电源车作为军队野战作训和应急的电能供应保障设备,大多运行在复杂恶劣的野外环境下,一旦发生故障又得不到及时维护,将会影响整个武器系统的正常使用。传感器作为电源车运行状态的感知器件,对确保电源车的健康运行发挥着重要作用。因此,针对电源车传感器故障和数据丢失问题,进行故障检测和数据重构的方法研究,对于提升电源车运行的安全可靠性具有重要意义。鉴于此,本文充分考虑传感器数据的时空耦合关系,借助互信息熵、深度学习等方法,开展了以下探索性的研究工作:1)基于时间相关性的电源车传感器故障检测方法研究针对现存基于机器学习的传感器时序诊断模型,存在时间相关特征提取不尽充分、不够精确、且无法长时间预测输出等问题,本文通过引入一种具有选择与遗忘机制的极限学习机（Selective Forgetting Extreme Learning Machine,SFELM）方法,建立了电源车传感器时间序列预测模型,并用于电源车传感器的故障检测。同时,为了弥补浅层网络对时空特征提取不充分的欠缺,基于双向长短时记忆（Bidirectional-Long Short Term Memory,Bi-LSTM）网络建立电源车传感器时间序列预测模型,进而又以KL散度作为传感器故障检测阈值,从而实现了电源车传感器的有效故障检测。2)基于空间相关性的电源车传感器数据重构方法研究针对传感器数据重构时空间特征提取不充分以及缺乏对空间相关性的量化评价等问题,为了更加准确的量化传感器之间的空间相关性进而更好的获取空间特征,本文借助互信息熵方法不依赖于数据序列的特点,引入互信息熵量化评价电源车不同传感器之间的空间相关性,在量化评价的基础上通过特征优选筛选出最优辅助传感器,并基于ELM算法对故障传感器失效数据进行在线重构。3)引入注意力机制的电源车传感器故障检测及数据重构方法研究为了进一步提高实际工作环境中传感器的故障检测能力和数据重构精度,弥补传统Bi-LSTM网络在电源车传感器时序数据局部特征提取时的问题,提出一种具有注意力机制的Bi-LSTM时间序列预测模型,进行电源车传感器的故障检测。同时为了解决互信息熵在空间特征提取时的不稳定性,将注意力机制的空间特征优选结果与互信息熵相关性量化评价的结果相结合,使得传感器的数据重构更为精确稳定。