1.一种基于卷积白盒的滚动轴承剩余寿命预测方法，其特征在于，该方法包括以下步骤：S1，对原始振动信号进行时域和频域特征提取，结合奇异值分解SVD进行降噪处理，去除信号中的随机噪声和干扰，提供输入特征；

S2，将处理后的数据输入深度神经网络，基于相关系数分析方法，对轴承的运行过程进行动态评估，划分健康状态与退化状态，结合Weibull‑MSE损失函数进行深度神经网络训练，使RUL的预测符合轴承实际退化过程；

S3，通过融合膨胀因果卷积注意力机制DCA与多尺度卷积MSC的卷积CRATE网络架构，完成对轴承信号长时依赖信息与局部退化特征的同步提取；

在步骤S3中，通过融合膨胀因果卷积注意力机制DCA与多尺度卷积MSC的卷积CRATE网络架构，包括：膨胀因果卷积注意力机制DCA为融合膨胀因果卷积DCC与CRATE结构的多头子空间卷积注意力，形成的多头子空间卷积子注意力；通过多尺度卷积MSC模块，增强对空间特征提取能力；

完成对轴承信号长时依赖信息与局部退化特征的同步提取，包括：

S301，构建膨胀因果卷积DCC，在Transformer结构的注意力计算过程中，采用膨胀因果卷积DCC替代标准自注意力机制，对轴承信号局部特征的捕获；

S302，嵌入多尺度卷积MSC模块，多尺度卷积模块被嵌入CRATE结构的主循环块中，放置在多头子空间卷积注意力之后、迭代收缩阈值算法ISTA之前，提取轴承信号的多尺度特征；

S303，回归器优化与RUL预测，在回归器中延时间维度使用平局池化操作，捕获长期依赖关系；

S304，构建卷积CRATE网络架构。

2.根据权利要求1所述的基于卷积白盒的滚动轴承剩余寿命预测方法，其特征在于，在步骤S2中，基于相关系数分析方法，对轴承的运行过程进行动态评估，划分健康状态与退化状态，结合Weibull‑MSE损失函数进行深度神经网络训练，包括：S201，采用Pearson相关系数计算SVD压缩后每一时刻特征与初始时刻特征相关性，将相关性开始小于0.90的时刻作为健康状态的划分点p，表示轴承从健康状态进入到退化阶段；相关系数计算如公式(1)所示：式中，ry为y时刻的相关系数，xi为x第i维度奇异值，yi为y第i维度奇异值， 为x延维度奇异值平均值， 为y沿维度奇异值平均值，x为零时刻特征压缩得到的奇异值，y为当前时刻特征压缩得到的奇异值；

S202，构造RUL寿命曲线，根据划分出来的每个轴承的健康状态，将每个轴承的剩余寿命标签分为稳定状态与快速衰退状态两部分；其中，稳定状态为：

RULnormal(t)＝T‑Tp

快速衰退状态为：

RULrapid(t)＝T‑t

式中，RULnormal(t)为稳定状态t时刻轴承剩余寿命，T为轴承总寿命，Tp为轴承分段点时刻，RULrapid(t)为快速衰退状态t时刻轴承剩余寿命，t为当前时刻；

S203，优化损失函数。

3.根据权利要求2所述的基于卷积白盒的滚动轴承剩余寿命预测方法，其特征在于，在步骤S203中，优化损失函数，包括：Weibull累积分布函数CDF定义如下公式(2)，不同β对应了曲线不同变化趋势的形状因子，η为特征寿命；

式中，F(t)为t时刻轴承故障概率，e为自然常数，t为当前时刻；

将Weibull累积分布函数与传统的MSE损失函数进行结合就能得到Weibull‑MSE损失函数；MSE损失函数为公式(3)所示，Weibull‑MSE损失函数公式如(4)所示；

Lhybrid＝Lmse+λLweibull

式中，Lmse为MSE损失函数，n为时间步数， 为预测值，Lhybrid为混合损失函数，F()为Weibull累积分布函数，Lweibull为Weibull‑MSE损失函数， 为Weibull损失函数，λ为权重占比超参数，ti为真实RUL标签值， 为RUL预测值，Ti为实际轴承已使用时间， 为预测轴承已使用时间；

在深度神经网络训练过程中，采用Weibull结合均方误差MSE的Weibull‑MSE损失函数作为网络当中的loss函数，通过Weibull累积分布函数将不同时刻轴承的故障概率融合进Weibull‑MSE损失函数，将Weibull‑MSE损失函数与轴承健康状态评估方法的RUL寿命曲线相结合，使得RUL的预测符合轴承实际退化过程。

4.根据权利要求1所述的基于卷积白盒的滚动轴承剩余寿命预测方法，其特征在于，在步骤S301中，构建膨胀因果卷积DCC，包括：(a)指数级扩张因子d＝1，2,4,8；

(b)单侧填充策略，提取的特征数据为X＝{x1，x2…xT}，其中，T为时间步的总数，每个xt代表第t个时间步的轴承特征；为完成卷积操作，向单侧填充数据，填充后的序列为Xpad＝{p，p，p…x1，x2…xT}，p为填充数据，p的个数由P＝(K‑1)/D确定，其中，K为卷积核大小，D为膨胀因子，P为填充p的个数；

在步骤S302中，嵌入多尺度卷积MSC模块，包括：

(1)多尺度卷积MSC在注意力机制之后，引入不同尺寸的卷积核，并行提取不同尺度的特征；

(2)特征融合策略，输入数据维度为L×D，经过不同卷积核大小进行特征提取，生成L×D1，L×D2，L×D3，L×D4四个并行输出结果；D4作为卷积池的输出，保证D＝D1+D2+D3+D4；L为序列长度，D1为1号卷积模块维度，D2为2号卷积模块维度，D3为3号卷积模块维度；

Output＝torch.cat((Output1，Output2，Output3，Output4)，axis＝‑1)  (5)式中，Output为多卷积模块拼接后的输出，torch.cat()为拼接操作，Output1，Output2，Output3，Output4为1、2、3、4号卷积模块输出，axis为选择维度参数；

(3)ReLU激活函数与BatchNorm归一化，公式为：

Output＝Relu(BatchNorm(Output))  (6)式中，Relu()为激活函数，BatchNorm()为批归一化操作，Output为多尺度卷积模块输出。

5.根据权利要求1所述的基于卷积白盒的滚动轴承剩余寿命预测方法，其特征在于，步骤S303中，回归器的输入为Z＝{z1，z2，z3…zT}；zT为T时刻回归器输入；

(i)采用平均池化，在回归器中沿时间维度进行池化，提取长时依赖信息：Z′LayerNorm(Z.mean(dim＝1))  (7)式中，Z′为池化层输出，LayerNorm()为层归一化操作，mean()为平均值操作，dim为指定维度参数，Z为原始时间序列；

(ii)全连接层输出最终预测值，通过线性映射将高维特征转换为RUL预测值：Z″＝Z′W+b(8)

式中，W为全连接层的权重矩阵，b为全连接层的偏置向量，Z″为回归器输出。

6.根据权利要求1所述的基于卷积白盒的滚动轴承剩余寿命预测方法，其特征在于，在步骤S304中，构建卷积CRATE网络架构，包括：S3041，编码缩减原则，定义给定特征X在特定特征空间的编码率如下：式中，R(X)为X的压缩之后的编码率，∑x为特征的协方差矩阵，表示特征之间的相关性，ω为正则化参数，logdet()为计算指定矩阵对数行列式；

根据编码缩减原则，推导出CRATE结构的多头子空间卷积注意力机制与特征稀疏化操作；

S3042，进行改进的多头子空间卷积注意力机制MSSA透明化，包括：T×d

首先，采用子空间注意力机制进行特征分解，将输入的轴承特征X∈R 压缩到局部信号模型 子空间，表达式为：式中，Qi为自注意力中的Query矩阵，Ki为自注意力中的Key矩阵，Vi为子注意力中的Value矩阵， 为第i个互不重合的子空间；

其次，透明注意力机制计算为：

式中，MSSA(X|Uk)为多头自注意力机制，Uk为第k个子空间，Vi为第i个Value矩阵，softmax()为激活函数， 为第i个Query矩阵，Ki为第i个Key矩阵，ε为高斯码本编码精度，N为特征维度，T为子空间维度；

S3043，基于ISTA迭代收缩阈值算法的特征稀疏化。

7.根据权利要求6所述的基于卷积白盒的滚动轴承剩余寿命预测方法，其特征在于，在步骤S3043中，基于ISTA迭代收缩阈值算法的特征稀疏化，包括：t+1/2

当ISTA块接收到前一个模块的输出C 时，ISTA通过以下迭代更新过程对特征进行压缩和稀疏化：t+1 t+1/2

式中，C 为ISTA块输出，Relu()为激活函数，C 为前一模块输出， 为目标优化函数的优化梯度，t为第t次迭代，f(h)为目标优化函数，α为学习率。

8.一种基于卷积白盒的滚动轴承剩余寿命预测系统，其特征在于，该系统实施如权利要求1‑7任意一项所述基于卷积白盒的滚动轴承剩余寿命预测方法，该系统包括：数据预处理模块，用于对原始振动信号进行时域和频域特征提取，结合奇异值分解SVD进行降噪处理，去除信号中的随机噪声和干扰，提供输入特征；

健康状态评估模块，用于将处理后的数据输入深度神经网络，基于相关系数分析方法，对轴承的运行过程进行动态评估，划分健康状态与退化状态，结合Weibull‑MSE损失函数进行深度神经网络训练，使RUL的预测符合轴承实际退化过程；

特征提取模块，通过融合膨胀因果卷积注意力机制DCA与多尺度卷积MSC的卷积CRATE网络架构，完成对轴承信号长时依赖信息与局部退化特征的同步提取。