1.一种公路隧道机电设备剩余寿命预测方法，其特征在于，该方法采用外部环境参数建立环境因素误差辨识模型，对公路隧道机电设备的内部状态参数进行补偿，获得补偿后的内部状态参数；

以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象，通过核主成分分析获得特征向量；

将特征向量作为长短期记忆网络的输入量，将公路隧道机电设备剩余寿命作为长短期记忆网络的输出量，对长短期记忆网络进行训练，获得公路隧道机电设备寿命预测模型；采用公路隧道机电设备寿命预测模型对公路隧道机电设备的寿命进行预测；

该方法包括以下步骤：

步骤一，公路隧道机电设备寿命特征数据集的获取：采集公路隧道机电设备的内部状态参数数据和外部环境参数数据建立原始数据集，对原始数据集进行清洗和去噪，按固定时长步长对清洗后的数据进行分组，更新数据集，获得机电设备寿命特征数据集；

所述的公路隧道机电设备的内部状态参数为电压、电流、功率、振动、维修次数、构成复杂度和运行时长；

所述的外部环境参数为温度、湿度、风力、风速、极端气候次数、CO浓度、氮氧化物浓度和PM值；

步骤二，公路隧道机电设备故障率的确定：

建立符合公路隧道机电设备失效规律的威布尔分布故障模型，通过威布尔分布故障模型确定公路隧道机电设备故障率；

步骤二中，公路隧道机电设备故障率的具体确定过程如下：步骤S2.1，采取改进的威布尔分布曲线模型进行评估，改进威布尔分布缺陷期，维护期与设备模型的分布函数如下所示：公式Ⅰ；

其中，t为时间，α为形状参数，η为尺度参数；

步骤S2.2，将所述的分布函数对t进行求导，得到概率密度函数如下所示：公式Ⅱ；

步骤S2.3，符合公路隧道机电设备的故障率函数如下所示：公式Ⅲ；

其中，R为可靠度函数；

步骤S2.4，根据机电设备的历史数据，采用最小二乘估计法对所述的威布尔分布故障模型的参数进行估计，得到表征机电设备故障特点的故障模型；

步骤S2.5，利用该机电设备故障模型，将设备的运行状态时长转化为故障率，定性的分析了机电设备寿命的发展趋势；将故障率作为机电设备预剩余寿命的主要特征参数，并结合其他参数构建公路隧道机电设备寿命预测特征向量；

步骤三，公路隧道机电设备的内部状态参数的补偿：采用外部环境参数建立环境因素误差辨识模型，对公路隧道机电设备的内部状态参数进行补偿，获得补偿后的内部状态参数；

步骤三中，具体步骤如下：

步骤S3.1，选取一种关键设备并确定具体环境因素，对关键设备的各特征参数进行归一化处理与初值化变换；

步骤S3.2，以确定的环境因素数据作为参考序列，分别计算各测试数据相对环境因素的灰色关联度；

步骤S3.3，按照大小顺序对灰色关联度进行排序，找出关联度阈值的机电设备特征参数，说明环境因素对这些参数的影响很大，为了利用这些特征参数数据进行机电设备剩余寿命特征因子提取以及长期地进行性能评估与预测研究，需要进一步对这些参数进行环境因素补偿与建模；

步骤S3.4，针对所述的机电设备特征参数，根据环境因素及实测参数数据进行分析，采用一元线性回归模型对特征参数与环境因素进行最小二乘拟合，建立环境因素误差辨识模型，有效地消除了环境因素对机电设备特征参数的影响；

步骤四，公路隧道机电设备寿命特征向量的构建：以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象，采用核主成分分析的无监督特征提取方法对分析对象进行筛选，获得能够表征公路隧道机电设备寿命的特征向量；

步骤四中，核主成分分析计算流程如下：

步骤S4.1，设b为公路隧道机电设备监测数据样本总数，m为特征参数个数，通过分析选择符合要求的核函数，并根据核函数和样本矩阵求得对应的核矩阵H；

步骤S4.2，进一步对核矩阵进行中心化处理，中心化矩阵H的方法如下所示：公式Ⅳ；

其中，I为b×b维的数值全为1的矩阵， 为经过处理后的核矩阵；

步骤S4.3，求 的特征值 及相应的特征向量 ；

步骤S4.4，求 的核主元向量 ，如下式所示：公式Ⅴ；

其中，为映射到高维空间后的样本矩阵；

步骤S4.5，计算方差贡献率和累计贡献率：

公式Ⅵ；

其中， 为主元 的方差； 为主元 的方差贡献率； 为第g个主元累计方差贡献率；

步骤五，基于循环神经网络的公路隧道机电设备寿命预测模型的建立：所述的循环神经网络为长短期记忆网络，将特征向量作为长短期记忆网络的输入量，将公路隧道机电设备剩余寿命作为长短期记忆网络的输出量，对长短期记忆网络进行训练，获得公路隧道机电设备寿命预测模型；

步骤五中，构建基于长短期记忆网络的机电设备寿命预测步骤如下所述；

步骤S5.1，网络的初始化，给各连接权重和偏置分别赋一个(0,1)之间的随机数；

步骤S5.2，将公共因子矩阵F作为网络的输入，机电设备剩余寿命作为输出量；

步骤S5.3，确定LSTM神经网络的结构，如LSTM层数，每层神经元的个数；

步骤S5.4，使用训练集训练LSTM神经网络，如果满足误差要求或者超过最大迭代次数，则模型训练结束，得到公路隧道机电设备寿命预测模型；

步骤六，采用公路隧道机电设备寿命预测模型对公路隧道机电设备的寿命进行预测，公路隧道机电设备寿命预测模型的输入量为按照步骤一至步骤四的方法获得的特征向量，公路隧道机电设备寿命预测模型的输出量为公路隧道机电设备剩余寿命。