1.一种基于信息融合算法的航空变流器故障检测方法，其特征在于，包括如下步骤：采集航空变流器的运行数据，构建数据集；

对数据集中的数据进行时间信息提取和空间信息提取，且基于变分自编码器对时间特征和空间特征进行特征融合，得到时空数据；

所述时间信息提取包括：

基于中位数的偏度计算：

其中， 表示期望， 是中位数， 是中位数绝对偏差；

基于四分位数间距峰度计算：

其中， 是第二四分位数，即中位数， 分别是第一和第三四分位数；

DTW距离计算：

对于两个长度分别为 和 的时间序列 和 ，构建一个的距离矩阵 ，其中， ；

定义一个累积距离矩阵 ，初始化 ，通过以下递推公式计算：DTW距离为 ；

小波能量熵计算：

对时间序列 进行小波变换，得到小波系数 ，其中 是尺度参数，是平移参数；

对于每个尺度 ，计算该尺度下的小波能量 ：计算小波能量熵 ， 其中 是总的尺度数；

所述空间信息提取具体为：

基于物理结构的空间特征构建：包括热传导与温度梯度特征和电气参数差异特征，所述热传导与温度梯度特征是通过分析温度在变流器内部的分布以及相邻位置的温度差异获得，所述电气参数差异特征是通过计算变流器中计算相邻部件之间的电气参数差异获得；

基于图论的空间信息提取：

以变流器的各个部件或传感器节点为顶点，以部件之间的电气连接、热传导关系或物理相邻关系为边，构建变流器图模型；

计算图模型的拉普拉斯矩阵，并提取拉普拉斯矩阵的特征值和特征向量作为空间特征；以及基于图卷积神经网络对传感器节点的特征进行聚合和更新，提取代表性的空间特征；

构建贝叶斯深度学习模型，并对贝叶斯深度学习模型进行训练和优化；

将时空数据输入到训练和优化后的贝叶斯深度学习模型中进行处理，输出表示故障发生概率的数值，以及基于概率数值的方差作为不确定性估计；

预设概率阈值，当输出的概率大于阈值时，判定变流器存在故障；否则，判定为正常运行状态。

2.根据权利要求1所述的一种基于信息融合算法的航空变流器故障检测方法，其特征在于：对数据集中的数据进行预处理，包括：数据清洗：设某一变量时间序列为 ，计算序列的中位数 ：对于每个数据点 ，计算其绝对偏差 ，再计算中位数绝对偏差；

若 ，则将 判定为异常值，并采用以下方式进行修正：其中 为符号函数；

数据滤波，包括应变步长滤波处理和数据归一化处理，其中，所述数据归一化处理采用基于概率分布的归一化算法。

3.根据权利要求2所述的一种基于信息融合算法的航空变流器故障检测方法，其特征在于：贝叶斯深度学习模型的基础模型为卷积神经网络和长短期记忆网络相结合构建的混合架构；以及在所述卷积神经网络中，采用空洞卷积来扩大卷积核的感受野；

在所述长短期记忆网络中，引入注意力机制：计算注意力权重：设 是长短期记忆网络输出的隐藏状态序列，通过一个全连接层和softmax函数计算注意力权重向量 ：其中， 是全连接层的权重和偏置，softmax函数用于将注意力得分归一化；

根据注意力权重对隐藏状态进行加权求和，得到上下文向量 ：；

最后，将向量 与LSTM的最后一个隐藏状态 拼接，作为模型的最终输出特征；

使贝叶斯深度学习模型能够根据输入数据的重要性动态分配权重；

在所述贝叶斯深度学习模型中添加正则化项。

4.根据权利要求3所述的一种基于信息融合算法的航空变流器故障检测方法，其特征在于：所述贝叶斯深度学习模型中引入贝叶斯定理，将模型参数视为随机变量，并根据观测数据，基于贝叶斯反向传播算法在每次前向传播计算模型输出时，同时计算模型参数的不确定性估计，在反向传播过程中，根据参数的不确定性和损失函数的梯度，对参数的后验分布进行更新。

5.根据权利要求3所述的一种基于信息融合算法的航空变流器故障检测方法，其特征在于：所述贝叶斯深度学习模型的训练包括：将所述数据划分为训练集、验证集和测试集，并基于随机划分的方式依次划分训练集、验证集和测试集的占比；

对数据集集中的数据进行数据增强操作，包括添加噪声、对时间序列进行平移、对时间序列进行缩放。

6.根据权利要求1所述的一种基于信息融合算法的航空变流器故障检测方法，其特征在于：所述贝叶斯深度学习模型的优化具体为：根据损失函数的梯度信息更新模型参数，以最小化损失函数，使模型逐渐收敛到预设的解，所述更新模型参数为：；

其中， 为模型参数，为学习率， ， 为二阶矩估计， 一阶矩估计， 是衰减率超参数，是正数。

7.根据权利要求5所述的一种基于信息融合算法的航空变流器故障检测方法，其特征在于：分析贝叶斯深度学习模型中间层特征在故障和正常状态下的差异，提取出与故障相关的特征模式，确定故障类型或故障发生的位置。

8.根据权利要求1所述的一种基于信息融合算法的航空变流器故障检测方法，其特征在于：实时对贝叶斯深度学习模型进行更新，包括：对新数据采用蒙特卡洛dropout来计算不确定性指标，并根据不确定性指标对新数据样本进行排序，选择前若干个不确定性最高的样本组成精选样本集；

基于精选样本集，采用增量学习的方式，当新的数据样本到达时，模型在已有参数的基础上，通过对新数据的学习来调整自身的参数，实现对模型进行更新。