1.一种基于深度注意力网络的轴承剩余寿命预测方法，其特征在于：包括以下步骤：S1、获取轴承振动信号传感器采集的原始退化时间序列数据，并进行数据预处理；设计并利用小波多尺度频带注意力模块提取时频信息，并自动筛选轴承退化敏感频带；

S2、将S1筛选后的轴承退化敏感频带的加权时频信息输入到混合膨胀卷积网络中，提取轴承退化的时空特征；

S3、设计并利用特征残差注意力模块对S2获得的轴承退化的时空特征序列进行自动筛选加权，获得对轴承寿命预测贡献大的时空特征序列；

S4、构建回归层，通过S3获得的最终时空特征序列得到轴承剩余寿命预测结果。

2.根据权利要求1所述的一种基于深度注意力网络的轴承剩余寿命预测方法，其特征在于：S1具体包括以下步骤：S11、获取轴承振动信号传感器采集的原始退化时间序列数据，并进行数据预处理，主要包括对数据中的异常点的剔除，以及对缺失点进行填充；

S12、采用n层“db1”小波包分解函数对原始数据进行处理，给定输入的原始数据样本大d×c小为fl∈R (l∈1,2,…,N)，其中d为每个数据样本的长度，c为传感器的数量；经过小波包n分解后，共获得D＝2个频带，每个频带的长度为L＝fi/D；最终每个输入样本被分解为L×D的系数矩阵作为模型输入；

S13、频带注意力模块首先利用全局平均池化层和全局最大值池化层对输入进行信息聚合，计算公式如下：其中，Wi,j为第i个样本、第j个点的小波包分解系数， 和 分别代表第l个样本、第i个频带经过全局平均池化层和全局最大值池化层；

l l

S14、a 和m 进行加和后，输入到只含一个隐含层的多层感知机，隐含层神经元个数为D/r；通过hard_sigmoid激活函数σhs获得频带权重 计算公式如下：l l

其中，r为降维比，x为σhs激活函数的输入，W0和W1 为多层感知机中的权重矩阵， 代表逐元素相加；

S15、将S14所得到的频带权重α1与S12未经处理的多频带时频信息f相乘得到加权时频信息

3.根据权利要求2所述的一种基于深度注意力网络的轴承剩余寿命预测方法，其特征在于：S2具体包括以下步骤：S21、将S15中获得的多频带加权时频信息 输入到由具有三个不同大小的膨胀率dr1、dr2和dr3循环堆叠而成的混合膨胀卷积网络自动学习不同频带之间的空间特征，提取频带间的关联关系；

S22、S21获得的空间特征序列仍具有时序关系，通过卷积神经网络模块提取时序特征，进行时空特征融合；其中所述卷积神经网络模块包括三层卷积层，所用的卷积核大小相同，并在每一层卷积后添加池化大小相同的最大值池化层以减少模型训练参数量，聚合信息，得到轴承退化的时空特征A。

4.根据权利要求3所述的一种基于深度注意力网络的轴承剩余寿命预测方法，其特征在于：S3具体包括以下步骤：S31、采用特征注意力模块计算特征序列权重，首先利用全局平均池化层和全局最大值池化层对输入进行信息聚合，然后通过多层感知机求得特征序列权重α2；

S32、设计残差连接将S22获得的轴承退化的时空特征A与加权后序列进行加和得到最终时空特征 其中α2为所得特征序列权重。

5.根据权利要求4所述的一种基于深度注意力网络的轴承剩余寿命预测方法，其特征在于：S4具体包括以下步骤：S41、定义轴承剩余寿命预测为一个回归预测问题；

S42、将S32获取的最终时空特征 转化为二维矩阵并输入到具有平均绝对误差损失函数的回归层中，对轴承的剩余可用寿命进行评估；其中平均绝对误差的计算公式如下：其中，yi表示真实值， 表示预测值，MAE为求平均值后得到预测值和真实值之间的平均绝对误差。