1.一种基于盲源分离的风力发电机齿轮箱信号稀疏分解方法，其特征在于，包括以下步骤，构建风力发电机齿轮箱信号的稀疏分解结构，所述稀疏分解结构包括分离矩阵、复杂快速独立成分分析、复局部平均分解和虚拟通道；

对风力发电机齿轮箱不同工况的幅值特征参量进行测量，根据实测数据确定稀疏特征参量输入输出向量维度；

将风力发电机齿轮箱信号幅值与对应的时间编码作为复局部平均分解的输入，构建虚拟通道，将虚拟通道特征参量作为复杂快速独立成分分析的输入，构建迭代分离规则，进一步根据迭代分离规则构建分离矩阵，得到原始信号与稀疏特征参量一一对应的输出；

利用历史实测数据对稀疏分解结构进行训练，训练完成后的模型用于输入给定的风力发电机齿轮箱原始信号，得到对应的稀疏特征参量。

2.根据权利要求1所述的风力发电机齿轮箱信号稀疏分解方法，其特征在于：构建风力发电机齿轮箱信号的稀疏分解结构，包括，采用盲源分离算法，在风力发电机齿轮箱原始信号混叠情况未被探明的情况下，依靠信号幅值特征参量，从原始信号中分离出稀疏特征参量，其表达式为：其中

3.根据权利要求2所述的风力发电机齿轮箱信号稀疏分解方法，其特征在于：构建风力发电机齿轮箱信号的稀疏分解结构还包括复杂快速独立成分分析估计分离矩阵其中

其中

4.根据权利要求3所述的风力发电机齿轮箱信号稀疏分解方法，其特征在于：构建风力发电机齿轮箱信号的稀疏分解结构还包括假设源信号的幅度为1，即分离后信号的幅度也为1，采用拉格朗日松弛方法重构目标函数如下：其中

5.根据权利要求4所述的风力发电机齿轮箱信号稀疏分解方法，其特征在于：还包括利用复局部平均分解构建虚拟通道以解决输入信号数量小于未知源信号数量的欠定盲源分离问题，风力发电机齿轮箱信号幅值与对应的时间编码S21：将

其中Re[·]表示复数值的实部；

S22：分别推演

其中

S23：计算局部包络解调函数

S24：计算频率调制旋转信号

重复S22至S24，并将

S25：计算迭代过程中生成的所有局部包络函数的乘积，得到其中

S26：求取

S27：计算残差信号

校验

6.根据权利要求5所述的风力发电机齿轮箱信号稀疏分解方法，其特征在于：还包括将历史实测得到的风力发电机齿轮箱信号幅值与对应的时间编码数据按照4:1分为训练集和测试集，利用训练集对原始数据和分解后的复乘积函数分量故障辨识进行训练，利用测试集得到最终辨识效果优异的风力发电机齿轮箱信号稀疏分解结构，其中训练过程中采用的损失函数为：式中

7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。