1.一种航空发动机电气附件静态性能预测方法，其特征在于，该方法包括以下步骤：
发动机电气附件静态预测模型的构建，其包括系统建模和构建基于粒子群优化算法模型；
发动机电气附件静态性能预测模型的训练，其包括对构建的粒子群优化算法模型进行初始化、并对粒子群优化模型进行训练，获得粒子群优化模型结果；
发动机电气附件静态性能，其包括将测试数据输入粒子群优化模型，通过性能趋势得到发动机电气附件的预测结果。
2.根据权利要求1所述的航空发动机电气附件静态性能预测方法，其特征在于，通过建立粒子群优化算法的航空发动机电气附件静态性能预测模型，确定模型的输入向量、产生输入向量的非线性变换权值矩阵、输入传递函数非线性映射、输出传递函数非线性映射，再采用基于迭代式的最小二乘法求解模型的输出权值矩阵，能够将测试数据自动加载，在无人干预的情况下实现对航空发动机电气附件静态性能的精确预测。
3.根据权利要求1或2所述的航空发动机电气附件静态性能预测方法，其特征在于，该方法包括：
采用航空发动机电气附件静态测试历史数据序列、测试环境及飞机起降循环次数构建训练样本集；
建立基于粒子群优化算法的航空发动机电气附件静态性能预测模型，确定模型的输入向量、产生输入向量的非线性变换权值矩阵、输入传递函数非线性映射、输出传递函数非线性映射，将所述训练样本集输入到建立的所述预测模型中，再采用适应度函数更新粒子群求解模型的输出权值矩阵，完成所述预测模型的训练；
将航空发动机电气附件静态测试数据输入到训练得到的预测模型中，预测当前状态下航空发动机电气附件静态性能，实现静态性能预测。
4.根据权利要求3所述的航空发动机电气附件静态性能预测方法，其特征在于，所述发动机电气附件静态性能预测数据样本参数包括：测试环境温度、起降循环测试和被测电气附件电阻值。
5.根据权利要求3所述的航空发动机电气附件静态性能预测方法，其特征在于，所述输入传递函数非线性映射过程如下：
fin(ai)＝cos(β·ai)·exp(-ai2/2)
式中，ai表示输入向量的第i个线性变换，β为变换系数，通过改变β的大小，可改变输入传递函数的波形。
6.根据权利要求3所述的航空发动机电气附件静态性能预测方法，其特征在于，所述输入向量线性变化与输入函数非线性映射的传递函数个数n确定方法如下：
式中，d表示输入向量的维数，应大于需要预测数据个数，round是四舍五入函数。
7.根据权利要求3所述的航空发动机电气附件静态性能预测方法，其特征在于，所述输出传递函数非线性映射过程如下：
式中，b2表示输入传递函数非线性映射输出向量。
8.根据权利要求1所述的航空发动机电气附件静态性能预测方法，其特征在于，预测模型的训练过程包括：在训练初始阶段利用稀疏编码器计算获取输入与特征节点之间的输入权值矩阵和偏置，随机产生特征节点到增强节点之间的输入权值矩阵和偏置，然后根据零回归方法，通过试凑法获取最优正则化系数，进而求取输出权值矩阵。
9.根据权利要求1或8所述的航空发动机电气附件静态性能预测方法，所述方法包括：
步骤a、确定需要预测的发动机静态性能参数数量和传递函数的个数；
步骤b、将历史数据序列按照预设组织形式重新组织，并进行归一化到[0,1]区间，归一化后，获得的新的历史数据为
步骤c、设置粒子群优化算法参数。为了简化处理，降低程序运行的复杂度，将双目标的优化问题通过代数相加的形式转换为最小化的单目标优化问题，则适应度函数fit(p)为：
式中，yt为真实值，yp为对应的预测值；
步骤d、根据输入输出函数非线性映射进行预测，并自动不断更新适应度函数；
输入传递函数非线性映射过程如下：
fin(ai)＝cos(β·ai)·exp(-ai2/2)
式中，ai表示输入向量的第i个线性变换，β为变换系数，通过改变β的大小，可改变输入传递函数的波形；
输出传递函数非线性映射过程如下：
式中，b2表示输入传递函数非线性映射输出向量；
步骤e、重复步骤d，经过反复的迭代，直到模型收敛。