1.一种基于混合神经网络模型的机电设备健康状态预测方法，其特征在于：包括如下步骤，S1、收集机电设备工况参数时间序列历史数据样本和健康状态标识的时间序列历史数据样本；针对每一条时间序列历史数据样本做出如下要求；

(1)每一条时间序列历史数据样本的长度为n；

(2)每一条时间序列历史数据样本对应的机电设备状态以最佳工作状态开始，(3)每一条时间序列历史数据样本对应的机电设备状态以任意状态结束；

(4)当某采集的时间序列历史数据样本长度超过n，可以采用头部截断的方式，即丢弃时间序列历史数据样本起始阶段的机电设备的最佳工作状态对应的数据；

(5)当某采集的时间序列历史数据样本长度少于n，可以采用头部复制的方式，即复制时间序列历史数据样本起始阶段的机电设备的最佳工作状态对应的数据直至长度等于n；

S2、针对每种类型的工况参数的时间序列历史数据样本，分别建立相应的LSTM网络模型，并通过各自相应的LSTM网络模型自动提取各种类型的工况参数的特征；

步骤S2具体包括如下内容，

S21、针对每种类型的工况参数的时间序列历史数据样本，分别建立相应的LSTM网络模型；

S22、把每种类型的工况参数的时间序列历史数据样本，利用宽度为K的滑动窗口进行滑动提取处理，得到其相应的LSTM网络模型的输入数据块；

S23、将每种类型的工况参数的时间序列历史数据样本对应的输入数据块，依次输入到其对应的LSTM网络模型中，经过输入门、遗忘门和输出门，得到输出层输出的特征向量；

S3、为LSTM网络模型的输出层向量中每个特征输出赋予不同的权值，获取各个LSTM网络模型的输出层向量的加权输出；

步骤S3中获取某LSTM网络模型的输出层向量的加权输出的具体过程为，S31、构造生成权重值向量e的神经网络隐层；

S32、基于权重向量e，采用累加平摊的方式计算归一化权重向量q；

S33、利用权重点乘的方式，计算该LSTM网络模型输出层向量的加权输出；

S4、利用全连接神经网络模型，整合每种工况参数的LSTM网络模型，获取机电设备的健康状态预测输出；

步骤S4具体包括如下内容，

S41、利用向量串接的方式，对各个工况参数的LSTM网络模型的加权输出进行串接，得到数据输入序列；

S42、构造由128个神经元组成的全连接层，激活函数为ReLU(x)＝max(0,x)；该全连接层的输入为所述数据输入序列，该全连接层的输出为数据输出序列；

S43、构造由1个神经元组成的预测输出层，激活函数为ReLU(x)＝max(0,x)；该预测输出层的输入为数据输出序列；该预测输出层的输出为机电设备的健康状态预测输出；

S5、利用每种工况参数的LSTM网络模型、每个LSTM网络模型对应的特征加权输出以及全连接神经网络模型组成一个完整的机电设备健康状态预测模型；并使用步骤S1中收集到的机电设备工况参数和健康状态标识的时间序列历史数据样本，对机电设备健康状态预测模型进行训练，获取训练好的机电设备健康状态预测模型；

S6、实时采集机电设备的工况参数数据，并将其输入到训练好的机电设备健康状态预测模型，进行预测判断。

2.根据权利要求1所述的基于混合神经网络模型的机电设备健康状态预测方法，其特征在于：机电设备的工况参数包括机电设备的电流、电压、速度、振动和温度；所述健康状态标识用于表征机电设备的多状态，机电设备的状态包括完全故障状态、最佳工作状态和亚健康工作状态。

3.根据权利要求1所述的基于混合神经网络模型的机电设备健康状态预测方法，其特征在于：步骤S6具体包括如下内容，S61、实施采集当前时刻的工况参数，并从工况参数的时间序列历史数据样本中提取当前时刻的前K‑1个时刻的工况参数，组成完整的输入数据块；

S62、把输入数据块输入至训练好的机电设备健康状态预测模型中，并通过模型前向计算获取当前机电设备健康状态预测值；

S63、根据当前机电设备健康状态预测值，对机电设备进行相应的维护处理。