1.一种基于微观图像特征的电机绝缘寿命预测方法，其特征在于，所述方法包括以下步骤：
步骤S11、采集电机绝缘材料的表面显微图像；
步骤S12、对所述表面显微图像进行预处理以获得灰度图像，所述预处理包括图像灰度化处理，提取所述灰度图像的统计特征，所述统计特征包括所述灰度图像的平均灰度值以及六个灰度共生矩阵特征值；
步骤S13、给定电机运行温度，将所述统计特征输入特征参量退化模型，获得经过预设时间跨度退化后的绝缘特征参量；
步骤S14、将所述绝缘特征参量输入剩余击穿电压预测模型，获得剩余击穿电压；
其中，根据不同老化阶段的电机绝缘材料表面显微图像和剩余击穿电压，并基于Wiener过程及Arrhenius方程建立特征参量与热应力水平之间的定量关系获得所述特征参量退化模型；利用神经网络建立并以所述特征参量和所述剩余击穿电压作为训练集进行训练获得所述剩余击穿电压预测模型；对不同老化阶段的电机绝缘材料的表面显微图像经过所述预处理后提取统计特征，并将所述统计特征经过与剩余击穿电压的相关性分析后筛选获得所述特征参量；
所述特征参量退化模型通过如下公式表示：
；
式中，Y(t；T)表示特征参量Y经过预设时间跨度t退化后的绝缘特征参量，T表示热应力，t表示预设时间跨度，γ 1，γ 2，γ 3，为待定参数，所述待定参数根据所述特征参量与热应力T确定；
所述方法还包括构建所述剩余击穿电压预测模型，所述方法包括以下步骤：
采集不同老化阶段的电机绝缘材料的表面显微图像和剩余击穿电压；
利用长短期记忆神经网络初步建立所述剩余击穿电压预测模型，将所述特征参量和所述剩余击穿电压作为训练集，通过反向误差传播算法对所述剩余击穿电压预测模型进行训练，获得完成训练的所述剩余击穿电压预测模型。
2.根据权利要求1所述的基于微观图像特征的电机绝缘寿命预测方法，其特征在于，所述灰度共生矩阵特征值包括：
角二阶矩、对比度、相关性、标准差、反差分矩以及熵。
3.根据权利要求2所述的基于微观图像特征的电机绝缘寿命预测方法，其特征在于，通过皮尔逊相关系数分析各项所述统计特征与所述剩余击穿电压的相关性，筛选出相关系数高于预设值的统计特征，以生成所述特征参量。
4.根据权利要求1所述的基于微观图像特征的电机绝缘寿命预测方法，其特征在于，所述预处理包括对所述表面显微图像进行图像灰度化处理后再进行归一化、直方图均衡化处理。
5.一种基于微观图像特征的电机绝缘寿命预测系统，其特征在于，
所述系统包括：
图像采集模块，所述图像采集模块用于采集电机绝缘材料的表面显微图像；
图像处理模块，所述图像处理模块用于对所述表面显微图像进行预处理以获得灰度图像，所述预处理包括图像灰度化处理，提取所述灰度图像的统计特征，所述统计特征包括所述灰度图像的平均灰度值以及六个灰度共生矩阵特征值；
预测模块，所述预测模块用于将所述统计特征输入特征参量退化模型，获得经过预设时间跨度退化后的绝缘特征参量，并将所述绝缘特征参量输入剩余击穿电压预测模型，获得剩余击穿电压；
所述系统还包括：
特征参量退化模型构建模块，用于根据不同老化阶段的电机绝缘材料表面显微图像和剩余击穿电压，基于Wiener过程及Arrhenius方程建立特征参量与热应力水平之间的定量关系获得所述特征参量退化模型；
剩余击穿电压预测模型构建模块，用于利用神经网络建立并以所述特征参量和所述剩余击穿电压作为训练集进行训练获得所述剩余击穿电压预测模型；
特征参量构建模块，用于构建所述特征参量，所述特征参量为所述图像处理模块对不同老化阶段的电机绝缘材料的表面显微图像进行统计特征提取后，所述特征参量构建模块将所述统计特征与所述剩余击穿电压进行相关性分析后进行筛选获得；
所述特征参量退化模型通过如下公式表示：
；
式中，Y(t；T)表示特征参量Y经过预设时间跨度t退化后的绝缘特征参量，T表示热应力，t表示预设时间跨度，γ 1，γ 2，γ 3，为待定参数，所述待定参数根据所述特征参量与热应力T确定；
所述剩余击穿电压预测模型构建模块利用长短期记忆神经网络初步建立所述剩余击穿电压预测模型，将所述特征参量和所述剩余击穿电压作为训练集，通过反向误差传播算法对所述剩余击穿电压预测模型进行训练，获得完成训练的所述剩余击穿电压预测模型；
其中，作为训练集的所述特征参量和所述剩余击穿电压根据采集得的不同老化阶段的电机绝缘材料的表面显微图像和剩余击穿电压获得。
6.根据权利要求5所述的基于微观图像特征的电机绝缘寿命预测系统，其特征在于，所述特征参量构建模块通过皮尔逊相关系数分析各项所述统计特征与所述剩余击穿电压的相关性，筛选出相关系数高于预设值的统计特征，以生成所述特征参量。