1.一种滚动轴承剩余使用寿命预测方法，其特征在于，包括如下步骤：步骤1.首先利用滚动轴承振动信号数据预处理方法ISSA‑MCKD‑ICEEMDAN，对滚动轴承原始振动信号进行数据降噪操作，以突出周期信号，减少信号干扰；

根据峭度和相关系数原则进行IMF分量选取和重构，得到滚动轴承故障特征重构信号；

步骤2.对步骤1得到的滚动轴承故障特征重构信号进行特征提取，得到特征集，并使用Spearman‑MIR联合方法对特征集进行选择，构造低维敏感特征集；

步骤3.搭建DE‑BiLSTM预测模型，将步骤2得到的低维敏感特征集输入到DE‑BiLSTM预测模型中进行滚动轴承剩余寿命预测，得到滚动轴承RUL的预测结果；

所述步骤1具体为：

步骤1.1.初始化ISSA种群，设置种群规模以及最大迭代次数；

将MCKD的参数滤波器长度L、解卷积周期T的范围定义为ISSA算法种群搜索的空间域，将MCKD的信号最大相关峭度值作为适应度函数，将(L,T)作为待优化的参数组合；

通过ISSA算法自适应选择最大相关峭度解卷积MCKD的最优参数组合；

步骤1.2.利用已经自适应选择参数后的MCKD对含噪声的滚动轴承原始振动信号进行增强预处理，以突出故障脉冲，降低噪声干扰，从而得到降噪信号；

步骤1.3.对降噪信号进行ICEEMDAN分解，得到若干IMF分量信号；

步骤1.4.基于相关系数和峭度原则，从步骤1.3中的IMF分量信号中选择IMF分量进行重构，得到具有显著故障特征的滚动轴承故障特征重构信号；

所述步骤1.1具体为：

步骤1.1.1.将种群数量X设置为100，搜素者数量为20％，滤波器长度L∈[1,400]，周期T∈[1,400]，将MCKD的信号最大相关峭度值作为适应度函数；

步骤1.1.2.设置麻雀种群区域上界与下界，根据改进Circle混沌映射初始化麻雀在空间域中的位置，目标函数设置为MCKD的滤波器长度L、解卷积周期T；

步骤1.1.3.引入自适应权重更新搜索者位置，跟随者围绕着搜索者发现的最优区域进行觅食，进行争夺，使自己变成搜索者；如果麻雀个体处于十分饥饿的状态，就去其他地方觅食，使用跟随者的位置更新函数进行位置更新；

步骤1.1.4.当警惕者遇到危险时，使用警惕者位置更新函数进行更新；处于种群外围的麻雀向安全区域靠拢，处在种群中心的麻雀则随机行走以靠近别的麻雀；

步骤1.1.5.引入反向学习策略，对麻雀的位置进行反向解的处理；

步骤1.1.6.在迭代中找到空间域中最优位置，当达到最大迭代次数时，停止迭代并输出最优位置，即最优滤波器长度L、解卷积周期T，否则转至步骤1.1.3。

2.根据权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤2具体为：步骤2.1.从步骤1得到的得到滚动轴承故障特征重构信号中提取时域、频域、熵和分形维数特征，从而全面评估滚动轴承的运行状态；

步骤2.2.根据特征参数的退化曲线，筛选符合轴承退化趋势的特征指标作为特征集；

步骤2.3.利用斯皮尔曼Spearman相关系数和互信息回归MIR的联合降维方法，从特征集中选择相关性高且冗余度低的退化特征，构造低维敏感特征集。

3.根据权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤3具体为：步骤3.1.利用基于差分进化方法DE训练双向长短期记忆网络BiLSTM的超参数，并使用优化的超参数来构建DE‑BiLSTM预测模型；

步骤3.2.将低维敏感特征集输入DE‑BiLSTM预测模型，对滚动轴承RUL进行预测。

4.根据权利要求3所述的滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤3.1具体为：步骤3.1.1.读取特征向量集，划分训练集、验证集和测试集，并进行归一化处理；

步骤3.1.2.建立BiLSTM模型，将学习率、隐含层节点数和L2正则化确定为寻优参数；

步骤3.1.3.对当前代数、最大迭代次数、种群规模、缩放因子、交叉概率参数进行初始化；

步骤3.1.4.按照DE的变异操作、交叉操作、选择操作产生下一代个体；

步骤3.1.5.重复执行步骤3.1.4，得到下一代的种群；评价下一代种群的适应度值，最小适应度值即为全局极小值，对应的个体即为全局最优个体；

步骤3.1.6.判断是否达到迭代结束条件，即是否达到最大迭代次数；若达到停止迭代的条件则输出最优个体，否则转步骤3.1.4；

步骤3.1.7.将优化后的学习率、隐含层节点数和L2正则化传入BiLSTM神经网络结构中，构建DE‑BiLSTM预测模型。

5.根据权利要求4所述的滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤3.1.5具体为：步骤3.1.5.1.确定DE参数，包括最大迭代次数、种群大小、交叉概率参数、缩放因子和值域范围；初始化种群，使种群覆盖DE算法的值域范围；

步骤3.1.5.2.将种群个体的值赋予BiLSTM的参数和权值，输入训练，变量进行双向传播，将得到的预测值和实际值之间的误差作为个体的适应度，得到所有个体的适应值；

步骤3.1.5.3.更新种群中的每个个体的值，更新后的向量作为突变向量；

步骤3.1.5.4.生成突变体向量后，对源向量及其对应的突变体向量进行交叉操作，生成交叉向量；

步骤3.1.5.5.根据适应值确定保留存在于下一次迭代的向量；如果适应值交叉向量高于目标向量，则保留交叉向量；如果适应值交叉向量小于目标向量，则保留目标向量；

步骤3.1.5.6.判断是否符合跳出循环的条件，条件规定为预测所需的精度要求和限定的最大迭代次数；若满足条件，保留最优解，继续进行下一步；

若不满足条件，执行到步骤3.1.5.2，进行下一次迭代；

步骤3.1.5.7.将DE的最优解作为BiLSTM的超参数学习率、隐含层节点数和L2正则化。

6.一种用于实现如权利要求1至5任一项所述的滚动轴承剩余使用寿命预测方法的滚动轴承剩余使用寿命预测系统，其特征在于，所述滚动轴承剩余使用寿命预测系统包括：

信号数据预处理模块，利用滚动轴承振动信号数据预处理方法ISSA‑MCKD‑ICEEMDA N，对滚动轴承原始振动信号进行降噪，以突出周期信号，减少信号干扰；

根据峭度和相关系数原则进行IMF分量选取和重构，得到滚动轴承故障特征重构信号；

特征提取模块，用于对得到的滚动轴承故障特征重构信号进行特征提取，得到多域特征参数集，并使用Spearman‑MIR联合方法对特征集进行选择，构造低维敏感特征集；

以及RUL预测模块，用于搭建DE‑BiLSTM预测模型，将得到的低维敏感特征集输入DE‑BiLSTM预测模型中进行滚动轴承剩余寿命预测，得到滚动轴承RUL的预测结果。

7.一种计算机设备，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，实现如权利要求1至5任一项所述的滚动轴承剩余使用寿命预测方法。

8.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，实现如权利要求1至5任一项所述的滚动轴承剩余使用寿命预测方法。