1.一种抽油杆疲劳寿命预测方法，其特征在于，包括以下步骤：步骤1、获取多组试件在不同应力幅值下的疲劳寿命；

步骤2、根据累计失效分布函数和疲劳应力‑寿命函数，构建疲劳失效数据分布数学模型；

步骤3、采用线性回归方法，并结合疲劳应力‑寿命函数和步骤1的抽油杆疲劳寿命，估计疲劳失效数据分布数学模型的应力幅值修正参数和疲劳寿命修正参数；

步骤4、采用概率加权矩法并结合步骤1得到的疲劳寿命，估计疲劳失效数据分布数学模型中的最小寿命、特征寿命和累计分布函数的斜率；

步骤5、将修正参数、最小寿命、特征寿命和累计分布函数的斜率代入疲劳失效数据分布数学模型，得到抽油杆的P‑S‑N曲线函数；

步骤6、根据预设的可靠度，以及需要预测的抽油杆的应力幅值并结合P‑S‑N曲线函数得到抽油杆的疲劳寿命；

步骤7、根据设定的可靠度，当疲劳寿命N的值趋于无穷大的时得到疲劳极限S∞。

2.根据权利要求1所述的一种抽油杆疲劳寿命预测方法，其特征在于，步骤1中得到疲劳寿命的方法如下：

对多组相同的试件采用不同的应力幅值进行疲劳寿命测试，得到多个应力幅值下的抽油杆疲劳寿命N。

3.根据权利要求1所述的一种抽油杆疲劳寿命预测方法，其特征在于，步骤2中将疲劳应力‑寿命函数变形后使其服从威布尔分布，根据变形后的疲劳应力‑寿命函数并结合累计失效分布函数，构建疲劳失效数据分布数学模型。

4.根据权利要求1所述的一种抽油杆疲劳寿命预测方法，其特征在于，步骤2中所述疲劳失效数据分布数学模型的表达式如下：其中，S为应力幅值，N为疲劳循环次数，α∈R为最小寿命，β＞0为特征寿命，γ＞0累计分布函数的斜率，A疲劳寿命的修正参数，B为应力幅值的修正参数。

5.根据权利要求1所述的一种抽油杆疲劳寿命预测方法，其特征在于，步骤3中A和B为修正参数的估计方法具体如下：

将疲劳循环次数N的平均值μ代替常数b，将疲劳应力‑寿命函数改写如下：根据改写的疲劳应力‑寿命函数并采用线性回归方法估计疲劳寿命修正参数A和应力幅值修正参数B，线性回归函数Q取最小值，表达式如下：式中，n为样本容量，μ为疲劳循环次数N的平均值，Ni为每一个应力幅值Si对应的疲劳寿命。

6.根据权利要求1所述的一种抽油杆疲劳寿命预测方法，其特征在于，步骤4中最小寿命、特征寿命和累计分布函数的斜率的估计方法如下：S4.1、建立最小寿命、特征寿命和累计分布函数的斜率的概率加权矩函数；

S4.2、令常数t＝0,1,2并代入威布尔分布的概率加权矩函数中，得到最小寿命、特征寿命和累计分布函数的斜率的威布尔分布表达式；

S4.3、根据步骤1疲劳寿命得到概率加权矩函数的值，在结合最小寿命、特征寿命和累计分布函数的斜率的威布尔分布表达式，得到最小寿命、特征寿命和累计分布函数的斜率的估计值。

7.根据权利要求6所述的一种抽油杆疲劳寿命预测方法，其特征在于，步骤S4.1中的概率加权矩函数的表达式如下：

其中，t为常数，α∈R为最小寿命，β＞0为特征寿命，γ＞0累计分布函数的斜率。

8.根据权利要求7所述的一种抽油杆疲劳寿命预测方法，其特征在于，所述最小寿命、特征寿命和累计分布函数的斜率的威布尔分布表达式分别如下：

9.根据权利要求1所述的一种抽油杆疲劳寿命预测方法，其特征在于，步骤7中在给定可靠度情况下估计疲劳极限的方法如下：其中，S∞为疲劳极限，N为疲劳循环次数，α∈R为最小寿命，β＞0为特征寿命，γ＞0累计分布函数的斜率，A为疲劳寿命修正参数和B为应力幅值修正参数。

10.一种权利要求1‑9任一项所述的抽油杆疲劳寿命预测方法，其特征在于，包括：采集模块，用于获取多组试件在不同应力幅值下的疲劳寿命；

模型构建模块，用于根据累计失效分布函数和疲劳应力‑寿命函数，构建疲劳失效数据分布数学模型；

修正参数估计模块，用于将抽油杆疲劳寿命代入疲劳应力‑寿命函数，并结合线性回归方法估计疲劳失效数据分布数学模型的修正参数；

寿命参数估计模块，用于采用概率加权矩法并结合疲劳寿命，估计疲劳失效数据分布数学模型中的最小寿命、特征寿命和累计分布函数的斜率；

P‑S‑N曲线模块，用于根据修正参数、最小寿命、特征寿命、累计分布函数的斜率和疲劳失效数据分布数学模型，确定抽油杆的P‑S‑N曲线；

疲劳寿命预测模块，用于根据给定的可靠度以及需要预测的抽油杆的应力幅值，并结合P‑S‑N曲线得到抽油杆的疲劳极限；

疲劳极限预测模块，用于根据设定的可靠度，当疲劳寿命N的值趋于无穷大的时候就可以的到疲劳极限S∞的值。