1.一种基于飞行数据与深度学习的飞行故障预测方法，其特征在于，包括如下步骤：根据飞机器型号获取其正常飞行数据和故障飞行数据；根据飞行器的起飞时间间隔和飞行数据标准分别对所述正常飞行数据和故障飞行数据进行序列化和聚类，得到第一序列数据集和第二序列数据集：根据飞行器的型号匹配相应的飞行数据标准，将属于同一采样周期的飞行数据进行序列化；将按照飞行器的型号、飞行器的起飞时间间隔对分别对所述正常飞行数据和故障飞行数据进行降维后聚类，得到包含飞行器的型号、飞时间间隔信息的多维向量；根据多维向量所对应的正常飞行数据和故障飞行数据，依次分别构建所述第一序列数据集和第二序列数据集；利用相空间重构法将第一序列数据集中的序列进行重构，得到混沌数据集：从第一序列数据集中随机选取1个最小采样周期内的多维向量作为基准多维向量；每隔K个最小采样周期选取基准多维向量，得到M个基准多维向量；重复上述步骤L次，得M×L个基准多维向量的矩阵集合；所述基准多维向量的矩阵集合即为混沌数据集；根据所述混沌数据集和第二序列数据集构建训练数据集；利用所述训练数据集训练直至误差低于阈值且趋于稳定，停止训练，得到训练好的卷积神经网络；将当前飞行数据输入到所述训练好的卷积神经网络中，得到故障发生概率。
2.根据权利要求1所述的基于飞行数据与深度学习的飞行故障预测方法，其特征在于，根据李雅普诺夫指数λ以确定基准多维向量的矩阵集合的混沌特性。
3.根据权利要求1所述的基于飞行数据与深度学习的飞行故障预测方法，其特征在于，所述卷积神经网络包括第一卷积神经网络、第二卷积神经网络，所述第一卷积神经网络与第二卷积神经网络共用一个全连接层；所述第一卷积神经网络，用于根据所述训练数据集和人为故障标签样本预测人为故障的概率；所述第二卷积神经网络，用于根据所述训练数据集和机械故障标签样本预测机械故障的概率。
4.根据权利要求3所述的基于飞行数据与深度学习的飞行故障预测方法，其特征在于，所述第一卷积神经网络为VGGNet-16；所述第二卷积神经网络包括自动编码器。
5.一种基于飞行数据与深度学习的飞行故障预测装置，其特征在于，包括获取模块、预处理模块、重构模块、训练模块、输出模块，所述获取模块，用于根据飞机器型号获取其正常飞行数据和故障飞行数据；所述预处理模块，用于根据飞行器的起飞时间间隔和飞行数据标准分别对所述正常飞行数据和故障飞行数据进行序列化和聚类，得到第一序列数据集和第二序列数据集：根据飞行器的型号匹配相应的飞行数据标准，将属于同一采样周期的飞行数据进行序列化；将按照飞行器的型号、飞行器的起飞时间间隔对分别对所述正常飞行数据和故障飞行数据进行降维后聚类，得到包含飞行器的型号、飞时间间隔信息的多维向量；根据多维向量所对应的正常飞行数据和故障飞行数据，依次分别构建所述第一序列数据集和第二序列数据集；所述重构模块，用于利用相空间重构法将第一序列数据集中的序列进行重构，得到混沌数据集：从第一序列数据集中随机选取1个最小采样周期内的多维向量作为基准多维向量；每隔K个最小采样周期选取基准多维向量，得到M个基准多维向量；重复上述步骤L次，得M×L个基准多维向量的矩阵集合；所述基准多维向量的矩阵集合即为混沌数据集；根据所述混沌数据集和第二序列数据集构建训练数据集；所述训练模块，用于利用所述训练数据集训练直至误差低于阈值且趋于稳定，停止训练，得到训练好的卷积神经网络；所述输出模块，用于将当前飞行数据输入到所述训练好的卷积神经网络中，得到故障发生概率。
6.根据权利要求5所述的基于飞行数据与深度学习的飞行故障预测装置，其特征在于，所述预处理模包括序列化模块、聚类模块、构建模块，所述序列化模块，用于根据飞行器的型号匹配相应的飞行数据标准，将属于同一采样周期的飞行数据进行序列化；所述聚类模块，用于将按照飞行器的型号、飞行器的起飞时间间隔对分别对所述正常飞行数据和故障飞行数据进行降维后聚类，得到包含飞行器的型号、飞时间间隔信息的多维向量；所述构建模块，用于根据多维向量所对应的正常飞行数据和故障飞行数据，依次分别构建所述第一序列数据集和第二序列数据集。
7.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。
