1.一种基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法，其特征是具有以下步骤：步骤一：采集轮毂电机在正常和故障运行状态下的运行信息，包括车速信号、加速度信号，将每种加速度信号等分为15段，分别计算每段加速度信号时域和频域高敏感特征参数；

步骤二：根据运行状态、加速度、高敏感特征参数建立训练数据集，将运行状态、加速度作为隐藏节点，高敏感特征参数作为可观测的高斯节点，对训练数据集进行参数学习，构建当前时间片段k对应的速度片vk的贝叶斯网络结构，得到各网络节点的条件概率分布，确定前一时间片段k-1对应的速度片vk-1与当前时间片段k对应的速度片vk之间的二速度片vk-1-vk状态转移概率分布；

步骤三：结合当前时间片段k对应的速度片vk的贝叶斯网络结构和二速度片vk-1-vk状态转移概率分布，建立动态贝叶斯网络模型；

步骤四：根据速度片vk-1和速度片vk之间的多种状态转移概率分布建立二速度片vk-1-vk轮毂电机机械故障诊断模型群；

步骤五：在线采集轮毂电机的车速Vk、加速度a，计算出当前时间片段k中加速度信号a的高敏感特征参数；

步骤六：根据前一时间片段k-1的车速Vk-1和当前时间片段k的车速Vk从所述的轮毂电机故障诊断模型群中选择相应的二速度片vk-1-vk诊断模型；

步骤七：将步骤五中所述的高敏感特征参数作为选择的二速度片vk-1-vk诊断模型的输入，计算轮毂电机运行状态的后验概率分布；

步骤八：根据所述的后验概率判断轮毂电机正常或故障。

2.根据权利要求1所述的基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法，其特征是：步骤一中：先采集5km/h，10km/h，15km/h，20km/h和25km/h这5车速种下的正常和故障时轮毂电机轴承处的加速度xi时域信号，计算出4个时域信号特征参数分别为：i＝1～N，N

为采样点数，xpi是xi中的极大值，j＝1～Np，Np为xi中极大值的总数，极大值平均值极大值标准差 Nv为{xi}中极小值的总数；

将加速度xi时域信号变换为频域信号fi，计算出4个频域信号特征参数分别为：i＝1～I，I是采样频率的一半；F(fi)是第fi的频谱值；

再分别计算5种车速下、轮毂电机正常和故障运行状态的8个信号特征参数的平均值μSP、标准差σSP、各信号特征参数在各车速工况下正常与故障状态之间的区分度指标值和区分率 μSP1是正常状态对应的平均值，μSP2是故障状态对应的平均值，σSP1、σSP2是对应的标准差；x是积分变量，dx是x的变化量；

最后根据区分度指标值DI、区分率DR计算出综合权重指标值

M＝2，R＝4，L＝5，大于2.33的DI值近似取为2.33，用f(DI)表示；w是权重系数，α是高敏感特征参数阈值，α＝95％，y是积分变量，dy是y的变化量；

取综合权重指标值SWDI的最大值所对应的一组特征参数为高敏感特征参数组，得到高敏感特征参数。

3.根据权利要求2所述的基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法，其特征是：步骤二中：所述的各网络节点的条件概率分布是速度片vk中高敏感特征参数节点SP1k和加速度信号类型节点Ck的条件概率分布P(SP1k|Ck)，速度片vk中高敏感特征参数节点SP2k和加速度信号类型节点Ck的条件概率分布P(SP2k|Ck)，速度片vk中高敏感特征参数节点k k k kSP5和加速度信号类型节点C的条件概率分布P(SP5 |C)，速度片vk中高敏感特征参数节点SP7k和加速度信号类型节点Ck的条件概率分布P(SP7k|Ck)，速度片vk中轮毂电机运行状态节点Sk的先验概率分布Pf(Sk)，速度片vk中加速度信号节点Ck的先验概率分布Pf(Ck)。

4.根据权利要求3所述的基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法，其特征是：步骤七中，根据式 计算出轮毂电机运行状态Skk

的后验概率分布Pu(S)。

5.根据权利要求4所述的基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法，其特征是：步骤八中，当后验概率分布Pu(Sk)≤50％时判断轮毂电机运行状态为正常，当后验概率分布Pu(Sk)>50％时判断轮毂电机运行状态为故障。

6.根据权利要求1所述的基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法，其特征是：步骤五中，将车速Vk-1和Vk划分为相应的速度片vk-1和vk是：