1.基于多变量关联数据的设备剩余寿命预测方法，其特征在于，具体按照以下步骤实施：步骤1、分析设备状态监测数据与剩余寿命之间的相关性；

步骤2、对具有相关性的状态监测数据选用主成分分析算法进行降维处理；

步骤3、采用长短时记忆网络搭建剩余寿命预测模型并进行剩余寿命预测。

2.根据权利要求1所述的基于多变量关联数据的设备剩余寿命预测方法，其特征在于，所述步骤1具体为：步骤1.1、采集设备的状态监测量和对应的剩余寿命，假设设备有n个状态监测量，共监测t个时刻的状态特征，则状态监测量X表示为：X＝{x1,x2,...,xn}

其中，xi＝[xi1,xi2,...,xit]T，i＝1,2,....n，即状态监测量X可以表示为：设备的状态监测量对应的剩余寿命Y表示为：

Y＝[y1,y2,...,yt]T；

其中，yj表示j时刻的设备剩余寿命，j＝1,2,...,t；

步骤1.2、判断多种监测量X＝{x1,x2,...,xn}和剩余寿命Y＝[y1,y2,...,yt]T之间的相关性，采用计算Spearman系数的方法判断相似性，相关系数ρ计算公式为：其中，xi为第i个状态监测序列， 为状态监测序列xi的均值，Y为与xi相对应的剩余寿命， 为时间序列Y的均值；

步骤1.3、选取出具有相关性的监测量：当相关系数越接近1或者-1，状态监测量和剩余寿命之间相关性越强；相关系数越接近0，状态监测量和剩余寿命之间相关性越弱，据此选取和剩余寿命具有相关性的状态监测量。

3.根据权利要求1所述的基于多变量关联数据的设备剩余寿命预测方法，其特征在于，所述步骤2具体为：步骤2.1、对步骤1中的监测数据 进行标准化处理；

步骤2.2、计算监测数据的相关系数矩阵，R样本相关系数矩阵表示各个指标之间的相关性，该系数矩阵是对称矩阵，相关系数矩阵表示如下：其中，rnn为监测数据X中第n列与第n列的相关系数，其他的以此类推；

步骤2.3、计算特征值λi和特征向量；通过特征方程|R-λE|＝0求解特征值λi，i＝1,

2,...,n，将特征根按从小到大排列λ1≥λ2≥...≥λn，求出相应的特征向量Li＝(Li1,Li2,...,Lin)T，其中Lin表示特征向量中第n个元素的值，其他的以此类推；

步骤2.4、求贡献率和累积贡献率，第k个主成分的贡献率为 累积贡献率为

提取累积贡献率E≥85％的特征值λ1,λ2,...,λm(m＜n)；

步骤2.5、计算成分载荷矩阵：成分载荷矩阵为各个指标在每个主成分中所占的比例；

步骤2.6、计算主成分矩阵：

设zi为综合指标，Fij为载荷因子，Xi为指标变量，则：zi＝fi1X1+fi1X2+...+fimXm,i＝1,2,...,m步骤2.7、计算主成分得分，并对指标体系进行评价。

4.根据权利要求1所述的基于多变量关联数据的设备剩余寿命预测方法，其特征在于，所述步骤3具体为：步骤3.1、长短时记忆网络结构中共有三个门，分别为输入门、遗忘门和输出门：遗忘门公式为：

f(t)＝σ(Wfx(t)+Wfh(t-1)+bf)输入门公式为：

i(t)＝σ(Wix(t)+Wih(t-1)+bi)g(t)＝tanh(Wgx(t)+Wgh(t-1)+bg)将先前的内部状态 更新为当前状态

s(t)＝gt×i(t)+s(t-1)×f(t)输出门公式为：

o(t)＝σ(Wox(t)+Woh(t-1)+bo)h(t)＝tanh(s(t))×o(t)

其中，x(t)是t时刻的输入层，即采用主成分分析法进行降维处理后的数据序列；h(t-1)是t-1时刻的隐层；Wf,Wi,Wo分别为遗忘门、输入门、输出门的权重矩阵，bf,bi,bo分别是遗忘门、输入门、输出门的偏置项；σ和tanh均为激活函数，其中，σ为sigmoid函数，tanh为双曲正切函数；

步骤3.2、采取小批量梯度下降算法MBGD对长短时记忆网络进行训练：首先采用随机初始化权重和偏置的方式进行网络初始化，然后运用小批量梯度下降算法进行参数更新，即在每次更新参数时只使用一部分样本进行，给定最小批量m个训练样本执行梯度更新，从而获得更加准确的剩余寿命预测模型；

步骤3.3、将新的状态监测值X'＝{x1',x2',...,xn'}，输入到剩余寿命预测模型中，从而得到对应的剩余寿命，其中，xi'＝[xi(t+1)',xi(t+2)',...,xi(t+q)']T，i＝1,2,....n，q为预测长度。