1.一种采用编码器和解码器的滚动轴承剩余使用寿命预测方法，其特征在于，包括：选取滚动轴承振动信号作为训练集和测试集，经快速傅里叶变换，得到频域幅值信号，进行归一化处理；

将归一化处理后的训练集的频域幅值信号作为卷积神经网络的输入，提取滚动轴承振动信号的局部信息和挖掘深层特征，将深层特征作为编码器和解码器网络的输入，将卷积层提取的深层特征输入到基于注意力机制的循环神经网络的编码器和解码器网络中，编码器是一层双向长短时记忆网络，解码器是一层长短时记忆网络和注意力机制；利用循环神经网络的长短时记忆网络对时间序列数据具有长短期记忆的优势以及基于注意力机制的编码器和解码器网络对重要特征的关注，构建趋势性量化健康指标，建立趋势性量化健康指标模型；将归一处理后的测试集的频域幅值信号经卷积神经网络挖掘深层特征，并输入趋势性量化健康指标模型，获取测试集的趋势性量化健康指标；

将测试集的趋势性量化健康指标和测试集的寿命百分比进行线性回归，得出滚动轴承剩余寿命。

2.如权利要求1所述的采用编码器和解码器的滚动轴承剩余使用寿命预测方法，其特征在于，具体包括：第一步，选取滚动轴承振动信号不同工况下的部分数据作为训练集，并对训练集的原始振动信号作快速傅里叶变换，得到频域幅值信号；

第二步，将频域幅值信号，进行归一化处理后作为特征输入，寿命百分比作为输出训练模型；

第三步，将归一化处理后的频域幅值信号作为卷积神经网络的输入，运用卷积神经网络中的卷积层遍历整个输入数据序列，以提取振动信号的局部信息、挖掘深层特征；

第四步，再将卷积层提取的深层特征输入到基于注意力机制的循环神经网络的编码器和解码器网络中，编码器是一层双向长短时记忆网络，解码器是一层长短时记忆网络和注意力机制；利用循环神经网络的长短时记忆网络对时间序列数据具有长短期记忆的优势以及基于注意力机制的编码器和解码器网络对重要特征的关注，构建趋势性量化健康指标，建立趋势性量化健康指标模型；

第五步，对测试集中不同工况的非全寿时域振动信号进行快速傅里叶变换FFT变换，得到频域幅值信号，并进行归一化处理，经第三步挖掘的深层特征，结合第四步的趋势性量化健康指标模型，获取测试集的趋势性量化健康指标；

第六步，使用最小二乘法根据测试集的趋势性量化健康指标和测试集的寿命百分比进行线性回归，从而得出滚动轴承剩余寿命。

3.如权利要求2所述的采用编码器和解码器的滚动轴承剩余使用寿命预测方法，其特N×1征在于，所述第二步具体包括： 其中xt∈R 表示某一工况某一滚动轴承在时刻t处的N维特征输入，N＝2048，yt∈[0,1]表示滚动轴承在时刻t的寿命退化百分比输出；Dtra表示训练集中某一工况某一滚动轴承的振动信号数据，R为频域幅值特征矩阵；T为滚动轴承全寿命运行时间。

4.如权利要求2所述的采用编码器和解码器的滚动轴承剩余使用寿命预测方法，其特征在于，所述第三步利用卷积神经网络的卷积操作、局部链接和权值共享特性自动提取数据局部抽象信息以挖掘深层特征。

5.如权利要求2所述的采用编码器和解码器的滚动轴承剩余使用寿命预测方法，其特征在于，所述第三步具体包括：将滚动轴承归一化处理后的频域幅值信号输入到卷积层中，具体卷积层运算如式(1)所示：式中： 为第l层的第i个卷积核的第j'个权值， 为第l层中第j个被卷积的局部区域r，*代表卷积运算，W为卷积核宽度，使用修正线性单元激活函数对每一个卷积输出的l(i,j)y 进行非线性变换，具体表述如式(2)所示：

l(i,j) l(i,j) l(i,j)

a ＝f(y )＝max{0,y }    (2)

l(i,j) l(i,j) l(i,j)

式中：y 为卷积层输出值，f(·)为激活函数修正线性单元，a 为y 经修正线性单元激活函数得到的激活值。

6.如权利要求2所述的采用编码器和解码器的滚动轴承剩余使用寿命预测方法，其特征在于，所述第四步中编码器和解码器网络的具体实现过程为：编码器负责提取输入序列的上下文信息c，而解码器则根据上下文信息c以及前一序列的数据，逐一计算出输出序列；对于某一序列位置t的输出yt由公式(3)表示：p(yt|yt‑1,yt‑2,...,y1,c)＝g(ht,yt‑1,c)    (3)其中ht表示t时刻的隐藏层的信息，g(·)是激活函数；对于输出来说，t时刻的输出yt是该时刻的隐藏层信息ht、上一时刻输出yt‑1以及输入上下文信息c的函数。

7.如权利要求2所述的采用编码器和解码器的滚动轴承剩余使用寿命预测方法，其特征在于，所述第四步的注意力机制的具体实现过程为：引入注意力机制等于在全局信息c参与输出计算前加一道门a，这道门a将会根据t时刻输入数据xt确定在计算t时刻输出yt时，全局信息c中哪一部分内容更为重要，即告诉神经网络在计算输出yt时，哪一部分全局信息最值得关注；在计算输出时对全局信息c进行更加有效的使用；注意力机制的具体公式如下所示：式中，ht是解码器在t时刻的输出变量， 则是编码器在s时刻的输出变量，则是通过某种方式计算出s时刻的输入信息对于t时刻输出的重要性，最后通过softmax函数对这些重要性比重进行归一化，作为t时刻的注意力门at，这一注意力门at与编码器输出 进行点乘操作，允许与t时刻输出计算相关性最重要的信息流入，阻碍不重要信息的流入；其中计算 有三种方式，Wa和va均是网络中可训练参数。

8.如权利要求2所述的采用编码器和解码器的滚动轴承剩余使用寿命预测方法，其特征在于，所述第四步的长短时记忆网络与双向长短时记忆网络的具体实现过程为：长短时记忆网络中的遗忘门ft决定多少比例的信息会保留在网络中，其计算公式为：ft＝σ(Wf·[ht‑1,xt]+bt)    (7)

式中：xt为输入序列；ht‑1为上一时刻的状态记忆量；σ(·)为sigmoid激活函数；Wf为遗忘门的权重矩阵；bt为遗忘门的偏置；ft为遗忘门的状态；

而输入门it将新的信息有选择性地记忆在细胞状态中，其计算公式为：

it＝σ(Wi·[ht‑1,xt]+bi)           (8)式中： 为细胞状态候选值；Ct为新的细胞状态；tanh(·)为双曲正切函数；Wi为输入门的权重矩阵；Wc为细胞状态的权重矩阵；bi为输入门的偏置；bc为细胞状态的偏置；it为输入门的状态；

输出门ot决定了当前输出的信息，其计算公式为：

ot＝σ(Wo·[ht‑1,xt]+bo)    (10)

ht＝ot*tanh(Ct)      (11)

式中：Wo为输出门的权重矩阵；bo为输出门的偏置；ot为输出门的状态；

双向长短时记忆网络的数学变换式包括：

ht＝f(w1xt+w2ht‑1)    (12)

h′t＝f(w3xt+w5h′t+1)   (13)

Ot＝g(w4ht+w6h′t)     (14)

其中：ht、h′t分别是t时刻的前后传播层、后向传播层的输出；w1、w3分别是输入层和后向传播层的权值矩阵，w3、w5分别是前向、后向传播层到自身传播层的权值矩阵；w4、w6分别为前向和后向传播层到输出层的权值矩阵；Ot为最终输出门的输出值；函数f(·)表示细胞计算过程；函数g(·)表示对前向、后向传播结果进行拼接的函数。

9.如权利要求2所述的采用编码器和解码器的滚动轴承剩余使用寿命预测方法，其特征在于，所述第五步的趋势性量化健康指标Hi是一种定制的指标，实现实时估计滚动轴承的健康状态，剩余使用寿命预测提出一个趋势性量化健康指标Hi，t时刻的趋势性量化健康指标Hi用各自的RULt除以初始时刻RUL0：获取位于区间[0,1]中的Hi值序列，失效点为当Hi达到0，RULt达到0。

10.如权利要求2所述的采用编码器和解码器的滚动轴承剩余使用寿命预测方法，其特征在于，所述第一步具体包括：(1)根据采集的滚动轴承振动信号的点数，通过配置端口配置通道，对傅里叶变换点数重新配置；

(2)接收到快速傅里叶变换开始变换信号后，从数据存储中取出干涉数据转换成频域幅值信号输入可编程逻辑器件；

(3)将可编程逻辑器件输出频域幅值信号存入数据存储；完成后发送变换完成信号存储。