1.涡轮风扇发动机的可解释故障预测方法，其特征是，包括：

获取涡轮风扇发动机的工作参数；

将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果；

从训练后的预测网络中，提取神经元激活值；将神经元激活值，分别输入到若干个训练后的解释网络中，每个训练后的解释网络输出对应故障子概念的健康指数；其中，训练后的解释网络与故障子概念之间是一一对应的；

解释网络与训练后的解释网络，其网络结构是一样的；所述训练后的解释网络，采用第一种网络结构来实现或者采用第二种网络结构来实现；所述第一种网络结构，包括：输入层、第一全连接层、第一激活函数层、第二全连接层、第二激活函数层、第三全连接层、第三激活函数层和输出层；所述第二种网络结构，包括：输入层、第四全连接层、第四激活函数层和输出层；

训练后的解释网络，训练过程包括：

构建第二训练集，所述第二训练集为已知故障子概念健康指数的涡轮风扇发动机历史工作参数；所述故障子概念，是指设备最小组成部件各项指数的退化；

将第二训练集中的涡轮风扇发动机历史工作参数输入到训练后的预测网络中，从训练后的预测网络中提取出神经元激活值；

将神经元激活值作为解释网络的输入值，将对应故障子概念健康指数作为解释网络的输出值，对解释网络进行训练，当解释网络的损失函数值不再下降时，停止训练，得到训练后的解释网络；

当训练后的解释网络采用第一种网络结构来实现时，得到第一预测精度；

当训练后的解释网络采用第二种网络结构来实现时，得到第二预测精度；

比较第一预测精度与第二预测精度的大小，选择预测精度值大的网络结构作为训练后的解释网络的网络结构；

将故障子概念的健康指数，输入到改进的拓扑排序算法，改进的拓扑排序算法在构建的实体‑事件知识图谱上进行推理，得到故障预测结果的可解释信息，其中，所述可解释信息，包括：故障的自然语言描述和子知识图谱；

所述实体‑事件知识图谱，构建过程包括：

构建实体知识图谱，将涡轮风扇发动机的领域本体作为实体知识图谱的节点，根据领域本体之间的关系建立实体知识图谱节点之间的连接线；

在实体知识图谱的基础上，按照一阶谓词逻辑构建事件知识图谱，将事件和事件状态将作为事件知识图谱的节点，根据事件与事件之间的关系，事件与事件状态之间的关系，建立节点之间的连接线。

2.如权利要求1所述的涡轮风扇发动机的可解释故障预测方法，其特征是，将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果，其中，训练后的预测网络，其训练过程包括：构建第一训练集，所述第一训练集包括：已知涡轮风扇发动机剩余寿命的涡轮风扇发动机历史工作参数；将第一训练集，输入到预测网络中，对其进行训练，当预测网络的损失函数值不再下降时，或者，训练迭代次数超过设定阈值时，停止训练，得到训练后的预测网络。

3.如权利要求1所述的涡轮风扇发动机的可解释故障预测方法，其特征是，将故障子概念的健康指数，输入到改进的拓扑排序算法，改进的拓扑排序算法在构建的实体‑事件知识图谱上进行推理，得到故障预测结果的可解释信息，具体包括：(1)：输入子概念是否已经发生的事实列表Ef、包含所有关系的关系库Rb、为拓扑拓展准备的事件队列Er、记录一个事件指向触发关系数量的列表It、用于记录通过触发关系指向一个已获取事件的事件数量的列表Ih；

(2)：遍历Ef列表中的每一个元素u，将其加入到队列Er和集合Eh中；

(3)：从队列Er中取出一个元素u；

(4)：遍历关系库Rb中所有以节点u为起点的关系(u,v,trigger)，v表示关系的终点，对于每个关系执行以下步骤：(4‑1)：将It[v]加1，表示有一个触发关系指向了v；It[v]表示记录指向v的触发关系数量的列表；

(4‑2)：如果Ih[v]＝It[v]，说明v所有的触发关系都已经被触发，将v加入队列Er和集合Eh中，遍历所有以v为终点的关系(w,v)并将其加入列表Ru；w表示所有以v为终点的关系的起点；Ih[v]表示记录通过触发关系指向v的事件数量的列表；

(5)：遍历关系库Rb中所有的以节点u为起点的实例关系，对于每个关系执行以下步骤：(5‑1)：如果v已经在集合Eh中，则将v加入队列Er中；

(5‑2)：将以u为起点的实例关系加入列表Ru中；

(6)：循环执行(3)‑(5)，直到队列Er为空；

(7)：输出包含已经获取的事件集合Eh和用于推理事件的所有现有关系的列表Ru，包含已经获取的事件集合Eh生成故障的自然语言描述，基于用于推理事件的所有现有关系的列表Ru生成子知识图谱。

4.如权利要求1所述的涡轮风扇发动机的可解释故障预测方法，其特征是，获取涡轮风扇发动机的工作参数，工作参数包括：设备工作条件描述、设备运行过程中传感器采集的运行数据。

5.如权利要求1所述的涡轮风扇发动机的可解释故障预测方法，其特征是，将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果，其中，预测网络和训练后的预测网络，其网络结构是一致的，训练后的预测网络，其网络结构包括：依次连接的卷积层L1、卷积层L2、卷积层L3、全连接层L4和全连接层L5。

6.如权利要求1所述的涡轮风扇发动机的可解释故障预测方法，其特征是，所述故障子概念，包括：风扇流量、风扇效率、高压涡轮机流量、高压涡轮机效率、低压涡轮机流量、低压涡轮机效率、高压压气机流量、高压压气机效率、低压压气机流量和低压压气机效率。

7.涡轮风扇发动机的可解释故障预测系统，其特征是，包括：

获取模块，其被配置为：获取涡轮风扇发动机的工作参数；

输入模块，其被配置为：将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果；

处理模块，其被配置为：从训练后的预测网络中，提取神经元激活值；将神经元激活值，分别输入到若干个训练后的解释网络中，每个训练后的解释网络输出对应故障子概念的健康指数；其中，训练后的解释网络与故障子概念之间是一一对应的；

解释网络与训练后的解释网络，其网络结构是一样的；所述训练后的解释网络，采用第一种网络结构来实现或者采用第二种网络结构来实现；所述第一种网络结构，包括：输入层、第一全连接层、第一激活函数层、第二全连接层、第二激活函数层、第三全连接层、第三激活函数层和输出层；所述第二种网络结构，包括：输入层、第四全连接层、第四激活函数层和输出层；

训练后的解释网络，训练过程包括：

构建第二训练集，所述第二训练集为已知故障子概念健康指数的涡轮风扇发动机历史工作参数；所述故障子概念，是指设备最小组成部件各项指数的退化；

将第二训练集中的涡轮风扇发动机历史工作参数输入到训练后的预测网络中，从训练后的预测网络中提取出神经元激活值；

将神经元激活值作为解释网络的输入值，将对应故障子概念健康指数作为解释网络的输出值，对解释网络进行训练，当解释网络的损失函数值不再下降时，停止训练，得到训练后的解释网络；

当训练后的解释网络采用第一种网络结构来实现时，得到第一预测精度；

当训练后的解释网络采用第二种网络结构来实现时，得到第二预测精度；

比较第一预测精度与第二预测精度的大小，选择预测精度值大的网络结构作为训练后的解释网络的网络结构；

推理模块，其被配置为：将故障子概念的健康指数，输入到改进的拓扑排序算法，改进的拓扑排序算法在构建的实体‑事件知识图谱上进行推理，得到故障预测结果的可解释信息，其中，所述可解释信息，包括：故障的自然语言描述和子知识图谱；

所述实体‑事件知识图谱，构建过程包括：

构建实体知识图谱，将涡轮风扇发动机的领域本体作为实体知识图谱的节点，根据领域本体之间的关系建立实体知识图谱节点之间的连接线；

在实体知识图谱的基础上，按照一阶谓词逻辑构建事件知识图谱，将事件和事件状态将作为事件知识图谱的节点，根据事件与事件之间的关系，事件与事件状态之间的关系，建立节点之间的连接线。