1.一种通过多结构方式进行风力发电机故障诊断的方法，包括如下步骤：

第一步，根据风力发电机在不同运行状态下的运行数据，构建原始数据空间，包括：通过至少一种传感器采集风力发电机在不同运行状态下的运行数据；

根据预设周期，从每种传感器采集的运行数据中截取预设长度的运行数据；

对截取的预设长度的运行数据执行归一化处理，得到样本数据X，并基于所述样本数据形成所述原始数据空间；

其中，对运行数据执行归一化处理的表达式如式(1)：其中，N为选取的预设长度的运行数据的数目，也为得到的样本数据的组数；X为归一化后得到的样本数据的集合，以矩阵集合的方式表示，X＝{x1,x2,...,xN}；i为大于或者等于1且小于或者等于N的整数；j表示样本数据的第j个特征，j为大于或者等于1且小于或者等于N的整数；xi表示第i个预设长度的运行数据；

第二步，按照式(2)找到与所述原始数据空间中任一样本数据距离最小的K组样本数据，确定为该样本数据的K近邻样本数据，K为大于零且小于样本数据总数的整数：其中，dist(xi,xj)表示所述原始数据空间任意两组样本数据间的距离，xik和xjk分别表示所述原始数据空间中的样本数据xi和xj的第k个特征，k表示任一样本数据对应的特征，k为大于或者等于1且小于或者等于D的整数，D表示所述原始数据空间样本数据的维数，也为所述原始数据空间的特征组数；

第三步，基于第二步所获得的任一样本数据的K近邻样本数据，通过下列第一方式和第二方式，得到所述任一样本数据与对应的K近邻样本数据之间的第一种和第二种局部线性结构；

其中，所述通过第一方式得到任一样本数据与对应的K近邻样本数据之间的第一种局部线性结构，按照如下路径进行：

首先按照式(3)计算出任一样本数据的第一种局部结构：式中，i为大于或者等于1且小于或者等于N的整数；N表示所述原始数据空间的样本数据的组数；K表示样本数据xi近邻点的组数，1≤K≤N；j为大于或者等于1且小于或者等于K的整数；w1ij表示样本数据xi的第一种局部线性结构；tr(.)表示迹函数，计算矩阵的迹；X表T T

示所述原始样本数据；X表示X的转置；M＝(I‑W)(I‑W) ，I表示单位矩阵，W表示w1ij的集合，T

(I‑W) 表示(I‑W)的转置；

之后，采用最小二乘法利用式(4)求得式(3)的解：T ‑1 T

W1＝(AA) Ax………式(4)其中，x表示所述原始数据空间中的任一样本数据；A表示样本数据x的K近邻样本数据T T ‑1 T

x1,x2,...,xK的集合；A＝{x1,x2...,xK}；A表示A的转置；(AA) 表示(AA)的逆变换；W1表示基于第一方式确定的样本数据x和与其对应的K近邻样本数据之间的第一种局部线性结构；

所述通过第二方式得到任一样本数据与对应的K近邻样本数据之间的第二种局部线性结构，按照如下路径进行：

首先，按照式(5)计算出任一样本数据的第二种线性结构：其中，i为大于或者等于1且小于或者等于N的整数；N表示所述原始数据空间的样本数据的组数；K表示所述任一样本数据近邻点的组数，1≤K≤N；w2ij表示样本数据xi的第二种局部线性结构；λ1、λ2表示非负调节参数；||w2ij||1表示w2ij的L1范数， 表示w2ij的L2范T

数；tr(.)表示迹函数，计算矩阵的迹；X表示所述原始样本数据；X 表示X的转置；

T

I表示单位矩阵；W2表示w2ij的集合；(I‑W2)表示(I‑W2)的转置；

之后，利用式(6)和式(7)通过迭代方式计算求得式(5)中所述的第二种局部线性结构：x＝AW2+λ||W2||1         ………式(6)W2(j+1)＝W2(j)+γδ(j)     ………式(7)其中，x表示原始数据空间中的样本数据；A表示样本数据x的K近邻样本数据x1,x2,...,xK的集合；A＝{x1,x2,...,xK}；W2表示基于第二方式确定的样本数据x和与其对应的K近邻样本数据之间的第二种局部线性结构；W2(j)为第j次迭代得到的局部线性结构；γ为迭代步长；δ(j)为迭代方向；j为迭代次数，1≤j≤K；λ为调节系数，0≤λ≤1；

第四步，对第三步所获得的第一种局部线性结构和第二种局部线性结构，利用第三方式得到所述样本数据的第一复合局部线性结构，所述第三方式为按照式(8)执行加权求和处理；

*

W＝αW1+(1‑α)W2    ………式(8)其中,W1表示基于第一方式确定的样本数据x和与其对应的K近邻样本数据之间的第一种局部线性结构；W2表示基于第二方式确定的样本数据x和与其对应的K近邻样本数据之间*

的第二种局部线性结构；α表示两种局部线性结构的权重，0≤α≤1；W 为所述样本数据的第一复合局部线性结构；

第五步，按照式(9)，对基于第四步所获得的第一复合局部线性结构进行处理，得到所述原始数据空间中样本数据的第一低维特征集合；

其中，yi表示原始数据空间中第i组样本数据对应的低维特征；i为大于或者等于1且小于或者等于N的整数；N表示所述原始数据空间的样本数据的组数；K表示所述任一样本数据近邻点的组数，1≤K≤N； 表示第i组样本数据的第j个近邻点；j为大于或者等于1且小于或者等于K的整数； 表示所述任一样本数据的第一复合局部线性结构；Y表示所述原始样T

本数据对应的低维特征集合；Y表示Y的转置； I表示单位矩阵；W*表示所述样本数据第一复合局部线性结构集合；tr(.)表示迹函数，计算矩阵的迹；

第六步，对第三步所获得的第一种和第二种局部线性结构，利用第四方式得到所述样本数据的第二复合局部线性结构，并基于得到的第二复合局部线性结构得到所述原始数据空间中样本数据的第二低维特征集合；所述第四方式为按照式(10)执行数据拟合：其中，yi表示原始数据空间中第i组样本数据对应的低维特征；i为大于或者等于1且小于或者等于N的整数；N表示所述原始数据空间的样本数据的组数；K表示所述任一样本数据近邻点的组数，1≤K≤N；yj表示第i组样本数据的第j个近邻点；j为大于或者等于1且小于或者等于K的整数； 表示所述样本数据的第二复合局部线性结构；Y表示所述原始数据空T T

间中样本数据的第二低维特征集合；Y 表示Y的转置；M＝(I‑W)(I‑W) ；

T

I表示单位矩阵；W表示所述样本数据第一种局部线性结构；(I‑W) 表T

示(I‑W)的转置；W2表示所述样本数据第二种局部线性结构；(I‑W2)表示(I‑W2)的转置；β表示所述样本数据两种局部线性结构的权重，0≤β≤1；tr(.)表示迹函数，计算矩阵的迹；

第七步，任选第五步或第六步中所获得的低维特征集合之一，作为支持向量机的输入，通过支持向量机输出的信息进行风力发电机的故障检测。

2.根据权利要求1所述的一种通过多结构方式进行风力发电机故障诊断的方法，其特征在于：

将第一步中所构建的原始数据空间中的样本数据作为反向传播神经网络的输入数据，任选第五步或第六步中所获得的低维特征集合之一，作为反向传播神经网络的输出数据；

按照所确定的输入数据和输出数据对所述反向传播神经网络结构进行权重训练，直至所获得的权重误差范围达到预期值，则确定该权重下的反向传播神经网络结构是能准确提取出所述原始样本数据的重要低位特征的反向传播神经网络，即训练完备的反向传播神经网络；

将所述原始数据空间之外的新增的风力发电机故障数据输入至所述训练完备的反向传播神经网络中，根据所述训练完备的反向传播神经网络的输出结果得到新增风力发电机故障数据的低维特征集合；

将所述新增风力发电机故障数据低维特征集合作为支持向量机的输入，根据支持向量机的输出信息进行风力发电机的故障检测。

3.一种风力发电机故障检测装置，其特征在于，包括：采集模块，其用于采集风力发电机在不同运行状态下的运行数据，构建原始数据空间，所述原始数据空间包括多组基于所述运行数据确定的样本数据；

K近邻确定模块，其用于确定所述原始数据空间中任一样本数据的K近邻样本数据，K为大于零且小于样本数据总数的整数；

第一获得模块，其用于基于所述任一样本数据的K近邻样本数据，分别利用权利要求1第三步所述的第一种方式和第二种方式，得到所述任一样本数据与其对应的K近邻样本数据之间的两种局部线性结构；

第二获得模块，其基于所述第一获得模块获得所述样本数据的两种局部线性结构分别利用权利要求1中第四步所述的第三方式和权利要求1中第六步所述的第四方式构造样本数据的两种复合局部线性结构，基于获得所述样本数据的两种复合局部线性结构得到所述原始数据空间中样本数据的两种低维特征集合；

检测模块，其用于将所述第二获得模块输出的低维特征集合输入至支持向量机中，通过支持向量机输出的类别信息得到风力发电机的故障检测结果。