1.一种风力发电机部件故障分类检测方法，其特征在于：包括以下步骤：步骤S1：对风电机组监测控制和数据采集系统采集到的每个数据输入信号进行小波分解，设置相应的小波分解层数L，计算得到原始信号的高频细节系数，直到达到所述分解层数L，得到原始输入信号的局部信号；

步骤S2：将原始信号和分解得到的局部信号分别输入到长短期记忆神经网络中进行特征学习，获取输入信号在时间维度上的全局特征输出子网络和局部特征输出子网络；

步骤S3：将全局特征和局部特征每个子网络的输出连接起来，进行动态加权处理实现全局特征和局部特征的自适应动态融合，再将融合后的结果输入到softmax分类器，根据输入时间序列的多尺度特征产生其分类结果；全局特征和局部特征的自适应动态融合，具体包括如下步骤：

步骤S31、对整个输入各类特征维度进行降维操作，将输入uc(t)通过使用全局平均池化来生成通道统计信息，得到输出zc，计算公式如下： T表示输入信号的时间维度，zc是时间维度T上的通道全局平均输出；

步骤S32、为了捕获通道依赖，将门控机制应用于sigmoid激活函数，如下所示：s＝σ(W2δ(W1zc))，其中σ为sigmoid激活函数，δ为ReLU激活函数，W1和W2分别是降维层和增维层的权值参数；

步骤S33、最后，对输出模块进行重新调整，得到输出 计算公式如下所示：T

其中Fscale(uc,s)表示输入uc∈R 与步骤S32得到的结果s之间的通道相乘；

步骤S4：将分类结果通过滑动窗口和多数投票的方法以生成最终的检测结果。

2.根据权利要求1所述的一种风力发电机部件故障分类检测方法，其特征在于：步骤S1中，小波层的输入大小为N×D的时间序列样本，其中N为信号的长度，D为信号的维数，首先设置小波的分解层数L，然后从原始信号中计算高频细节系数，直到达到所指定的小波分解i

层数L，此时原始信号就会被分解为若干小波系数，每个小波层的输入大小为[N/2]×D，其中i＝1,2…,L。

3.根据权利要求1所述的一种风力发电机部件故障分类检测方法，其特征在于：步骤S2中，原始信号层和局部信号层的LSTM神经网络层数相同，每层LSTM神经网络层后加入dropout层，以防止过拟合。

4.根据权利要求1所述的一种风力发电机部件故障分类检测方法开发的最佳板形曲线系数系统，其特征在于：步骤S4中，采用基于滑动窗口和多数投票的方法，所述步骤如下：步骤S41、首先定义两个变量：滑动窗口大小Lw及滑动步长Ls，其满足条件Lw＞＞Ls；

步骤S42、将时间序列分割成长度为Ls的子序列，让长度为Lw的滑动窗口沿输入时间序列移动一个大小为Ls的步长；

步骤S43、然后训练后的分类器将预测滑动窗口内的时间序列，每次滑动窗口移动时，都会做出一个预测，这样，当滑动窗口沿着信号移动时，每个子序列将积累Lw/Ls个预测值；

步骤S44、最后将预测结果缓存起来供多数投票通过，投票结果将显示是否检测到风机部件故障情况。