNN的继电器寿命预测方法，其特征在于：所述步骤6具体包括如下步骤：

步骤6‑1：选取测试集数据作为模型的输入，为了确保模型具有较好的准确性和泛化能力，所述测试集数据为事先从敏感参数数据集中随机抽取的并且是未用来训练模型的数据；

步骤6‑2：将预测寿命与继电器的实际寿命进行对比，确定模型的准确度与损失。