1.一种应用于新能源汽车的电机声纹故障诊断方法，其特征在于，包括以下步骤：(1)预先获取新能源车辆电机在正常和不同故障状态下的声纹信号，采用改进的辛几何模态分解ASGMD对故障数据进行去噪分解；

(2)提取多尺度散布熵特征，提取声纹信号的ASGMD特征能量熵特征和多尺度散布熵特征构建混合特征向量集，并划分训练集和测试集；

(3)在战争策略算法WSO中引入Tent混沌映射和非线性自适应权重策略，得到改进的战争策略算法AWSO；

(4)构建Flowformer‑CNN模型，并采用AWSO对Flowformer‑CNN进行参数寻优；所述Flowformer‑CNN模型为将标准的Transformer中的二次复杂度Attention替换为Flow‑Attention；

(5)将优化的Flowformer‑CNN模型与Softmax分类器结合，输入测试集，得到电机的声纹故障诊断结果；

所述步骤(3)实现过程如下：

定义战争策略算法WSO的种群规模N、最大迭代次数T、粒子维度D；利用Tent混沌映射初始化WSO中种群初始位置，定义混沌参数α；根据定义的初始参数得到初值序列x0的取值范围，随机获得处置序列x0的取值范围内的X个值；将X个值形成数列X0，令X0＝x0(n)，其中n＝

1,2,3…,X；将X0作为序列x的首个值，然后按照序列生成后续n+1个值，所述序列生成公式如下：保存产生的序列x作为战争策略算法的种群个体的初始位置；

引入非线性自适应权重替代WSO里原有的士兵权重计算公式，公式如下：其中，Wi代表第i个士兵的权重，t代表当前迭代次数，T代表算法总迭代次数；k代表调节因子，用来限制非线性权重W的大小；

步骤(4)所述构建Flowformer‑CNN模型实现过程如下：Flowformer模型是基于流网络模型将Transformer线性化，Flow‑Attention机制采用相似性分解，将竞争机制引入源，将分配机制引入汇；

Flow‑Attention通过分别控制注意力机制与外部网络的交互，来实现“固定资源”，从而分别引起源和汇内部的竞争，通过归一化分别实现源的流出守恒 和汇的流入守恒其中φ为非线性函数，K、Q为原Attention中的keys和queries；O为源流出的信息量，对应着注意力权重矩阵的列和；I为汇的流入信息量，对应着注意力矩阵的行和；

通过将守恒引入注意力机制，得到引入竞争之后的源的流出量和汇的流入量：其中， 表示汇(R)流入信息量一定情况下，每个源(V)提供的信息量，代表了源(V)的重要性； 表示源流出信息量一定情况下，竞争之后，每个汇的所得信息量，代表了汇所需要获取的信息量；

Flow‑Attention机制具体包括竞争、聚合、分配三部分：其中， 表示竞争源，它是基于流入守恒的非平凡的重新加权；A是聚合的源信息，并通过矩阵乘法的结合性计算；R表示流注意力的结果，控制传递到下一层的信息量；⊙表示按元素相乘；

用CNN处理富含故障特征信息的Flowformer编码器输出序列；为了防止网络退化，在卷积之前加一个残差块，残差学习定义为：y＝F(x,{Wi})+x        (9)

其中，x为输入，y为输出，F为将要学习的残差映射，Wi为参数。

2.根据权利要求1所述的一种应用于新能源汽车的电机声纹故障诊断方法，其特征在于，步骤(1)声纹信号包括电机正常、轴承故障、转子磨损、气隙偏心、磁铁破损、转轴弯曲和齿轮箱故障这七种状态下的声纹信号。

3.根据权利要求1所述的一种应用于新能源汽车的电机声纹故障诊断方法，其特征在于，所述步骤(1)实现过程如下：基于信噪比的自适应辛几何分量SGC重构对原辛几何模态分解SGMD进行改进；定义原始信号x(n)与前m个SGC分量重构信号间的噪声比，其公式如下：其中，n为信号长度，i表示第i个信号；

通过不断计算SNRm发现，随着m的递增SNRm会先逐渐增大，随后减小；当SNRm＞SNRm+1时，m为最佳分离点，此时前m个SGC分量最佳SGC重构分量；原始信号x(n)通过自适应SGMD即ASGMD重构得到的最佳时域信号L(n)为：

4.根据权利要求1所述的一种应用于新能源汽车的电机声纹故障诊断方法，其特征在于，所述步骤(2)实现过程如下：将初始长度为n的时间序列u＝{u1,u2,…un}分割成长度为τ的N个非重叠段，计算每个分段的平均值得到粗粒化序列，其公式如下：其中，τ为尺度因子，j代表常数；

计算每个τ下的粗粒化序列的散布熵值：

其中，X＝{x1,x2,…,xn}，为长度为n的时间序列； 为散布模式；p代表概率；e为嵌入维数；m为类别数量；t为时延；

提取ASGMD分解的能量占比和能量熵特征和原始信号的多尺度散布熵特征，构建混合特征向量集；将特征向量集以7：3的比例划分为训练集和测试集。

5.根据权利要求1所述的一种应用于新能源汽车的电机声纹故障诊断方法，其特征在于，步骤(4)所述采用AWSO对Flowformer‑CNN进行参数寻优过程如下：Flowformer‑CNN模型参数具体包括：Flowformer中的学习率、编码器层数、解码器层数；

将Flowformer模型参数作为算法的输入，设置上下限；适应度值为训练集平均绝对误差；

其中，为预测值，Y为实际值，n为训练集样本个数，i表示第i个数；

改进的战争策略算法AWSO具有攻击和防守两种位置更新策略，根据不同策略更新士兵位置，公式如下：Xi(t+1)＝Xi(t)+2×ρ×(C‑K)+rand×(Wi×K‑Xi(t))      (11)Xi(t+1)＝Xi(t)+2×ρ×(K‑Xrand(t))+rand×Wi×(C‑Xi(t))     (12)公式(11)为攻击策略，公式(12)为防守策略；其中Xi(t+1)为士兵t+1次迭代的位置，Xi(t)为t次迭代位置，C为指挥官位置，K为国王位置，Wi为权重，rand代表随机数，这里取ρ为随机常数；

根据目标函数计算士兵在新位置的适应度值，若新位置适应度值大于原位置适应度值，则士兵位置改变；反之，士兵保持当前位置；通过不同策略下士兵的位置更新，得到全局最优解；

判断是否达到最大迭代次数，若达到，则将最好的适应度值对应的士兵所在位置作为输出，更新Flowformer模型参数。

6.根据权利要求1所述的一种应用于新能源汽车的电机声纹故障诊断方法，其特征在于，步骤(5)所述声纹故障诊断结果包括正常、轴承故障、转子磨损、气隙偏心、磁铁破损、转轴弯曲和齿轮箱故障。