1.基于AI建模的集成电源箱健康状态评估方法，其特征在于，包括如下步骤：S1、采集集成电源箱的运行数据，并进行时间同步、插值和归一化处理，构建多变量时间序列，所述运行数据包括电压、电流、温度、湿度、功率因数、开关状态和电磁干扰值；

S2、采用神经控制微分方程模型对多变量时间序列轨迹进行建模，初始化状态隐空间向量，通过连续微分控制函数建模状态随时间变化的演化路径，获取隐空间轨迹；

先对输入路径实施立方样条插值，使其在时间维度上可导；再将第一个时间片对应的多维数据输入三层全连接网络，输出128维初始状态隐空间向量；构建由两层前馈网络实现的连续微分控制函数，其输入为当前隐空间向量与时间路径值，输出状态导数；采用四阶Runge-Kutta法对该函数在时间轴上积分，获得从至的隐空间向量并按序组成隐空间轨迹；

S3、对所述隐空间轨迹进行动态模态分解，提取若干个正交的模态向量，各模态向量构成模态健康空间，每一模态向量对应一组频率成分和能量分布；

S4、在所述模态健康空间中采用流形插值混合方法，将两个不同样本的模态向量按比例混合，生成增强训练样本集；

S5、将所述增强训练样本集中的混合模态向量输入健康分类模块，输出对应的健康状态标签和剩余寿命预测值；

S6、将所述隐空间轨迹输入时间语义回放模块，在当前时间点向后回推，生成历史时间区间内的最终预测状态轨迹；

S7、将所述最终预测状态轨迹与实际历史状态轨迹进行对比计算语义差异值，当所述语义差异值超过设定容差阈值时，生成异常标记，并将当前时间步的隐空间轨迹替换为对应实际历史状态轨迹，重新执行步骤S3至S5以更新对应的健康状态标签和剩余寿命预测值。

2.根据权利要求1所述的基于AI建模的集成电源箱健康状态评估方法，其特征在于，所述S2具体包括：S21、将所述多变量时间序列作为神经控制微分方程模型的输入路径，所述输入路径为按时间索引排列的有序多维数据序列；

S22、对所述输入路径进行立方样条插值构建连续路径表示，使得在时间维度上具备可导性，以满足神经控制微分方程模型中连续微分控制函数的建模需求；

S23、将所述输入路径中的第一个时间片对应的多维数据输入至全连接神经网络，用于生成初始状态隐空间向量，作为神经控制微分方程模型的初始状态；

S24、构建连续微分控制函数，所述连续微分控制函数由前馈神经网络实现，接收当前状态隐空间向量和当前时间点的路径值作为输入，输出对应的状态导数，用于定义状态随时间演化的微分关系；

S25、采用常微分方程对所述连续微分控制函数进行数值积分，按照所述输入路径的时间轴推进，从初始状态起步依次生成各时间点的状态隐空间向量；

S26、将所述各时间点的状态隐空间向量按时间顺序组成隐空间轨迹，所述隐空间轨迹为连续可微的向量序列，用于表示集成电源箱运行状态在整个时间范围内的动态演化。

3.根据权利要求1所述的基于AI建模的集成电源箱健康状态评估方法，其特征在于，所述S3具体包括：S31、将获取的隐空间轨迹转化为按时间步依次排列的状态矩阵，所述状态矩阵的每一列表示一个时间点上的状态隐空间向量；

S32、对所述状态矩阵进行滑动窗口切分，划分为若干个局部时序块，用于捕捉运行状态在不同时间段内的动态变化特征；

S33、对每个局部时序块执行动态模态分解，所述动态模态分解包括：构造输入矩阵和输出矩阵，所述输入矩阵由连续时间步内的状态隐空间向量按列组成，排除每个时序块的最后一个时间点，所述输出矩阵对应为排除第一个时间点后的状态隐空间向量；通过最小二乘拟合求解使输出矩阵逼近输入矩阵乘以线性映射矩阵的解，得到所述线性映射矩阵后，计算特征值与右特征向量，所述右特征向量构成表示状态演化模式的模态基底；

S34、对所述模态基底进行特征值分解，获得每个模态的频率信息和对应的模态振幅，构建由若干个模态向量组成的模态集合；

S35、采用正交化处理方法对所述模态集合进行约束，使各模态向量之间满足线性无关条件，获得若干个正交的模态向量；

S36、由若干个正交的模态向量构成模态健康空间，每一模态向量对应一组频率成分和能量分布。

4.根据权利要求1所述的基于AI建模的集成电源箱健康状态评估方法，其特征在于，所述S4具体包括：S41、在模态健康空间中选取两个不同训练样本，对应的模态向量分别为第一模态向量与第二模态向量；

S42、所述流形插值混合方法包括：将第一模态向量与第二模态向量嵌入至统一特征空间，并按照非线性插值函数构造混合模态向量，所述非线性插值函数采用可调曲率控制方式：；

其中，表示混合模态向量，表示第一模态向量，表示第二模态向量，表示控制比例系数，取值范围为(0,1)，插值轨迹形成非线性曲面路径，用于生成分布连续的混合模态向量；

S43、对所述混合模态向量进行主频率分析，计算频率成分在预定义能量分布区间内的占比，所述主频率分析基于快速傅里叶变换，对所述混合模态向量的频谱特征进行约束；

S44、当所述混合模态向量的主频率能量集中区域与原始两个模态向量的重叠度高于预设重合阈值时，认定所述混合模态向量频率满足频率一致性条件；

S45、基于满足频率一致性条件的混合模态向量，生成增强训练样本集。

5.根据权利要求1所述的基于AI建模的集成电源箱健康状态评估方法，其特征在于，所述S5具体包括：S51、将所述增强训练样本集中的混合模态向量输入健康分类模块，所述健康分类模块包括输入层、两层全连接神经网络结构、分类输出层以及寿命回归输出层；

S52、所述输入层接收所述增强训练样本集中的混合模态向量；

S53、所述两层全连接神经网络结构分别包括一层具有ReLU激活函数的全连接层和一层具有Sigmoid激活函数的全连接层，用于提取混合模态向量的非线性特征表示；

S54、所述分类输出层为一层具有Softmax激活函数的全连接层，输出维度为3，对应于健康状态标签中定义的三个类别：0表示正常，1表示预警，2表示严重；

S55、所述寿命回归输出层与所述分类输出层并联设置，所述寿命回归输出层为包含一个输出神经元的线性回归层，对所述非线性特征表示的各个分量分别乘以设定权重参数后求和，并加上一个偏置项，计算得到剩余寿命预测值。

6.根据权利要求1所述的基于AI建模的集成电源箱健康状态评估方法，其特征在于，所述S6具体包括：S61、将获取的隐空间轨迹输入至时间语义回放模块，所述隐空间轨迹转化为按时间步依次排列的状态矩阵，所述状态矩阵的每一列表示一个时间点上的状态隐空间向量；

S62、选取当前时间点所对应的状态隐空间向量作为回放起始点，向前构建设定长度的历史回放时间窗口，所述历史回放时间窗口包含若干连续时间步的反向预测目标；

S63、所述时间语义回放模块包括时间感知编码器与状态预测器，所述时间感知编码器将各所述历史回放时间窗口内各时间步的间隔信息进行编码，转换为时间特征向量，并与每个状态隐空间向量拼接构成预测输入序列；

S64、所述状态预测器采用对称状态残差结构，包含一个前向预测子模块和一个反向残差修正子模块，所述前向预测子模块基于循环神经网络，接收所述预测输入序列，生成历史回放时间窗口内每个时间步的初始预测状态轨迹；

S65、所述残差修正子模块根据对称性原则构造每个时间步的状态演化残差轨迹，并将所述状态演化残差轨迹加至对应初始预测状态轨迹，形成最终预测状态轨迹：；

其中，表示最终预测状态轨迹，表示初始预测状态轨迹，表示当前时间点的状态隐空间向量。

7.根据权利要求1所述的基于AI建模的集成电源箱健康状态评估方法，其特征在于，所述S7具体包括：S71、将所述最终预测状态轨迹与实际历史状态轨迹进行对齐处理，按时间步一一对应地提取每个时间点的状态隐空间向量对；

S72、基于所述状态隐空间向量对，通过计算每一对应时间步的状态隐空间向量差并进行范数累计，得到整段轨迹的语义差异值；

S73、当所述语义差异值超过设定容差阈值时，判定最终预测状态轨迹与实际历史轨迹之间存在异常偏离，生成异常标记；

S74、在触发异常标记后，将当前时间步的隐空间轨迹替换为对应实际历史状态轨迹，重新执行步骤S3至S5，用于更新对应的健康状态标签和剩余寿命预测值。