1.一种风机故障分析方法，其特征在于，包括：连续采集待测风机的风机轴承的振动数据和温度数据，并获得所述振动数据的速度有效值和冲击量平均值；

将所述速度有效值、所述冲击量平均值以及所述温度数据分别进行线性拟合，并将获得的线性拟合参数和预先确定的标准拟合参数对比，获得第一特征信息；

将所述速度有效值和所述冲击量平均值进行形态分布参数运算，并将获得的形态分布参数和预先确定的标准形态分布参数进行对比，获得第二特征信息；

将所述振动数据和所述温度数据进行傅里叶变换，获得对应的频谱值；并根据预先创建的神经网络模型识别所述频谱值，获得第三特征信息；

根据所述第一特征信息、所述第二特征信息以及所述第三特征信息，利用预先确定的每种风机故障类型对应的三种特征信息的组合特征，确定当前所述待测风机的故障类型。

2.如权利要求1所述的风机故障分析方法，其特征在于，预先确定所述标准拟合参数的过程，包括：

获取至少连续一天内带有故障标签的振动样本数据和温度样本数据；并获得所述振动样本数据对应的速度有效值样本和冲击量平均值样本；

根据各个所述振动样本数据和所述温度样本数据的采集时间点，将所述速度有效值样本、所述冲击量平均值样本和所述温度样本数据均分别按照不同分割时长分割获得多组对应的第一样本数据；

将同一分割时长的时间段采集的每组所述第一样本数据进行线性拟合，获得对应的每组样本线性拟合方程的斜率样本、最大值和最小值之间差值样本；

分别将每组所述斜率样本和所述差值样本分别和设定的多个不同大小的斜率阈值以及多个不同大小的差值阈值进行对比，分别获得多组第一对比结果，并判断所述第一对比结果和所述故障标签是否一致；

其中，所述第一对比结果和所述故障标签一致包括，所述故障标签为故障状态，所述第一对比结果为所述斜率样本大于所述斜率阈值且所述差值样本大于所述差值阈值；或者，所述故障标签为非故障状态，所述第一对比结果为所述斜率样本不大于所述斜率阈值或所述差值样本不大于所述差值阈值；

利用寻优算法获得第一正确率最高时对应的分割时长、斜率阈值和差值阈值作为所述标准拟合参数中的标准分割时长、标准斜率阈值和标准差值阈值；

其中，所述第一正确率为在同一分割时长对应的同一组所述第一样本数据中对同一所述斜率阈值同一所述差值阈值的所述第一对比结果和所述故障标签一致的第一样本数据所占比例。

3.如权利要求2所述的风机故障分析方法，其特征在于，获得所述第一特征信息的过程包括：

根据所述速度有效值、所述冲击量平均值以及所述温度数据对应的采集时间点分别按照所述标准分割时长分割为多组分割数据；

对每组所述分割数据进行线性拟合，获得对应的线性拟合方程的斜率参数、最大值和最小值之间的差值参数；

判断所述斜率参数和所述差值参数是否分别大于所述标准斜率阈值和所述标准差值阈值，若是，则所述第一特征信息为存在第一故障特征。

4.如权利要求1所述的风机故障分析方法，其特征在于，预先确定标准形态分布参数的过程，包括：

将至少连续一天内采集获得的带有故障标签的速度有效值样本和冲击量平均值样本，根据采集时间点均分别按照不同的故障窗口宽度划分为若干个故障窗口内采集的多组第二样本数据；

确定在每个故障窗口宽度下的每组所述第二样本数据分别对于设定的不同大小的比值阈值和不同大小的窗口数比例阈值对应的第二对比结果；其中，同一个故障窗口宽度下针对同一个所述比值阈值和同一个窗口数比例阈值的所述第二对比结果为各个所述故障窗口中所述第二样本数据的95分位数和各个所述故障窗口的95分位数平均值大于所述比值阈值的故障窗口数量所占的窗口数比例和所述窗口数比例阈值的对比结果；

确定每个所述故障窗口对应所述故障标签和对应的各个所述第二对比结果是否一致；

其中，当所述故障标签为故障状态且所述第二对比结果为所述窗口数比例大于所述窗口数比例阈值，或者所述故障标签为非故障状态，且所述第二对比结果为所述窗口数比例不大于所述窗口数比例阈值，则所述故障标签和所述第二对比结果一致；

利用寻优算法确定第二正确率最高时对应的故障窗口宽度、比值阈值以及窗口数比例阈值作为所述标准形态分布参数中的标准故障窗口宽度、标准比值阈值以及标准窗口数比例阈值；其中，所述第二正确率为对于同一比值阈值、同一窗口数比例阈值且同一故障窗口宽度下各个所述故障窗口内的所述第二样本数据的故障标签和所述第二对比结果一致的概率。

5.如权利要求4所述的风机故障分析方法，其特征在于，获得所述第二特征信息的过程包括：

根据所述速度有效值和所述冲击量平均值对应的采集时间点，按照所述标准故障窗口宽度对所述速度有效值和所述冲击量平均值分别分割为多个故障窗口对应的窗口数据；

确定每个所述窗口数据对应的比值参数；

判断各个所述窗口数据中对应的比值参数大于所述标准比值阈值的窗口数比例是否大于所述标准窗口数比例阈值，若是，则确定所述第二特征信息为存在第二故障特征。

6.如权利要求1所述的风机故障分析方法，其特征在于，预先创建神经网络模型的过程包括：

对连续采集的带有故障标签的振动样本数据和温度样本数据进行频谱值运算，获得频谱值样本；

基于所述故障标签，利用DNN神经网络对所述频谱值样本进行神经网络学习，获得频谱值和表征频谱值是否存在频谱故障的所述第三特征信息之间的对应关系的神经网络模型。

7.如权利要求1所述的风机故障分析方法，其特征在于，预先确定每种风机故障类型对应的三种特征信息的组合特征，包括：对连续采集的带有故障标签的振动样本数据和温度样本数据分别运算获得样本第一特征信息、样本第二特征信息以及样本第三特征信息；

根据所述故障标签和所述样本第一特征信息、所述样本第二特征信息以及所述样本第三特征信息，利用寻优算法确定每种风机故障类型对应的准确率最高的三种特征信息的组合特征。

8.一种风机故障分析装置，其特征在于，包括：数据采集模块，用于连续采集待测风机的风机轴承的振动数据和温度数据，并获得所述振动数据的速度有效值和冲击量平均值；

第一运算模块，用于将所述速度有效值、所述冲击量平均值以及所述温度数据分别进行线性拟合，并将获得的线性拟合参数和预先确定的标准拟合参数对比，获得第一特征信息；

第二运算模块，用于将所述速度有效值和所述冲击量平均值进行形态分布参数运算，并将获得的形态分布参数和预先确定的标准形态分布参数进行对比，获得第二特征信息；

第三运算模块，用于将所述振动数据和所述温度数据进行傅里叶变换，获得对应的频谱值；并根据预先创建的神经网络模型识别所述频谱值，获得第三特征信息；

故障判断模块，用于根据所述第一特征信息、所述第二特征信息以及所述第三特征信息，利用预先确定的每种风机故障类型对应的三种特征信息的组合特征，确定当前所述待测风机的故障类型。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述风机故障分析方法的步骤。