1.一种多工况自适应的工业机器人健康度评估方法，其特征在于包括以下步骤：
获取工业机器人各关节的运行状态数据、工况信息数据及机器人相关设计参数数据，对运行状态数据进行处理，得到状态特征数据库，通过给状态特征数据库匹配相应的工况信息数据，得到工况信息数据库；
通过工况信息数据库以及状态特征数据库建立特征与工况参数关联模型，通过关联模型对所述状态特征数据库中的特征数据进行多维度自适应处理，得到工况脱敏的特征数据；
对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关节健康度指数；
根据各关节健康度指数和预设的各关节健康度阈值计算机器人整机健康度，并通过机器人整机健康度对机器人的健康状态进行整体评估；
根据所述整机健康度、工况信息数据及设计参数数据对机器人的剩余使用寿命进行预测。
2.根据权利要求1所述的多工况自适应的工业机器人健康度评估方法，其特征在于，所述对运行状态数据进行处理是指对所述运行状态数据进行特征提取和特征选择；
所述特征提取包括信号时域和频域的基本特征提取以及经信号经变换、分解处理后的二次特征提取；
所述特征选择是指，将有明确表征意义或倾向的特征，结合其物理意义或者需求进行选择，得到需要的状态特征数据；若需选择无明确表征意义或倾向的特征，则结合主成分分析方法降维进行筛选，得到需要的状态特征数据。
3.根据权利要求2所述的多工况自适应的工业机器人健康度评估方法，其特征在于，所述通过工况信息数据库以及状态特征数据库建立特征与工况参数关联模型，通过关联模型对所述状态特征数据库中的特征数据进行多维度自适应处理，得到工况脱敏的特征数据具体步骤包括：
将工况信息数据库中的特征数据分解成相互独立的多个工况参数维度，并在不同维度下建立特征数据库中的各个特征与工况参数的关联模型，记作第一关联模型；
将选定的特征数据匹配到相应工况参数维度下，并根据建立第一关联模型在工况参数维度下进行补偿消除对工况的影响，得到工况脱敏的特征数据。
4.根据权利要求3所述的多工况自适应的工业机器人健康度评估方法，其特征在于，所述对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关节健康度指数的具体步骤包括：
对所述工况脱敏的特征数据进行标准化处理，得到标准化的特征数据；
通过标准化的特征数据计算选定的特征向量到健康基准向量的欧氏距离D，在此，所述健康基准向量是由机器人出厂时处于初始稳定状态下选定的特征向量对应的标准化特征数据取均值得到；
通过Sigmoid函数变换得到归一化函数，通过归一化函数对所述欧氏距离D进行归一化处理，得到各关节的健康度指数。
5.根据权利要求4所述的多工况自适应的工业机器人健康度评估方法，其特征在于，所述通过Sigmoid函数变换得到归一化函数，所述归一化函数表示为：
其中，w为尺度参数，t为平滑参数，HI表示各关节的健康度指数。
6.根据权利要求5所述的多工况自适应的工业机器人健康度评估方法，其特征在于，所述根据各关节健康度指数和预设的各关节健康度阈值计算机器人整机健康度，并通过机器人整机健康度对机器人的健康状态进行整体评估的具体操作为：
通过所述各关节健康度指数构建健康雷达图，并根据健康雷达图的面积结合预设的健康度阈值计算整机健康度，整机健康度表示如下：
其中，HT为预设的健康度阈值，A为当前状态健康度雷达图面积，A1为所有关节健康度均为1时的健康度雷达图的面积，j＝1，2，...表示机器人的关节编号。
7.根据权利要求6所述的多工况自适应的工业机器人健康度评估方法，其特征在于，所述根据所述整机健康度、工况信息数据及设计参数数据对机器人的剩余使用寿命进行预测的具体步骤包括：
根据整机健康度以及所述设计参数数据建立剩余使用寿命与整机健康度之间关联模型，记作第二关联模型；
结合各类工况对使用寿命的影响程度以及结合设计参数数据，建立寿命影响度与工况参数间的关联模型，记作第三关联模型；
根据整机健康度数据并结合两个关联模型建立工况参数修正后的剩余使用寿命预测模型，对实际工况下的剩余使用寿命进行预测。
8.根据权利要求1、3或7所述的多工况自适应的工业机器人健康度评估方法，其特征在于，还包括以下步骤：
更新步骤：状态特征数据库及与其匹配的工况信息数据库能根据机器人的运行状态数据和工况信息数据的增加而不断更新；
自学习步骤：能自学习并优化第一关联模型、第二关联模型以及第三关联模型。
9.一种多工况自适应的工业机器人健康度评估系统，其特征在于，包括以下模块：
数据获取模块：获取工业机器人各关节的运行状态数据、工况信息数据及机器人相关设计参数数据；
数据处理模块：对运行状态数据进行处理，得到状态特征数据库，通过给状态特征数据库匹配相应的工况信息数据，得到工况信息数据库；
工况自适应处理模块：通过工况信息数据库以及状态特征数据库建立特征与工况参数关联模型，通过关联模型对所述状态特征数据库中的特征数据进行多维度自适应处理，得到工况脱敏的特征数据；
各关节健康度计算模块：对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关节健康度指数；
整机健康度评估模块：根据各关节健康度指数和预设的各关节健康度阈值计算机器人整机健康度，并通过机器人整机健康度对机器人的健康状态进行整体评估；
剩余使用寿命预测模块：根据所述整机健康度、工况信息数据及设计参数数据对机器人的剩余使用寿命进行预测；
更新自学习模块：状态特征数据库及与其匹配的工况信息数据库能根据机器人的运行状态数据和工况信息数据的增加而不断更新；能自学习并优化第一关联模型、第二关联模型以及第三关联模型。