1.一种基于深度学习的旋转机械故障诊断与状态监测系统，其特征在于，包括壳体、扬声器、显示器、以及设置在壳体内的存储器、中央处理器CPU和数据采集装置，在壳体的上端部中间位置设有信号收发器，在信号收发器的右侧设有所述扬声器，在信号收发器的正下方设有所述显示器，在显示器的正下方左侧处设有USB接口，在USB接口的正下方处设有所述存储器，在存储器的正下方处设有中央处理器CPU，在中央处理器CPU的正下方处设置有图形处理器GPU，在图形处理器GPU的正下方处设有数据接口；

还包括集成深度学习装置、历史信号数据库、故障类别专家系统库；所述集成深度学习装置包含有深度学习模块、自适应集成策略模块；深度学习模块设置为包含有深度信念网络、卷积神经网络、深度玻尔兹曼机、递归神经网络、堆叠自编码器、长短期记忆模型、门控循环单元网络及神经图灵机的深度学习网络模型，深度学习模块还包含有故障识别深度模型，用于存储已训练好的深度学习模型程序；

所述数据采集装置将现场采集的数据输入到深度学习模块的故障识别深度模型中，已训练好的深度学习模型程序自动对数据进行学习，并且实时得到故障的分类结果；

所述历史信号数据库为包含有K台已退役的同类型旋转机械自从服役到退役整个运行阶段的全部监测离线数据总集{φ}，每台旋转机械采集P个指标；不同的监测指标设置有不同个数的传感器测量点T；每一个传感器所测得的数据均为一个全程运行周期的时间序列样本，数据总集{φ}是一个K×(T1+T2+T3+…+TP)的高维张量矩阵数据集；所述故障类别专家系统库包括故障类别数据库、故障指标数据库、故障标记数据库和故障级别数据库；所述故障指标数据库设有与所述历史信号数据库的P个指标相对应的数据库，中央处理器CPU采用反向倒推类比方法，对历史信号数据库中的监测大数据总集按故障类别和次数进行数据切割并重新排序，将K台已退役的同类型旋转机械出现某类相同故障的数据段进行截断提取并重新组合，按照反向时间序列的方式进行排序，构成历史信号数据库中所有的K台机器出现过故障A的数据组总集，建立K台机器全部的故障类别的反向时间序列数据段总集，并将故障类别总数据集存储到故障类别专家系统库中的故障类别数据库中；所述故障指标数据库设为存储所有机器的所有故障中各类指标数据，故障指标数据库中包含了所有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N类故障的P种检测指标的数据组总集及对应的故障类别标记；

所述自适应集成策略模块设有集成策略生成器，所述集成策略生成器设置为将每一个深度学习网络模型定义为个体学习器，每一个体学习器分别对故障指标数据库中的数据集进行学习，集成策略生成器自动优化设计组合策略；

所述故障标记数据库通过集成深度学习装置运用深度学习模块中的各类深度学习网络模型对故障指标数据库的振动信号、噪声信号、转速信号和电力信号海量大数据集进行迭代学习，并且联合运用自适应集成策略模块中的集成策略生成器，将深度学习模块内的多个有监督和无监督的深度学习算法模型集成在一起做并行数据处理，获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据，并将每一类故障与其对应的包含有P个指标的特征数据集一一对应，进行故障标记，并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库中的故障标记数据库中。

2.根据权利要求1所述的基于深度学习的旋转机械故障诊断与状态监测系统，其特征在于，所述历史信号数据库中，所述P个指标包括振动信号、噪声信号、转速信号和电力信号，所述电力信号包括电压信号和电流信号。

3.根据权利要求1所述的基于深度学习的旋转机械故障诊断与状态监测系统，其特征在于所述数据采集装置包括检测单元和传感器模块，检测单元包含有P类指标检测单元，分别为振动检测单元、模态检测单元、噪声检测单元、频率检测单元和转速检测单元，传感器模块由与检测单元一一对应的检测传感器组成，通过检测单元的检测传感器对现场的旋转机械进行信号采集，每一台旋转机械采集P个指标，每个指标采集不同个数的测量点的信号。

4.根据权利要求1所述的基于深度学习的旋转机械故障诊断与状态监测系统，其特征在于，所述故障级别数据库通过深度学习模块对故障标记数据库中已存储的全部故障的特征数据集进行无监督学习，将每一类故障的特征数据按照严重程度进行聚类，生成多个级别不同的簇，每一簇对应一个故障的显著等级，从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别，并对等级进行标记，最后，将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库中的故障级别数据库中。

5.根据权利要求1‑4任一项所述一种基于深度学习的旋转机械故障诊断与状态监测系统的方法，其特征在于，包括如下步骤：

S1)将批量已退役的K台同类型的旋转机械自从服役到退役整个运行阶段的全部监测离线数据总集{φ}通过USB接口或数据接口输入到历史信号数据库中；

S2)对历史信号数据库中的监测大数据总集{φ}按故障类别和次数进行数据切割并重新排序；中央处理器CPU设置为采用反向倒推类比方法，将K台已退役的同类型旋转机械出现某类相同故障的数据段进行截断提取并重新组合，按照反向时间序列的方式进行排序，假设该故障类别为故障A，即：以故障A出现的时刻为起点，至前一次他类故障B出现的时刻为终点，截取故障A至故障B之间的数据段作为故障A的时间序列数据段；

以A1表示机器一中出现故障A的次数，以A2表示机器二中出现故障A的次数，以此类推，以AK表示机器K中出现故障A的次数，K台机器中出现故障A的次数总和为：A1+A2+A3+…+AK；由于在历史信号数据库的数据总集{φ}中，每一次故障A出现时均有P个指标被监测，且不同的监测指标设置有不同个数的传感器测量点，振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声传感器，第P个指标设置有TP个测量指标P的传感器，则机器1出现全部次数的故障A所获得的数据可构成一个A1×(T1+T2+T3+…+TP)的数据组{δA}；历史信号数据库中所有的K台机器出现过故障A的数据构成一个(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)的数据组总集{ΨA}；

按照同样的方法，所有的K台机器出现过故障B的数据构成一个(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)的数据组总集{ΨB}，以此类推，所有K台机器出现过故障N的数据将构成一个(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)的数据组总集{ΨN}；

故障A的数据组总集{ΨA}中包含的K台机器出现故障A时所采集的振动信号的总个数为(A1+A2+A3+…+AK)×T1，所构成的数据集记为{ΨA振}；数据组总集{ΨA}中包含的K台机器出现故障A时所采集的噪声信号的总个数为(A1+A2+A3+…+AK)×T2，所构成的数据集记为{ΨA噪}；以此类推，数据组总集{ΨA}中包含的K台机器出现故障A时所采集的电力信号的总个数为(A1+A2+A3+…+AK)×TP，所构成的数据集记为{ΨA电}；

按照同样的方法依此类推，故障N的数据组总集{ΨN}中包含的K台机器出现故障N时所采集的振动信号的总个数为(N1+N2+N3+…+NK)×T1，所构成的数据集记为{ΨN振}；数据组总集{ΨN}中包含的K台机器出现故障N时所采集的电力信号的总个数为(N1+N2+N3+…+NK)×TP，所构成的数据集记为{ΨN电}；

S3)建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}；

对数据组总集{ΨA}中所有故障A的时间序列数据段在进行数据组合时，按照以故障A出现的时刻为参考点进行数据对齐，并且按照时间轴的反方向构成反向时间序列数据组总集{ΨA’}，数据组总集{ΨA’}对应故障类型A，共有(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)个反向时间序列样本，即：数据组总集{ΨA’}中包含(A1+A2+A3+…+AK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、(A1+A2+A3+…+AK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别记为{ΨA振’}、{ΨA噪’}、{ΨA电’}，即数据组总集{ΨA’}＝{{ΨA振’}、{ΨA噪’}、{ΨA电’}}；

按照同样的方式，对数据组总集{ΨB}中所有故障B的时间序列数据段进行数据组合时，同样以故障B出现的时刻为参考点进行数据对齐，按照时间轴的反方向构成反向时间序列数据组总集{ΨB’}，数据组总集{ΨB’}对应故障类型B，共有(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)个反向时间序列样本，所构成的反向时间序列数据集分别为{ΨB振’}、{ΨB噪’}、{ΨB电’}，即数据组总集{ΨB’}＝{{ΨB振’}、{ΨB噪’}、{ΨB电’}}；

依次类推，数据组总集{ΨN’}对应故障类型N，共有(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)个反向时间序列样本，即数据组总集{ΨN’}中包含(N1+N2+N3+…+NK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、(N1+N2+N3+…+NK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别为{ΨN振’}、{ΨN噪’}、{ΨN电’}，即数据组总集{ΨN’}＝{{ΨN振’}、{ΨN噪’}、{ΨN电’}}；

从而建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}＝{{ΨA’}、{ΨB’}、…、{ΨN’}}，并将故障类别总数据集{Ψ总’}存储到故障类别专家系统库中的故障类别数据库中；

S4)建立故障指标数据库；

将所有机器的所有故障中的振动信号反向时间序列数据段进行集合即可得到{Ψ总振’}＝{{ΨA振’}、{ΨB振’}、…、{ΨN振’}}，并将{Ψ总振’}存入故障指标数据库(192)的振动信号数据库中，将所有机器的所有故障中的噪声信号反向时间序列数据段进行集合即可得到{Ψ总噪’}＝{{ΨA噪’}、{ΨB噪’}、…、{ΨN噪’}}，并将{Ψ总噪’}存入故障指标数据库的噪声信号数据库中，依次类推，将所有机器的所有故障中的电力信号反向时间序列数据段进行集合即可得到{Ψ总电’}＝{{ΨA电’}、{ΨB电’}、…、{ΨN电’}}，并将{Ψ总电’}存入故障指标数据库的电力信号数据库中，至此，故障指标数据库建立完毕；故障指标数据库中包含了所有K台旋转机械自从服役到退役整个运行阶段中所有出现过的N类故障的P种检测指标的数据组总集及对应的故障类别标记；

S5)对故障指标数据库的数据进行集成深度学习，建立故障识别深度模型；

运用深度学习模块中的各类深度学习网络模型对故障指标数据库的振动信号、噪声信号、转速信号和电力信号海量大数据集进行迭代学习，并且联合运用自适应集成策略模块中的集成策略生成器，将深度学习模块内的多个有监督和无监督的深度学习算法模型集成在一起做并行数据处理，由于集成策略生成器将每一个深度学习网络模型视为个体学习器，通过每一个个体学习器分别对故障指标数据库中的振动信号数据集、噪声信号数据集、电力信号数据库进行有监督学习，训练网络模型，进行数据的深度挖掘和特征学习，并将特征信息保存在网络模型的连接权值中；训练过程中，随机选取故障指标数据库中的80％的数据作为训练数据，剩余20％的数据作为测试数据，当测试的正确率超过95％时，认为模型训练合格；集成策略生成器根据不同的深度学习模型所预测的准确率，自动生成组合策略，自动选取Boosting法、Bagging法和“随机森林”集成学习方法，为每个模型分配输出权重系数，获得比单一学习模型显著优越的泛化性能和处理效果，训练结束后，将所有的特征训练信息和模型结构的程序存储在深度学习模块的故障识别深度模型中；

S6)建立故障标记数据库；

通过对故障指标数据库的振动信号、噪声信号、转速信号和电力信号海量大数据集进行深度挖掘和特征提取，获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据，并将每一类故障与其对应的包含有P个指标的特征数据集一一对应，进行故障标记，并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库中的故障标记数据库中；

S7)建立故障级别数据库；

深度学习模块还包含有聚类算法，用于对故障标记数据库中已存储的全部故障的特征数据集进行无监督学习，将每一类故障的特征数据按照严重程度进行聚类，生成多个级别不同的簇，每一簇对应一个故障的显著等级，从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别，并对等级进行标记，最后，将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库中的故障级别数据库中；

S8)采集现场数据，进行故障在线诊断和状态监测；

CPU发出指令控制数据采集装置通过检测单元的检测传感器对现场的旋转机械进行信号采集，每一台旋转机械所采集的数据构成一个数据集，多台旋转机械之间的数据集彼此相互独立；故障检测时，每一台旋转机械采集振动、噪声、电力P个指标，每个指标采集不同个数的测量点的信号，每个指标采集的数据均构成一个指标数据组，因此，每台机器现场采集的数据均构成一个包含有P个检测指标的数据组总集记为{T现场}，{T现场}＝{{T振}、{T噪}、…、{T电}}；

将现场采集的数据输入到深度学习模块的故障识别深度模型中，已训练好的深度学习模型程序自动对数据组总集{T现场}中的{T振}、{T噪}和{T电}数据进行学习，并且实时得到故障的分类结果；

当前现场采集的柴油机的振动监测信号、噪声监测信号、转速监测信号和电力监测信号数据输入到故障识别深度模型中存储的已训练好的深度学习模型程序中，该程序自动对输入的数据进行学习，通过对输入数据进行特征提取，并与故障类别专家系统库中的故障标记数据库中已存储的全部故障的特征数据集进行特征匹配，对当前采集的数据集提取的特征与故障标记数据库中的对应故障的特征数据匹配后相似度很高，则本发明就会识别出当前设备发生了该故障，并通过扬声器发出故障警报信号，CPU会通过信号收发器将故障警报信息发送至技术人员的控制台或安全监控中心，提醒技术人员及时排查该故障；

若当前采集的数据集的特征数据与故障类别专家系统库中的故障标记数据库中已存储的全部故障的特征数据集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；

若当前采集的数据集的特征数据与故障类别专家系统库中的故障标记数据库中已存储的全部故障的特征数据集匹配均不相似而且与正常稳态特征也不相似，则系统认为机器产生了新的故障，系统自动将当前数据段特征识别为新的故障，并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到故障类别专家系统库中的故障标记数据库中；特征匹配相似度的门限值设置为90％，超过门限值则认为是相似，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模块的算法自动设定；

S9)判定当前工作状态并输出故障的显著程度等级；

故障识别深度模型中已训练好的深度学习模型程序对现场采集的数据诊断出故障类型后，系统将自动运用深度学习模块中的聚类算法进一步对该故障的特征数据进行特征提取，将该故障的特征与故障类别专家系统库中的故障级别数据库中对应该故障的级别进行匹配，最终输出该故障的显著程度等级，并在显示器和扩展屏上输出当前故障的等级。