1.一种基于物理信息的多轴疲劳寿命预测方法，其特征在于，包括：获取目标材料的多轴疲劳实验数据，包括：基于所述目标材料的类型选择对应的加载路径，得到多轴疲劳实验数据；其中，所述目标材料包括：纯钛、1Cr‑Mo‑V、LY12CZ、7075‑T651、SS316L和Titanium Alloy TC4；所述加载路径包括：单轴拉压、纯扭、45°多轴比例和多轴非比例加载；所述多轴疲劳实验数据包括：正应变幅值 、剪应变幅值 、正应力幅值、剪应力幅值 和实验寿命 ，其中，表示幅值；

基于所述多轴疲劳实验数据，得到FS模型损伤参数、SWT模型损伤参数和等效应变模型损伤参数；将所述多轴疲劳实验数据、所述FS模型损伤参数、所述SWT模型损伤参数和所述等效应变模型损伤参数作为基于物理信息的样本数据；基于所述多轴疲劳实验数据，得到FS模型损伤参数、SWT模型损伤参数和等效应变模型损伤参数，包括：基于所述多轴疲劳实验数据获取应变参数；所述应变参数，包括：最大剪切应变幅、法向正应变幅 和临界面上的最大正应力 ；

根据所述应变参数得到FS模型损伤参数、SWT模型损伤参数和等效应变模型损伤参数，包括：基于所述最大剪切应变幅 和所述临界面上的最大正应力 ，利用第一公式得到FS模型损伤参数 ；

所述第一公式如下：

；

其中，表示与材料相关的经验参数， 表示屈服强度；

基于所述法向正应变幅 和所述临界面上的最大正应力 ，利用第二公式得到SWT模型损伤参数 ；

所述第二公式如下：

；

基于所述正应变幅值 、所述剪应变幅值 、所述正应力幅值 和所述剪应力幅值，利用第三公式和第四公式得到等效应变模型损伤参数；所述等效应变模型损伤参数包括：等效应力模型损伤参数 和等效应变模型损伤参数 ；

所述第三公式如下：

；

所述第四公式如下：

；

其中， 表示等效泊松比；

对所述基于物理信息的样本数据采用对数归一化处理和小数定标归一化处理，得到归一化后的样本数据；

对所述归一化后的样本数据中的每个特征使用SHAP工具进行敏感性分析，得到重要特征对应的样本数据；

基于多层感知器MLP和自注意力机制Attention构建MLP‑Attention模型；

采用贝叶斯优化算法对所述MLP‑Attention模型的超参数进行优化；

使用K折交叉验证法对所述重要特征对应的样本数据进行划分，将划分的样本数据输入优化后的MLP‑Attention模型得到预测结果；

构建高斯过程回归GPR模型；利用所述高斯过程回归GPR模型对所述预测结果进行不确定性分析，预测出疲劳寿命区间。

2.根据权利要求1所述的一种基于物理信息的多轴疲劳寿命预测方法，其特征在于，对所述基于物理信息的样本数据采用对数归一化处理和小数定标归一化处理，得到归一化后的样本数据，包括：对所述基于物理信息的样本数据中的实验寿命 进行对数归一化处理，得到归一化处理后的实验寿命；

对所述基于物理信息的样本数据中除实验寿命 以外的其余数据进行小数定标归一化处理，得到归一化处理后的部分样本数据；

将所述归一化处理后的实验寿命和归一化处理后的部分样本数据作为所述归一化后的样本数据。

3.根据权利要求1所述的一种基于物理信息的多轴疲劳寿命预测方法，其特征在于，对所述归一化后的样本数据中的每个特征使用SHAP工具进行敏感性分析，得到重要特征对应的样本数据，包括：利用SHAP工具对归一化后的样本数据进行处理，得到所述归一化后的样本数据中的每个特征的SHAP值；

针对所述归一化后的样本数据中的每个特征，若该特征对应的SHAP值满足预设阈值，将该特征作为重要特征；

将所有重要特征对应的归一化后的样本数据作为所述重要特征对应的样本数据。

4.根据权利要求1所述的一种基于物理信息的多轴疲劳寿命预测方法，其特征在于，所述MLP‑Attention模型，包括：依次连接的输入层Input Layer、多个隐藏层Hidden Layers、注意力层Attention Layer和输出层Output Layer；

所述MLP‑Attention模型采用Sigmoid函数作为激活函数，采用均方误差作为损失函数；通过反向传播算法和Adam优化算法进行训练，以使损失函数最小化。

5.根据权利要求1所述的一种基于物理信息的多轴疲劳寿命预测方法，其特征在于，所述采用贝叶斯优化算法对所述MLP‑Attention模型的超参数进行优化，包括：定义超参数和预设最大迭代次数；所述超参数包括：学习率、所述MLP‑Attention模型中隐藏层数量、所述MLP‑Attention模型中各层的神经元数量和训练轮次的优化空间；

基于所述MLP‑Attention模型构建目标函数，利用K折交叉验证法对重要特征对应的样本数据进行数据划分，结合目标函数输出模型性能，将所述模型性能作为目标函数的值；

利用贝叶斯优化算法结合所述目标函数对所述MLP‑Attention模型的超参数进行优化。

6.根据权利要求1所述的一种基于物理信息的多轴疲劳寿命预测方法，其特征在于，所述使用K折交叉验证法对所述重要特征对应的样本数据进行划分，将划分的样本数据输入优化后的MLP‑Attention模型得到预测结果，包括：利用K折交叉验证法将所述重要特征对应的样本数据划分为 个大小相等的子集；

对优化后的MLP‑Attention模型进行 次训练和验证的循环，得到 个性能指标，将 个性能指标的平均值作为预测结果；每次循环中，选择不同的子集作为验证集，其余 个子集合并为1个训练集；

一次训练与验证的过程包括：

选择 个子集中的1个子集作为验证集，将其余 个子集合并为1个训练集，利用训练集训练优化后的MLP‑Attention模型，利用验证集评估模型性能，记录验证集对应的性能指标。

7.根据权利要求1所述的一种基于物理信息的多轴疲劳寿命预测方法，其特征在于，利用所述高斯过程回归GPR模型对所述预测结果进行不确定性分析，预测出疲劳寿命区间，包括：将所述预测结果和真实结果作为输入集合；

确定均值函数和协方差函数；

利用最大似然估计结合贝叶斯定理，基于所述均值函数和所述协方差函数，得到输入集合对应的后验分布；

通过后验分布对新的输入集合对应的均值和方差进行预测，作为疲劳寿命区间。