1.一种基于集成深度学习的柴油发电机故障预测与监测装置，包含有框体(1)、显示器(4)、警报器(6)、电源(9)和数据处理装置，其特征在于，

所述数据处理装置设置为包含有深度学习集成模块(5)、全生命周期历史数据库(14)和故障多模态专家系统数据库(7)；

所述深度学习集成模块(5)包含卷积神经网络、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网络模型；

框体(1)设置有腔体，在框体(1)上侧中间位置处设置有无线信号收发装置(18)，在无线信号收发装置(18)的左侧设置有数据采集模块(17)，在无线信号收发装置(18)的右侧设置有电源启动按钮(2)和电源关闭按钮(3)，在无线信号收发装置(18)的正下方设置有显示器(4)，在显示器(4)的正下方中间处设置有深度学习集成模块(5)，在深度学习集成模块(5)的左侧设置有USB接口(15)，在深度学习集成模块(5)的右侧设置有警报器(6)，在深度学习集成模块(5)的下方左侧设置有全生命周期历史数据库(14)，在全生命周期历史数据库(14)的右侧设置有故障多模态专家系统数据库(7)，在故障多模态专家系统数据库(7)的正下方右侧设置有存储器(8)，在存储器(8)的左侧设置有GPU(10)、在GPU(10)的左侧设置有CPU(11)，在CPU(11)的左侧设置有网络模块(13)，在框体(1)的最底端右侧设置有电源(9)，在电源(9)的左侧设置有外部设备控制接口(12)，框体(1)内的所有部件采用导线(16)连接在一起构成通路；

所述全生命周期历史数据库(14)设置为包含有已退役的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{φ}，每台机器采集N个监测指标，采集的监测指标为包含振动信号、噪声信号、电力信号、转速信号在内的用于柴油发电机故障检测的常规信号指标；每一种监测指标设置有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{φ}是一个K×N×Q的多维多模态的高维张量矩阵数据集；

所述故障多模态专家系统数据库(7)设置为包含有全生命周期历史数据库(14)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(11)设置为采用反向倒推类比方法，对全生命周期历史数据库(14)中的监测大数据总集{φ}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；以故障A出现的时刻为起点，至前一次故障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所获得的数据构成一个M×N×Q的多维数据组{δA}；将全生命周期历史数据库(14)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；通过深度学习集成模块(5)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、微小和正常五种级别，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(7)中；

按故障类别，对故障B、故障C……，均采用上述方式建立一个对应的数据组总集({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(7)中；

深度学习集成模块(5)对数据采集模块(17)中获取的监测数据实时学习提取特征，并与故障多模态专家系统数据库(7)中已存储的故障模式类进行相似性特征匹配，若相似，则将当前数据段自动分类到对应的故障类别中；若当前数据特征与故障多模态专家系统数据库(7)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，若当前数据特征与故障多模态专家系统数据库(7)中已存储的故障模式类匹配均不相似且与正常稳态特征也不相似，则认为新的故障出现，将当前数据段特征识别为新的故障，进行新故障类别标记，同时将新故障的特征数据和标记值更新至故障多模态专家系统数据库(7)中的故障总数据集{Τ}中。

2.根据权利要求1所述的基于集成深度学习的柴油发电机故障预测与监测装置，其特征在于，数据采集模块(17)设置有多个数据输入接口(19)，数据输入接口(19)的数量设置为4～10个，对应于接收现场实时监测的4～10种类型的监测信号，信号类型包括振动信号、噪声信号、电力信号和转速信号，每一个数据输入接口(19)对应其中一类监测信号，每一个数据输入接口(19)获得的监测信号均是一个多维时间序列数据组。

3.根据权利要求1所述的基于集成深度学习的柴油发电机故障预测与监测装置，其特征在于，进行相似性特征匹配时，特征匹配相似度的门限值设置为85％，超过门限值则认为是相似，低于门限值则认为是不相似。

4.根据权利要求1所述的基于集成深度学习的柴油发电机故障预测与监测装置；其特征是：中央处理器CPU(11)设置为对整个系统装置的程序控制及数据运算，GPU(10)设置为对深度学习集成模块(5)内的网络模型进行模型训练、数据处理以及辅助CPU(11)做深度学习运算，网络模块(13)设置为与互联网云平台进行连接，无线信号收发装置(18)设置为将网络模块(13)、无线传感器、智能手机在内的无线电设备产生的无线电信号进行接收、发射以及将柴油发电机故障预测与监测装置与互联网无线连接。

5.根据权利要求1所述的基于集成深度学习的柴油发电机故障预测与监测装置，其特征在于，外部设备控制接口(12)设置为用于连接笔记本电脑、大屏幕显示器、服务器在内的外部设备的接口。

6.一种基于集成深度学习的柴油发电机故障预测与健康评估方法，其特征在于，包括以下步骤：

步骤1)，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{φ}通过USB接口(15)输入到全生命周期历史数据库(14)中，数据总集{φ}包含有K台同类型的机器，每台机器采集N个信号监测指标，信号监测指标包含振动信号、噪声信号、电力信号、转速信号在内的用于柴油发电机故障检测的常规信号，每一种监测指标设置有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{φ}是一个K×N×Q的多维多模态的高维张量矩阵数据集；

步骤2)，对全生命周期历史数据库(14)中的数据总集{φ}按故障类别和次数进行数据切割重新排序，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，假设该故障为故障A，即：以故障A出现的时刻为起点，至前一次故障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}；将全生命周期历史数据库(14)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}；

步骤3)，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；

步骤4)，通过深度学习集成模块(5)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(5)包含有卷积神经网络、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在内的深度学习网络模型，深度学习集成模块(5)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、微小和正常五种级别，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(7)中；

步骤5)，按故障类别对故障B、故障C……，均采用上述方式建立一个对应的数据组总集({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(7)中包含全生命周期历史数据库(14)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；

步骤6)，当数据采集模块(17)通过数据输入接口(19)获取来自柴油发电机组工作现场的振动、噪声、电力、转速在内的多个指标的实时在线监测数据时，深度学习集成模块(5)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(7)中已存储的故障模式类进行相似性特征匹配，若相似，则将当前数据段自动分类到对应的故障类别中，并通过警报器(6)发出故障警报，CPU(11)通过网络模块(13)产生警报信息并由无线信号收发装置(18)发送至船员的驾控台或安全监控中心，提醒船员及时排查故障；

若当前数据特征与故障多模态专家系统数据库(7)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；

步骤7)，若当前数据特征与故障多模态专家系统数据库(7)中已存储的故障模式类匹配均不相似且与正常稳态特征也不相似，则认为新的故障出现了，将当前数据段特征识别为新的故障，进行新故障类别标记，同时将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(7)中的故障总数据集{Τ}中。