1.一种基于边缘计算及深度学习的电机寿命预估方法，其特征在于，包含下列步骤：步骤1：传感器获取电机实时的动态参数，通过无线通讯方式将参数发送至边缘计算系统，其中，动态参数包括有电流波形和震动参数，执行步骤2；

步骤2：边缘计算系统通过监测模型对电机运行寿命进行预估，并将预估结果发送至远端云平台，执行步骤3；

步骤3：对云平台显示的电机运行状态进行监控并对异常运行的电机进行警告。

2.根据权利要求1所述的一种基于边缘计算及深度学习的电机寿命预估方法，其特征在于，所述步骤1中，传感器包含电机传感器和电流传感器，电机传感器用于获得电机震动参数，所述电流传感器用于获得电机运行电流波形，所述电流波形最终通过示波器进行显示，其中，电机震动参数计算公式如下，J＝(Kt×I)‑(Kt×Inl)PO＝(J×KRPM)/1345Pi＝V×I

式中，I为电机消耗的电流值，KRPM为电机每分钟的转数，Kb为电机的电压常数，Rm为电机的内阻，V为电机电压，Kt为电机的扭力常数，Inl为电机无负载量测电流值，J为电机输出轴的扭力值，Eff为电机效率，PO为电机的机械输出功率，Pi为电机的消耗功率。

3.根据权利要求2所述的一种基于边缘计算及深度学习的电机寿命预估方法，其特征在于，所述边缘计算系统中通过深度学习模型建立电机寿命的预测方法，预测步骤包括：

1)组建神经网络训练集：

a)构建全损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取故障维修时的运行状态参数，将这些数据进行标准化后，构建神经网络输入向量Ik；由于这些电机为已经出现故障/维修时电机，将其已使用寿命标记为

100％；

b)构建半数寿命训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命一半时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量Ik；由于提取的是已故障电机一半使用寿命时的参数，将其已使用寿命标记为50％；

c)构建一成损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命10％时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量Ik；由于提取的是已故障电机10％使用寿命时的参数，将其已使用寿命标记为10％；

上述各训练集中，k等于2以及(8,…,12)中的至少两值，运行状态参数包括总运行时间i2，且包括最大平均工作电流i8、最大工作电流i9、平均功率因数i10,最小功率因数i11和平均工作温度i12中的至少两种；

2)将上述训练集送入神经网络进行训练，所述神经网络的输入层有与k取值个数h相同的输入节点数，对应上述状态参数的各个输入据，神经网络获得的输出量描述为电机已使用寿命，是一个0到1的百分比/小数；

3)利用误差反向传播算法修正网络参数，获得网络对电机已使用寿命的参数化描述；

上述神经网络结构包括：一个输入层，四个全连接层，一个softmax分类层，四个全连接层每层设定4h个内部节点，h为状态参数种类数；

4)构建电机损耗测试集：在现有电动机保护器后台管理软件中，针对每台已经出现故障、需要更换的电机，提取其任意时刻的上述运行状态参数组成测试集，将测试集的数据输入神经网络，根据网络正向传播过程预测电机使用寿命。

4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有一个或多个计算机程序，所述一个或多个计算机程序被一个或多个处理器执行时实现如权利要求

1～3任一项所述的电机寿命预估方法。

5.一种用于电机寿命预估的装置，其特征在于，包括：一个或多个处理器；

计算机可读存储介质，其存储有一个或多个计算机程序；所述一个或多个所述计算机程序被所述一个或多个处理器执行时实现如权利要求1～3任一项所述的电机寿命预估方法。

6.一种基于边缘计算及深度学习的电机寿命预估系统，其特征在于，包括：传感器、深度学习系统以及待预测的电机；其中，传感器包含电机传感器和电流传感器，电机传感器用于获得电机震动参数，所述电流传感器用于获得电机运行电流波形；

所述主控制器中存储有一个或多个计算机程序，所述一个或多个所述计算机程序被其具有的一个或多个处理器执行时实现如权利要求1或4所述的电机寿命预估方法。

7.根据权利要求1～3中任一项所述的电机寿命预测方法用于电机制造、电机性能检测的用途。