1.一种基于深度置信网络的卸船机关联规则故障预测模型方法，其特征在于，所述预测方法包括以下步骤：(1)将桥式抓斗卸船机小车系统状态监测的时间序列作为模型输入，采样获得小车系统的关联内部特征信息和故障类别作为模型输出；

(2)对原始监测数据进行预处理，将数据归一化，生成数据集进行分组获得训练集和测试集；

(3)对获取的时间序列T进行相空间重构，转换成矩阵形式并构建输入

和输出yt＝{xt}映射关系f:Rm→R；

(4)训练由RBM堆叠和回归层构成的深度置信网络预测模型，获取各个相关监测点振动烈度为时间序列的未来残差序列预测值，得到小车系统的各单个运行状态特征；

(5)利用关联规则算法挖掘卸船机小车系统中故障类型与故障征兆之间的关系式Sn→Fm，通过置信度获取对应的权重系数，结合两者关系及其小车系统的各单个运行状态特征构建故障类型与对应监测点残差序列特征约束函数模型；

(6)输入数据集利用训练得到的基于深度置信网络的卸船机关联规则故障预测模型进行预测。

2.如权利要求1所述的一种基于深度置信网络的卸船机关联规则故障预测模型方法，其特征在于：所述方法还包括以下步骤：(7)将卸船机小车系统故障发生历史数据用于卸船机故障预测模型，将预测结果和历史故障进行对比，分析预测结果。

3.如权利要求1或2所述的一种基于深度置信网络的卸船机关联规则故障预测模型方法，其特征在于：所述步骤(4)中，训练由RBM堆叠和回归层构成的深度置信网络预测模型，获取各个相关监测点振动烈度为时间序列的未来残差序列预测值，过程如下：(4.1)读入卸船机小车系统监测数据样本集；

(4.2)通过故障征兆采集监测数据信息确定DBN输入层和输出层的节点数为m个；

(4.3)在确定输入和输出节点数之后，设定隐含层节点数为20，并采用单一变量实验法，通过改变网络层数，分别设定为3层：m-20-m，4层：m-20-20-m，5层：m-20-20-20-m和6层：m-20-20-20-20-m，最终通过评价指标变化结果选择最为恰当的网络结构为k层；

(4.4)确定输入输出节点数和网络层数之后，构建基础的3层DBN预测模型，在确保已知变量都不改变的情况下，设置隐含层节点数的大小为：1,2,3,5,10,15,20,25,35,40,45,

50，然后进行模型训练和预测，并选取最佳隐含层节点数n；

(4.5)利用训练完成的DBN预测模型对各监测点数据样本进行预测，并获取残差序列。

4.如权利要求1或2所述的一种基于深度置信网络的卸船机关联规则故障预测模型方法，其特征在于：所述步骤(1)中，以桥式抓斗卸船机小车系统为研究对象，其特征参数是通过分析卸船机小车系统四种运行工况和故障发生特点得出，其中包括抓斗开斗下降、抓斗取料、满斗提取回升、开斗卸料过程中不同部位的振动烈度以及金属结构不同位置的应力值作为特征参数；模型输出包括卸船机小车系统关联内部特征信息与故障类型。

5.如权利要求4所述的一种基于深度置信网络的卸船机关联规则故障预测模型方法，其特征在于：所述步骤(2)中，对原始监测数据进行预处理，过程如下：(2.1)为按特定工况定期全面监测卸船机小车系统的机械状态，在卸船机主要位置布置了23个传感测点，这些测点按监测点位置分成3组：第I组监测小车系统驱动电机、减速器的振动；第II组监测金属结构系统中大梁、小门架及轨道上的振动与冲击；第III组监测大梁、小门架等金属结构的受力情况。定期采集这些监测点的数据作为分析数据；

(2.2)监测点采集的是定期存储数据，尽可能的覆盖卸船机小车系统运行状态中所有可能发生的状态，不仅要有故障状态，也要有正常状态下的监测数据；在精度能够符合要求的情况下，选择合适数量的样本数据；在确定了样本空间之后，由于振动烈度及应力值之间的单位量纲不同，需要对样本原始参数数据进行归一化处理，经过归一化后的数据范围是[0,1]。

6.如权利要求5所述的一种基于深度置信网络的卸船机关联规则故障预测模型方法，其特征在于：所述步骤(5)中，利用关联规则算法挖掘卸船机小车系统中故障类型与故障征兆之间的关系式Sn→Fm，通过置信度获取对应的权重系数，结合两者关系及其小车系统的各单个运行状态特征构建故障类型与对应监测点残差序列特征约束函数模型的过程如下：(5.1)确定桥式抓斗卸船机的故障类型及故障征兆，项集F1＝轨道故障，F2＝减速器故障…Fn＝电机故障；项集S1＝开闭电机振动，S2＝起升电机振动…Sm＝大梁端振动；

(5.2)采集相同工况下且足够多的历史实验数据作为样本，分析故障类型与故障征兆之间的关联性，在此分析中事务数据库Di＝{第i个故障类型Fi发生}，项集Si＝{第i个故障征兆状态超标}，总样本中，各故障征兆Sn发生的状态量超标次数为f(Sn)，故障例总数|Dm|中，各故障征兆Sn发生的状态量超标次数为f(Sn∪Fm)，关联规则为 第m个故障类型Fm对应的约简后故障征兆为Sm,n，Fm＝{Sm,1,Sm,2,…,Sm,Nm}，其中Nm为约简后Fm中故障征兆个数，由置信度得到权重系数表达式： 式中式中：W′m,n为故障类型Fm中故障征兆为Sm,n的权重系数；Cm,n为相应的置信度，建立卸船机小车系统故障类型与卸船机小车系统故障征兆的权重系数W′m,n；

(5.3)通过关联规则分析获取小车系统故障类型与各个故障征兆之间的函数关系式为：Fi(S)＝w'1Si,1+w'2Si,2+…+w'jSi,j，其中：Fi为第i个故障类型，Si,j为对应的故障征兆，w’j为相应的权重系数；构建小车系统故障类型与各个故障征兆所对应的监测点基于DBN预测模型所得的残差序列e之间的函数式，对每个相关残差序列赋上权重时，应使故障类型状态特征中越重要的单点预测值权重越大，并随着数据信息的不断更新对权值会有不同方位的收敛。获得卸船机小车系统故障类型与对应监测点残差序列e特征约束函数如式为：Fi(e)＝w'1ei,1+w'2ei,2+…+w'jei,j，ei,j为对应征兆监测点的残差序列；

(5.4)训练获取卸船机小车系统中各个监测点振动烈度残差序列变化预测值。