1.一种基于深度学习的风力发电机组健康管理方法，其特征在于，包括以下步骤：步骤S1：在风力发电机组变桨系统中的液压部件中部署油液多参数传感器，进而采集油液状态监测数据；计算油液状态监测数据，在单位时间内的水含量异常增长数值比例；

步骤S2：依据水含量异常增长数值比例进行液压油润滑性能劣化比值估计，以获得润滑性能劣化比值；根据所述的润滑性能劣化比值进行液压动力输出减损评估，生成液压动力输出减损数据；

步骤S3：基于液压动力输出减损数据判定变桨控制偏移量，而后进行液压动力异常前置风险因子识别，得到液压动力异常前置风险因子；

步骤S4：利用深度学习算法中的多层感知机对液压动力异常前置风险因子进行健康风险识别架构设计，得到健康风险识别架构，并发送至风力发电机组控制中心，以执行风力发电机组的健康管理；

步骤S2包括以下步骤：

步骤S21：获取液压油基础性能参数；

步骤S22：依据水含量异常增长数值比例对液压油基础性能参数进行液压油润滑性能劣化比值估计，以获得润滑性能劣化比值；

步骤S23：基于润滑性能劣化比值量化液压部件的磨损加剧程度；

步骤S24：根据所述的润滑性能劣化比值和磨损加剧程度进行液压动力输出减损评估，生成液压动力输出减损数据；

步骤S22包括以下步骤：

步骤S221：提取液压油基础性能参数中的基础黏度及抗乳化性；

步骤S222：依据水含量异常增长数值比例对所述基础黏度及抗乳化性进行油膜分子链间的极性平衡损失过程模拟，得到油膜分子链间的极性平衡损失数据；

步骤S223：基于所述极性平衡损失数据量化油膜破裂概率指数；

步骤S224：根据油膜破裂概率指数和极性平衡损失数据进行动力粘度损失发散评估，得到动力粘度损失发散数据；

步骤S225：依据动力粘度损失发散数据、油膜破裂概率指数进行液压油润滑性能劣化比值估计，以获得润滑性能劣化比值。

2.根据权利要求1所述的基于深度学习的风力发电机组健康管理方法，其特征在于，步骤S1包括以下步骤：步骤S11：在风力发电机组变桨系统中的液压部件中部署油液多参数传感器，进而采集油液状态监测数据；

步骤S12：对油液状态监测数据进行时间戳嵌入，以生成油液状态监测时序数据；

步骤S13：提取油液状态监测时序数据中的水含量异常增长趋势；

步骤S14：计算水含量异常增长趋势，在单位时间内的水含量异常增长数值比例。

3.根据权利要求1所述的基于深度学习的风力发电机组健康管理方法，其特征在于，步骤S23包括以下步骤：步骤S231：基于润滑性能劣化比值进行模拟推导抗剪切性能减损程度；

步骤S232：对抗剪切性能减损程度进行非线性时序增量拟合，得到性能减损时序增量拟合数据；

步骤S233：基于性能减损时序增量拟合数据进行液压部件的边界摩擦无序增量推导，得到摩擦无序增量数据；

步骤S234：根据所述的摩擦无序增量数据量化液压部件的磨损加剧程度。

4.根据权利要求1所述的基于深度学习的风力发电机组健康管理方法，其特征在于，步骤S24包括以下步骤：步骤S241：依据磨损加剧程度，演化部件配合间隙扩大数值，随后概率计算内泄漏动态增量数值；

步骤S242：根据所述的润滑性能劣化比值判定油膜承载能力下降梯度；

步骤S243：根据所述内泄漏动态增量数值和油膜承载能力下降梯度进行多参数灰度关联处理，以生成多参数关联结构；

步骤S244：基于所述多参数关联结构进行液压动力输出减损评估，生成液压动力输出减损数据。

5.根据权利要求1所述的基于深度学习的风力发电机组健康管理方法，其特征在于，步骤S3包括以下步骤：步骤S31：对液压动力输出减损数据进行特征结构分析，生成动力输出减损特征结构；

步骤S32：对动力输出减损特征结构进行卷积处理，得到动力减损特征卷积数据；

步骤S33：基于动力减损特征卷积数据判定变桨控制偏移量；

步骤S34：根据变桨控制偏移量对动力减损特征卷积数据进行液压动力异常前置风险因子识别，得到液压动力异常前置风险因子。

6.根据权利要求5所述的基于深度学习的风力发电机组健康管理方法，其特征在于，步骤S33包括以下步骤：步骤S331：基于所述动力减损特征卷积数据计算输出压力衰减递归均差；

步骤S332：通过压力衰减递归均差反推计算油缸伸缩量、及伸缩速率偏移方差；

步骤S333：根据所述油缸伸缩量、及伸缩速率偏移方差评估桨距角偏移角度区间；

步骤S334：对桨距角偏移角度区间进行偏移记忆学习，得到偏移角度记忆学习数据；

步骤S335：通过偏移角度记忆学习数据判定变桨控制偏移量。

7.根据权利要求1所述的基于深度学习的风力发电机组健康管理方法，其特征在于，步骤S4包括以下步骤：步骤S41：对液压动力异常前置风险因子进行特征学习，得到前置风险学习因子；

步骤S42：对前置风险学习因子进行线性判别分析，以获得风险学习线性判别因子；

步骤S43：利用深度学习算法中的多层感知机对风险学习线性判别因子进行健康风险识别架构设计，得到健康风险识别架构，并发送至风力发电机组控制中心，以执行风力发电机组的健康管理。

8.一种基于深度学习的风力发电机组健康管理系统，其特征在于，用于执行如权利要求1所述的基于深度学习的风力发电机组健康管理方法，该基于深度学习的风力发电机组健康管理系统包括：监测数据采集模块，用于在风力发电机组变桨系统中的液压部件中部署油液多参数传感器，进而采集油液状态监测数据；计算油液状态监测数据，在单位时间内的水含量异常增长数值比例；

液压动力输出减损评估模块，用于依据水含量异常增长数值比例进行液压油润滑性能劣化比值估计，以获得润滑性能劣化比值；根据所述的润滑性能劣化比值进行液压动力输出减损评估，生成液压动力输出减损数据；

前置风险因子识别模块，用于基于液压动力输出减损数据判定变桨控制偏移量，而后进行液压动力异常前置风险因子识别，得到液压动力异常前置风险因子；

健康风险识别架构设计模块，用于利用深度学习算法中的多层感知机对液压动力异常前置风险因子进行健康风险识别架构设计，得到健康风险识别架构，并发送至风力发电机组控制中心，以执行风力发电机组的健康管理。