1.一种基于改进型核极限学习机的轴承剩余使用寿命预测方法，其特征在于：所述轴承剩余使用寿命预测方法包括以下步骤：S1:为充分挖掘多工况下轴承振动信号健康指标，提出了一种改进型自适应连续深度置信网络模型，实现对滚动轴承振动信号的特征提取；考虑到深度置信网络利用二进制机制进行特征提取，更适合离散数据，然而，滚动轴承数据是连续数据，因此在深度置信网络的基础上引入高斯噪声，形成连续深度置信网络进行特征提取，但是，连续深度置信网络在训练过程中会出现无法稳定收敛的情况，因此，在网络中引入自适应学习率规则，使网络能根据训练情况自适应调整学习率大小，形成自适应连续深度置信网络来提高特征提取的稳定性;S2:根据自适应连续深度置信网络提取的深度特征，利用实时退化状态与初始运行状态之间的差距构建反映轴承退化状态的健康指标以便进行后续的剩余使用寿命预测;S3:在构造健康指标后，根据健康指标来预测轴承剩余使用寿命，用麻雀搜索算法优化核极限学习机方法进行滚动轴承的剩余使用寿命预测；核极限学习机是极限学习机的改进版本，将隐层的未知非线性特征映射用核函数表示；

步骤S3，基于构造的健康指标，用SSA‑KELM方法进行滚动轴承的剩余使用寿命预测；输入为健康指标，输出 是剩余使用寿命百分比，其中j表示任意第j个采样输出，m代表共有m次采样；

滚动轴承数据集利用加速度传感器测量，即在滚动轴承的横向和纵向安装两个高灵敏度加速度传感器，分别测量滚动轴承水平方向和垂直方向的振动加速度数值；利用同一型号的滚动轴承在不同工况下的水平振动信号进行多工况剩余使用寿命预测；

利用麻雀搜索算法优化核极限学习机参数的过程如下:

（1）初始化：随机设置麻雀数量N1，正则化系数 ，核参数 ；

（2）建立麻雀搜索算法优化核极限学习机模型：通过计算麻雀的个体适应度 来确定当前最佳和最差的个体；适应度函数如下:；

其中 表示真实RUL， 表示预测RUL，j表示任意第j个采样输出，m代表共有m次采样；

（3）更新麻雀位置：在第 个循环中，发现者位置按以下步骤更新:；

其中 表示第 次循环中的第 个麻雀的位置； 表示符合正态分布的随机数，表示一个 维矩阵，n为算法要优化变量的个数，矩阵中每个元素都为1，分别表示安全阈值和警戒值；如果 ，发现者可以在没有捕食者的情况下继续搜寻；否则，表明麻雀已经被捕食者发现，所有的麻雀需要飞到安全的地方； 表示最大迭代次数；

接下来，跟随者的位置更新为:

；

其中N1代表麻雀数量， 表示发现者的最差全局位置， 表示发现者的最佳全局位置，矩阵 中的每个元素被随机赋值为1或‑1， ；

在第 次循环中，随机选取麻雀进行预警，位置更新为：

 ；

其中 表示当前全局最优位置， 表示步长控制参数， 表示一个随机数， 表示一个常数，以防止分母为零； 表示当前麻雀的适应度值； 和 分别表示最差和最佳全局适应度值， 意味着麻雀在群体的边缘，在群体边缘的麻雀更有可能遇到捕食者； 说明麻雀处于种群的中心，需要接近其他麻雀进行反捕食；

（4）在得到新的麻雀位置和个体适应度值后，将其与之前的值进行比较，分析最佳适应度值；

（5）循环结束：当达到最大迭代次数 时，优化结束。

2.如权利要求1所述的一种基于改进型核极限学习机的轴承剩余使用寿命预测方法，其特征在于：步骤S2中，将原始数据引入所提出的自适应连续深度置信网络来构建健康指标；目标是从原始数据中提取所需的特征来构建健康指标；假设自适应连续深度置信网络的输入是一个振动信号的矩阵 ，R代表实数空间，每一列 表示第t次采样获得的振动信号数据,具有v行，m表示共具有m次采样。