1.一种基于小波解耦与因果卷积注意力的增量式航发寿命预测方法，其特征在于，包括以下步骤：步骤1，获得原始时域振动信号：将原始时域振动信号 作为输入，其中表示第i个健康状态的信号，包含N个数据点，表示实数集，M为航空发动机中不同健康状态类别数；为第i个健康状态标签；

步骤2，划分训练集：将原始时域振动信号按比例分割为训练集和测试集；

步骤3，进行多重串联幅相混合增强；

步骤4，进行增量小波多尺度分解和特征提取；

步骤4包括：对翻转后的信号 进行离散小波变换，分解为低频近似分量与高频细节分量：  （10），

其中，j =3为分解层数，h和g分别表示低通滤波器和高通滤波器，分解得到第j层低频分量 ，第j层高频分量 ；

从分解得到的分量中提取以下关键特征：第一层高频能量熵 ，高频能量分布：  （11），

其中， 表示能量概率分布， 是小波分解第一层第i个高频系数， 表示小波分解第一层第i个高频系数的能量值， 是第一层所有高频系数的总能量；

第二层谱峭度 ，冲击成分强度：  （12），

其中， 表示第一层高频系数的平均能量， 为第一层高频系数的能量波动强度；

第三层均方根值 ，中频振动能量强度：  （13），

其中， 表示小波分解第二层细节分量的第i个离散系数， 是第二层高频系数的总个数；

第四层峰度特征 ，分布尾部特性：  （14），

其中， 为四阶中心矩， 表示第三层小波系数，为第三层系数均值， 为标准差四次方；

第五层趋势斜率特征 ，低频工况变化趋势：  （15），

其中， 表示第i个数据点的相对时间位置， 是小波分解第三层近似分量的第i个系数， 是第三层近似系数的累加和；

级联特征向量 ，漂移标志 ，计算漂移强度 ：

   （16），

  （17），

其中， 为基准健康状态特征，是协方差矩阵,  是自由度为 的卡方分布临界值，是显著性水平， 是指数函数，当 时触发漂移响应；

步骤5，进行因果卷积注意力引导的时频特征提取；

步骤6，进行双域对比学习；

步骤7，进行特征漂移感知的增量对比学习。

2.根据权利要求1所述的方法，其特征在于，步骤3包括：对训练集中的数据依次进行多重数据增强串联操作，包括幅相增强、添加椒盐噪声和时间维度翻转。

3.根据权利要求2所述的方法，其特征在于，步骤3中，所述幅相增强包括：首先，对原始时域振动信号进行傅里叶变换，将输入信号 转换为频域表征：  （1），

其中， 和 分别为频域幅值谱与相位谱，表示傅里叶变换；

其次，对频域信号的幅值分量和相位分量分别进行插值操作，针对幅值分量，采用线性插值生成增强幅值谱：  （2），

其中， 表示增强后的幅值谱， 和 表示分别来自两个不同的样本的频域幅值谱，插值权重系数 服从Beta分布，且 ；

相位分量的插值操作按以下步骤实施：首先基于两个样本的相位谱 与 计算原始相位差 ；接着通过模运算将相位差约束在 区间以提取最短等效值；最终结合原始相位 与优化后的相位差 ，以及相位增强系数 ，生成增强相位谱：  （3），

  （4），

  （5），

其中mod表示求两数相除余数的运算，表示原始相位差的缩写， 为优化后的相位差， 是相位增强系数， ；

最后，利用增强后的幅值谱 和相位谱 ，通过逆傅里叶变换 重构时域信号：  （6），

其中e表示自然常数，j是虚数，t是信号在时域中的时间坐标。

4.根据权利要求3所述的方法，其特征在于，步骤3中，所述添加椒盐噪声包括：向幅相增强后的数据添加椒盐噪声来生成新的数据样本：  （7），

其中， 是加噪声后的信号， 是添加的椒盐噪声，公式表示为：  （8），

其中， 是信号的最小值， 是信号的最大值， 是噪声的概率；

所述时间维度翻转包括：依次将经过幅相增强和椒盐噪声后的时间序列信号翻转来生成新的数据样本：  （9），

其中， 是翻转后的信号， 是信号的总时长， 表示将原信号的时间坐标t反向重构，生成新样本。

5.根据权利要求4所述的方法，其特征在于，步骤5包括：针对未漂移工况，构建包含因果卷积注意力模块的特征提取网络，小波分解后的高低频分量首先输入因果卷积注意力模块，随后通过膨胀率呈指数增长的因果卷积层提取多尺度特征，其中第r卷积的有效感受野尺寸 定义为：   （18），

其中 为固定卷积核尺寸， 为层索引；接着生成查询矩阵 、键矩阵 、值矩阵 三个注意力基础组件：   （19），

   （20），

  （21），

其中 是高频和低频分量， 为可训练投影矩阵；

在注意力权重 计算中施加因果掩码 确保仅关注历史信息：

（22），

其中 是键矩阵 中每个键向量的维度， 是在注意力机制中用于生成归一化的注意力权重， 为下三角因果掩码矩阵，大小满足：当 ， ；

否则 ；其中 是下三角因果掩码矩阵 中第p行第q列的元素，其中p为行索引，q为列索引；

经过因果卷积注意力模块输出高频分量输出 和低频分量输出 ， 输入退化趋势表征器， 输入谱特征解析器；

所述退化趋势表征器采用大感受野卷积核 提取长期退化趋势 ，公式为：  （23），

所述谱特征解析器基于离散傅里叶变换，首先将特征转换至频域：  （24），

其中dt表示积分； 是低频输出的频域表示，f是频率变量， 是辐角运算符；

然后分解为振幅谱 和相位谱 ：  （25），

  （26），

最后通过参数化重构生成谱特征 ：  （27），

其中， 为振幅权重矩阵， 为相位权重矩阵， 是逐元素相乘，b是偏执向量，ReLU是激活函数。

6.根据权利要求5所述的方法，其特征在于，步骤6包括：基于解耦后的退化趋势特征和谱特征 ，设计双域对比损失函数强化特征表达；

针对趋势特征构建正负样本对，正样本为相邻时间步特征片段，负样本为非相邻子序列，退化趋势对比损失 表示为：  （28），

其中 为正样本集合， 为负样本队列， 为第i个时间步的退化趋势特征向量 和第j个时间步的退化趋势特征向量 之间的余弦相似度， 为温度系数，exp是自然指数函数；

构造谱特性对比损失：基于振幅谱与相位谱的联合约束机制，驱动模型学习频域不变性特征，所述谱特性对比损失包含振幅对比损失 和相位对比损失 ：  （29），

  （30），

其中 为第i个样本的原始振幅谱特征， 为第i个样本的原始相位谱特征， 为第i个样本的增强振幅谱特征， 为第i个样本的增强相位谱特征， 为负样本振幅特征，为负样本相位特征，N为批次样本数， 表示负样本数量， 和 为温度系数。

7.根据权利要求6所述的方法，其特征在于，步骤7包括：当 时，基于步骤6输出的退化趋势特征和谱特征，构建动态特征记忆库 ，存储历史健康状态特征：  （31），

其中， 为t‑k时刻的双域联合特征，为可配置记忆深度，为特征编码函数；

设计时间衰减补偿算子 ：

  （32），

其中， 是当前时刻与历史特征的时间差，为设备退化敏感因子， ，为可学习的漂移补偿矩阵，d表示特征向量的维度；

如果 ，则激活漂移补偿机制，计算漂移感知对比损失 ，并对动态特征记忆库和漂移补偿矩阵进行更新：  （33），

其中 表示当前故障状态样本， 表示同设备健康状态样本， 表示同设备的历史退化状态样本，T表示转置；

构造增量对比损失函数 ：

  （34），

其中 为损失加权系数；

动态特征记忆库和漂移补偿矩阵进行如下更新：  （35），

  （36），

其中 是当前实时特征向量，y是设备状态标签， 是记忆库更新阈值，是特征距离阈值， 是记忆库中历史特征向量， 是更新后的漂移补偿矩阵，是学习率， 为正则强度；为当前批次样本索引集， 表示当前t时刻的指数移动平均特征，更新规则： ， 为EMA平滑系数；

最终形成双域增量联合优化目标：  （37），

其中 为平衡超参数， 为增量损失权重系数。

8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的方法的步骤。

9.一种存储介质，其特征在于，存储有计算机程序或指令，当所述计算机程序或指令在计算机上运行时，执行如权利要求1至7中任一项所述的方法的步骤。