1.一种风力发电机故障预警方法，其特征在于：包括以下步骤：(1)通过风力发电机监视控制和数据采集系统获取风力发电机在正常运行状态和异常运行状态下的数据以及与高速轴相连部件的数据；

(2)对步骤(1)中获取的数据进行预处理；

(3)对预处理后的非噪声数据进行去噪处理；

(4)采用数据挖掘方法分析风力发电机振动数据、电信号数据及其它数据之间的关系，将风力发电机正常运行状态下与高速轴工况关联性高的信号数据构造成记忆矩阵D，利用多元状态估计法对记忆矩阵进行状态估计得到与观测向量对应的估计向量；将正常状态下观测向量和估计向量之间的残差最大值设为风力发电机正常工况下故障报警阈值；将风力发电机异常工况下的观测向量和估计向量的残差最大值设为风力发电机异常工况下的故障预警阈值；当残差大于故障预警阈值时，发出故障报警信号；

在风力发电机正常运行状态下，采集m个观测向量，构造成记忆矩阵D：其中，m表示取样次数；tm为与高速轴故障存在关联的风力发电机数据取样的间隔时间为tm，h(t)表示振动数据，v(t)表示电信号数据，g(t)表示轴温数据；

T

将观测向量dobs＝[h1(t),v2(t)…g4(t)]作为多元状态估计法的输入参数，由所述观测向量生成一个m维的权重向量ω：T

ω＝[ω1,ω2…ωm] (3)

估计向量为：dest＝ω·D(4)；

在发出报警信号前将故障阈值代入故障阈值向量对应的概率密度函数中，由式(10)或式(11)计算出风力发电机正常工况下故障阈值对应的故障误报率或者异常工况下故障阈值对应的故障漏报率，根据风力发电机故障误报率和漏报率的大小做出不报警或者报警的应对；

令q(εv)为正常状态下故障预警向量E＝(εv1,εv2…εvm)中随机变量εv的概率密度函数，当故障预警阈值为εvp时，q1表示正常工况下阈值过程变量低于报警阈值的故障误报率，q2表示正常工况下阈值过程变量超过报警阈值的故障误报率，并且

q1+q2＝1 (8)

令j(εv′)为风力发电机异常工况下的概率密度函数；当风力发电机在异常状态下，故障预警阈值为εv′p时：j1表示风力发电机在异常工况下的阈值过程变量低于报警阈值的故障漏报率，j2表示风力发电机在异常工况下的阈值过程变量超过报警阈值的故障漏报率，并且j1+j2＝1；

误报率为正常工况下，阈值过程变量εv超过故障预警值εvp的部分；

漏报概率为异常工况下，阈值过程变量εv′超过故障预警值εv′p的部分；

(5)根据残差预警向量分别计算得风力发电机在正常状态和异常状态下的误报率和漏报率。

2.根据权利要求1所述的风力发电机故障预警方法，其特征在于：步骤(2)中，对缺失的数据采用插补法中的均值法、中位数法、众数法补齐缺失的数据。

3.根据权利要求1所述的风力发电机故障预警方法，其特征在于：步骤(2)中，通过箱线图分析方法以四分位数和四分位矩为基础判断数据中的异常值并删除异常值。

4.根据权利要求1所述的风力发电机故障预警方法，其特征在于：步骤(4)中，与高速轴工况关联性高的信号数据包括振动数据、电信号数据、轴摩擦产生的噪声数据和轴温度数据。

5.根据权利要求1所述的风力发电机故障预警方法，其特征在于：步骤(4)中，采用数据挖掘方法中的互信息算法对信号数据进行相关性分析：其中，I(x,y)为x与y之间的互信息，p(x,y)为x与y共同出现的频率；p(x)、p(y)分别为x、y单独出现的频率；若I(x,y)≥0数值越大表明x与y的关联程度越强；若I(x,y)≈0，则x,y关联程度比较弱；若I(x,y)＜0，则说明x与y互补，不存在关联。

6.根据权利要求1所述的风力发电机故障预警方法，其特征在于：将m个观测向量带入多元状态估计法后分别得到m个残差值，所述残差值构成一个残差向量ε＝(ε1,ε2…εm)；所残差向量中的最大值为正常状态下的故障预警阈值。

7.根据权利要求1所述的风力发电机故障预警方法，其特征在于：以不同的采样间隔采集m个风力发电机正常工作状态下的历史数据，得到正常工况下的残差预警向量E＝(εv1,εv2…εvm)(5)。