1.一种基于数字孪生的人工瓣膜支架性能预测方法，其特征在于，包括以下步骤：步骤S1. 获取瓣膜支架的材料参数和几何特征；

步骤S2.实时监控瓣膜支架在体外模拟服役时的服役数据；

步骤S3. 对步骤S2检测的服役数据进行最大归一化处理；

步骤S4.依据步骤S1中瓣膜支架的几何特征，材料参数，建立疲劳力学模型；

步骤S5.将步骤S2得到的服役数据和步骤S4建立的疲劳力学模型耦合，进行降阶模型分析，建立动态更新的数字孪生模型；

步骤S6. 将步骤S3中归一化处理之后的数据导入步骤S5建立的数字孪生模型中，利用数字孪生模型对瓣膜支架的输出数据进行仿真计算，得到瓣膜支架数字孪生模型的仿真数据；

步骤S7. 将步骤S6数字孪生模型的仿真数据与相对应的服役数据进行比较和数字融合，验证数字孪生模型的准确度，若残差序列为零均值的白噪声，则采信对应的瓣膜支架数字孪生模型，否则根据准则函数对瓣膜支架数字孪生模型的参数进行调整和修正，获得修正后的瓣膜支架数字孪生模型；

步骤S8. 基于步骤S7中的修正后的数字孪生模型建立剩余寿命预测模型；

所述步骤S4中，疲劳力学模型运用Abaqus软件建立，包括以下步骤：步骤S401.根据步骤S1中瓣膜支架的几何特征建立瓣膜支架与主动脉窦的几何模型；

步骤S402.根据步骤S1中瓣膜支架的材料参数定义瓣膜支架与主动脉窦的材料属性；

步骤S403.在有限元分析Abaqus软件中设置载荷和边界条件；

步骤S404.根据步骤S403中的载荷和边界条件建立扩张力学模型；

步骤S405.根据步骤S404中的扩张力学模型的基础上施加疲劳载荷建立疲劳力学模型；

步骤S406.对步骤S405得到的疲劳力学模型的各节点进行计算并求出节点的最大应变，在此基础上计算瓣膜支架工作寿命；

所述步骤S5中，所述降阶模型分析采用支持向量回归的数据拟合法；

所述步骤S8的剩余寿命预测模型具体步骤如下：

步骤S801:基于修正后的数字孪生模型的数据，采用SVR支持向量回归机构建寿命预测模型；

步骤S802:基于瓣膜支架的历史服役数据建立训练集与验证集，采取随机抽取形式，将数据随机90%做训练集，剩下10%当验证集，随机种子任意设置，基于训练集数据对寿命预测模型进行训练；

步骤S803:用网格搜索得到寿命预测模型的最优化参数，同时将寿命预测模型的精度与预设值进行对比，判断精度是否达标，精度计算公式如下：；

其中，MAPE为平均绝对百分比误差，n为瓣膜支架的样品数量， 为剩余寿命的实际值，为剩余寿命的预测值；

步骤S804:以实时服役数据作为寿命预测模型的输入，将剩余寿命作为剩余寿命预测模型的输出。

2.根据权利要求1所述的基于数字孪生的人工瓣膜支架性能预测方法，其特征在于，所述步骤S1中，瓣膜支架的几何参数包括瓣膜支架的外径、厚度和椭圆率。

3.根据权利要求1所述的基于数字孪生的人工瓣膜支架性能预测方法，其特征在于，所述步骤S1中，瓣膜支架的材料参数包括瓣膜支架的密度、泊松比和弹性模量。

4.根据权利要求1所述的基于数字孪生的人工瓣膜支架性能预测方法，其特征在于，所述步骤S2中，服役数据包括血流压差、瓣膜载荷、外部温度、应变状态、损伤面积、损伤深度。

5.根据权利要求1所述的基于数字孪生的人工瓣膜支架性能预测方法，其特征在于，所述步骤S6中，步骤S3归一化处理之后的数据包括血流压差、瓣膜载荷、外部温度、瓣膜支架的应变、损伤面积、损伤深度。

6.根据权利要求1所述的基于数字孪生的人工瓣膜支架性能预测方法，其特征在于，还包括步骤S9；

所述步骤S9建立寿命评估模块，将步骤S8的剩余寿命预测模型中输出的剩余寿命作为寿命评估模块的输入，将剩余寿命与预设值进行对比，当超出预设值时，发出预警。

7.根据权利要求1所述的基于数字孪生的人工瓣膜支架性能预测方法，其特征在于，还包括步骤S10；所述步骤S10是根据步骤S6中的仿真数据建立人机交互模块；所述人机交互模块用于显示瓣膜支架服役过程中产生的形变。