1.一种融合时序信息的风电齿轮箱健康评估方法，其特征在于包括以下步骤：

S1、特征生成：通过风电机组监测控制和数据采集系统采集的多变量时间信号，选取特征变量进行数据预处理，将SCADA数据的时间戳信息进行One‑Hot编码作为时序特征，并将时序特征、传感器特征作为构建成深度学习网络模型的输入信号；

S2、网络构建：构建卷积自编码网络模块作为压缩网络，并将步骤S1得到的时序特征和传感器特征输入到压缩网络进行特征学习和压缩；构建高斯混合模型作为评估网络，将学习的压缩特征、时序特征和重构残差特征融合输入到评估网络进行学习；

S3、网络训练：根据高斯混合模型，基于步骤S2网络中压缩网络输出的SCADA样本概率分布设计健康度指标，用于评估风电齿轮箱的健康状况；将机组处于健康状态下的数据输入到步骤S2构建的卷积自编码网络，训练模型得到学习到风电机组齿轮箱健康状态下能量值分布的健康评估模型并设置阈值及保存模型；

S4、在线评估：将在线监测得到的SCADA数据，进行输入到步骤S3已经训练好的健康评估模型，输出风电齿轮箱的健康度指标；

所述步骤S2中，包括如下步骤：

S21、模型输入通过卷积自编码网络学习各个特征间时序与传感器维度上的相关性，提取网络输入的低维特征；卷积自编码器采用非对称结构，编码器、解码器包括多层卷积与池化操作；连接使用一维卷积层，使用最大池化层对特征维度进行低维压缩，采用ReLU层作为激活函数；

S22、构建高斯混合模型(Gaussian mixture model，GMM)作为评估网络，对输入信号本身的概率分布信息做能量值评估，用于获得风电齿轮箱运行期间健康度；估计网络通过未知混合分量分布、混合均值和混合协方差即可直接估计GMM的参数并评估样本的似然；

S23、原始网络输入在低维表征下可以很好地区分出部分样本异常，为了网络学习到更多空间时序特征，将压缩网络和评估网络连接，使压缩网络在特征提取时也可以学习到评估网络的评价信息，使多变量时间序列的低维、时序特征和卷积自编码器的重构误差融合成一组新的特征变量输入到评估网络；

zc＝h(x；θe)

x′＝g(zc；θd)

zr＝f(x,x′)

z＝[zc，zr]

对于步骤S1构造SCADA数据样本X，zc表示构建重构误差θe和θd为卷积自编码器参数，x′为SCADA样本重构输入，zr为深度压缩网络学习到的低维表征，z为特征的重构误差；h()表示编码函数，g()表示解码函数，f()表示计算重建误差特征的函数。

2.根据权利要求1所述的一种融合时序信息的风电齿轮箱健康评估方法，其特征在于：所述步骤S1中，包括如下步骤：

S11、通过孤立森林算法对原始SCADA数据进行离群点检测，去除不符合物理意义的数据；

S12、通过风电机组监测控制和数据采集系统采集的多变量时间信号，选取的特征变量经过重采样、归一化处理、消除与温度相关变量的耦合性；其中，多变量包括工况变量和温度状态变量，对温度状态变量做温差处理，消除工况因素对温度变量的影响；

S13、将SCADA数据的时间戳信息按月、日、时、分进行One‑Hot编码得12、31、24、60维的二进制时序特征信息；在网络训练过程中作为时序特征分别输入到网络的特征层和编码层；

S14、选取机组的处于正常运行状态下的健康数据构建成网络模型的输入，训练模型不需要额外的故障数据。

3.根据权利要求1所述的一种融合时序信息的风电齿轮箱健康评估方法，其特征在于：所述步骤S3中，包括如下步骤：

S31、构建基于高斯混合模型的健康度指标，用于评价齿轮箱的运行健康度；

给定特征z和混合成分的个数特征K，那么样本属于高斯混合分布中各个分布的概率为其中，表示预测结果，是个K维的向量；p为多层感知器的输出；

其中， 为隐层表示，Zi属于第i个分量的概率，而 则分别表示GMM中第k个成分的混合概率、均值和方差；那么，齿轮箱的健康度指标(Health Indicator)可以定义为：S32、由于信号的时序特性，对信号的健康指标在时间尺度上加权后再输出，使信号在某一时刻的健康指标受前几个时序的健康指标影响；

S33、将步骤S1构建的机组处于健康状态下的数据输入到卷积自编码网络，训练模型得到学习了风电机组齿轮箱正常运行状态下的能量值分布模型，保存并设置阈值。

4.根据权利要求2所述一种融合时序信息的风电齿轮箱健康评估方法，其特征在于，所述工况变量包括风速、功率和转子转速。

5.根据权利要求2所述一种融合时序信息的风电齿轮箱健康评估方法，其特征在于，所述温度状态变量包括环境温度、发电机轴承不同位置的N个温度、发电机定子绕组不同位置的N个温度、液压组油温、齿轮箱油温、高速轴上的齿轮箱轴承温度、机舱温度、高速变压器不同位置的N个温度、电网侧逆变器温度、顶部机舱控制器温度、集线器控制器温度、VCP板温度、分离环室温度、头锥体温度、VCP阻塞线圈温度、转子侧逆变器上的IGBT‑驱动器不同位置的N个温度、VCP冷却水温度、母线段温度。

6.一种使用权利要求1的融合时序信息的风电齿轮箱健康评估方法的系统，其特征在于包括：特征生成模块，用于获取风电机组监测控制和数据采集系统采集的多变量时间信号，选取特征变量进行数据预处理，将SCADA数据的时间戳信息进行One‑Hot编码，得到时序特征、传感器特征；

网络构建模块，用于构建卷积自编码网络模块作为压缩网络，并将时序特征和传感器特征输入到压缩网络进行特征学习和压缩；构建高斯混合模型作为评估网络，将学习的压缩特征、时序特征和重构残差特征融合输入到评估网络进行学习；

训练模块，用于根据高斯混合模型，基于压缩网络输出的SCADA样本概率分布设计健康度指标，用于评估风电齿轮箱的健康状况；将机组处于健康状态下的数据输入到步骤S2构建的卷积自编码网络，训练模型得到学习到风电机组齿轮箱健康状态下能量值分布的健康评估模型并设置阈值及保存模型；

评估输出模块，用于将在线监测得到的SCADA数据，进行输入到已经训练好的健康评估模型，输出风电齿轮箱的健康度指标。