1.一种满足跨工况场景应用的剩余使用寿命预测方法，其特征在于，包括以下步骤：

1).给定已有源域和目标域退化数据；

2).对收集的数据进行数据归一化；

3).提取源域和目标域的退化特征，并将其分离成私有特征和共同特征两个部分；

4).从全局分布和局部分布两个角度对齐源域和目标域的共同特征；

5).采用对比学习中的InfoNCE损失函数最大化输入数据与提取出的特征的互信息，确保提取出的特征具有代表性；

6).回归预测，使用以上步骤训练好的模型对测试数据进行RUL预测；

利用一种深度特征自适应模块，从边缘概率分布和条件概率分布两个角度自适应地对齐每个域对的全局和局部特征；

全局特征分布对齐：采用最大均值差异即MMD来实现全局特征分布对齐，MMD度量可以通过在映射到再生核希尔伯特空间即RKHS后减去特征的平均值来量化两个域分布的差异，MMD可表示为:其中，K(·,·)表示核函数，选择高斯核函数(σ是核函数的宽度)来计算MMD(Xs,Xt)；

局部特征分布对齐：在全局特征分布差异缩小的同时，进一步计算条件分布差异，并通过最小化该差异达到对齐局部特征分布的目的，对于条件分布差异的具体实现，首先，源域退化数据样本根据RUL标签被分为10个子域，依次标记为1到10，局部特征可以解释为每个子域的特征，子域标签构造如下，其中，ycls为分类标签，tr为剩余使用寿命，tu为已使用寿命，Tu是最大寿命周期，这种分类方法将健康状态的退化数据样本作为一类，将处于不同退化阶段的数据样本分为10类，退化程度逐渐加剧；

局部特征分布差异CMMD计算如下，

其中，C＝{c|0,1,2,...,ncls}表示退化特征的子域标签，和分别表示属于c子域的特征，和表示子域特征分布差异的条件权重，计算方式如下，其中，和表示one-hot编码的子域标签，one-hot编码将子域标签转换成二进制的形式，升高了标签的维度；

自适应系数：由于边缘分布和条件分布差异对退化特征分布对齐的影响不同，并且随着模型的迭代训练，源特征与目标特征之间的分布差异也会发生变化，为了更好地调整两个分布距离的比例，有必要设计一个自适应系数来自适应地调整不同训练阶段的全局和局部特征差异的重要性，自适应系数δ的计算方法可表示为，其中，LMMD表示全局特征对齐状态的度量，LCMMD表示局部特征对齐状态的度量，ε表示基于支持向量的二分类器在区分退化特征来自于源域还是目标域时的误差；

联立公式(13)和公式(14)，DDA的目标函数可表示如下，

LDDA＝δLMMD+(1-δ)LMMD  (15)。

2.根据权利要求1所述的一种满足跨工况场景应用的剩余使用寿命预测方法，其特征在于：所述步骤1)中给定已有源域和目标域退化数据，如公式(1)所示：

传感器读数采用滑动时间窗口将数据转化为模型所需要的时间序列输入，其中，Ntw为时间窗口大小，d为传感器数量。

3.根据权利要求2所述的一种满足跨工况场景应用的剩余使用寿命预测方法，其特征在于：所述步骤2)由于不同传感器的监测数据数量级有差别，对步骤1)中的数据，进行特征选择和数据归一化，计算公式如下：其中，表示数据样本中第k个选定传感器的第j个读数，max(xk)、min(xk)分别为第k个选定传感器读数中的最大值和最小值，为归一化后的数据样本。

4.根据权利要求3所述的一种满足跨工况场景应用的剩余使用寿命预测方法，其特征在于：所述步骤3)中的特征提取和分离模块：分成特征提取和特征分离两个模块，用于将源域和目标域数据通过共同特征提取器和私有特征提取器提取并分离出共同特征和私有特征；

特征提取：该部分的作用是通过退化数据来提取出退化特征，采用双层LSTM作为特征提取器，BiLSTM即双向长短时记忆网络由两个独立的LSTM网络组成，且在相邻深度相互连接，以实现从两个时间方向的信息提取，BiLSTM通过同时捕获过去和未来的相关信息来提高机器剩余寿命预测的准确性，使用BiLSTM进行特征提取在BiLSTM中，用两个独立的隐含层在两个方向上对序列特征进行处理，其计算公式如下：特征分离：该部分的作用是将上一步提取出的特征分离成两个部分，私有特征和共同特征，为了确保模型能够学习源域和目标域的共同特征和私有特征，源域和目标域均相同层数的BiLSTM网络作为共同特征提取器和私有特征提取器，其中源域和目标域的共同特征提取器参数相同，设分别为源域和目标域的私有特征提取器，将源域数据XS和目标域数据XT输入到特征提取器后得到了各部分特征，用以下公式表示：其中，表示源域和目标域的共同特征，代表源域和目标域的私有特征；

为了约束共同特征和私有特征不同，在它们之间添加了软子空间正交性约束，设为矩阵，其行元素为共同特征和私有特征之间的差异损失表示为：表示二范数，此外，相同域的共同特征和私有特征之间存在差异，不同域的私有特征之间也存在差异，添加了源域和目标域的私有特征之间的差异损失：总的差异损失表示为：

通过最小化Ldiff约束共同特征提取器和私有特征提取器提取出来的特征不同，实现特征分离的目的。

5.根据权利要求4所述的一种满足跨工况场景应用的剩余使用寿命预测方法，其特征在于：所述步骤4)中的深度特征自适应模块：该部分的作用是从全局分布和局部分布两个角度来对齐源域和目标域的共同特征，并动态调节两种分布差异的影响，由于不同域的数据分布存在差异，只对齐边缘分布或者条件分会导致提取的退化特征难以对齐，此外，在同时对齐边缘分布和条件分布时，边缘差异和条件分布差异的减少对于退化特征的对齐并不同等重要，需要动态调节二者的权重，该方法能够根据实际退化数据的分布情况，自适应地调整分布适配过程中边缘分布和条件分布的重要性；

由于目标域退化数据是未被标记的，因此，在训练过程中，模型首先使用源域预训练子域分类器，然后目标域数据通过分类器获得子域伪标签，随着迭代训练，分类器精度逐渐提高，从而获得准确的子域标签，使用交叉熵损失函数计算源域的子域分类误差：其中和分别表示第j个源域样本的真实标签和分类标签，根据子域的分类结果；

从式(15)可以看出δ的范围为[0,1]，当δ接近0时，全局特征差异小，应重点考虑局部特征差异；当δ接近1时，局部特征差异小，应重点考虑全局特征差异，总之深度特征自适应对齐机制可根据全局特征和局部特征差异大小，动态调节二者的权重，获得跨域不变退化特征表示。

6.根据权利要求5所述的一种满足跨工况场景应用的剩余使用寿命预测方法，其特征在于：所述步骤5)中的对比学习模块：

为了确保提取出的共同特征和私有特征具有代表性，对比学习模块应用了对比学习中的InfoNCE损失函数来最大化提取出的特征与输入数据之间的互信息，其中互信息的意义为一个随机变量中包含的关于另一个随机变量的信息量，如果提取出的特征包含输入数据的信息量越大，即互信息越大，则提取出的特征的代表性越强；

为了简单起见，忽略了这一小节的领域标签，在输入为Xj∈X时，从等式可以得到共同特征fC，j和私有特征fP，j,由于特征被分成了共同特征fC，j和私有特征fP，j两部分，将二者相加作为对比度量模块的输入，即为：fj＝fC，j+fP，j    (16)

为了最大化输入数据Xj和特征fj之间的互信息，定义一个密度比函数μj:为了计算密度比，特征fj和输入数据的维度应该相同，用一层全连接网络θ将特征fj的维度变换到输入数据的维度，用变换后的特征fθ，j＝θ(fj)与原始输入之间的点积来估计密度比函数，其可以被表示如下:为了最大化互信息，采用了对比学习中的InfoNCE损失，InfoNCE通过对比正配对和负配对来最大化特征与输入数据之间的互信息，InfoNCE损失计算方式如下：其中(Xj,fj)表示正样本配对，(Xi,fj)(i≠j)表示负样本配对，用InfoNCE损失来表示特征,fj与输入数据之间的互信息:I(Xj,fj)＝log(N)-LInfoNCE        (19)其中，I(Xj,fj)表示输入数据Xj与其对应特征fj的互信息，N表示一个mini-batch中样本的数量，从式(19)可以看出通过最小化InfoNCE损失即可最大化互信息I(Xj,fj)，从而确保提取出的特征具有足够的代表性。

7.根据权利要求6所述的一种满足跨工况场景应用的剩余使用寿命预测方法，其特征在于：所述步骤6)中的回归预测模块：

领域特征被输入到标签预测器P，生成RUL预测值，采用均方根误差作为预测损失函数Llabel：模型的目标函数由3个部分组成，回归预测损失Llabel、动态分布自适应损失LDDA、InfoNCE损失LInfoNCE，子域分类损失Lcls、差异损失Ldiff；

L(θp,θc,θg)＝Llabel+Lcls+αLInfoNCE+ξLDDA+βLdiff    (25)式中，α和β为权衡系数，用于控制LInfoNCE和Ldiff的计算比例，ξ＝2/(1+e-10×(i+1)/epochs)-1为随着每次训练迭代的进行而变化的时变系数，i为当前的迭代次数，epochs为总的迭代次数。