1.一种多尺度时空卷积深度信念网络的风力发电机故障诊断方法，其特征在于，其包括以下步骤：步骤S1：收集数据采集与监视控制系统在风力发电机不同健康状态下采集到的多变量时间序列数据；针对所述健康状态，分别对所述多变量时间序列数据进行预处理以获取具有指定范围的二维多变量时间序列输入矩阵；

步骤S2：将所述二维多变量时间序列输入矩阵以并行的方式分别输入到M个卷积深度信念网络中进行多尺度空间特征学习，提取不同滤波器尺度下的多尺度空间特征，所述M为自然数，且M＞1；

步骤S3：将步骤2得到的多尺度空间特征以并行的方式分别输入到与所述步骤S2中不同的另外M个卷积深度信念网络中进行多尺度时间特征学习，提取不同滤波器尺度下有效的多尺度时空特征；

步骤S4：将步骤3获取的多尺度时空特征输入到softmax分类器进行分类产生最终的诊断结果。

2.根据权利要求1所述的多尺度时空卷积深度信念网络的风力发电机故障诊断方法，其特征在于：所述步骤S1包括如下具体步骤：步骤S11、采用最大最小值归一化方法对获取的原始多变量时间序列进行标准化处理，计算公式如下： 其中yij是标准化处理后的多变量时间序列中变量j的第i个值，xij是原始多变量时间序列中变量j的第i个值，min(xj)和max(xj)分别是变量j的最小值和最大值；

步骤S12、将标准化的多变量时间序列利用滑动窗技术分割成若干个长度为N的无重叠二维片段，得到二维多变量时间序列输入矩阵。

3.根据权利要求1所述的多尺度时空卷积深度信念网络的风力发电机故障诊断方法，其特征在于：步骤S2中，二维多变量时间序列输入矩阵的大小为S×N，其中S为传感器变量的个数，N为采样点数，即滑动窗口的长度；并采用三个卷积深度信念网络进行多尺度空间特征学习，具体包括如下步骤：步骤S21、将步骤1得到的二维多变量时间序列输入矩阵分别并行输入到三个具有不同滤波器尺度的卷积深度信念网络模块，并设计每个卷积深度信念网络的滤波器只沿着变量轴滑动；

步骤S22、设置每个卷积深度信念网络模块的层数，每个模块分别包括两个隐含层和一个概率最大池化层，其中每个概率最大池化层的滤波器大小相同；

步骤S23、为保持时间维度不变，将三个卷积深度信念网络模块产生的局部空间特征映射沿着变量轴的方向级联起来，以进一步用于多尺度时间特征提取。

4.根据权利要求1所述的多尺度时空卷积深度信念网络的风力发电机故障诊断方法，其特征在于：所述步骤S3包括如下具体步骤：步骤S31、将步骤2学习到的多尺度空间特征分别并行输入到三个具有不同滤波器尺度的卷积深度信念网络模块，设计每个卷积深度信念网络的滤波器只沿着时间轴滑动；

步骤S32、设置所述步骤S31中三个卷积深度信念网络模块的层数，每个模块包含两个隐含层和一个概率最大池化层，且每个概率最大池化层的滤波器大小相同；

步骤S33、将在不同滤波器尺度下提取的局部时间特征沿着时间轴级联起来，以用于最终的故障识别。

5.根据权利要求1所述的多尺度时空卷积深度信念网络的风力发电机故障诊断方法，其特征在于：所述步骤S4包括如下具体步骤：步骤S41、定义风力发电机故障诊断的分类任务为一个二分类问题；

步骤S42、将步骤3获取的多尺度时空特征转换为二维矩阵并输入到具有交叉熵损失函数的softmax分类器中，诊断风力发电机是否处于健康状态；其中交叉熵函数的计算公式如下所示： 其中p(i)表示真实分布，q(i)表示预测分布。