1.一种基于贝叶斯网络和改进DS理论的轮毂电机状态识别方法，采集轮毂电机在不同转速工况vi和运行状态Sn的振动信号和噪声信号，选取出三个高敏感特征参数P1(j),P2(j),P3(j)，i＝1，2，…，M，n＝1，2，…，N，j为信号类型，j＝1表示振动信号，j＝2表示噪声信号，其特征是还包括以下步骤：步骤(1)：将振动信号高敏感特征参数P1(1)、P2(1)和P3(1)作为振动信号贝叶斯网络状态识别模型的输入、噪声信号高敏感特征参数为P1(2)、P2(2)和P3(2)作为噪声信号贝叶斯网络状态识别模型的输入，将转速工况vi作为中间节点，将运行状态Sn作为输出节点，分别构建振动信号贝叶斯网络状态识别模型和噪声信号贝叶斯网络状态识别模型两种状态识别模型，两种状态识别模型的输出为后验概率P(j)(Sn|vi)；

步骤(2)：后验概率P(j)(Sn|vi)作为证据体Sn,i(j)，采用改进DS理论的基本信度函数将第i种转速工况vi下的振动信号证据体Sn,i(1)和噪声信号证据体Sn,i(2)根据冲突因子Δn,i的配值进行融合得到融合证据体Sn,i，Sn,i(1)∩Sn,i(2)＝Sn表示在第i种转速工况vi下振动信号证据体Sn,i(1)和噪声信号证据体Sn,i(2)交集为运行状态Sn；

步骤(3)：采用改进DS理论的基本信度函数将第i+1种转速工况vi下振动信号证据体Sn,i+1(1)和噪声信号证据体Sn,i+1(2)进行融合得到融合证据体Sn,i+1，该融合证据体Sn,i+1对应的改进DS理论的基本信度函数是mi+1(Sn)；

步骤(4)采用原始DS理论的基本信度函数 将所

述的融合证据体Sn,i和Sn,i+1按照归一化因子K'的概率来融合，得到第i、i+1种两个转速工况vi下证据体Sn,(i,i+1)，再将两种工况下的证据体Sn,(i,i+1)与第i+2种转速工况下证据体Sn,i+2进行融合得到三种工况下的证据体Sn,(i,i+1,i+2)，如此循环，经过M-1次融合后得到最终的全局证据体Sn,(i,i+1,i+2,L,M)，全局证据体Sn,(i,i+1,i+2,L,M)对应的基本信度函数m(Sn)越大，则该状态轮毂电机发生的概率越大。

2.根据权利要求1所述的基于贝叶斯网络和改进DS理论的轮毂电机状态识别方法，其特征是：步骤(2)中根据冲突因子Δn,i的配值进行融合的方法是：按后验概率P(j)(Sn|vi)的大小将冲突因子Δn,i分配给基本信度函数mi(Sn)，后验概率P(j)(Sn|vi)越大，冲突因子Δn,i的分配值越大。

3.根据权利要求1所述的基于贝叶斯网络和改进DS理论的轮毂电机状态识别方法，其特征是：步骤(2)中，所述的冲突因子(1) (2) (1)

Sn,i ∩Sn,i ＝φ表示在第i种转速工况vi下振动信号证据体Sn,i 和噪声信号证据体Sn,i(2)交集为空集φ，熵权值 熵值

4.根据权利要求1所述的基于贝叶斯网络和改进DS理论的轮毂电机状态识别方法，其特征是：步骤(4)中，所述的归一化因子φ表示空集，Sn,i∩Sn,i+1≠φ表示在第i种转速工况下融合证据体Sn,i和第i+1种转速工况下融合证据体Sn,i+1轮毂电机某个运行状态同时发生，Sn,i∩Sn,i+1＝φ表示在第i种转速工况下融合证据体Sn,i和第i+1种转速工况下融合证据体Sn,i+1不存在同时发生的轮毂电机运行状态。

5.根据权利要求1所述的基于贝叶斯网络和改进DS理论的轮毂电机状态识别方法，其特征是：步骤(1)中，所述的后验概率 P(j)(Sn)表示信号类型j下运行状态Sn发生的概率，P(j)(vi|Sn)表示信号类型j下在运行状态Sn已知的前提下转速工况vi发生的概率。

6.根据权利要求1所述的基于贝叶斯网络和改进DS理论的轮毂电机状态识别方法，其特征是：步骤(1)中，振动信号和噪声信号的采样频率为12.8kHz，采样时间为57.6s。