1.一种基于个性化联邦学习的滚动轴承剩余寿命预测方法，其特征在于：包括如下步骤：

S1、采集滚动轴承在不同运行工况下的全生命周期振动数据；

S2、将不同运行工况的滚动轴承全生命周期振动数据存储于不同的客户端，在每个客户端将采集到的全生命周期振动数据利用连续小波变换转换为二维图像，来构造训练数据集、验证数据集和测试数据集；

S3、利用训练数据集和验证数据集对客户端本地模型进行初始化训练，并将训练后的客户端本地模型参数上传服务器端；

S4、在服务器端采用动态加权联邦策略对多个客户端的上传模型参数进行聚合，得到全局模型，并将聚合后的全局模型参数下发至各个客户端；

S5、在客户端采用对抗训练和参数自适应融合策略，将聚合后的全局模型参数与客户端本地模型参数进行融合，并利用训练数据集对本地模型参数进行微调；

S6、利用训练好的客户端本地模型对本地测试数据集进行分析，从而得到测试轴承的剩余寿命预测结果。

2.根据权利要求1所述的一种基于个性化联邦学习的滚动轴承剩余寿命预测方法，其特征在于：步骤S2中所述将全生命周期振动数据利用连续小波变换转换为二维图像，具体为采用连续小波变换对全生命周期振动数据中的每个数据样本进行分析以得到小波系数，并将归一化后的小波系数转换为二维图像； ，其中，WT代表连续小波变换得到的小波系数， 和 分别代表小波系数WT中的最小值和最大值；COEF代表二维图像， 代表二维图像中的像素点。

3.根据权利要求2所述的一种基于个性化联邦学习的滚动轴承剩余寿命预测方法，其特征在于：采用归一化的均方根值来生成滚动轴承剩余寿命的标签，均方根值的计算公式为 ，其中，x(j)为样本数据x中的第j个采样点，N为样本数据的长度，Xrms是均方根值；接着，对每个滚动轴承的全生命周期振动数据计算得到的所有均方根值进行归一化处理，使得每个均方根值在0到1范围内，归一化公式如下 ，其中， 和 分别表示均方根值的最大值和最小值， 是归一化后的均方根值；

进一步采用指数拟合的方法对归一化后的均方根值进行拟合，以更准确地描述滚动轴承性能退化的变化趋势，拟合公式如下 ，其中，a和b为拟合参数，通过非线性优化从数据中学习得到；yt是利用拟合后的均方根值计算得到的t时刻对应的归一化剩余寿命，将yt按照每个测试轴承所采集到的全生命周期振动数据的样本数量进行离散化，得到离散值yi，i=1,2,…,M，M表示样本数据的数量，作为每个样本数据的真实标签。

4.根据权利要求1所述的一种基于个性化联邦学习的滚动轴承剩余寿命预测方法，其特征在于：步骤S3中所述客户端本地模型包括：多尺度卷积和门控循环单元并行交叉注意特征提取模块，由两个并行分支和一个交叉注意力模块构成，所述并行分支中的第一个分支由一个多尺度卷积模块和一个通道注意力模块串联构成，所述并行分支中的第二个分支由三层门控循环单元依次串联构成，所述两个并行分支的输出经过交叉注意力模块进行特征融合，用于对输入数据样本进行时空特征提取；

预测输出模块，由两个全连接层构成，用于输出滚动轴承剩余寿命的预测结果；

客户端模型训练的损失函数为： 其中，Nk为第k个客户端训练

数据集中的样本数量，yi为第i个训练样本的真实标签， 为预测输出模型对第i个训练样本的预测输出。

5.根据权利要求1所述的一种基于个性化联邦学习的滚动轴承剩余寿命预测方法，其特征在于：步骤S4中所述上传模型参数包括每个客户端本地模型中的多尺度卷积和门控循环单元并行交叉注意特征提取模块中第一个分支的参数 和每个客户端本地模型的验证损失 其中k(=1,2,…,K)表示第k个客户端，K表示客户端的总数量；

步骤S4中所述动态加权联邦策略包括以下步骤：

首先，服务器端利用所有K个客户端的验证损失来计算每个客户端的权重，其中， 是预设的最小权重值， 为所有客户端验证损失中的最大值；

其次，对 进行归一化处理，得到第k个客户端的聚合权重 ；

最后，服务器端利用每个客户端的多尺度卷积和门控循环单元并行交叉注意特征提取模块中第一分支的参数 和聚合权重 ，生成全局模型参数 ，并将聚合后的全局模型参数 下发至各个客户端。

6.根据权利要求1所述的一种基于个性化联邦学习的滚动轴承剩余寿命预测方法，其特征在于：步骤S5中所述对抗训练，是将服务器端下发的全局模型作为客户端本地模型中多尺度卷积和门控循环单元并行交叉注意特征提取模块中的第一分支，与客户端本地模型中多尺度卷积和门控循环单元并行交叉注意特征提取模块中的第二分支以及交叉注意力模块构成全局多尺度卷积和门控循环单元并行交叉注意特征提取模块，用于学习客户端本地训练数据集中的有用特征；然后，将全局多尺度卷积和门控循环单元并行交叉注意特征提取模块学习到的数据特征与客户端本地模型中多尺度卷积和门控循环单元并行交叉注意特征提取模块学习到的数据特征输入到一个由两个全连接层组成的二元分类器中，用于判断输入来源于哪一个特征提取模块；同时，将全局多尺度卷积和门控循环单元并行交叉注意特征提取模块学习到的数据特征输入客户端本地模型中的预测输出模块进行预测分析。

7.根据权利要求6所述的一种基于个性化联邦学习的滚动轴承剩余寿命预测方法，其特征在于：对抗训练的优化目标为其中，Nk

表示第k个客户端训练数据集中的样本数量，xi是第i个训练样本数据， D是二元分类器，yi是第i个训练样本的真实标签， 为预测输出模块对第i个训练样本的预测输出，λ是权重系数；

在对抗训练过程中，首先固定全局多尺度卷积和门控循环单元并行交叉注意特征提取模块参数 和客户端本地模型中多尺度卷积和门控循环单元并行交叉注意特征提取模块参数 ，更新二元分类器的参数 ：然后，固定二元分类器的参数，更新全局多尺度卷积和门控循环单元并行交叉注意特征提取模块参数 和预测输出模块参数 。

8.根据权利要求7所述的一种基于个性化联邦学习的滚动轴承剩余寿命预测方法，其特征在于：步骤S5中参数自适应融合策略，是将对抗训练得到的更新后的全局多尺度卷积和门控循环单元并行交叉注意特征提取模块参数 与客户端本地多尺度卷积和门控循环单元并行交叉注意特征提取模块参数 进行加权融合，得到一个新的多尺度卷积和门控循环单元并行 交叉注意特征提 取模块参数 ； 的计算公式如 下其中， 是自适应融合系数， 是第k个

客户端本地模型的验证损失。

9.根据权利要求8所述的一种基于个性化联邦学习的滚动轴承剩余寿命预测方法，其特征在于：步骤S5中所述利用训练数据集对本地模型参数进行微调，是将新的多尺度卷积和门控循环单元并行交叉注意特征提取模块和预测模块组成剩余寿命预测模型，利用本地训练数据集和验证数据集对所述剩余寿命预测模型的参数进行优化，优化目标为，其中Nk为第k个客户端训练数据集中的样本数量，yi为第i个训练样本的真实标签， 为预测输出模型对第i个训练样本的预测输出。

10.根据权利要求9所述的一种基于个性化联邦学习的滚动轴承剩余寿命预测方法，其特征在于：在本地客户端微调完成后，得到客户端本地模型作为下一轮联邦学习的初始化参数。