1.一种基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，包括如下步骤：获取轴承振动信号，作为数据集；

建立网络学习模型，所述网络学习模型依次包括小波包分解层、动态加权层、卷积神经网络层、长短时记忆网络层以及输出层；

将所述数据集中的样本分为训练集和测试集，将所述训练集作为输入训练所述网络学习模型，得到预测模型；

基于所述预测模型，预测滚动轴承的剩余使用寿命。

2.如权利要求1所述的基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，所述小波包分解层用于：对长度为N的轴承振动信号进行三层小波包分解，将分解得到的每个子频带的系数分别作为一列，构建一个 的小波包系数矩阵。

3.如权利要求2所述的基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，所述动态加权层用于：构建逐列加权层为所述小波包系数矩阵中的不同小波包系数赋予可训练的权重；

选取相关性、鲁棒性和峭度作为所述小波包系数矩阵的权重加权评判依据；

根据相关性指标、鲁棒性指标和峭度指标计算所述权重的表达式：其中，Wj表示小波包加权系数矩阵中第j列的初始权重，其中初始权重中α,β,γ均为随机值，且 Corr(G,Gt‑x)为相关性指标、Rob(G)为鲁棒性指标、K(G)为峭度指标， 和 分别表示8个子频带小波包系数中相关性值的总和、鲁棒性值的总和以及峭度值的总和。

4.如权利要求3所述的基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，所述权重在训练开始前被设置为随机初始权重，在训练过程中采用随机梯度下降法对权重W的内部参数α,β,γ进行动态调整。

5.如权利要求1所述的基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，所述卷积神经网络层包括卷积层和池化层，所述卷积层用于对所述动态加权层的输出进行卷积操作，卷积过程的数学表达式如下：其中，xi为当前层的输入特征；xi+1表示卷积计算后得到的特征； 表示卷积运算符；Wi表示卷积核权重；bi为偏置；

所述池化层用于对卷积层的输出特征进行池化操作，其表达式如下：max‑pooling(g[i‑1],g[i],g[i+1])＝max(g[i‑1],g[i],g[i+1])

其中，max‑pooling为最大池化；g[i]为第i个张量；g[i‑1]为第i‑1个张量；g[i+1]为第i+1个张量；max(·)表示取最大值。

6.如权利要求1所述的基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，所述长短时记忆网络层包括两个长短时记忆网络单元，每个长短时记忆网络单元包括遗忘门kt、输入门it和输出门ot，各门的更新公式如下：ht＝ot⊙tanh(ct)

其中，ct‑1为上一步的单元状态，ht‑1为先前隐藏状态的输出值，xt为当前长短时记忆网络单元的输入，ct为更新后的单元状态，ht为当前隐藏状态的输出值，是通过非线性函数得到候选状态，W和b为网络参数。

7.如权利要求1所述的基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，所述输出层依次包括一个展平层、两个全连接层和一个映射输出层。