1.一种基于卷积神经网络的行波超声电机寿命预测方法，其特征在于，包括：基于预设的数据采集模板对待测电机进行数据采集，获取输入数据；

将所述输入数据输入神经网络模型中，获取所述的待测电机的剩余寿命的预测值；

其中，所述基于预设的数据采集模板对待测电机进行数据采集，获取输入数据，包括：以所述待测电机的运行状态数据为属性、时间为序数，采集预设维度的数据，作为待处理数据；

将所述待处理数据中同一属性的数据进行归一化处理；归一化处理公式如下：其中，D′i为归一化处理后同一属性的数据中第i个数据值；Di为归一化处理前同一属性的数据中第i个数据值；Dmax为归一化处理前同一属性的数据中的最大值；Dmin为归一化处理前同一属性的数据中的最小值；

将归一化处理后的数据，以同一序数的数据为行、以同一属性的数据为列，构建数据矩阵；

获取所述数据采集模板；

确定所述数据矩阵的各个数据和所述数据采集模板各个空白区域对应的关系；

确定所述数据矩阵的各个数据对应的灰度值；

为所述数据采集模板中与所述数据矩阵的各个数据对应的所述空白区域填充所述灰度值所对应颜色，形成一组所述输入数据。

2.如权利要求1所述的基于卷积神经网络的行波超声电机寿命预测方法，其特征在于，所述运行状态数据包括：转速、驱动电流、激励电压、电压相位、驱动频率、温度、振动幅度、负载扭矩其中一种或多种结合。

3.如权利要求1所述的基于卷积神经网络的行波超声电机寿命预测方法，其特征在于，所述神经网络模型通过如下步骤训练：获取多个与所述待测电机同一型号的电机的全寿命数据；

解析所述全寿命数据进行处理，获取多组训练数据；

将多组所述训练数据按照预设的比例划分规则，划分为训练集、验证集和测试集；

在训练时，当浅层特征信息被多个并行的卷积融合后所得到的深层卷积特征再与浅层卷积结合得出一个分类分支，剩下的部分继续进行更深层的卷积，通过反复调试和配比卷积核大小、深浅层网络结构的相加位置，得到最优的模型结构；

将训练集输入搭建好的所述模型结构，进行反复迭代计算损失函数反向传播更新参数，直到模型收敛后保存，获得所述神经网络模型。

4.如权利要求3所述的基于卷积神经网络的行波超声电机寿命预测方法， 其特征在于，所述全寿命数据通过如下步骤获取：从大数据平台上获取其他用户上传的与所述待测电机同一型号的电机的 监测数据；

对所述监测数据的完整性进行验证；

当验证通过时，确定所述监测数据的初始来源；

获取所述初始来源的第一身份信息；

基于所述第一身份信息，确定所述初始来源的第一置信系数；

获取所述大数据平台给所述初始来源设置的第一置信值；

获取所述大数据平台上除了初始来源的其他用户为所述初始来源设置的第二置信值；

获取所述其他用户的第二身份信息；

基于所述第二身份信息，确定各个所述其他用户的第二置信系数；

获取所述初始来源为所述监测数据分配的第三置信值；

基于所述第二置信系数和所述第二置信值的积的从大到小的顺序，对其他用户进行排序，提取前n位所述其他用户的所述第二置信系数和所述第二置信值；

基于所述第一置信系数、所述第一置信值、第三置信值和前n位所述其他用户的所述第二置信系数和所述第二置信值，通过下式确定所述监测数据的第四置信值；所述第四置信值的计算公式如下：其中，Z4表示所述第四置信值，Z1表示所述第一置信值，Z3表示所述第三置信值，Z2,i表示提取的第i位其他用户的所述第二置信值，βi表示提取的第i位其他用户的所述第二置信值的所述第二置信系数，γ1、γ2为预设的权重系数；

当所述第四置信值大于预设的置信阈值时，将所述监测数据作为所述全寿命数据；否则，舍弃所述监测数据；

其中，对所述监测数据的完整性进行验证，包括：基于预设的关键词提取模板，对所述监测数据进行关键词提取；

当提取到标示初次使用的数据的第一关键词和标示损坏前最后一次使用的数据的第二关键词时，解析所述监测数据，构建监测数据时间轴；

沿着所述监测数据时间轴，确定相邻的时间点的时间差值；

当所述时间差值小于预设的时间阈值时，验证通过；否则，不通过；

所述基于所述第一身份信息，确定所述初始来源的第一置信系数，包括：通过预设的特征提取模板对所述第一身份信息进行特征提取，获取多个特征值；

基于多个所述特征值，构建身份标识向量；

获取预设的第一置信系数确定库；

基于所述身份标识向量，从所述第一置信系数确定库中调取与所述身份标识向量关联的所述第一置信系数。

5.一种基于卷积神经网络的行波超声电机寿命预测系统，其特征在于，包括：输入模块，用于基于预设的数据采集模板对待测电机进行数据采集，获取输入数据；

预测模块，用于将所述输入数据输入神经网络模型中，获取所述的待测电机的剩余寿命的预测值；

其中，所述输入模块基于预设的数据采集模板对待测电机进行数据采集， 获取输入数据，执行如下操作：以所述待测电机的运行状态数据为属性、时间为序数，采集预设维度的数 据，作为待处理数据；

将所述待处理数据中同一属性的数据进行归一化处理；归一化处理公式如 下：其中，D′i为归一化处理后同一属性的数据中第i个数据值；Di为归一化处理前同一属性的数据中第i个数据值；Dmax为归一化处理前同一属性的数据中的最大值；Dmin为归一化处理前同一属性的数据中的最小值；

将归一化处理后的数据，以同一序数的数据为行、以同一属性的数据为列，构建数据矩阵；

获取所述数据采集模板；

确定所述数据矩阵的各个数据和所述数据采集模板各个空白区域对应的关系；

确定所述数据矩阵的各个数据对应的灰度值；

为所述数据采集模板中与所述数据矩阵的各个数据对应的所述空白区域填充所述灰度值所对应颜色，形成一组所述输入数据。

6.如权利要求5所述的基于卷积神经网络的行波超声电机寿命预测系统，其特征在于，所述运行状态数据包括：转速、驱动电流、激励电压、电压相位、驱动频率、温度、振动幅度、负载扭矩其中一种或多种结合。

7.如权利要求5所述的基于卷积神经网络的行波超声电机寿命预测系统，其特征在于，所述神经网络模型通过如下步骤训练：获取多个与所述待测电机同一型号的电机的全寿命数据；

解析所述全寿命数据进行处理，获取多组训练数据；

将多组所述训练数据按照预设的比例划分规则，划分为训练集、验证集和测试集；

在训练时，当浅层特征信息被多个并行的卷积融合后所得到的深层卷积特征再与浅层卷积结合得出一个分类分支，剩下的部分继续进行更深层的卷积，通过反复调试和配比卷积核大小、深浅层网络结构的相加位置，得到最优的模型结构；

将训练集输入搭建好的所述模型结构，进行反复迭代计算损失函数反向传播更新参数，直到模型收敛后保存，获得所述神经网络模型。

8.如权利要求7所述的基于卷积神经网络的行波超声电机寿命预测系统，其特征在于，所述全寿命数据通过如下步骤获取：从大数据平台上获取其他用户上传的与所述待测电机同一型号的电机的监测数据；

对所述监测数据的完整性进行验证；

当验证通过时，确定所述监测数据的初始来源；

获取所述初始来源的第一身份信息；

基于所述第一身份信息，确定所述初始来源的第一置信系数；

获取所述大数据平台给所述初始来源设置的第一置信值；

获取所述大数据平台上除了初始来源的其他用户为所述初始来源设置的第二置信值；

获取所述其他用户的第二身份信息；

基于所述第二身份信息，确定各个所述其他用户的第二置信系数；

获取所述初始来源为所述监测数据分配的第三置信值；

基于所述第二置信系数和所述第二置信值的积的从大到小的顺序，对其他 用户进行排序，提取前n位所述其他用户的所述第二置信系数和所述第二置信 值；

基于所述第一置信系数、所述第一置信值、第三置信值和前n位所述其他用户的所述第二置信系数和所述第二置信值，通过下式确定所述监测数据的第四置信值；所述第四置信值的计算公式如下：其中，Z4表示所述第四置信值，Z1表示所述第一置信值，Z3表示所述第三置信值，Z2,i表示提取的第i位其他用户的所述第二置信值，βi表示提取的第i位其他用户的所述第二置信值的所述第二置信系数，γ1、γ2为预设的权重系数；

当所述第四置信值大于预设的置信阈值时，将所述监测数据作为所述全寿命数据；否则，舍弃所述监测数据；

其中，对所述监测数据的完整性进行验证，包括：基于预设的关键词提取模板，对所述监测数据进行关键词提取；

当提取到标示初次使用的数据的第一关键词和标示损坏前最后一次使用的数据的第二关键词时，解析所述监测数据，构建监测数据时间轴；

沿着所述监测数据时间轴，确定相邻的时间点的时间差值；

当所述时间差值小于预设的时间阈值时，验证通过；否则，不通过；

所述基于所述第一身份信息，确定所述初始来源的第一置信系数，包括：通过预设的特征提取模板对所述第一身份信息进行特征提取，获取多个特征值；

基于多个所述特征值，构建身份标识向量；

获取预设的第一置信系数确定库；

基于所述身份标识向量，从所述第一置信系数确定库中调取与所述身份标识向量关联的所述第一置信系数。