1.船舶柴油发电机故障预测与健康状态在线评估系统，其特征在于，包括壳体、显示器、警报器、电源和数据处理装置，所述数据处理装置包括深度学习集成模块、全生命周期历史数据库、故障多模态专家系统数据库，壳体设置有腔体，在壳体上部中间位置处设置有无线信号收发装置，在无线信号收发装置的左侧设置有数据采集模块，在无线信号收发装置的右侧设置有电源启闭按钮，在无线信号收发装置的正下方设置所述显示器，在显示器的正下方中间处设置有深度学习集成模块，在深度学习集成模块的左侧设置有USB接口，在深度学习集成模块的右侧设置所述警报器，在深度学习集成模块的下方左侧设置所述全生命周期历史数据库，在全生命周期历史数据库的右侧设置所述故障多模态专家系统数据库，在故障多模态专家系统数据库的正下方右侧设置有存储器，在存储器的左侧设置有图形处理器GPU、在GPU的左侧设置有中央处理器CPU，在CPU的左侧设置有网络模块，在壳体的最底端右侧设置所述电源，在电源的左侧设置有外部设备控制接口，壳体内的所有部件通过导线连接构成通路。

2.根据权利要求1所述的船舶柴油发电机故障预测与健康状态在线评估系统，其特征在于，所述深度学习集成模块包括卷积神经网络、深度信念网络、递归神经网络、堆叠自编码器、深度玻尔兹曼机、长短期记忆模型、门控循环单元网络及神经图灵机，深度学习集成模块采用集成学习方法和自动优化设计组合策略，将多个有监督和无监督的深度学习算法模型组合在一起并行数据处理。

3.根据权利要求2所述的船舶柴油发电机故障预测与健康状态在线评估系统，其特征在于，所述全生命周期历史数据库为包含有已退役的K台同类型的柴油发电机自服役到退役整个运行阶段的全部监测离线数据总集 每台柴油发电机监测N种类型的监测型号，每一种监测信号设置有Q个传感器测量点，每一个传感器所测得的数据均为一个时间序列样本，数据总集 是一个K×N×Q的多维多模态的高维张量矩阵数据集。

4.根据权利要求3所述的船舶柴油发电机故障预测与健康状态在线评估系统，其特征在于，所述故障多模态专家系统数据库设置为包含有所述全生命周期历史数据库中的K台柴油发电机自从服役到退役整个运行阶段中所有出现过的故障特征数据组总集及对应的故障类别标记，中央处理器CPU设置为采用反向倒推类比方法，对全生命周期历史数据库中的监测大数据总集 进行数据切割，将K台同类型柴油发电机出现某类相同故障的数据段进行截断提取重新组合，并按照反向时间序列的方式进行排序，定义该故障类别为故障A，以故障A出现的时刻为起点，至前一次其他类故障B出现的时刻为终点，截取故障A至故障B之间的数据作为故障A的时间序列数据段；以M表示一台机器中出现故障A的次数，N表示每一次故障A出现时均有N个指标被监测，Q表示每一个监测指标均布置有Q个传感器测量点，则一台机器出现故障A所获得的数据可构成一个M×N×Q的多维数据组{δA}；数据组总集{ΨA}在进行数据组合时，以故障A出现的时刻为参考点进行数据对齐，按时间轴的反方向构成反向时间序列样本数据组总集{ΨA’}，数据组总集{ΨA’}对应故障类型A，共有K×M×N×Q个反向时间序列样本；通过深度学习集成模块中的各类网络模型对故障A的反向时间序列数据组总集{ΨA’}中的数据进行迭代学习，实现数据的深度挖掘和特征提取，并将故障A的数据组总集{ΨA’}以反向时间轴为方向按故障严重程序划分为严重、显著、轻微、微小和正常多种级别，最终把数据组总集{ΨA’}的特征信息集合和对应的故障A识别符号组成一个故障模式类存储到故障多模态专家系统数据库中；每一类故障(故障A、故障B、故障C……)均采用这种方式建立一个对应的数据组总集({ΨA’}、{ΨB’}、{ΨC’}……)，构成故障总集{Τ}，并将所有故障的总数据集{Τ}存储到故障多模态专家系统数据库中。

5.根据权利要求4所述的船舶柴油发电机故障预测与健康状态在线评估系统，其特征在于，所述数据采集模块设置有多个数据输入接口，数据输入接口对应于可接收现场实时监测的多种类型的监测信号，每一个数据输入接口对应其中一类监测信号，每一个数据输入接口获得的监测信号均是一个多维时间序列数据组。

6.根据权利要求5所述的船舶柴油发电机故障预测与健康状态在线评估系统，其特征在于，所述监测信号类型包括电力信号、振动信号、噪声信号、力信号，所述电力信号包括电压信号和电流信号。

7.采用权利要求6所述的船舶柴油发电机故障预测与健康状态在线评估系统的方法，其特征在于，包括如下步骤：

S1)将批量已退役的K台同类型的柴油发电机自从服役到退役整个运行阶段的全部监测离线数据总集 通过USB接口输入到全生命周期历史数据库中；

S2)将全生命周期历史数据库中所有的K台机器出现过故障A的数据构成一个K×M×N×Q数据组总集{ΨA}，数据组总集{ΨA}在进行数据组合时，以故障A出现的时刻为参考点进行数据对齐，按时间轴的反方向构成反向时间序列样本数据组总集{ΨA’}，数据组总集{ΨA’}对应故障类型A，共有K×M×N×Q个反向时间序列样本；

S3)通过深度学习集成模块中的各类网络模型对故障A的反向时间序列数据组总集{ΨA’}中的数据进行迭代学习，深度学习集成模块对反向时间序列数据组总集{ΨA’}进行数据的深度挖掘和特征提取，并将故障A的数据组总集{ΨA’}以反向时间轴为方向按故障严重程序划分为严重、显著、轻微、微小和正常多种级别，最后把数据组总集{ΨA’}的特征和对应的故障A识别符号组成一个故障模式类存储到故障多模态专家系统数据库中；

S4)每一类故障均建立一个对应的数据组总集({ΨA’}、{ΨB’}、{ΨC’}……)，构成故障总集{Τ}，并将所有故障的总数据集{Τ}存储到故障多模态专家系统数据库中，故障多模态专家系统数据库中包含全生命周期历史数据库中所有K台柴油发电机自从服役到退役整个运行阶段的所有出现过的故障特征数据组总集及对应的故障类别标记；

S5)当数据采集模块通过数据输入接口获取来自柴油发电机组工作现场的振动、噪声、电力、转速多个指标的实时在线监测数据时，深度学习集成模块会自动对监测数据进行特征学习和数据挖掘，并将提取的实时数据特征与故障多模态专家系统数据库中已存储的故障模式类进行相似性特征匹配，若相似度高，则将当前数据段自动分类到对应的故障类别中，就会识别出当前设备发生了对应的故障，并通过警报器发出故障警报，CPU会通过网络模块产生警报信息并由无线信号收发装置发送至船员的驾控台或安全监控中心，提醒船员及时排查该类故障；

S6)若当前数据特征与故障多模态专家系统数据库中已存储的故障模式类匹配均不相似且与正常稳态特征相似，则认为当前状态为正常状态，特征匹配相似度的门限值设置为

85％，超过门限值则设为是相似，低于门限值则认为是不相似，相似度门限值人们还可以选择由深度学习集成模块的算法自动设定；若当前数据特征与故障多模态专家系统数据库中已存储的故障模式类匹配均不相似但与正常稳态特征也不相似，则认为新的故障出现了，系统自动将当前数据段特征识别为新的故障，进行新故障类别标记，同时系统自动将该新故障特征数据和标记值更新至故障多模态专家系统数据库中的故障总数据集{Τ}中。